2026.8 期

8.29

• 信任需要基础设施：如何让AI可靠的取数：踏雨（大淘宝技术）——以“代号层”统一业务语义、用确定性 SQL 引擎生成查询，并借助 Skill 门禁和审计机制约束 AI，构建可追溯、值得信任的取数基础设施。

• AI工程范式的跃迁，一文讲透Context Engineering！：梁凌郁（腾讯云开发者）——梳理 Prompt Engineering、ReAct 到 Context Engineering 的演进，围绕 Lost in the Middle、Context Rot 与 Attention Budget，给出上下文七要素、即时检索、压缩、结构化笔记和 Sub-Agent 隔离等长任务实践。

8.27

• 一文搞懂个人AI记忆系统构建全流程：左德军（腾讯云开发者）——提出把个人记忆拆为 identity、principles、preferences、context、knowledge 五层，并以两级目录、权重、YAML 元数据和总/子索引实现跨工具按需召回与人工确认维护。

• “AI写的代码，我完全不看”，世界级编程大师Bob大叔警示：说软件基础不重要的人会吃苦头，不会等太久：屠敏（CSDN）——整理 Robert C. Martin 与 Matt Pocock 的对谈，主张用单元测试、Gherkin、QA、质量指标、变异测试和覆盖率等确定性工具替代人工逐行审查，并通过多 Agent 分工与敏捷迭代守住代码质量。

• 两万字长文｜手把手带你趟过 AI Coding 深水区：编码让位，人退到哪里：黄迅（腾讯技术工程）——复盘从提示词、框架、runtime、评测到嵌套质量环的 AI Coding 实践，强调把约束从模型记忆下沉到可审计机制，让机器提供可验证事实、人只在决策点判断。

• AI 创新实践｜「架构师 Agent」系统化落地：刘瑞洲（阿里技术）——从复杂存量分布式系统的知识断裂出发，以领域化业务知识库、架构图谱、Service Knowledge、渐进式上下文和代码配置回源验证构建技术方案设计 Agent，逐步扩展为可推理的架构师 Agent。

8.26

• 场景营销互动&体验 AI Coding — 构建 Agent 自主执行闭环：大淘宝技术——将 AI Coding 从单轮上下文推进到循环工程，以结构化 Task/Job、执行账本、多 Agent 责任路由和 Tarot Pixel 视觉反馈小循环承接目标、状态、证据与验收，形成可收敛的端到端研发闭环。

• 从Prompt到Harness，给反馈分类装上方向盘：杨琪（腾讯云开发者）——针对 AiSee 反馈分类中 Prompt 与定制链路膨胀的问题，将分类树、归入/排除条件和优先规则交给业务配置，由 Harness 组织规则执行、范围收缩、模型判断与复核，准确率从 60%+ 提升至 90%+。

• 一篇讲透Agent自进化飞轮怎么搭：评测→记忆→落地→控制：yannisyang、ethanytzhou（腾讯技术工程）——提出“评测→记忆→落地→控制”四齿飞轮，强调可信评测信号、记忆治理、Harness 层可回滚进化与分级人机协作，并给出从最小闭环到元进化的四阶段落地路线。

• 企业级 MultiAgent 的记忆系统：短期上下文与四层记忆架构实现｜得物技术：偶啦（得物技术）——以 Working、Session、User、Agent 四层记忆承接不同生命周期，详解 Redis/MySQL 短期历史与 Token 窗口、MemOS 长期检索预算、异步沉淀及去重冲突和先写后删策略。

8.25

• 一个Skill搞定服务重构：从链路分析到测试自动化：徐鑫（腾讯云开发者）——将复杂历史服务重构固化为链路分析、方案审查、编码、CR、自动化测试五阶段 Skill，结合渐进式知识库、验证循环、成本上限与 Trace 可观测机制，在十余个 C++ 到 tRPC-Go 重构场景中验证。

• 大模型之外，向量存储如何支撑 Agent 的检索链路：木洛（千问AI平台）——从 Agent 的检索与长期记忆需求出发，比较 HNSW、DiskANN、IVF 的召回率、延迟与成本取舍，说明混合检索、分布式 TopK 和 Serverless 数据空间管理如何共同支撑规模化向量存储。

• 全栈 AI Agent 从 0 到 1 ：智能播客平台开发全记录：蔡欣彤（京东技术）——复盘 Smart Podcast Platform 从零搭建的完整路径，以 Vue 3、FastAPI、LangGraph、AG-UI、Qwen 多模态与语音模型、pydub 和 FFmpeg 打通内容理解、音色设计、语音合成、混音及分层资源管理。

8.24

• 我对 AI Coding 的一点思考：从 Spec 驱动转向环境与验证驱动：永霸（大淘宝技术）——以 Coding benchmark 高分但研发效率未同步提升为切入，借电气化“单元驱动”说明应从 Spec 驱动转向环境与验证驱动，把构建、部署、测试、日志、监控等内部系统工具化，让 AI 自主获取反馈并持续放大模型能力。

• 提示词管不住 AI？把TDD验收交给Hooks门控：SharkChili（写代码的SharkChili）——从测试设计前置与 TDD 验收出发，将 AI 编程的软性提示词约束落为 Hooks 门控：用 PostToolUse 记录测试基线，Stop 校验测试未被修改且全绿，确保 AI 按验收标准交付。

• DeepSeek Harness规模化踩坑实录：耗时、成本、失败到底该怎么查：trumphuang（腾讯技术工程）——围绕 DeepSeek Harness 规模化后的耗时、Token 成本与失败定位，介绍腾讯云 Agent 可观测插件如何把事件流还原为 entry/agent/step/chat/tool 五层调用树，并提供跨会话聚合、长期留存与告警接入。

8.21

• Agent 终章（Harness 成本篇）：一次百炼账单降低 88% 实战：阿里技术——从输入裁剪、Deferred Tools、Skill 与 Read 去重，到缓存分层和推理控制，结合百炼实践将隐式缓存命中率从 33% 提升至 80%，一轮 20 次会话的输入费用降至原来的约十分之一。

• 靠这10个优化点，我们把Multi-Agent工作流成本降了50%以上：腾讯技术工程——以 AgentLens 拆解六类 Token 消耗，围绕渐进式披露、脚本与 CLI、上下文隔离、代码图谱、稳定前缀和并行调用等 10 个方向优化，整体全流程预估降本 50%～65%。

• 浅谈 SKILL 研发的最佳实践——以百补详情助手为例：大淘宝技术——以百亿补贴详情助手为例，从本地与远程解耦、决策树与渐进式披露，到真实运行时验证、原文直出和 HTML 报告，系统总结可持续迭代 Skill 的工程实践。

8.20

• Agentic RAG：代码随想录——梳理 RAG 从固定流水线走向 Agentic RAG 的演进，围绕任务拆分、多源工具路由、证据评估和多轮纠错说明适用场景，并强调用规则、预算与权限约束动态检索的成本和延迟。

8.19

• AI Coding时代，研发项目管理新范式探索与实践：王畅（腾讯云开发者）——以腾讯健康实践说明 AI Coding 提升个体效率后，项目管理应转向治理组织摩擦，通过流程建模、状态自动化、AI 巡检与健康分析将中位交付周期从 19 天降至 9 天、30 天以上需求占比从 35% 降至 7%。

8.18

• Agent的命门是上下文：关键不在少给，而在给对：黄照坤（腾讯云开发者）——通过 CodeGraph 与 RTK 的多组实测揭示“局部压缩不等于端到端省 Token”（盲目压缩易引发补偿性搜索或历史累积），提出将上下文拆分为“轻量 Handoff + Artifact 路径”、按阶段启用工具与程序化状态机路由，实现精准供给。

8.17

• AI时代的数据研发-Semantic（语义层）实践总结：大淘宝技术——以指标、维度、逻辑表和 CTE 构建连接物理数据与业务语义的统一抽象层，并结合 Wiki-RAG、Meta-ontology、Agentic 双轨架构及工程化校验，将数据研发从编写 SQL 转向定义和治理可供 AI 消费的语义资产。

• Agent的上限，可能不在模型，而在团队知识：danteyang（腾讯技术工程）——将传统知识库从静态仓库升级为面向 Agent 的供给系统，通过流程自动沉淀、结构化人机共读、主动注入记账、有效期治理与退场复活，形成生产、提炼、消费、反馈和保鲜的知识飞轮。

• Harness 工程之道：Skill 原理与最佳实践：阿里技术——系统梳理 Agent Skill 的渐进式披露、目录规范、语义触发与作用域机制，并以路由式 SKILL.md、分层知识、最小工具权限、确定性脚本、参数快照及观测驱动测试总结工程化实践。

8.16

• 从死锁四条件到Subagent实战：Java并发问题的AI时代解法：SharkChili（写代码的SharkChili）——从哲学家就餐与死锁四条件切入复盘 Java 锁顺序、动态调用与嵌套死锁解法，进一步引入 Subagent 隔离上下文与降噪思想，梳理并行、串行与嵌套 Agent 模式在 Java 故障定位与代码 CR 中的工程化落地。

8.14

• 企业内Agent工具落地实践：统一Harness、Skill与虚拟文件系统：腾讯云开发者——针对企业 Agent 从演示走向生产的治理难题，以统一 Harness 承载执行、安全和可观测性，以 Skill 分发领域能力、虚拟文件系统管理长任务上下文与交付产物，并用分阶段路由和 Trace-to-Skill 闭环支撑落地。

• 重构协同：关于AI Native团队的思考：大淘宝技术——从 AI 提效的单点优化、全局低效困境出发，提出以知识底座、Agent 和人构成 AI Native 团队闭环，指出存量业务知识底座的构建、外化与自治是全局提效的核心瓶颈。

• DeepSeek Harness 拆解：一套能拼装的 Agent 架构：腾讯技术工程——拆解 DeepSeek Harness 基于 Cordis 的“everything is a plugin”架构，重点说明 Fiber/effect 如何实现可逆副作用与热插拔，以及 Preset scope、Code Mode 隔离和工具注册调度等运行时设计。

8.12

• 天猫AI助手：调度框架重构与AI Coding工程化实践：大淘宝技术——以调度框架重构与团队 AI Coding 工程化双轮驱动，将硬编码节点链演进为三层调度和 Reducer/Event 写收敛，并用范式、Skill、Hook 与观测报告把单业务接入成本从 3.5–4.5 人天降至约 0.7 人天。

• 得物知识问答：复合检索 Agent 的系统设计实践：莲舟（得物技术）——以 AgentScope 构建融合企业知识库与飞书文档、消息、妙记的复合检索 Agent，通过多轮自主检索、FastPass/Reranker/LLM Grading 三级质量过滤，以及多实例 SSE 断点续传支撑生产级知识问答。

8.7

• 淘宝主播Agent的Harness工程实战：大淘宝技术——针对直播场景的高风险、高并发和长程可中断特性，构建 Harness 六元组与分层架构，以统一工作区抽象串联 MySQL 会话、Hologres 记忆和 GitLab 技能，并用上下文压缩、Schema/幂等、Hook、沙箱、DAG 规划和评测体系保障可控交付。

• 从胡言乱语到精准改代码：我是如何让 AI 读懂老项目的：腾讯技术工程——以历史债务治理为载体搭建 AI 上下文工程：用 AGENTS.md 沉淀索引、清理无效代码、简化架构、固化规范，并用单测/E2E、视觉回归和 MR 评审把项目变成 AI 可维护系统。

• 参数化 Memory 漫谈（纯干货）：阿里技术——以“经验压缩成可执行更新方向”为主线，从 MAML、Transformer 的 FFN/知识神经元/ROME 到 Test-Time Training、上下文压缩与 Agent Memory，梳理参数化 Memory 的适应、写入、容量与验证边界。

8.6

• Agent评测漫谈 —— 由浅入深讲解Agent评测：美团技术团队——从结果、过程、效率与风险四层说明 Agent 评测要同时覆盖 Response 与 Trace，提出以业务桥梁指标、Rubric 二元化和 Good/Bad Case 数据飞轮建立持续迭代体系，并将长程 Agent 评测落到回放、沙箱、归因、回归和发布门禁等基础设施能力。

8.5

• 复杂业务团队的 AI Coding 交付实践：知识库、RD 流程和质量门禁：寂秋（淘天集团-物流技术团队）——以分层知识库、Skills 与 Markdown 化 RD 流程串起复杂业务 AI Coding，并在需求澄清、方案设计和实现校验等节点前置质量门禁，先沉淀团队上下文与协作协议，再逐步推进自动化交付。

• AI Infra进阶：如何让大模型输出确定的结果：binnnliu（腾讯技术工程）——从浮点加法不满足结合律出发，解释动态组批、GEMM 调度与 Reduction Topology 如何造成 Batch Variance，并梳理 vLLM 按 GPU 架构固定 Split-K / BLOCK-K 等执行路径实现 Batch Invariance。

8.3

• AI 不自动带来超级组织：王健飞（腾讯研究院）——从 AI 裁员、“超级个体”与“一人公司”的矛盾出发，结合交易成本和组织协作分析 AI 如何削弱企业作为大规模人力动员工具的必要性，让权力从雇佣组织转向平台、基础设施与协作协议。