登录社区云,与社区用户共同成长
邀请您加入社区
很多开发者从旧模型切换到 Astra 时,最常抱怨的一句话是:“它怎么写了个开头就停下来了?Eric Provencher 在长文中指出,这是因为 Astra 具有更强的人机协作分寸感。面对一条边界模糊的需求,它倾向于快速交付第一版实现,然后等待你的审查。如果你希望它持续深入地完成端到端任务,你必须改变提问习惯,将过去对过程的指手画脚,升级为对最终成果的验收准则(Definition of Don
版本/事件时间核心变化项目启动2024 年初基于 Spring AI 开始构建正式开源2024 年 9 月Spring AI Alibaba 开源1.0 GA2025 年生产就绪的企业级框架1.1.2.02026 年 2 月Agent Skills 支持、多智能体并行执行增强1.1.2.12026 年DashScope Starter 迭代1.1.2.22026 年当前最新稳定版本。
文章摘要(149字): AI框架选型应先明确需求层级:L1/L2开发框架(Spring AI/LangChain)适合工程师自主开发;L3运行时(AgentScope/DeepSeek Harness)提供生产级环境;L4成品智能体(OpenClaw/Hermes Agent)开箱即用;L5低代码平台(Dify/Coze)面向业务人员。同层级内比较技术特性,跨层级选择产品形态——如Java生态选S
本文探讨了AI Agent在工作场景中的演进及其对未来职业的影响。作者指出,Agent已开始改变人机关系,从被动工具转变为能理解任务、组织资源的协作方。未来工作流程可能由多个专业Agent组成的虚拟团队完成,打破传统部门边界,使组织能力实现动态调用。这种变革并非取代人类,而是重新定义职业内涵:人的价值将更多体现在目标设定、资源协调和关键决策上,而非具体技能本身。职业边界将从“会做什么”转向“想解决
本文摘要(146字): 2026年AI应用开发框架已形成Java与Python双雄并立格局,16个主流框架按五层模型分类对比:L1(Java生态开发框架)含Spring AI等4个;L2(Python生态)含LangChain等6个;L3(运行时框架)含AgentScope 2.0和DeepSeek Harness;L4(成品智能体)含OpenClaw等;L5(低代码平台)含Dify等。各层级定位
AHE 通过组件、轨迹和决策三层可观测性,让 Coding Agent 的工具、中间件和长期记忆自动演进。本文解析其闭环设计、组件消融、迁移结果及生产落地所需的权限与回归治理。
本文介绍了三个开源Skill(Taste、Motion、Impeccable)帮助非设计师开发者快速提升AI界面设计质量。Taste通过风格旋钮和硬性规则消除"AI味",Motion提供专业动效体系,Impeccable一键检查细节瑕疵。三者可独立或组合使用,形成从审美决策到动效体验再到细节打磨的完整工作流。文章通过一个SaaS落地页案例演示了40分钟内完成专业级设计的全流程,
Maintainer Workflow 是一个刻意保持精简、可跨 Codex、Claude Code、Cursor、Qoder 使用的开源 Agent Skill。它通过真实 Git 定向、范围与权限控制、可选工作包、分级证据、真实验收和准确交接,让编码 Agent 像维护者一样完成仓库任务,而不只是生成代码。
在国外某个知名社交媒体上看到的两篇关于 Agent 工程的讨论。第一篇来自Anatoli Kopadze,第二篇来LunarResearcher,两篇文章关注点不同,但放在一起看,实际上共同指向一个更重要的变化:**AI Agent 正在从“如何让模型表现更好”,转向“如何把模型组织成一个可靠运行的软件系统”。
Matt Pocock 的 Skills v1.2 更新了一个新技能:不写代码、不跑测试、不查 Bug——它只做一件事,教你写出 Agent 真能读懂的文档。它叫 /writing-for-agents。
MattPocock提出了一套基于经典软件工程理论的AI编码工作流,通过将八本编程经典(如《设计原本》《领域驱动设计》等)的核心概念转化为可执行的AI技能(Skill),解决了LLM在长上下文窗口中质量下降的问题。工作流包含核心流程(需求澄清→规格说明→任务拆分→实现审查)和三条辅助路径,强调垂直切片开发、干净上下文窗口和日班/夜班分工模式。关键创新包括:设计树访谈法确保需求清晰、TDD循环保持代
GitHub Trending 显示 anthropics/skills 今天进入 AI/Agent 相关热门仓库。这个仓库把 Agent Skills 定义成可复用的指令、脚本和资源包,并给出 spec、template 与示例。本文从研发视角拆解:为什么企业 Agent 应把经验沉淀成版本化能力资产,而不是继续堆 prompt。
把项目经分人员的脑子留下来——不靠文档、不靠培训、不靠"老带新",靠一份能被任意人加载、按统一口径分析、产出可审阅报告的 Skill。每一个读表套路都可以被封装,每一个判断阈值都可以被沉淀,每一次"先 md 后 docx"的反馈闭环都可以被复刻——团队里最贵的经验,就此不再依赖具体的人。
多 Agent 协作是 Agent 工程最难落地的方向之一。本文介绍 Agent Skill Warehouse(mcp.smartmoves.com.cn)如何以"角色化技能集"为核心,通过 BA-Master、SA-Master、PM-Master 三个技能集的契约驱动、共享知识池、交接可观测等机制,让多 Agent 协作从演示走向工业级落地。
26年6月来自Nvidia、密歇根大学、UIUC、UC Berkeley和CMU的论文“ASPIRE: Agentic /Skills Discovery for Robotics”。传统的机器人编程极具挑战性:它需要协调多模态感知、管理复杂的物理接触动力学,并应对多样的环境配置及执行失败情况。本文推出 ASPIRE(基于迭代机器人探索的智体技能编程),这是一个面向机器人的持续学习系统;它采用“代
MetaSkills 的 30 次提交构建了一个相当厚的抽象层——声明式 DSL、DAG 引擎、LLM 路由、Checkpoint 机制。但每一层都保留了可观测性、可调试性、可审计性的逃生舱口。它没有假装本质困难不存在,而是用抽象把偶然困难压到极限低,然后把省下来的大脑带宽全部投入到 DAG 死锁检测、LLM 输出校验、失败分支恢复这些无法逃避的本质困难上。你不消灭狼,但你可以用更好的瞄准镜和更轻
2026年亚马逊云科技峰会上有一句话被反复提及:“Agentic Now,Go Build”——号召每个人都去造。Go Govern——去治理。造Agent的门槛趋近于零,意味着竞争门槛从"谁能造"转移到了"谁能管"。谁先建成一套让Agent可见、可验证、可追责的治理体系,谁就在下一阶段的AI竞争中拿到了结构性优势。但这不仅是"管Agent怎么运行"的问题。治理的更深一层,是管Agent能用什么样
某种程度上,60年代的组织模式类似于物理世界的DAO——它以“规则前置(制度设计)、群体共治(工人参与管理)、权力去中心化(干布参加劳动、工人参加管理)”为核心,已经验证了其释放生产力的巨大威力。远一点看,60年代的管理创新,不但在最短时间内完成农业国向工业国的转化——填补工业1.0、2.0空白和前瞻布局工业3.0,还在世界范围启发了新的流水线革命——丰田模式。参考价值就非常有限了。这也说明了:最
SpaceX的可复用火箭,不是在实验室里验证了某种新物理定律,而是在真实世界中证明了:航天运输可以从“一次性、国家级的烧钱游戏”,变成“可复用、商业化的常态业务”。基于可复用火箭技术的成功实现,以低轨大规模星座建设——星链——为应用场景牵引,SpaceX成功实现了商业闭环,将航天工程从小规模、低频次、高成本的国家工程转变为大规模、高频次、低成本的商业常态。需要强调的是,这是逻辑上的最终依赖链条,而
关注 霍格沃兹测试学院公众号,回复「」, 领取人工智能测试开发技术合集。
在软件工程领域,自动化代码修复一直是提升开发效率的关键技术方向。其核心原理是通过分析代码库、理解问题上下文并生成修复补丁,将开发者从繁琐的调试工作中解放出来。传统的单模型方法往往难以处理复杂的仓库级问题,而多智能体协同架构通过角色专精与责任分离,实现了更接近人类工程师的团队化工作流。这种架构的技术价值在于将大语言模型的创造力与软件工程的严谨流程相结合,形成闭环、可迭代的修复流水线。在实际应用中,此
大型语言模型(LLM)智能体是当前人工智能领域的重要发展方向,其核心原理在于通过自然语言理解、任务规划与工具调用,将LLM的推理能力转化为可执行的操作序列。这一技术为自动化软件工程任务带来了革命性价值,能够显著提升开发效率,将开发者从重复性编码、调试和文档工作中解放出来。在实际应用场景中,LLM智能体可广泛应用于代码生成、重构、测试、系统设计等软件开发全生命周期。字节跳动开源的Trae Agent
软件工程自动化正从规则驱动迈向智能体驱动的新范式。其核心原理在于,具备感知、决策与执行能力的AI智能体,通过大语言模型(LLM)对代码和需求的理解,能够自主处理复杂的开发任务。这一转变的技术价值在于,它有望将AI从辅助编码的工具,升级为能贯穿需求、设计、测试、运维全流程的自主协作实体,从而极大提升软件研发的效率与质量。在应用场景上,智能体可广泛应用于代码生成与补全、自动化测试、智能运维以及多智能体
结构化编程与智能体技术的结合正在重塑软件工程实践。SASE(Structured Agent Software Engineering)框架通过模块化设计和层次化组织,将传统结构化原则与智能体系统的自主性相结合,有效解决了复杂系统的维护难题。其核心技术价值在于提供可控的行为模式和清晰的内部架构,适用于金融风控、物联网和分布式系统等场景。在金融领域应用中,采用结构化智能体使系统维护成本降低40%,而
技能注入(Skill Injection)是大型语言模型(LLM)智能体的核心技术突破,通过结构化技能包和运行时注入实现领域知识的高效利用。相比传统微调方法,这种轻量级上下文增强技术具有即插即用、版本控制友好等工程优势。在软件工程领域,LLM智能体已能处理从代码编写到部署的全流程开发任务,特别是在DevOps、API开发等场景展现强大潜力。SWE-Skills-Bench基准测试显示,高效设计的技
在软件工程领域,软件开发生命周期(SDLC)和测试驱动开发(TDD)是确保项目质量与可维护性的核心方法论。SDLC定义了从需求分析到部署维护的完整流程,而TDD通过“红-绿-重构”循环将测试前置,保障代码正确性并驱动设计。这些实践的价值在于将隐性的工程经验转化为可重复、可验证的标准化工作流,从而系统性提升交付物的可靠性、可读性与可维护性。在AI辅助编程日益普及的背景下,如何让智能体理解并遵循这些工
在软件工程领域,AI辅助编程正从代码补全、对话式编程等碎片化工具,向集成化、可控化的智能体协作范式演进。其核心原理在于,通过沙盒环境、进程间通信(IPC)与细粒度权限控制,将AI智能体作为一等公民纳入开发工作流,实现并行任务处理与状态隔离。这一架构的技术价值在于,它解决了传统AI编程工具缺乏全局视图、操作不可审计的痛点,为团队提供了从代码生成到提交审查的完整、可控管道。其典型应用场景包括复杂模块重
前三篇我们拆完了 OpenClaw 的骨架(全局架构)、神经中枢(Gateway)和大脑(Agent Loop)。今天进入两个最"接地气"的子系统——Channel 和 Skills。Channel 解决的问题是:如何让同一个 AI 助手同时跑在 Telegram、Discord、微信、飞书、Slack、WhatsApp、iMessage 等 25+ 个平台上,而且消息不串、格式不错、能力不丢?
【摘要】测试行业正经历从传统断言到AI技能(Skill)的范式转变。文章提出三大核心测试Skill:1)自动断言Skill解决AI输出验证难题;2)数据构造Skill实现复杂测试数据一键生成;3)多模态识别Skill处理图像/语音等非结构化验证。通过对比传统手工测试与Skill流水线的效率差异(如代码审查从10分钟降至10秒),揭示Skill库可复用性带来的指数级效能提升。文章提供三步落地路径:从
传统RAG把大模型当成检索结果的**被动消费者**——它只能看到被硬塞进来的Top-k片段,既不了解语料库的全貌,也不知道自己错过了什么。面对"如何将独资企业转为LLC"这类跨主题复杂查询,平面检索只能返回表面匹配"sole proprietorship"或"LLC"关键词的片段,却极可能漏掉关键文章:Wix账户类型**不能直接更改**,必须联系客服。
Manus 像是一位外聘的专业顾问;OpenClaw 像是一套完全属于你、可自由组装的私人装备/工具库;Hermes 则是一名24小时与你并肩作战、越用越能干的下属/战友。