模型越来越强，但 coding agent 在真实项目里依然经常翻车。跑了二十分钟说「做完了」，结果测试挂了、约定没遵守、新会话又要从头摸索。很多人第一反应是换更贵的模型。更有效的做法往往是：先修 harness。 这篇文章把前三讲的核心，连同我自己的五层理解，整理成一篇可直接落地的实践笔记：Harness 是什...
more...
主流旗舰模型在大提示词约束下设计能力趋同，关键在于使用专业 skill 工具。推荐 `ui-ux-pro-max` skill，其优势在于能直接调用项目现有 UI 框架（如 NaiveUI、Tailwind）进行组件级开发，而非仅输出孤立样式。静态设计可借鉴 Pinterest 风格参考，动效设计可通过 Deviant
more...
Harness是基于领域和业务目标的流程控制及实现步骤的集合体，用于驱动大模型完成特定任务。文章以PPT智能体开发为例，从简单框架使用到引入skill、补全运行环境，再到最终设计多阶段智能体协作与调度，逐步揭示Harness的本质：它不仅是技术框架或工具，更是"业务流程+具体实现"的载体，与Model形成"Harnes
more...
作者基于后端转Agent开发的亲身经历，整理了一份面向后端开发者的Agent开发学习路线。内容涵盖大模型基础（Transformer、GPT架构、Token参数）、Agent系统架构、主流开发框架（LangChain/LangGraph、LlamaIndex、AutoGen）、RAG技术栈（嵌入、向量检索、文档切分），
more...
这是一份面向 IT 工程师的 Agent 系统学习路线图，核心主张是"模型选 SOTA，主战场是 Harness"。文档构建了从 L0 入门到 L5 业务化的六级能力模型，重点阐述 Harness Engineering（提示工程、工具设计、记忆策略、权限模型等）作为 IT 工程师最大杠杆点，而非追逐模型训练。涵盖三圈
more...
LoRA是一种参数高效微调（PEFT）方法，通过冻结预训练大模型原始参数，仅引入低秩矩阵A、B来近似权重增量ΔW，实现下游任务适配。相比全参数微调，LoRA可将训练参数量降低200倍以上，显著减少显存占用与训练成本。文章从工程背景、数学原理（低秩分解）、实践配置（插入位置选择、rank调参、推理部署方式）三个层面系统解
more...
深入解析大模型 API 的核心参数原理与工程实践。从自回归与概率采样的底层机制出发，系统讲解 Temperature、Top-k、Top-p 三大参数如何控制概率分布与输出随机性，并延伸至 Seed、Stop Sequences、Frequency/Presence Penalty、Logprobs 等进阶参数。结合
more...
文章深入剖析了 Anthropic 构建 Claude Code 的核心工程经验：prompt caching 是 Agent 产品经济可行的基石。作者揭示了缓存命中率直接决定产品 SLA 的运作机制，提出"静态在前、动态在后"的 prompt 排版架构原则，并详细阐述了五大实战技巧——用消息流替代修改系统提示词、避免
more...
Claude Code团队在设计AI编程助手时的核心经验：围绕Tools工具管理的三次关键演进。任务管理从TodoWrite到Task Tool，本质是从补偿弱模型转向支持多智能体协作；搜索能力从RAG转向Agentic的grep和Skills，让模型具备主动探索能力；工具上下文管理经历System Prompt、文档
more...
过度思考未来，无异于杀死现在的自己
