RAG（检索增强生成）通过让大模型在回答前先从外部知识库检索相关信息，解决了传统大模型知识静态、不可追溯的痛点。文章系统讲解了RAG的完整架构：数据准备阶段包括数据提取、文本分割（递归字符分割、Markdown结构分割、Small-to-Big父子索引等策略）、向量化（对比BGE、M3E、OpenAI等Embeddin
more...
Dynamic Top-K 是一种根据系统负载、延迟目标和任务优先级动态调整 K 值的调度算法，区别于固定 Top-K 的僵化策略。文章从评分机制、动态阈值选择、排序执行三个核心环节展开，阐述了如何在 RAG 检索、推荐系统、任务调度等场景中，通过实时调整 K 值来平衡质量与效率，实现有限资源下的价值最大化产出。
more...
MCP（Model Context Protocol）是Anthropic于2024年11月推出的开放协议，旨在标准化AI模型与外部数据源、工具之间的交互方式。文章将其比喻为"AI领域的USB-C接口"，解决了传统function call平台依赖性强、适配成本高的问题。MCP通过统一的中间协议层，让任何支持该协议的模
more...
Loop Engineering（循环工程）是 AI 编程代理的范式转变：从开发者手动输入每条指令，转变为设计包含目标、验证和停止条件的自动循环系统。文章以 Claude Code 的 `/goal` 和 `/loop` 为核心案例，梳理了从手动驱动到目标驱动、时间驱动、事件驱动四类循环的演进路径，强调 2026 年行
more...
AI编码agent持续开发中，会话结束时的状态质量直接决定下一个会话的效率。文章提出"清洁状态"五要素：构建通过、测试通过、进度已记录、临时工件已清理、启动路径可用，并对比了有无清洁策略的12周实测数据。同时介绍了双模式清理策略、质量文档维护、Harness定期简化、幂等清理操作及高吞吐量环境下的合并策略调整，强调技术
more...
Agent 执行任务时如同黑盒，缺乏可观测性导致无法区分正确与看似正确、评估主观化、重试盲目化及会话交接信息断崖。文章提出双层可观测性架构：运行时可观测性（系统层信号）与过程可观测性（决策工件可见性），核心工具包括冲刺合同、评估评分标准和任务轨迹。通过 Anthropic 三 Agent 架构实验验证，完整可观测性可将
more...
单元测试通过不代表任务完成，端到端测试才能暴露组件边界缺陷。文章以Electron文件导出功能为例，说明5个组件各自单元测试通过，但端到端运行时暴露接口不匹配、状态传播错误、资源泄漏等5个跨层问题。核心观点：端到端测试不仅检测系统级缺陷，还会改变AI agent的编码行为，使其更关注组件交互与架构边界。同时强调架构规则
more...
AI编码agent存在系统性过度自信倾向，常在任务未真正完成时提前宣告完成。根本原因在于agent依赖代码层面的局部信心做判断，而缺乏系统级验证。解决方案是将完成判定外部化，通过harness强制执行三层终止校验：语法静态分析、运行时行为验证、端到端系统确认。同时需避免agent在核心功能未验证前重构代码，并给agen
more...
功能清单不是备忘录，而是 harness 的基础原语。每个功能项必须包含三元组：行为描述、验证命令、当前状态，形成状态机模型（not_started/active/blocked/passing）。状态转移由 harness 控制，agent 只能通过验证命令才能将功能标为 passing，确保"做完"有客观标准而非模
more...
过度思考未来，无异于杀死现在的自己
