当写代码不再是瓶颈：解读 AI-Native SDLC Playbook
引言：加速了写代码，然后呢
大部分团队引入编码 Agent 之后，都会经历一段短暂的兴奋期：PR 数量涨了，功能开发周期短了，工程师的产出看起来翻了倍。然后问题开始出现——评审队列越排越长，安全团队看不完新增的代码，测试环境被抢占，发布窗口成了新的堵点。
把 Token 花在刀刃上：Claude Code 的 Context 管理与效率实践
引言：同一个任务，为什么账单差好几倍
两个工程师用 Claude Code 修同一个 bug：一个新开会话、@-mention 相关文件、改完就 /clear；另一个在一个开了一整天的会话里连续处理十几个不相关的任务，中途还切换过两次模型。最终改动可能一模一样，但后者消耗的 token 往往是前者的数倍。
LLM Wiki by LarkDoc：把一次性问答变成可积累的云文档知识库
引言
过去两年，很多人已经习惯了把 PDF、网页、会议记录丢给 AI，然后让它总结、对比、回答问题。这个工作流很直接，也确实有用，但它有一个隐蔽的问题：每一次对话都像从零开始。
Multi-Agent 全景解读 2026：架构、行业动态与 AI Coding 工作流优化
引言
2026 年的 AI Coding 已经不是新鲜事。主流 IDE 基本都内置了编码助手，单 Agent 编码工具（Claude Code、Cursor、Codex、Copilot Agent Mode）在日常开发中承担了显著比例的代码产出。Stack Overflow 和 DORA 调查都显示，超过 80% 的一线工程师每天都会和某种 AI 编码工具协作。
一切皆文件：Claude Code Agent 架构中的 Unix 内核
“UNIX is basically a simple operating system, but you have to be a genius to understand the simplicity.” — Dennis Ritchie
当我们今天设计 AI Agent 系统时，最优雅的答案不在最新的论文里，而在半个世纪前 Bell Labs 的走廊上。
文件系统存储一切状态，管道连接一切工具，进程模型管理一切并发，shell 提供一切能力——这些 1970 年代的操作系统原语，在 2025 年成了 AI Agent 最自然的骨架。Claude Code 是目前将这套古老智慧运用得最彻底的 AI Agent 产品。它没有发明新的状态管理协议，没有引入消息队列，没有构建自己的数据库。它只是把 Unix 哲学贯彻到了每一个设计决策中。
Harness Engineering：让 AI Agent 真正可用的工程学
引言
一个有趣的现象：把同一个模型放进不同的系统里，表现差异可以天壤之别。GPT-4 在某些环境下会反复调用同一个失败的工具直到超出限制；在另一个环境下却能优雅地处理错误、恢复状态、准确完成任务。