我一开始以为 MCP 最大的问题是协议本身，后来发现不是。协议反而是这件事里最容易的一部分。真正麻烦的，是当你的工具越来越多、模型越来越会主动调用工具之后，谁来决定它能调用什么、在什么上下文里调用、出了问题怎么追。 这也是我现在看 MCP 的核心判断：它当然值得关注，但对开发者来说，真正要投入时间的不是“再接几个 server”，而是尽快把权限边界…

过去一年做 AI 应用，很像在搭乐高：模型一层、工具调用一层、工作流编排一层、记忆层一层、聊天 UI 一层、部署和监控再来一层。能跑起来当然可以，但拼得越多，后面越像在维护自己的小型集成平台。最近一个很明显的趋势是：统一 AI 应用栈正在开始成形。无论是模型厂商往上做 agent 框架，还是应用平台往下包工具、状态、UI 和部署，大家都在做同一件事…

很多人还在拿 Coding Agent 跟聊天式编程助手比较，我觉得这个比较已经开始过时了。2026 年真正值得注意的变化，不是它回答代码问题更快了，也不是补全更聪明了，而是越来越多产品开始把 Agent 从“你问一句它答一句”的前台助手，改造成可以被派单、排队、审查、回收结果的异步 Worker。为什么这件事比模型分数更重要因为这直接改变了开发工…

这两个月我越来越确定一件事：Agent 的 memory，正在从“锦上添花的功能点”变成一层真正的基础设施。很多人一提 memory，脑子里想到的还是“让机器人记住用户喜欢什么”。这当然算一种能力，但工程上更重要的，不是它会不会记住一句偏好，而是它能不能在多轮任务、跨会话协作、长周期执行里，维持一个可复用、可检索、可校正的上下文层。为什么现在这件事…

最近几个大平台都在把 Agent 能力往基础设施方向推。OpenAI 更新 Agents SDK，强调文件检查、命令执行、代码编辑和受控沙箱；Cloudflare 在 Agents Week 里连续推出 agentic cloud、Project Think、Agent Memory、AI Gateway 等能力。表面上看，这是大厂在堆平台。对个人…

现在的 AI 编程工具开始提供模型选择：GitHub Copilot coding agent 支持 model picker，Claude、Codex、Copilot 等也越来越多地出现在同一个开发流程里。很多讨论会迅速滑向“哪个模型最强”。这个问题当然重要，但对个人开发者来说，更有用的问题是：什么任务该用什么模型，什么时候不值得用贵模型。 我的…

把 AI 编程助手接进 CI，是最近很多团队都会尝试的事。Claude Code 文档提到可以在 CI 中自动化 code review 和 issue triage，GitHub Copilot coding agent 也在往 PR、自审、安全扫描和 CLI handoff 方向走。趋势很清楚：AI 不只在编辑器里补代码，也会进入工程流水线。 …

MCP 让 AI 工具连接外部数据源和工具变得更自然。Claude Code 文档里也明确提到可以通过 MCP 读取设计文档、更新 Jira、拉取 Slack 数据，或者接入自己的工具。对开发者来说，这很诱人：终于可以让 AI 不只是在代码仓库里猜，而是直接接触真实上下文。 但我的判断是：MCP 的第一课不是“怎么接更多工具”，而是“哪些工具绝对不…

AI 编程工具有一个很隐蔽的浪费：每换一个项目，你都要重新告诉它怎么写测试、怎么查日志、怎么发版、哪些目录不能碰。提示词写得越长，越像在反复培训一个永远不入职的同事。Agent Skills 的价值就在这里：把重复的工作方法沉淀成可复用技能。 GitHub CLI 已经推出 gh skill，用来发现、安装、管理和发布 agent skills。C…

AI 生成代码之后，下一步很自然就是“跑一下”。这也是最危险的地方。代码生成工具越强，越容易让人忘记一个基本事实：你并不知道它刚刚写出来的代码会做什么。尤其是当系统开始支持 shell、文件读写、网络请求和动态预览时，沙箱就不是锦上添花，而是底线。 Cloudflare Dynamic Workers 提到的一个典型场景，是让 AI 生成的应用在安…