AI 生成内容越来越快，真正的问题不是产能不足，而是人类判断成了瓶颈。解决办法不是让人加班改稿，而是给 AI 内容生产搭一套质量闸门，让人把精力放在方向、判断和定稿上。

Codex 真正的生产力，不在于写一条神奇 Prompt，而在于把 AGENTS.md、rules、hooks、memories、skills 和 worktrees 组合成一套可重复、可验证、可演进的工程环境。

Martin Fowler 的《Harness engineering for coding agent users》提醒我们，想让 coding agent 少添乱、多干活，光靠更大的模型还不够，还要把模型外面的规则、工具、反馈和验证系统搭起来。AI 工程化正在从 prompt 技巧，走向 harness engineering。

这两年"AI"几乎成了 LLM 的代名词，一聊 AI 就是 ChatGPT、Claude、提示词工程，仿佛 AI 就等于聊天机器人。作为一个在多个领域做过工程落地的老工程师，我想说：这个认知框架太窄了——AI 是一个庞大的技术生态，LLM 只是其中一个（虽然眼下最耀眼的）分支。

过去几年，Meta、Google、Microsoft、Amazon 等软件和 IT 大公司的裁员消息，把很多程序员的职业安全感打碎了。作为一个写了二十多年代码的老程序员，本文不卖焦虑也不灌鸡汤，只把这团心事拆开看：你怕的到底是什么、AI 拿不走的能力是哪些、像我这样的"全栈老兵"还有没有用武之地，以及怎么用 SWOT、技能矩阵和三圈模型给自己做一次职场体检。

AI Agent 的演化，表面上看越来越拟人，技术上看其实是在一层层补齐“器官”：从思考与推理、多模态感知，到工具、技能、记忆、人格、规则、身体接口，再到多 Agent 协作与治理。它未必先替代人，但一定会先重写很多知识工作的分工边界。

大模型能蒸馏，Agent 的 Skill 也能蒸馏。蒸馏到底是什么？为什么 DeepSeek 能把 671B 的推理能力塞进 1.5B 的小模型？为什么你的 Agent 技能越写越臃肿时，也需要来一轮"蒸馏"？这篇把模型蒸馏和技能蒸馏串起来讲，一次搞懂。

很多人觉得 OpenClaw 这类 AI Agent 用久了会“自我进化”。真相没那么玄：多数时候，不是模型偷偷变聪明了，而是记忆、偏好画像、工具调用、反馈回路和工作流沉淀一起把它越养越顺手。

上次聊了 nanobot 双层记忆的基本设计，这次深入源码，看看它最近的几个关键演进：基于 Token 预算的整理策略、会话历史的合法性校验、以及一个"连续 assistant 消息"的 bug 是怎么产生和修复的。

Scrum 诞生于 1995 年，那时候写代码还得一行一行敲。三十年后的今天，AI 能在几分钟内生成一个完整的功能模块。当开发速度被 AI 拉到十倍甚至百倍，那些两周一个 Sprint、每天站会 15 分钟的仪式感，还有多少是必要的？

拆解 nanobot 的双层记忆系统——一个只有 4000 行代码的 AI 助手，是怎么做到跨会话记住你的偏好、项目上下文和工作习惯的？从源码到设计哲学，聊聊 AI Agent 的"长期记忆"该怎么做。

你刚写完一个 RAG demo，跑通了 OpenAI embedding + Pinecone，兴奋了三秒——然后老板问你："这个月 Pinecone 账单多少？"于是你开始重新审视那台已经跑了三年的 PostgreSQL。好消息：装个 pgvector 扩展，它就是你的向量数据库。这篇文章给你一套从 Docker 部署到 Python 完整代码的实操指南，跑完就能用。

大多数人用 Claude 就像用搜索引擎——丢一句话进去，看看出来什么。但 Claude 4.6 已经不是一个"问答机器"了，它更像一个刚入职的天才实习生：聪明得吓人，但完全不知道你们组的规矩。这篇文章拆解 Anthropic 官方最新的提示工程指南，把那些"看起来都懂、做起来全忘"的技巧变成你明天就能用的 checklist。

别指望 AI “一次性把你教会”，把它当成一个会计划、会记忆、会用工具、会复盘的学习搭子更靠谱。照着“早上学—晚上测—第二天复习”的节奏跑一周，再用“实用性/熟练度”双打分（1~5）管理句子库，你会明显感觉到自己不是在背单词，而是在攒职场肌肉记忆。

做不到让 AI 一次性彻底理解一切，但可以用工程化方式把项目做成“可被 AI 消化的知识包”，再配合分轮喂料与自动化索引，效果可以非常接近“项目专家 + 能上手改代码的工程师”。

做过两年文字秘书，写周记、总结、技术博客成了习惯，乐此不疲。可 AI 时代写技术博客似乎没啥意思，全让 AI 写也没意思。最近想明白了：主要是自娱自乐、满足表达欲；自己写草稿，让 AI 帮着改改，倒也没什么。

当机器能参与编写、理解甚至设计代码时，软件工程的核心从 "把需求写成代码" 转向 "能力编排与治理" ；Prompt 成为新接口，设计能力比语法能力更稀缺。

用自己手写的 lazy-form-workflow 和 LangGraph 对照，聊聊 "把复杂流程当图来跑" 这件事：图怎么建、边怎么跳、状态怎么传，以及 AI 决策节点该放在哪。

复杂流程不是靠"更长的 Prompt"解决的，而是靠可拆分的 SubAgent、可审计的 A2A 消息契约、可复用的 MCP 工具，以及"先声明后执行"的 workflow 把不确定性关进笼子里。

很多人一上来就要“搞 RAG”，结果三天后变成“搞不下去”。真正能跑起来的知识库，往往从最土的全文搜索开始：先能找、再能用、最后才谈自动化。本文给一条可落地的路线：全文搜索 → 轻量 RAG → 把流程封装成 Claude Skill / Cursor command。