我们说的 AI 工程化，到底是什么？今天一篇文章讲清楚
把上下文、执行环境、循环、评测和流程图放回 Agent 执行任务的过程，解释这些工程概念各自解决的问题。重点看模型收到哪些材料、工具怎样调用、失败怎样反馈，以及代码和提示词分别管到哪里。
万字长文｜Agent 从入门到精通（附实战：论文整理 Agent 搭建）
沿着模型、工具调用和任务循环的发展，理解 Agent 怎样从回答问题走到实际执行。再用 Codex 搭建论文整理流程，接入文献信息、写明规则、保存可复用技能，并由人检查来源和研究判断。
万字长文｜Skills 从入门到精通
从一份最小的 SKILL.md 开始，把重复工作的触发条件、步骤和完成标准写清楚。任务变复杂后，再拆参考资料、接脚本与外部工具，用真实请求评测，并补上企业使用需要的权限、版本和责任。
AI 落地最重要的两件事：权限管理 & 证据门禁
以自动经营日报为例，解释 Agent 的两道交付要求：权限管理限制它能做什么，证据门禁限制哪些结果可以进入报告。再用知识库和客服场景，讲清凭据、来源与检查规则怎样共同约束执行。
DeepSeek Harness 从 0 到 1详细拆解
结合文档、源码和本地实测，拆解 DeepSeek Harness 的文件操作、执行验证、权限拦截与会话轨迹。作者看重底层架构，也指出当时版本的使用限制和企业落地还需补上的工作。
Loop Engineering：从对话走向系统
人不再逐轮提示 Agent，而是设计一个会自动规划、执行、验证和修正的循环。这是 AI 工作方式从技巧走向系统的关键变化。
给 Agent 立法
Agent 真正进入企业流程之前，需要明确上下文、权限、验收标准和失败边界。Harness 就是把这些规则装进运行环境。
Agent、Skills、MCP 到底是什么？
用一套直观的农场分工类比，说清主 Agent、子 Agent、Skills、MCP 和 Tools 在一个完整 AI 系统中分别负责什么。
只保留一个 Skill，我选 Superpowers
从头脑风暴、写计划、子代理执行到测试验收，Superpowers 将软件工程中最重要的工作方法写成了 AI 可执行的 Skills。
从 Deep Research 看懂 Agent
Deep Research 是理解 Agent 的一个完整样本：如何拆任务、让多个 Agent 协作、传递上下文，并将研究结果收束为一份可验证的报告。