跳至主要內容

2026.6 期

BraumAce2026/6/2文章约 4016 字大约 13 分钟

2026.6 期

6.30

6.29

  • MySQL binlog缓存一致性的Loop Engineering实践：写代码的SharkChili——以 MySQL binlog 缓存一致性为实践案例，先讲清 row / statement / mixed、刷盘和 redo log 差异，再用 Loop Engineering 把缓存回写、位点推进、goal 编码和 loop 巡检组织成可验证闭环。

  • 最新！万字综述 Prompt 到 Loop 进化：邱汉宸（Datawhale）——沿 Prompt → Context → Harness → Loop 四阶段梳理 AI 开发范式迁移，核心是把人从单轮提示和信息搬运中抽出来，转向设计可装配上下文、可约束环境和可自我迭代的循环系统。

  • 开启Harness Engineering探索之旅：fanniemeng（腾讯技术工程）——把 Harness Engineering 定义为模型外的工程环境设计，并用腾讯电竞团队的 P1-P6 研发交付、运营告警和长期记忆轨道，拆解协议、管线、评分卡、测试自愈与知识治理如何让 AI 在真实业务里稳定运行。

6.28

  • 聊一聊我是怎么审查 Claude Code 写的代码：记一次复刻 Redis Set 审查随笔：写代码的SharkChili——从「AI 代码默认都要过人眼」出发，把审查拆成工程影响面和学习收益两条判断线，再以 Claude Code 复刻 Redis Set 为例，按正确性与边界、数据结构选型、代码整洁度、测试 / 压测验证来防「看起来对、实则幻觉」的代码。

  • AI时代Java开发者的流式编程入门课：写代码的SharkChili——用菜肴筛选例子对比传统 for / Comparator 和 Java 8 Stream，讲清 filter、sorted、map、collect 如何组成流水线，并解释惰性求值、中间 / 终止操作、流只能消费一次与 parallelStream 线程池等入门追问。

6.25

  • 刚刚，全网爆火的Loop Engineering，保姆教程来了！：Datawhale——用三个文件和一个模型配置搭建 Loop Engineering：拆出 builder / checker 两个 Agent，用 /loop 编排器循环调度，把 checker 的完整失败报告反馈给 builder，并通过停止规则与 step-3.7-flash 配置把 AI Coding 做成自动检查到全绿的闭环。

  • 让 Agent 直接操控电脑的神器，开源了！：GitHubDaily——介绍开源 Cua 如何把 Sandbox、Driver、Cua-Bench 和 Lume 组合成一套 Agent 操作系统，让 Agent 在隔离虚拟桌面里通过 VNC / MCP 操作系统、保留快照，并支撑 Computer Use Agent 训练评测与桌面自动化。

6.24

  • 精华：去哪儿网AI Coding研发平台实践，值得读三遍的样本：把 AI Coding 从“个人玩具”升级为“组织能力”的完整样本：先用 Quantity × Maturity、L0-L5 自动驾驶分级和 T/M/C 指标定义度量，再用 Harness、QDO、Qsuperpowers 与 Skills 把需求拆解、编码、部署、测试串成可观测、可调度的研发闭环。

6.23

  • AI Evals的一些实践：如何从 0 到 1 构建 agent 的评测系统？：把「AI 结果好不好」拆成可决策的六步评测流程：从业务目标定义维度，再设计评分器、沉淀黄金集与 bad case、做校准和持续自进化，让 agent 迭代从凭感觉改 prompt 变成基于证据的产品工程。

  • 从源码到生产-Java线程池原理与AI代码审查：从 ThreadPoolExecutor 的核心参数、任务流转、状态机与拒绝策略一路讲到生产调参，顺带提醒不是所有并发场景都该养常驻线程池，配置应按峰值形态、资源成本和误用风险来定。

  • 重磅！Loop Engineering 实操手册公开：先用四个前置问题判断值不值得上 Loop，再把自动检查、外部状态、断点恢复、权限边界、Worktree、Connectors 和 Sub-agents 等积木拼成 14 步最小闭环，让重复且可机器验收的任务稳定自动跑起来。

  • 一文搞懂！Loop Engineering的进化史和本质：把 AI 协作范式串成 Prompt → Context → Harness → Loop 的演进链，说明 Loop 的本质不是「更会写提示词」，而是把提示、验证和下一步决策外置成可持续运行的系统，并强调在任务重复、可校验、可回滚之前别急着上。

6.22

  • Loop Engineering 实践指南：在 Code Buddy 中构建自主循环系统：腾讯技术工程——把 Loop Engineering 定位为 ReAct（Inner Loop）之上的编排层（Outer Loop），用 Discover→Plan→Execute→Verify→Iterate 五阶段闭环与状态外置、对抗验证、断点续跑、多 Agent 并行等六要素，在 CodeBuddy 中以 /goal 条件驱动让 AI 跨多轮自治推进到可验证条件满足。

  • 一文吃透 Java 并发基础：从三类问题到线程状态机：写代码的 SharkChili——从「为什么需要多线程」出发梳理 Java 并发三类核心问题（安全性、活跃性、性能），辨析并发与并行、同步与异步，并解释程序计数器 / 虚拟机栈 / 本地方法栈为何线程私有。

6.21

  • Progressive Disclosure: Claude-Mem's Context Priming Philosophy：Claude-Mem 官方文档——先给「有什么 + 取用成本」的轻量索引、由 agent 自行决定取什么的三层渐进式披露（索引→按需详情→源文件），替代传统 RAG 一次性塞满上下文的 context pollution，把有限注意力预算只花在高价值信息上。

  • Context Engineering for AI Agents：Claude-Mem 官方文档（提炼自 Anthropic《Effective context engineering for AI agents》）——上下文工程的核心是「找到能最大化目标达成概率的最小高信号 token 集」，针对 context rot 用 Just-In-Time 检索、Compaction、结构化笔记、Sub-Agent 等手段在多轮迭代中维护 token 的信噪比。

6.18

  • Loop Engineering 概念解析、思考与实践：阿里技术——区分底层 Agent Loop 与面向需求验收的 Loop Engineering，提出用 Automations、Worktrees、Skills、Connectors / Plugins、Sub Agents 与 State 组织自动化闭环，把原本依赖人反复提示、测试和纠偏的协同过程升级为可定时、可隔离、可验证、可沉淀的自运行系统，同时提醒需求和验证标准不清时应保留 Human-in-the-Loop。

6.17

  • 更可靠的主播助理：淘宝主播Agent的Harness工程实战：阿里云开发者——以淘宝主播 Agent 为高压生产场景，拆解 Harness 如何通过上下文工程、Tool Registry、Lifecycle Hooks、Checkpoint、安全防护、评测体系与三层记忆，把即时直播操作做成可控、可恢复、可追踪的工程系统。

  • 一文搞懂Token经济学：同样额度多干3倍活，只需理解消耗机制：腾讯云开发者——从一次 AI Coding API 调用的上下文组成讲清 Token 消耗机制，结合 KV/Prompt Cache、Rules/Memory/Skills/MCP 分层成本与 Sub-Agent 冷启动代价，给出精简系统税、保护缓存和按需加载的降本路径。

  • 面向Skills编程-淘宝企业购端对端研发提效实践：大淘宝技术——提出「面向 Skills 编程」范式，把领域知识、工作流和约束规则封装成可版本化 Skill，让 LLM 在确定性框架内生成代码；以企业购客户对接为例，沿 Vibe Coding、Prompt 模板、SDD、Skill、云端平台演进，将商品域端到端交付周期从 23.5 人日缩短到 8 人日。

  • 拆解大模型几项核心操作背后的数学与 Infra 优化逻辑：腾讯技术工程——从 RMSNorm、Softmax、Causal Mask、Sampling 拆解大模型核心算子的数学等价变换与 Infra 优化逻辑，解释数值稳定、访存瓶颈、SFU、FlashAttention 等如何通过精度取舍和硬件利用率换取推理吞吐。

6.16

  • AI 不缺智商缺纪律：我的 Harness 工程化实践：阿里云开发者——把 AI Coding 稳定性的关键从模型能力转向流程工程，用分层上下文、角色 Agent、状态外置、G1-G8 门禁与 hook 拦截，把 prompt 约束升级为可执行、可评测、可续跑的 Harness。

  • AI Agent & Skill 测评方案及落地实践：腾讯技术工程——面向 Agent 从 Demo 到生产可靠的测评体系，拆解确定性评分器、Rubric 评分器、人工评分器三类组合，覆盖功能正确性、过程质量、效率成本、鲁棒安全和体验对齐，并用 TPerf 智能分析 Agent 给出落地流程。

  • AI 时代，如何超过大多数人？：拓跋阿秀——反驳把 AI 当搜索、模板和外包的低效用法，强调靠近源头、定义好问题、提供高质量上下文、坚持验证、沉淀工作流和建立判断标准，才能用 AI 放大思考而不是外包思考。

6.15

  • 别再问我什么是 Loop Engineering（橙皮书）：花叔——提出 loop engineering（循环工程）：在 harness 之上再搭一层「自动外循环」，按 prompt → context → harness → loop 四层栈组织，靠定时触发、自孵化 sub-agent、外部独立验证（AI 不能给自己打分）、记忆与下一步决策自动驱动 agent 干活；核心是把人从「逐条指挥 agent」升级为「设计指挥系统的工程师」，并警示验证债、理解腐烂、token 失控、认知投降四笔代价。

  • 一篇搞懂 AI Coding Agent 的 Token 成本控制：腾讯技术工程——Token 账单大头是系统反复搬运的上下文（固定前缀 + 会话历史 + 工具往返 + 重试）而非用户提问本身；以 Prompt Cache 稳定前缀为基础，沿「使用习惯 → 模型路由 → 上下文压缩（RTK/Caveman/headroom/context-mode）→ 代码图谱（Graphify/CodeGraph）→ Orchestrator-Worker 多 Agent 分工」五层路径，让便宜模型干标准活、贵模型只做高价值推理来系统性压成本。

  • 后端架构 AI Friendly 的标准与路径：面向无人值守开发时代的系统重构：阿里技术——后端「AI Friendly」的本质是把藏在人脑、群聊、事故里的系统知识显式化、可检索、可验证：用 Architecture Map + Service Card + 显式领域模型与不变量 + SKILL + 受控 Harness + Test-Gated 开发 + 结构化可观测 + L0-L5 分级权限 + Architecture as Code，把系统从「可维护」升级为「可被 Agent 维护」，沿 Copilot → Coworker → Operator 三阶段扩大 AI 可信半径，核心准则是「先可验证、再无人化」。

6.12

  • 如何构建一个更“好”的知识库？：大淘宝技术——系统讲解 RAG 知识库全链路优化，涵盖 RAGAS 评估框架、文档切分策略（Late Chunking）、混合检索（RRF 融合）、查询增强（HyDE/Multi-Query/EAR）、Cross-Encoder 重排序、AutoRAG 自动化优化、QuIM-RAG 问题倒排索引及 OpenViking 文件系统范式。

  • 面向 Agent Skill 的 CLI/SSO 鉴权体系：安全、无感、可追溯：货拉拉技术——为 Agent Skill 调用企业内部系统设计的 SSO 鉴权方案，通过 keychain 主密钥 + 密文文件 + 飞书 Hook 登录 + Agent 轮询授权，实现 token 不落盘、多用户隔离、登录过程无感。

  • 让 Claude Code 拥有自我进化和记忆系统｜得物技术：得物技术——为 Claude Code 构建 Hook 机制驱动的自我学习系统：行为观测层（100% 捕获工具调用）→ 模式提炼层（统计+AI 语义双路径提炼 Instinct 规则）→ 记忆注入层（向量检索+上下文注入），Token 消耗降低 78%，错误重复率下降 80%。

  • AI 不缺智商缺纪律：一场 Harness 工程化实践：阿里技术——两个月 Harness 工程化复盘，五层 harness 分层结构（常驻入口→触发规则→状态外置→调度→执行支撑）、多 Agent 职责隔离、评测驱动迭代、4 条踩坑教训（prompt 是负债不是资产、过度拆分 Agent 代价大等）。

  • Harness Engineering落地前，先想清楚这几个问题：腾讯云开发者——从数据中台 AI 助手 Dola 出发，讨论两个问题：流式渲染架构改造（代码高亮库 DOM 模型与 AI 流式输出错配）和存量项目如何用 Harness Engineering 思路适配 AI Coding（规则机器可读、入口收敛、决策显式）。

  • Agent skill 迭代式编写实战：大淘宝技术——Agent Skill 编写经验，定义为模块化领域知识资产，核心设计遵循三层渐进式披露架构（主文件→补充文档→完整资源），用决策树替代模糊判断、确定性操作脚本化，建立内部自查与外部评估双重验证机制。

6.10

6.8

6.7

6.2

  • AI软件工程范式革命的思考：从工程史视角推演——大模型实现「能源→高阶智能」，是与蒸汽机平行的事件；人的角色从「亲手消除偏差」退守到「设计自我纠偏系统」，落地路径分辅助→自主→自治三阶段。

6.1

主题美化