未来已来，只是分布不均
AI Agent正在重塑软件开发，Coding Agent已经爆发，但是企业Agent落地仍面临上下文鸿沟，数据架构陈旧、权限管控复杂、技术方案快速迭代等问题。但无论是现有平台集成Agent、初创公司重构工作流，还是咨询团队推动转型，机会正在涌现。正如Gibson所言："未来已来，只是分布不均。"技术普及需要时间，但方向已经明确。
The Talk
探索未知，记录生活
探索分享未知的知识，记录快乐的每一天
通过工程化的Harness改进Deep Agent
LangChain的Deep Agent优化：Harness Engineering实战指南。 通过系统框架（harness）工程化改进，LangChain编码Agent在TerminalBench 2.0基准测试中从前30名跃升至前5名。核心方法包括：构建自验证机制引导Agent通过测试验证代码、注入环境上下文、检测并打断循环失败、采用"推理三明治"策略优化推理预算分配。文章强调上下文工程与LangSmith追踪分析在提升Agent性能中的关键作用。
构建Claude Code的经验教训：Prompt 缓存就是一切
Anthropic分享Claude Code开发经验：通过提示词缓存优化降低60-90%成本，涵盖提示结构设计、缓存命中率监控、工具延迟加载及上下文压缩等关键策略。
Claude中提示词自动缓存机制
深入解析Claude提示词自动缓存机制：大语言模型多轮对话中，Agent框架需重复发送上下文与工具描述，造成高额token开销。通过cache_control实现预填充计算复用，缓存token费用仅为基础输入的10%。本文详解缓存工作原理、自动缓存块跟随策略，并探讨多模型Agent开发的适配建议。
构建 Claude Code 的经验教训：以 Agent 的视角看世界
本文分享了构建 Claude Code 过程中的核心经验教训，从 Agent 设计的视角探讨如何打造高效的AI 智能体。文章深入分析了操作集合（action space）设计的关键挑战，包括工具发现机制的三次迭代演进、AskUserQuestion工具的设计思路，以及如何随模型能力提升重新评估工具需求。同时介绍了从被动 RAG到主动上下文构建的搜索接口演进，以及渐进式信息披露模式在约20个工具间的平衡实践。核心洞察在于：理解模型需要什么，不能依赖固定规则，而需要持续观察模型行为、仔细阅读输出并不断实验调优。