2026.9 期

9.30

• 构建稳定的 AI Agent：Harness 工程的核心机制与实践思考：李彬（货拉拉技术）——以恶意流量分析为例，通过原子化工具、数据预计算与分层分析、事件驱动调度、重试熔断和 Git 记忆管理约束 Agent，将重复查询与稳定逻辑固化为快照和脚本，提升运行稳定性与成本效率。

• 高德本地生活分析 Agent 的 AI Native 实践全景（万字长文回顾）：钟雨洁（阿里技术）——以知识底座、分析能力和产品交互三层框架支撑经营诊断，通过知识按需加载、指标血缘、事实绑定、业务语义审阅与成稿校验兼顾推理空间和交付质量，并按错误影响范围控制返修成本。

9.29

• 改变世界前先认识世界 : Ontology 决策结构化实践：汀叶（大淘宝技术）——以业务、系统、交付与治理四层 Ontology 组织知识，将专家判断固化为 decision_function，通过证据槽位、拒绝路由和证明范围约束动态工作流，并以可回归案例持续积累决策经验。

• AI Agent 分层架构：从模型到 Harness 的工程实践：sharkchili（写代码的SharkChili）——以 Claude Code 为例梳理 Agent 的四层架构，说明 Skills、Subagents、Hooks、MCP 与 Agent SDK 如何协作，并强调 Harness 对上下文、工具权限和结果验证的工程约束。

9.27

• Harness工程经验第2节：操控循环把经验驱动的AI Coding升级为可控闭环：爱海贼的无处不在（无处不在的技术）——用“前馈—行动—反馈—调整”操控循环复盘 Harness 实践，并给出识别任务、配置前馈与反馈、设定调整规则的四步设计法。

• 工程技术：在智能体优先的世界中利用 Codex：Ryan Lopopolo（OpenAI）——结合五个月、约百万行由 Codex 生成的产品实践，说明如何把仓库知识、架构约束、可观测性和持续维护反馈做成智能体可读、可执行的工程环境。

• Harness design for long-running application development (适用于长时间运行应用程序开发的框架设计)：Prithvi Rajasekaran（Anthropic Labs）——用 Planner、Generator、Evaluator 分工、可测试的 Sprint 合同与 Playwright 实测评估提升长时开发质量，并逐项删减组件以校准 Harness 成本与模型能力边界。

• Maintainability sensors for coding agents (编码代理的可维护性传感器)：Birgitta Böckeler（Thoughtworks）——通过 lint、依赖规则、耦合分析、LLM 模块审查和 mutation testing 探索可维护性 Sensors，展示计算型与推理型反馈的互补及反馈噪声风险。

9.26

• 重磅！开源版Jev本地部署教程来了！：Datawhale——以开源 Laya 为例说明判别式决策模型如何用 Router 返回意图、路由等结构化结果，并按四步完成本地部署；实测中文分类准确率为 95%，同时提示置信度偏高等使用边界。

• JEV：一个不会写代码的模型，为什么拿下4000万美元？：李卓凡（腾讯云开发者）——将 JEV 定位为带校准概率的类型化决策前置层，梳理它与生成式 LLM 的快慢分工及按置信度升级到 LLM 或人工的架构，并指出其能力仍需结合业务数据验证。

• Claude Code、Codex 写 SpringBoot 代码竟然这么野？这 6 个 Skill 让我彻底服了！：X（Java基基）——按项目初始化、编码约束、架构与测试、安全及应用内 Agent 工具划分六个 Spring 生态仓库，给出组合建议并提醒自行核对技术栈偏好与维护状态。

9.23

• AI写得快 ≠ 真正提效：一文讲清Harness“记忆”和“验证闭环”：焦成杰（腾讯云开发者）——以会话复盘建立两级知识索引、用 Hook 强制先读，再由可等待的 Skill 和 close-loop 命令串起验证、交付与线上验收，并在关键环节保留人工把关。

• 拆解海博 AI-Native 落地保障：海博团队 AI 知识库能力建设：京东云开发者——将知识编译前移到维护期，以 OKF Markdown 目录组织项目与领域知识、角色视图和 Skill，并用代码知识生成、测试用例回流及人工确认形成生命周期闭环；文中 AB 示例的需求分析从 967 秒降至 542 秒。

• 错误码排查从 3～8 小时到分钟级，Agent怎么做到的？：careylu（腾讯技术工程）——让单 Agent 联合编排知识库、代码关系图谱、可观测数据和代码变更证据，按置信度交由 SRE 审核，并以 50 条 case 调优将 action_type 人工一致率从 66% 提升至 88%、硬冲突率从 20% 降至 0%。

• 别再只卷向量检索了，得物交易搜索如何用“生成式”实现召回范式跃迁？：众里、翠西、承泽、亦非（得物技术）——从 LLM 商品文本增强与多模态向量表征，推进到 HLLM、HSTU 和语义 ID 驱动的生成式召回，再探索将召回与粗排统一建模以直接优化后链路目标。

• 知识不是文件，也不是向量 | KDC 系列 02：Xiao Bo（vivo 互联网存储团队）——提出仍处于开放研究阶段的 KDC 定义：知识是经验证、可复用并能降低不确定性的认知成果；知识对象需表达来源、证据、成熟度、版本和适用边界，并将 RAG 定位为材料召回与上下文装配机制。

9.22

• 边开飞机边换引擎：Harness如何解决验证难题：贾曼鑫（腾讯云开发者）——以登录系统替换为例，用 Makefile 固化镜像构建、AI Skill 辅助标准动作、小 TKE 与独立 DevCloud/Kubernetes 环境承接部署和故障演练，再用 Token 重签发与 Session 解密工具把验证收敛为可控闭环。

• Agent时代，RAG怎么选？这份指南一次讲清！：卞一岚（Datawhale）——从信息缺口出发比较 Naive/Advanced/Modular RAG、GraphRAG/LightRAG、Agentic RAG、LLM Wiki 与上下文压缩，并用 Context Precision、Context Recall、Faithfulness 等指标定位问题，同时说明代码搜索、全局统计、长期记忆和持续监控等场景不应默认使用 RAG。

• 打造高性能、低CPU消耗系统—36种编码实战技巧（下篇）：黄增荣（京东技术）——以第 19—36 条编码清单覆盖返回值、分支与嵌套、集合容量和引用释放、异常与正则、内存布局、位运算及批量处理等性能实践，强调按数据规模和真实瓶颈取舍，不为性能牺牲可读性与可维护性。

9.21

• Loop engineering：把 agent 放进工程循环：苏雄（大淘宝技术）——将 Agent 从单轮提示提升为可持续工程循环，围绕自动唤醒、隔离 worktree、Skills、插件与连接器、maker/checker 子 Agent、外部 Memory、验证和停止条件构建可审计闭环，并以权限分层、预算和人工升级控制自动化风险。

• 一万字Jev 工程实践长文：把 Agent 的“判断题”从大模型里拆出来：daryl（腾讯技术工程）——以 Jev 和 fast-jev-compaction 为例，把工具历史保留拆成 keepCall/keepResult 两个概率判断，按阈值决定完整保留、截断结果或删除，并强调用业务数据校准概率、低置信度回退且不让 Jev 单独决策高风险动作。

• 深入理解 AI Agent（AI Agents in Depth）：bojieli/ai-agent-book——以“Agent = LLM + 上下文 + 工具”为主线，从上下文工程、记忆与知识库、工具、Coding Agent、交互扩展、评估、后训练、持续进化到多 Agent 协作，系统串起设计原理与工程实践。

9.18

• 换一套 Harness，比换两代模型还管用：tenli（腾讯云开发者）——围绕 Agentic Loop、Tool、Memory & Context、Guardrails 与 Skill，梳理从最小循环到生产化、长时运行和评测的 Harness 工程路径，强调边界处理、预算上限和受限工具决定 Agent 实际能力。

• 让Agent可评、可控、可迭代：业务效果导向的评测体系与场景实践：营销&交易技术（大淘宝技术）——针对策略效果类 Agent 的反馈稀缺、多维权衡与离线线上脱节，提出“五层评测、四步归因、三阶段治理”及 Auto Rubrics Judge，通过规则挖掘、筛选和验证把离线评测接入业务效果闭环。

• 滴滴二面：怎么保证 ElasticSearch 和数据库的数据一致性？：犬小哈（小哈学Java）——以 ES 与数据库的分布式双写为例，说明同步双写、MQ、binlog 的方案演进，采用版本号防消息乱序、定时对账与全量重建兜底，接受搜索场景的秒级最终一致性。

9.17

• 真正烧Token的不是代码，而是模型反复看同一份上下文：胡锦康（腾讯云开发者）——以 DevFlow 多 Agent 研发实践为例，通过短生命周期代码探索、模板按需加载、响应级批量和具备预校验与回滚能力的批量编辑，减少长上下文的重复输入与模型往返。

• KV Cache还能这么玩？这波操作惊艳到我了！：小林coding——从前缀复用与分层存储讲解 KV Cache，解析 Intel KV Shrink 如何结合卸载、无损压缩与硬件加速减少重复计算，并强调缓存回载成本、资源竞争与整体成本的权衡。

• 把「达标判定」从大模型手里收回来：Graph Engineering实践：刘必成（阿里技术）——以新品体检 Agent 为例，通过 badcase 与近期商品双侧评测、失败分型和独立发现／优化回路，将指标计算、达标判定与状态迁移交给代码，模型负责归因和候选生成，人保留上线决策。

9.16

• agent优化之GEPA——一种提示词自进化的优化方案：诗咏（大淘宝技术）——基于 GEPA 搭建任务无关的 Prompt 自进化系统，以“推理→评分→反思→选择”闭环和 Pareto 多目标择优自动归因 Badcase、生成候选并控制指标退化，同时提供零配置任务推断与冻结区、长度门禁。

• 看完我的AGENTS.md，你将看到我和不说人话且over-engineering的模型搏斗的这一生：daisy（腾讯技术工程）——以一份夸张而强制的 AGENTS.md 规则清单讽刺模型的过度工程化，要求避免空泛对比、渐进方案、总结和黑话，并用白名单、fast-fail、真实测试与持续执行把行为约束写成可执行规则。

• 指标平台：从语义底座到智能消费的实践路径｜得物技术：沈卢（得物技术）——从业务、数仓、产品三线建设指标字典、精品宽表与语义去歧义门禁，支撑 Text2SQL 和 AI Coding，并以 SQL 准确率 85%+→95%+ 的趋势验证“建设→质量→消费→治理”闭环。

• 垂类业务如何落地生产级 Agent：孙敦灿（阿里技术）——围绕目标与风险分级、知识编译、受控循环、工具网关、状态续跑、分层评测和自进化门禁，给出垂类 Agent 从 Demo 走向可稳定、可审计、可治理生产闭环的工程路径。

• 一文速通Claude Code headless：无人值守的自动化运维：码农SharkChili（写代码的SharkChili）——以 Claude Code -p/--print 为入口，将代码审查接入定时任务、CI/CD 与批处理，并通过输出格式、JSON Schema、预算/轮次上限和 allowedTools 白名单控制执行，配合 JVM Actuator 指标脚本生成结构化告警。

9.15

• 别再只卷Prompt 了，真正拉开Agent差距的是Context Engineering：lingnyliang（腾讯技术工程）——梳理 Prompt Engineering、ReAct 到 Context Engineering 的演进，强调用上下文压缩、结构化笔记、子 Agent 和按需检索治理 Context Rot、Lost in the Middle 与注意力成本。

• Prompt越长越好吗？研究告诉你何时该停手：王鸿宇（腾讯云开发者）——结合代码审计研究与官方工程实践，主张先定位失败再决定补充、删减或按需加载指令，并以小样本证据提醒不要把长度变化等同于效果提升。

• OxygenData：从 Vibe Coding 到 Harness，我们怎样把 AI 接进数仓研发：京东云开发者——以数仓研发为例，将业务知识、Skill、MCP、Orchestrator、TRD、Pipeline、manifest 与门禁串成可追踪可续跑的 Harness，让 AI 从生成 SQL 延伸到完整交付。

9.11

• 2分钟到20秒！AI Agent让工单处理可提效9倍：江洋洋（腾讯云开发者）——以跨系统多模块并发取数、规则与 LLM 双通道评估、分层决策 Trace 和 SSE 事件流重构工单诊断，将单次处理从 2–3 分钟压缩至 20–40 秒。

• 字节一天连发3篇自进化Agent，彻底杀疯了：PaperAgent——围绕 Closed-Loop RSI 拆解 Aspire、S³Gym 与 HarnessDev 三篇论文，显示自进化 Agent 在模糊目标操作化、经验转策略和跨任务与执行器泛化上仍难稳定保留增益。

• Agent 接了上百个工具，怎么选？：小林哥（小林面试笔记）——区分 Tool Routing 与 Multi-Agent Routing，给出“工具注册表—确定性过滤—分层召回—LLM 精选—执行前鉴权”的分层路由链路。

9.9

• 5分钟烧掉1000块！Agent token成本如何治理：张波（腾讯云开发者）——从一次 5 分钟花费 1000 元的事故出发，提出事前预算、费用预估、过程可见、异常告警、随时干预、账单解释六环成本治理闭环，把消费权限作为 Agent 产品的一等公民。

• 【AI 创新实践】“架构师 Agent” 系统化落地：刘瑞洲（阳迪）（千问AI平台）——从需求准入到业务、架构、系统、基建四层知识，结合 AITOM、Service Knowledge、Git 回源和渐进式披露，落地技术方案设计 Agent 并扩展为架构师 Agent。

• Agent 长程任务断点续传：从框架 Checkpoint 到跨进程恢复的完整实践：直播技术团队（大淘宝技术）——围绕 Spring AI Alibaba，采用框架 Checkpoint 加上层任务调度两层架构，通过 Hook、工具 Mock、MQ 摘流和任务表覆盖人机协作、多 Agent 及重启后的跨进程恢复。

• 让AI真正读懂你的代码:一套可复用的Cursor 辅助编码实践：货拉拉移动技术（货拉拉技术）——把 Cursor 辅助编码拆为自动注入的 Rules、意图触发的 Skills、业务 SSOT 和 MCP 外部工具，配合先计划后写码、自检与复盘，降低 token 浪费并提升代码与流程一致性。

• 企业级 MultiAgent 落地：Plan 模式与主子 Agent 协作｜得物技术：光度（得物技术）——以 Plan-and-Execute 管理长任务，以声明式主子 Agent 和 A2A 连接专业能力，并以持久化、断点恢复、SSE 可见性、租户隔离、追踪和异常防线满足企业生产要求。

9.8

• 从一次 LLM 调用到完整 Harness，Agent 到底经历了什么？：ivanxxie、davoszhang（腾讯技术工程）——沿着上下文、工具、循环、记忆、权限与沙箱等边界，串起 Agent 从单次 LLM 调用演化为 Harness 的工程路径，并对比 Pi、OpenCode、Codex 与 Hermes 的取舍。

• 技术方案怎么用 AI 写？我总结了四段 Prompt 链加 3 个企业级模板！：码哥（码哥跳动）——以需求消化、骨架生成、人填决策、评审模拟组成四段 Prompt 链，用三道人审关卡约束 AI 产出，强调数字、选型、字段和涉密内容必须由人核验。

• OpenClaw 2.0：欠下的技术债，这次连本带利还清：凌弘毅（腾讯云开发者）——从会话可迁移化、Control UI 客户端化、能力外置到三层安全与可撤销记忆，提炼 OpenClaw 2.0 收敛可靠性与技术债的架构变化，并给出 SQLite 迁移和生产升级的分阶段建议。

9.4

• 淘宝百亿补贴数据分析助手 Agent 实战：天猫技术团队（大淘宝技术）——以 Intent/Supervisor/专家 Agent 的多 Agent 协同为骨架，通过 NL2MDL2SQL、六层知识体系和 SQL Validator Gate 串起取数、归因、血缘与评测，并用 Hologres 外部表加速多轮查询。

• AgentLoop 数据飞轮实践（一）：总览 —— 让 Agent 持续调优的闭环：马云雷（阿里云云原生）——以“接入→观测→审计→数据集→评估→实验→经验库”串起 Agent 数据飞轮，人类专家模式先建立业务标准，全自动经验库再持续挖掘优化经验，并用消融实验验证耗时和成本收益。

• 5 人 7 天干完 20 人数周的活：Spec-Driven Development 如何重新定义 AI 编程：王砚舒（阿里技术）——以 Specify→Plan→Implement→Validate 四阶段和 spec.md、plan.md、tasks.md、constitution.md 约束 AI 编程，结合增量 Spec、并行 Quest 与测试验收实现 5 人 7 天交付，并提醒防范 Spec 腐烂、官僚化与虚假信心。

9.3

• Agent每次接新任务都像新人第一天入职？带你告别“一次性智能”：田倬月（腾讯云开发者）——围绕 Forge Memory 将任务中的设计理由、适用边界和失败经验沉淀为可审阅的项目知识，通过读取与沉淀准入进入后续 AI Coding 任务，并结合代码和验证结果持续校正。

• Harness Engineering：快手电商用 AI 流水线重塑研发范式：快手技术——以领域知识库、open-door/close-door 对抗式 Agent 和 plan-execute-verify 验收贯通需求、Spec、开发、测试与 Oncall，推动全栈式超级个体和端到端自动交付。

9.2

• 一文讲透确定性Harness：左昊（腾讯云开发者）——以工单审核为例，通过阶段化编排、FlowTracer 全链路留痕、IsFinal 提前终止、统一网关与缓存，把 Agent 的复杂决策约束为可解释、可追溯的确定性流程。

• AI Agent 应用精细化评测：评测体系设计与工程实践：砚东（AliExpress技术）——围绕商品中心 Agent，将评测从只看最终答案升级为覆盖感知、规划、记忆和工具的白盒体系，并以质量、成本、性能指标、Judge Task、EvalTrace 与真实/Mock 双模式支撑可诊断的平台化迭代。

• 从会用Docker到懂设计：隔离、隐藏与行为限制：码农 SharkChili（写代码的SharkChili）——从联合挂载、chroot、namespace 和 cgroup 拆解 Docker 的文件系统隐藏、进程/网络隔离与资源限制，再以约 100 行 Go 代码和 nginx 部署验证轻量隔离边界。

• AI 驱动研发体系的实践和思考：默达（大淘宝技术）——以 Price360-KB 为例，借助“Agent + 文件夹 + Git”与项目 Harness 组织业务知识、代码、流程和验证证据，形成可验证、可沉淀的 AI 研发知识飞轮，明确人负责决策、Agent 负责执行。

• 得物小摊 AI Native 演进实录：用 Harness 构建可控 AI 交付：正飞（得物技术）——以多 SKU 订单跨 H5、运营后台、Node 与 Go 运行时的交付为例，用 Version Contract、Execution Boundary、Evidence Gate 和 Repair Loop 把业务不变量、执行边界、验证证据与真实反馈串成可追溯的 Delivery Harness。

9.1

• 从 Loop 到 Graph Engineering 的演进思考与实战：姜剑（飞樰，千问AI平台）——从单 Loop 的 Goodhart 定律、目标盲视、循环冲突和测量衰减问题出发，提出以多层 Loop 互相监督的 Graph Engineering，并用 Anchors、Frozen Nodes、External Judgment 和文本分类实战构建可验证、可纠偏的 Agent 协作闭环。

• Claude Code vs Codex 记忆体系深度对比：京东云开发者——从记忆分层、持久化、自动整理、跨会话传递和 MCP 扩展等维度对比两者，指出 Claude Code 以自动记忆与 AutoDream 形成闭环、Codex 以 AGENTS.md 声明式契约换取可控性，并提出契约、自动记忆与离线整理融合的混合架构方向。