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…
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…
“让 Agent 有记忆”听起来很自然，但很多实现方式其实很粗暴：把历史聊天记录总结一下，塞回 prompt；或者把所有对话做 embedding，查询时捞几段出来。短期能用，长期会变成一锅粥。记忆不是更多上下文，记忆是知道什么该留下、什么该忘掉、什么时候拿出来。 Cloudflare 最近推出 Agent Memory private beta，…
很多人第一次做 AI Agent，会自然写出一串 if else：用户问搜索就调用搜索，用户问文件就读文件，用户问计算就丢给代码执行。这个写法能跑 demo，但很快会变成维护噩梦。工具越多，分支越多，异常越多，最后你维护的不是 Agent，而是一套脆弱的人工路由系统。 OpenAI Responses API 的方向很明确：把多工具调用放进一个 a…
很多开发者做 Agent 产品时，默认入口还是网页：做个聊天框，接个模型，配几个工具，完事。这个阶段当然没错，但如果今天还把 Agent 的产品形态理解成“一个放在网站里的聊天机器人”，我觉得已经有点落后了。 越来越多团队开始意识到，Agent 要想真正被用起来，关键不是用户愿不愿意专门打开你的网站，而是它能不能出现在用户已经在工作的地方。Slac…
过去一年，很多人谈 Agent，还停留在“能不能调 API”“会不会用工具”“会不会自己写代码”这个阶段。但真正做过线上产品的人都知道，Agent 一旦离开 demo，问题马上就变成另一套：任务跑一半断了怎么办，用户关掉页面怎么办，外部事件晚到十分钟怎么办，重试之后状态乱了怎么办。 所以我最近更关注的，不是哪个 Agent 框架又多了几个抽象，而是…