上下文窗口再大，也不该一次性塞满。渐进式披露的核心是：先给模型一张薄薄的"目录"，让它按需去取详情。这既是省 token 的关键手段，也是让 Agent 少犯错的结构性做法。本文用我自己写的两个 skill 讲清它的做法、最佳实践和常见陷阱。

电话没有消失，而是从呼叫中心唯一的入口变成了 Contact Center 众多渠道中的一个。本文从 SIP、VoIP 和 IVR 出发，拆解 Contact Center 的技术栈、生态、主要厂商、经典应用和公开案例，再讨论 AI 会怎样改造这套系统。

从大模型的幻觉和不确定性说起，聊聊把产线运维交给 AI 到底放不放心。我的答案是：脚本、监控、告警、扩容、部署都能交给 AI，但判断和决策必须留给人；而且确定性动作让 AI 写完脚本就该退出，用确定性代码去跑，别让概率模型实时掺和。初级运维岗会缩，踩过坑的资深运维反而更值钱。文末给一张"哪些能交、哪些不能交"的清单。

生产力一直在涨，人却越来越累。00 后整顿职场、中年失业、灵活就业、消费疲软，大家早就不谈 Work-life Balance 了。AI 本该让物质极大丰富、生活更幸福，眼下却是失业更多、人更辛苦。到底是怎么了？这篇不抱怨，只想把"进步为什么没换来松弛"讲透，再落到一个技术人真能动手的破局姿势：顺势、开放、找到 AI 替代不了的你，进而反过来驯服 AI。

LLM 会写代码，但你敢直接在生产机器上跑它写的 rm -rf 吗？AI Agent 真正缺的不是更聪明的脑子，而是一个能随时开、随时扔、跑坏了也不伤及无辜的“盒子”。本文以 Kubernetes SIG 的 agent-sandbox 项目为例，讲清楚 Agent 运行环境的技术栈、原理、用法、实例、横向比较与未来走向。

AI 既让学习成本大跌，也在实验里测出了能力退化，这两件事同时为真。差别不在用不用 AI，而在“生成答案的那一步”发生在谁的脑子里。文中列了会变笨的六种做法、会变聪明的六种做法，三条不靠感觉的自测线（费曼测试、挑毛病测试、一个月回测），以及一个反问：AI 做的我都得懂吗？答案是不必——荀子说“假舟楫者，非能水也”，关键是把活分成必须会做、必须能判断、可以不懂三层，判据是“错了会怎样”。

OpenCode 把 Go 写的 TUI 换成了 TypeScript，同一年 OpenAI 把 Codex CLI 从 TypeScript 换成了 Rust——两个团队方向正好相反。我的判断是：TS 赢的是 Agent 与工具这一层，Python 在模型层一寸没让。这篇结合 OpenCode 源码讲清四条真实原因、TS 的四个失分点，以及给老程序员的一条学习路径和一份实测过的陷阱清单。

AI 写文档没有消灭废话，只是把成本从作者转移给了读者，还要乘上一个 N。啰嗦的根源有三层：训练时被人类的评审偏好教会的、心里没底时用字数掩饰、以及它压根没有“删”这个动作。治它最省力的一招，是我读 RFC 时留下的那份 What/Why/How/Example 模板——章节固定，配额写死，空白处会暴露问题。

AI 最危险的时刻，不一定是一本正经地胡说八道，而是顺着我们的预设，把一个未经检验的猜测润色成完整结论。与其让 AI 做一个百依百顺的助手，不如把它调成敢于指出漏洞的诤友。

前两篇我自己用 pgvector 手搓了一套 Agent 记忆系统，也讲了怎么让 Claude Code、Codex、OpenCode 共享它。这篇介绍一个 6 万多 star 的开源库 mem0——它把"打分、抽取、去重、多信号检索"这些活儿全帮你做了，还官方提供了三个编码工具的 skill 和 MCP 集成。附架构拆解、核心 API 用法，以及一行命令接进三个工具的实操。

我同时用 Claude Code、Codex、OpenCode 写代码，结果发现自己在维护三份几乎一样的规则文件——改了这个忘了那个，三个工具越用越"精神分裂"。这篇给一套让它们共享同一份记忆的落地方案：静态规则用"单一事实源 + 符号链接"，动态长期记忆用一个 MCP 记忆服务，附可直接抄的脚本和 checklist。

生产上的 AI Agent 大多不是死在模型不行，而是死在记忆管得烂：要么什么都记，Token 和存储一起爆炸；要么什么都记不住，用户说三遍它忘三遍。这篇讲清楚一套像人脑一样分层的记忆系统——工作记忆、情景记忆、语义记忆、程序记忆，以及写入、巩固、检索、遗忘的完整生命周期，最后给一套可落地的参考架构和 checklist。

前两篇讲了用 AI 做计划的心法和工具，但都有个漏洞：PDCA 是个环，却全靠人手动推着转，人一忙就停。这篇讲怎么用一个长期运行的 AI Agent 把 Check→Act→Plan 半环自动转起来——它不替你干活，它是个不睡觉的监工，盯进度、发提醒、起草方案，卡住了就喊人。

上一篇讲了用 AI 做计划的心法，这篇讲兵器：有哪些 AI 工具能落地 PDCA，通用工具怎么选，怎么把 PDCA 封装成你自己的 AI Skill——文末附一份可以直接抄的 Skill 模板和四段 Prompt。

凡事预则立，不预则废。可做计划往往费力不讨好，跟踪、纠偏更是耗时。这篇讲讲怎么把管理学、心理学里那些做计划的老经验，跟 AI 结合起来，让 AI 帮你把 PDCA 环转起来——你省下的时间，用来创新创造。

“铁打的营盘流水的兵”和“英雄造时势”，这两句话在办公室里天天打架。我在国企、外企、私企都待过，兜了一圈的体会是：这道题的分界线不是行业，而是这块活的主要风险到底是“做错”还是“做不出来”。这篇给一个能上手的分类——护栏、记忆、仪式，解释为什么大企业的流程只会变多不会变少，一个改不了流程的普通人怎么用 AI 改掉自己和流程之间的那层界面，以及为什么“AI 替代人”只说对了一半：等、盯、催、填可以交出去，想、选、扛只能自己留着。

“超级个体”这个词被讲了太多遍，多半落在“一个人干十个人的活”。我作为一个写了半辈子代码、又被推着做点项目管理的老兵，让 AI 写代码当然也用，但真正想让它接走的是那些不想干又不得不干的活：走流程、开会、跟进度、要支持、写各种报告。这篇拆开讲：哪些活能交、哪些活死也交不出去，秘书型 AI 的五项职能，三段式落地路径，两个从头到尾走完的例子（带 deadline 的待办清单、例行周会），以及别人已经跑通的案例和我踩过的坑。

Anthropic 那篇《Building Effective Agents》我隔一阵就翻一遍，每次读都有点新体会。这篇是我第 N 次重读后的笔记：先把 workflow 和 agent 掰扯清楚，再把五种 workflow 模式和真正的 agent 逐个过一遍，重点讲什么时候该用、什么时候别用，最后落到一张选型表和一份落地清单。核心就一句话——别一上来就上 agent，能用简单模式解决的，绝不加复杂度。

2026-07-28 版 MCP 规范被官方称为"发布以来最大的一次改动"：协议核心从有状态改成无状态，握手和 Session Header 被砍掉，长任务、UI、鉴权都拆成了扩展。这篇先用大白话讲清楚这次到底改了什么、为什么改，再用一个"高德天气 MCP Server"的 Python 实例带你上手。

写了大半辈子技术文档，我一直用“教程 + 例子 + FAQ”那一套教别人用 API/SDK，后来又加了 AI skill，可还是不够直观。这篇聊聊我的反思：AI 时代的软件教程，应该是可交互、可执行、有 AI 随时答疑纠错的“活教程”——sandbox 演示 + 类 Notebook 的边看边跑 + AI 助教，能把市面上大多数静态教程甩开一条街。