ai coding在日常的软件开发过程中，已经很普遍，但是在大项目中ai coding效果并不理想。于是人们开始想着引入知识图谱，将大项目知识图谱化，这样claude code等工具就不用在搜索上面花费大量时间寻找了。未来的AI coding很可能会形成三层结构，第一层：Repository Graph，例如GitNexus。负责：代码结构理解、调用链导航、架构理解。第二层：Change Grap

ai时代，使用claude code进行软件开发，几乎是程序员的标配了。但是大家在使用的过程中，会遇到很多问题，总之就是觉得大模型好像没有那么牛，那么就需要了解一下claude code的context window了，也就是上下文。大模型，它是无状态的，也就是说，每次你对它进行问答，它并不会将前后两次问答记录联系起来，对agent来说，如果要保持记忆，就是需要将聊天记录携带着，进行下一次的问答。

现在人人都开始使用claude code进行ai coding，但是在大项目中，有时会觉得ai出码的效果没那么好，自己反复调试，也很难达到使用效果，最近claude code出了一个指南，可以参考下。npm test跑全量测试输出海量日志context 被污染让测试局部化。Claude Code 在大型项目中的核心思想可以总结为一句话：AI Coding 的关键，不是模型，而是工程化运行环境（Ha

现在没有软件开发工程师不知道codex和claude code的，大家可能都会疑问，到底应该做选型呢，两者各自的优势是什么，今天简要探讨下。codex和claude code都是不错的ai coding工具，可以根据具体的需求进行切换使用，当然如果精通一个工具也是可以的。参考文档。

claude code几乎是软件工程师的开发必备了，但是使用过程中，有时会有一些困惑，比如command和skills好像是类似的，如何进行区分呢，进行简要介绍一下。命令（Commands）和技能（Skills）最初在 Claude Code 中是两个不同的机制，但在版本 2.1.3 中已被统一，现在主要区别是组织结构，而不是行为或能力。命令（Commands）和技能（Skills）的原始差异：C

ai coding已经成为程序员的标配，越来越多的程序员已经从写代码角色转变为评审代码角色。但是呢，尽管大模型的能力越来越强，在不完全了解业务背景的情况下，它还是会写错。面对这种场景，人们想到的是增加知识库，那么如何使用知识库呢？RAG的出发点，是让大模型有外挂的知识，避免有些数据没有经过训练回答，回答的效果不好，也可以作为长期记忆。file-based knowledge，是让AI有记忆，按需加

不管是什么类型的大模型agent，比如写代码的等等，它会遇到一个问题，不稳定性。Claude Code hooks是用户自定义的 shell 命令，可在 Claude Code 生命周期的不同阶段执行。钩子能对 Claude Code 的行为进行确定性控制，确保特定操作始终发生，而非依赖大型语言模型自行选择是否运行。Claude Code Hooks 是一套基于生命周期事件的自动执行机制，允许开发

近两年，大模型（LLM）最重要的应用之一，就是“知识库”。企业希望让 AI 理解内部文档，研究者希望 AI 管理论文，开发者希望 Agent 能拥有长期记忆，于是：RAG（Retrieval-Augmented Generation）成为了当前最主流的知识库方案。但随着 Agent、多轮推理、长期记忆等需求出现，传统 RAG 的问题也越来越明显。2026 年，Andrej Karpathy 提出了

随着大家使用ai coding的程度越来越深，通过ai聊天的方式进行ai coding，越来难以满足大家的开发需求，主要原因是：1、上下文爆炸2、prompt能力差异大3、模型切换麻烦4、自动化能力差于是，多agent模式协作ai coding就应用而生。ai协作范式，从聊天窗口到多agent编排，是一个大趋势。现在程序员手写代码的地方，不多了，所以尽可能地使用复用的agent，是拉齐大家ai c

大模型时代，ai agent是个爆火的概念，很多公司都声称自己家的产品是ai agent，但是随着最近openclaw的爆火，人们才真正感受到ai agent是什么。OpenClaw 是一款开源的自主 AI 助手软件，属于“AI agent”（智能代理）类别，能够真正执行任务，而不仅仅是回答问题。它最初由奥地利开发者 Peter Steinberger 创建，最早发布于 2025 年11月，Ope