本文围绕 Anthropic 提出的 Agent Skills，探讨在真实工程场景中如何以 Agent 为核心进行系统性 AI 开发。文章指出，AI 编程的瓶颈已不在模型能力，而在流程、上下文与经验的长期沉淀方式。通过将人的工作流程固化为以 SKILL.md 为核心的结构化能力模块，并采用渐进式披露与代码优先的工程取向，可以显著提升 Agent 的稳定性、可复用性与可维护性。进一步从软件工程与项目

本文总结了在服务器环境中使用 Docker 运行 ORB-SLAM3 的实践经验。重点分析了容器启动方式对结果保存的影响，说明通过目录挂载避免使用 `--rm` 对实验数据持久化的重要性。同时介绍了 Pangolin 依赖图形环境的问题，并给出基于 Xvfb 的稳定解决方案。文章以 TUM RGB-D 数据集为例，梳理了从数据准备、SLAM 运行到轨迹导出的标准流程，形成了一套可复现、适合无 GU

OpenSpec 用规格驱动开发约束 AI。安装 npm i -g @fission-ai/openspec，初始化 openspec init。根目录 AGENTS.md 负责入口指引，openspec/AGENTS.md 定义三阶段流程与格式规范，openspec/project.md 提供项目上下文；~/.codex/prompts/ 的 proposal/apply/archive 指令分

本文基于实际使用经验，梳理了 OpenAI Codex CLI 在本地环境中的核心用法，包括安装方式、配置结构、多 Provider 切换、认证机制、环境变量持久化以及历史记录控制等关键问题。通过对官方配置与实际行为的对照，澄清了“无痕使用”和本地历史保存的常见误解，并总结了更安全、可维护的工程化使用方式。本文适合希望将 Codex CLI 作为长期本地编程助手使用的开发者参考。

本文基于 OpenAI 在 Android 端使用 Codex 的实践，总结了一套 Agentic 软件工程方法论。核心在于为 AI 建立清晰、可执行的工程秩序，而非让其自由生成代码。通过定义不变式（AGENTS.md）、先打地基并提供样板、先规划再实现、多会话并行协作以及测试与 CI 驱动，AI 才能稳定、高质量地放量产出。AI 并未线性加速开发，而是将瓶颈转移到决策、约束与整合上，使项目管理重

用 Codex 配合 GitHub Spec Kit，可把 AI 编码从即兴对话变成**规格驱动流程**。通过 `specify init` 初始化后，在 Codex 中按 `/prompts:speckit.*` 执行 **Constitution→Spec→Plan→Tasks→Implement**，每步都有产物与验收，并可用 `analyze` 校验一致性。分阶段实现，避免失控，提升复现性

本文基于实际使用经验，梳理了 OpenAI Codex CLI 在本地环境中的核心用法，包括安装方式、配置结构、多 Provider 切换、认证机制、环境变量持久化以及历史记录控制等关键问题。通过对官方配置与实际行为的对照，澄清了“无痕使用”和本地历史保存的常见误解，并总结了更安全、可维护的工程化使用方式。本文适合希望将 Codex CLI 作为长期本地编程助手使用的开发者参考。