过去一年，很多人都在聊 Agent，但大多数讨论其实停留在“怎么写一个多步调用循环”。这类讨论不算错，只是已经开始过时。2026 年一个更值得开发者重视的变化，不是又多了一个会调工具的框架，而是 Agent 基础设施正在往上收：编排、记忆、工具、状态管理、执行环境，开始被平台一起打包提供。OpenAI 最近更新 Agents SDK，把 long-…

AI 能写出 Windows 吗？基于一个“无监督操作系统实验”的技术判断 很多人问过一个很像科幻、但其实很工程的问题：如果把今天最强的代码模型、Agent、自动测试和自动修复链路都堆上去，AI 能不能自己写出一个 Windows？ 我的判断很明确：现在的 AI 能写出“像操作系统的原型”，但还写不出“作为 Windows 被交付和维护的系统”。 …

LangGraph 深度实战：从能跑的 Agent 到可控、可恢复、能上线的工作流 这两年很多人做 Agent，第一阶段都差不多：先让模型能调用工具，再让它多轮思考，最后跑出一个还不错的 demo。问题通常出在第二阶段之后。只要你想把它接到真实业务里，麻烦就会一起冒出来：中途失败怎么办，人工审核怎么插进去，状态怎么保存，长任务怎么恢复，多个步骤之间…

长视频 Benchmark 应该怎么读，才不会被模型发布稿带偏 这两年视频多模态模型的发布节奏越来越快，几乎每隔一段时间，就会出现一批“长视频理解能力突破”“一小时视频推理领先”“刷新多个 benchmark”的新说法。热闹当然有热闹的理由，但问题也很明显：很多人读 benchmark 的方式，本身就太像在看体育比分了。 看谁第一，看分差多少，看有…

别再只看总分了：LVBench、MLVU、Video-MME、LongVideoBench，到底在测什么？ 这两年视频多模态模型的讨论很热，但很多判断其实还停留在一个很粗的层面：某个模型“视频理解很强”，或者某个新模型“长视频能力领先”。问题是，这种说法往往没有说明白：它到底强在哪一类视频任务上？是能看懂 30 秒短视频，还是能在 40 分钟视频里…

现在很多人已经接受 AI 可以改代码，但真正让它进入日常工作流的，不是“它会不会写”，而是“它每次写完之后会不会把仓库搞乱”。这也是为什么我觉得 Claude Code 现在最值得实战看的，不只是改文件能力，而是 hooks 和 subagents 这两个更工程化的点。 前者让你在关键节点自动执行检查和清理动作，后者让你把不同类型任务拆给不同角色。…

很多人现在用 AI 写代码，最大的问题不是生成能力不够，而是上下文太假。它知道当前文件，不知道整个仓库；它能改一段代码，不知道这个项目有哪些 issue、PR、分支和协作约束。结果就是：建议看着像对的，落到真实仓库里经常不够用。 这就是 GitHub MCP Server 值得实战试一遍的地方。它不是再给你一个聊天入口，而是把仓库、issue、pu…

如果你最近在做 Agent，最容易踩的坑不是模型不够强，而是流程不受控。一个 agent 会查资料、会调用工具、会写文件，看起来很聪明；但一旦任务稍微变长，系统就会开始出现两个经典问题：一是上下文越跑越乱，二是失败之后你很难知道到底卡在哪一步。 这篇文章不聊空泛概念，直接给一个适合开发者上手的最小实战方向：用 OpenAI Agents SDK 搭…

过去大家评估 AI 编程工具，最常见的问题是：它能不能生成可用代码？这个问题在今天已经不够用了。到 2026 年，真正拉开差距的标准正在变化：谁能更稳定地接入现有仓库，谁能处理多文件修改，谁能运行测试、处理权限、接入 Git 工作流，谁就更接近真正的生产力工具。 这件事对开发者和独立开发者都很现实。因为“写出一段代码”和“把一个需求交付出去”中间，…

去年很多人提到 MCP，还主要把它当成一个“让模型调用外部工具的标准协议”。这话不算错，但太轻了。到了现在，MCP 更值得关注的地方已经不是它作为概念有多优雅，而是它开始进入真实工具链，正在从“协议讨论”走向“生态基础设施”。 这对开发者尤其重要。因为一旦一个协议开始被平台、IDE、托管服务和官方 server 共同推动，它的意义就不只是方便几次调…