ITPub博客

用 JSON 存赛程，用 Python 查询球队和日期，再把比赛所在地时间转换成北京时间和美东时间

Skill 是什么，以及如何参考 Claude Code 团队的经验来打造我们自己的好用 Skill

回答 AI Agent 工作流里的四个问题：怎么问、给它看什么、怎么让它持续推进，以及让它在什么样的环境里安全运行。

Anthropic 发现了一个反常识的结论：数据分析 Agent 最大的挑战是 Agent 到底知不知道自己查的是哪张表？它有没有理解正确的业务定义？它知不知道算出来的答案到底可不可信？

有了Dynamic Workflows（动态工作流），Claude Code 就能动态地写出一套自己的多 Agent Harness。

本地推理不是“能加载就行”，而是在模型体积、运行速度、和回答质量之间找到平衡。

帮 agent 整理上下文：少翻无关代码，少吞冗长日志，把 token 留给更关键的信息。

面向在校同学，聊聊怎么选 AI 工具，以及怎么把它们用在学习、写代码和做项目里。

AI 圈新瓜来了！一整个就是“全员加速”状态：微软一口气发 7 款新模型、Codex 再升级、黄老板“押注” AI 工厂…

让 Codex 跑起来，在真实任务中理解它的工作方式

Git记录代码怎么变，Mainline 记录代码为什么变

单 Agent 忙不过来用 Subagent 拆任务；视角不够用找 Agent Team 做协作

一篇 CodeRabbit 的案例，讲清楚用 Coding Agent 时，“代码能跑，测试也能过，但最后做出来的东西，和你真正想要的结果有偏差”的问题。

有人把 Claude Code 用成桌面硬件工作流，有人把 Codex 拿去优化网络，还有 Codex 研发人员让 Codex 回顾自己的历史工作记录，给自己“蒸馏”一套可复用流程。

Reasonix 值得关注的地方，不只是它做了一个 DeepSeek Coding Agent，更在于它把“模型计费机制”放进了 Agent 的架构设计里。

现有 Agent 自进化多局限在 Prompt、技能等文本层面，难以修复代码运行类故障。本文解读 MOSS 方案，它跳出文本优化，通过直接改写自身源码实现 Agent 自迭代，探索生产级 Agent 从底层代码自主进化的新思路。

这期播客主要聊了 Bub 是什么、它和普通聊天机器人/Agent 框架有什么不同，以及它背后的 Tape 记忆机制和插件化设计。简单来说，Bub 可以理解成一个以 channel 为中心的 AI Agent 框架。它不是只在命令行里写代码，也不只是一个群聊机器人，而是希望把不同 IM、命令行、工具、记忆和运行上下文连接起来，让用户可以根据自己的场景做一个定制版 Agent。

手把手教你搓个 Skill，亲测新手也能跑起来，实操党可以直接冲～

它们合在一起，回答的是同一个问题：AI 怎么从“回答当前问题”，变成“参与长期工作”。RAG 让它会查资料；Agentic RAG 让它更会查资料；Memory 让它能带着过去的上下文继续工作。当这三者组合起来，AI 才更像一个长期协作的助手，而不只是一个每次都要重新介绍背景的聊天窗口。

前几天，Anthropic 发布了一篇面向工程团队的 Claude Code 最佳实践文章，重点讨论了在大型代码库中的使用方式。在今天这篇文章中，我们总结了这篇博客的实践内容，并顺便看看：大型团队真想把 AI 编程工具放进日常开发中，有哪些经验是可以直接借鉴的。开始之前，先声明下“大型代码库”指的是什么。它不只是几百万行代码的 monorepo（单一代码库），还有维护了不知道多久的遗留系统、分布在