註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 Agent工程
Agent工程 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 Agent工程 的搜尋結果
Uber 工程团队分享:如何在超大规模业务下落地软件工厂 从2026 年 2 月到 8 月中旬,Uber 全体员工使用的 Agent 产品周活增长 7 倍,周请求量增长 9.4 倍 Agent 请求增长 9.4 倍,但总 AI 支出不仅没崩,反而趋于稳定,单次会话(Session)成本较峰值大降 52%。 Uber 的软件开发已经越过“给工程师配一个 AI 聊天工具”的阶段。 超过 70% 的 Pull Request 被归因于本地或云端 Agent,工程师建立了 3,600 多个覆盖软件开发生命周期的 Agent Skill,每天执行超过 30,000 次。 代码评审、CI 自愈、带视觉验证的端到端 PR、告警分诊、Bug 调试和代码维护,越来越多由托管 Agent 自动发起,再由人审核或在异常时接管。 这些结果背后是一套完整的工程体系,Uber 用: - 统一模型网关控制身份、隐私、预算和审计; - 用 MCP 网关向 Agent 开放内部 API; - 用预启动 DevPod 提供隔离、可复制的跨仓库开发环境; - 用 Skill 市场治理可复用流程; - 用 Context Graph 提供服务、团队、数据和事故背景; - 再通过 Cortana、Minion 等产品,把这些能力组织成一条-从业务研究、需求、设计、编码、验证、CI、评审到长期维护的流水线
顯示更多
0
16
35
3
轉發到社區
推荐这篇,Cursor 把一年来构建云端 agent 的工程经验全部写了出来——从单 9 到双 9 的可靠性、从 work-stealing 到 Temporal 的架构迁移、agent 和机器状态与对话状态的解耦、环境自愈。如果你们团队在做 agent 基础设施,这篇等于一个季节的架构文档。 Cursor 构建云端 agent 的工程经验 一年前云端 agent 看起来像本地 agent 的直接延伸。现在它们在独立 VM 上跑,有自己的环境和依赖,能并行工作、无人值守、处理比笔记本上更长的任务。 开发环境就是产品本身 过去一年最大的教训:云端 agent 输出质量的最关键因素不是模型,而是它是否有完整的开发环境。本地 agent 免费继承你笔记本的工作环境。云端你得从零重建,而且很难感知你做得不完美。不是报错——只是输出质量微妙的下降。你第一次可能注意不到,或者注意到之后归咎于模型。一遍又一遍,我们发现根因是同一个:云端 agent 没有它需要的环境来执行或验证自己的工作。一年前这不重要因为模型也用不好环境。但当它们变聪明后,环境设置变成了它们是否能发挥全部潜力的决定因素。 现在要达到"完整环境"需要重建大量基础设施:用于构建 agent 环境的用户工具、高效休眠和恢复 agent VM 的方法、快速持久检查点/恢复/分支 VM 镜像的管道、紧密结合的 harness 和客户端集成。而且随着云端 agent 承担更多工作,它们需要有控制的网络访问来创建 PR、拉取依赖和做研究。Cursor 最终建了企业 IT 给 agent——完整的秘密信息脱敏、网络策略和凭证管理。 长时间运行的 agent 需要持久执行 云端 agent 跑在隔离 VM 里,而不是笔记本上,更容易并排跑很多 agent 和委派几小时的长任务。但运行在 VM 里暴露了模型服务端宕机、pod 替换、EC2 节点挂掉的风险。 最初用 work-stealing 架构——worker 节点抓取 agent 并循环到完成。早期 beta 经常只有单 9 可靠性。 后来迁移到 Temporal。当前在 Temporal 上的 agent 循环能扛过推理可靠性波动、pod 休眠恢复、跨几天甚至几周的运行。迁移后达到双 9 可靠性,现在每天处理 5 千万次操作、7 百万个独特工作流。内部超过 40% 的 PR 来自云端 agent,且仍在增长。 Cursor 的 Temporal 架构也在进化:从"永恒"agent 工作流变成了多个运行后退出、每完成一个任务退出的短工作流,版本升级更容易。拆分活动以更好地捕获超时和重试。 解耦 agent 和机器状态与对话状态 云端 agent 不再是一个循环跑在一台机器上。它可能在机器 A 跑、在 B 和 C 上孵化异步子 agent、从本地开始然后委派到云端。子 agent 可能比父 agent 活更久,跑在完全不同类型的 pod 上。 关键是保持 agent 循环、机器状态和对话状态解耦。agent 循环在 Temporal 里而非 VM 上,就能独立管理 pod 生命周期,在只读 VM 或预热 VM 上跑 agent。 对话层:分离了存储和流层。高效的只追加存储机制将对话更新流到 web 和桌面客户端。这一层处理重试——agent 循环的某步在流了部分输出后失败了然后重试了,客户端能检测、回退、展示新数据而不是旧的。 知道什么时候让开 早期不相信 agent,harness 每个任务后都检查、强制 commit、推送。现在把逻辑从 harness 移出来变成 agent 控制的工具。一年前多仓库设置需要硬编码 harness 行为。现在给 agent 仓库布局、分支和 PR 工具,让它自己决定。 harness 不会消失,但它包含的内容在变。Computer use 是个例子——云端 agent harness 有专用的子 agent 类型给 computer use,有自己的模型路由、custom prompt 和屏幕录制。但因为模型还没准备好自己处理 computer use,harness 保留了脚手架。 云端 agent 还需要不同的 prompt——鼓励更高自治性,因为本地 agent 能看见停了在等权限,云端可能是几小时后你才回来检查。 自愈式 agent 环境 未来不在"手把手管"和"放手不管"之间二选一。更好的模式是给 agent 理解和操作系统环境的工具。让它们能报告缺失密钥、网络被阻、环境阻止了进展,然后自愈。 原文:Cursor (Josh Ma), "What we've learned building cloud agents", 2026-06-02 #Agent工程# #云端基础设施# #Cursor#
顯示更多
以前真没想到,哲学、逻辑学最后会在 Agent 工程里重新就业😂 这张图里我最认同的一点是,很多 AI 项目最后卡住的地方,往往是人自己都没把概念、边界和关系想清楚。 模型可以理解模糊语言,但系统真要稳定跑起来,世界还是得先被定义清楚。
顯示更多
0
15
118
8
轉發到社區
分享 8 个我最近在用的 AI Coding Agent 基础设施开源项目,全部破万星,最高 68k ⭐ Agent 干活的两大瓶颈:反复 grep 找代码,和爆炸的上下文成本。这 8 个项目从压缩层、代码记忆、技能安全到长任务稳定性,基本覆盖了 Agent 工程化的关键缺口 1️⃣ headroom ⭐53k 日志/文件/工具输出/RAG 分块进 LLM 前先压缩,号称省 60–95% token。库 / 代理 / MCP 三种接入,本地优先、可逆。 上下文成本是长任务核心瓶颈,压缩层是省钱最直接的方向。 2️⃣ agent-skills ⭐68k 面向编程 Agent 的生产级工程技能集,把资深工程师的纪律(写 spec、测试、review、何时 ship)固化成结构化工作流,灵感来自 Google 工程实践。 Agent 默认走"最短路径完成",这个把不体现在 diff 里、却决定质量的环节补回来。 3️⃣ Agent-Reach ⭐45k 给 Agent "看见互联网"的能力,读取/搜索 Twitter、Reddit、YouTube、GitHub、B站、小红书。定位是能力层(选型+安装+体检+路由),一个 CLI、零 API 费用。 内容监控和自媒体选题神器。⚠️需登录的平台建议用专用小号,有封号风险。 4️⃣ OpenMontage ⭐28k 开源 Agentic 视频生产系统,把 AI 编程助手变成完整视频工作室。12 条流水线、52 个工具,支持纯免费本地链路(Piper TTS、FFmpeg、Remotion、开放素材)也支持付费云端。 从研究、脚本到剪辑合成的端到端流水线,内容人值得关注。 5️⃣ DeepSeek-Reasonix ⭐25k DeepSeek-native 终端 coding agent,围绕字节稳定的 prefix-cache 优化运行循环,长会话缓存命中 90%+、输入 token 成本大幅下降。单 Go 二进制。 DeepSeek 生态里的 coding agent,低成本、国内开发者友好。 6️⃣ Planning with Files ⭐24k 给 coding agent 基于 Markdown 的持久计划管理:长任务、上下文丢失/clear 后恢复、确定性完成校验、多 Agent 共享状态。本质是 Claude Code skill,兼容 60+ Agent。 Agent 做复杂任务最容易"忘记计划",解决的是长任务稳定性。 7️⃣ codebase-memory-mcp ⭐21k 高性能代码智能 MCP Server,把代码库索引成持久知识图谱,支持 158 种语言,亚毫秒查询,号称省约 99% token。单静态二进制、零依赖。 让 Agent 不再反复 grep,而是拥有可查询、可复用的代码库记忆。 8️⃣ SkillSpector ⭐11k NVIDIA 开源的技能安全扫描工具,安装前检测技能里的漏洞、恶意模式和潜在风险(68 个模式、17 类),输出 0–100 安全评分。 技能以隐式信任执行,是个基本没被审查的攻击面,装前先扫一遍。
顯示更多
一个人用 Claude Code 写代码,和一套 Agent 团队写代码,完全不是一个级别。 ECC 这个项目最近我觉得很值得研究。 它不是简单的提示词合集,而是一套面向 Claude Code、Codex、Opencode、Cursor 的 Agent 工程化系统。 GitHub 页面显示已经 192k stars,这个热度不是没原因的。 它真正有价值的地方,是把 AI 编程拆成了可复用的流程: 规划有人管 架构有人管 测试有人管 安全有人审 代码有人改 上下文有人记 有效经验还能沉淀成 skill 这才是 AI 编程下一阶段的样子。 不是你对着聊天框喊一句“帮我写个项目”。 而是你有一套规则、一组 Agent、一堆 Skill,把重复工作持续沉淀下来。 做工具站、做交易系统、做数据面板、做自动化脚本的人,真该研究这种框架。 🔗
顯示更多
密歇根大学这门 AI Coding 非常值得推荐!让学生自己造一个 Coding Agent,放它独立干活,最后还得写清楚它为什么翻车。 课程叫 EECS 498-016《Applied Agentic Software Engineering》。我翻了下课程安排,整整 15 周,从 Aider + 本地小模型入门,到自己实现 Tool Call、Agent Loop、权限审批,再逐步加入 Eval、Memory、Skill 和安全防护。 最值得关注的还是它的实验设计。 学生需要自己设计至少 8 个测试任务,每个跑 3 次,统计成功率、成本和延迟,还得认真分析失败原因。 而且课程的讲义、实验幻灯片和课堂 Demo 都在陆续开源,有源码也有 PDF,很多内容可以直接跟着动手。 感觉这门课挺适合已经在用 Coding Agent、但想把 Agent 工程真正弄明白的人。建议收藏,找时间跟着做一遍。 课程: GitHub:
顯示更多
0
17
166
39
轉發到社區
GitHub 最近爆了一个“一人 AI 公司”项目:Agency Agents。 它直接把一家公司需要的人,全部做成了 AI Agent:工程师、产品经理、UI/UX、增长营销、销售、财务、客服、项目管理……连负责协调这些 Agent 的“总指挥”都有。 每个 Agent 不是一句简单 Prompt,而是把角色、工作流程、交付标准都拆好了,新手照着也能用。还支持 Claude Code、Cursor、Codex、Gemini 等工具。 以前创业第一件事是招人。 现在可能是:先给自己组一支 AI 团队。 ⁠
顯示更多
0
10
374
113
轉發到社區
问:上下文(Context)和上下文窗口(Context Window)什么差别? 这两个概念经常被混用,但其实指的是不同层面的东西: 上下文是指 AI Agent 在执行任务时实际拥有的所有信息,包括系统提示词、用户的对话历史、检索到的文档、工具调用的结果、记忆模块注入的内容等等。你可以把它理解为“Agent 此刻脑子里装的所有东西”。上下文是一个动态的、可以被工程化管理的概念——哪些信息该放进来、什么时候放、怎么组织,这就是现在越来越多人说的 Context Engineering。 上下文窗口则是模型层面的一个硬性限制,指的是模型单次推理能处理的最大 token 数量。比如 128K、200K、1M 这些数字,说的就是上下文窗口的大小。它本质上是一个“容器的容量”。 打个比方:上下文窗口是你厨房操作台的面积,上下文是你实际摆在台面上的食材、调料、菜谱和工具。台面就那么大(上下文窗口有上限),但你放什么上去、怎么摆放(上下文的管理)决定了你能不能高效做菜。 在 Agent 开发中,一个核心挑战就是:Agent 需要的上下文往往远超上下文窗口的容量。对话越来越长、工具调用结果越来越多、检索的文档越来越大——这些都在消耗上下文窗口的空间。所以才需要各种策略来管理:摘要压缩历史对话、选择性检索而不是全量灌入、及时清理不再需要的中间结果等等。 简单总结就是:上下文(Context)是“内容”,上下文窗口(Context Window)是“装内容的容器”。做 Agent 工程的核心功夫之一,就是在有限的“上下文窗口”里塞进最有价值的“上下文”。
顯示更多
0
24
127
28
轉發到社區
看完了 Claude Code 主席 Boris 的播客采访,他从去年 11 月起没有手写过一行代码,每天提交 10 到 30 个 PR,同时跑 5 个 agent。 听完 Lenny 对他一个多小时的采访,信息密度很高,分享一些我的收获。 1️⃣ Claude Code 的起源:一个人,两个赞 最初就是 Boris 一个人在 Anthropic Labs 搞的 side project,同期他也做了很多其他的side project,大部分都死掉了。 选了终端是因为一个人开发最简单,在内网发了篇帖子介绍,两个赞,没人觉得一个 CLI 能成事。 但是迄今为止这东西贡献了 GitHub 上 4% 的 commit,如果算上私有仓库,这个比例还会更高,Semi-Analysis 预测年底到 50%。 从两个赞到覆盖 50% 的 commit,中间只隔了不到两年,AI时代的产品进化速度可见一斑。 2️⃣ 核心产品哲学:为六个月后的模型而建 Boris 反复强调这一点,Claude Code 早期只能写 20% 的代码,他自己都不信任它。 但产品架构留好了扩展空间,等 Opus 4 一出来,PMF 瞬间 click。 现在做 AI 产品的人,最大的错误就是按今天的模型能力做产品设计。 你应该赌的是下一代模型。赌对了你起飞,赌错了你也没亏多少。 3️⃣ 委派,而非指示 很多人做 AI 产品的思路是给模型设计死板的 step 1 → step 2 → step 3 workflow,把模型当成一个系统里的函数来调用。 Boris 说一年前你确实需要大量 scaffolding 来兜底,但现在完全不需要了。 给模型工具,给它目标,让它自己想办法。 对于 Agent 开发者来说,这点尤其重要。别太迷信 LangChain、LangGraph、AutoGen 这类框架,别尝试用流程图把模型框住。 Agent 应该为目标负责,而不为流程、中间态、执行路径负责。 这就是 Claude Code 一直强调的:delegate, don't dictate。 4️⃣ 编程已经被解决了,接下来是工具和多模态 Boris 认为 coding 对模型来说已经基本解决了接下来的方向是让模型接入更多工具,让 Agent 能操作的东西变多。浏览器、API、数据库、部署流水线,全都会变成模型的手和脚。 更有意思的是他提到一个现象:提升模型 X 方向的能力通常也会提升 Y 方向。模型能力的增长不是线性叠加,而是能力之间互相加速。 这意味着一旦某个能力突破阈值,其他方向也会跟着跳一级。 5️⃣ 软件工程师这个岗位会消失,Builder 会出现 Boris 的判断:也许今年年底,AI 就能包揽 100% 的代码编写。 传统意义上的软件工程师将不复存在。取而代之的是一个集合了产品、研发、测试、部署的综合岗位,大概叫 Builder。 他观察到 Anthropic 内部已经在发生这种融合。设计师在写代码,PM 在跑 Agent,工程师在做产品决策。三个角色的边界已经开始模糊,50% 的日常工作其实是重叠的。 有个数据很说明问题:Boris 在推特做了个调查,70% 的工程师和设计师表示有 AI 之后更享受工作了。不是因为工作变少了,是因为终于可以把时间花在真正重要的事情上。 6️⃣ 自然语言是新时代的编程语言,编程语言是新时代的汇编 未来编程可能就是和 AI 交互。手写代码会变成和今天写汇编一样的存在:深入底层,写一些计算机能直接看懂的东西,极少数人需要做,大多数人永远不碰。 自然语言会变成新时代的编程语言。编程语言会变成新时代的汇编语言。 怎么理解要不要学编程这件事?Boris 给了一个非常精准的历史类比。和程序员最像的历史角色是 1400 年代欧洲的抄写员,垄断了所有的读写工作。古腾堡印刷术出来后 50 年,印刷量超过此前 1000 年的总和,价格暴跌 80%,识字率从 1% 飙到 70%,抄写员这个职业直接消失了。 编程正在经历一模一样的过程,你可以觉得这话狂。但说这话的人,曾在 Meta 负责过 Facebook、Instagram、WhatsApp 的代码质量基础设施,是那个时代最顶级的 infra 工程师之一。 他不是不会写代码,他是写了太多代码之后,深刻认识到代码从来都只是手段,build才是目的。 7️⃣ 200% 的提效,到底意味着什么 Anthropic 工程师人均 PR 数提升了 200%。 200% 听着好像还好,但 Boris 之前在 Meta 就是做工程生产力的,负责 Facebook、Instagram、WhatsApp 全线的代码质量基础设施。 在那个体量的公司里,工程效率提升几个百分点都是巨大的飞跃,足够写进年度 OKR 当 两点。 200%,是完全不同量级的事情。 这就是为什么他每天能 ship 10 到 30 个 PR 还觉得很正常,游戏规则已经彻底变了。 8️⃣ 代码现在是真的廉价 这个观点对老工程师的冲击最大。 AI 现在会写大量的即时代码,用完就丢,只是为了完成某一次任务。跑个数据分析、做个格式转换、写个一次性脚本,用完就删,毫不心疼。 之前代码是很贵的。你需要几年的学习成本才能写出能跑的东西,coding 和 debug 的时间成本都很高昂。 所以老一代工程师对代码有一种天然的珍惜感,写出来的东西要 review、要重构、要维护。 但现在代码的边际成本趋近于零。认识到代码很便宜,非常重要。很多老工程师过不了这个心理关,还在用写精品代码的心态对待每一行输出。这就像印刷术时代还在手抄经文。 9️⃣ 给企业的建议:别限制 token,别省钱 Anthropic 内部有些工程师每月 token 花费过十万美元。 Boris 的建议:给工程师无限 token 预算,让他们可以大胆探索落地想法,甚至允许 token 费用超过工程师本身的薪资。 听着疯狂?对比人均产出提升 200% 的数据,这笔账太好算了。真正有创造力的想法往往来自某个人不计成本地试了一个看起来太疯狂的点子,你限制 token 就是在限制创新的上界。 用 Boris 的话说:先别急着衡量 ROI,先让工程师用起来,价值自己会显现。 🔟 成为通才,而不是单一技能点的专家 Boris 给工程师的职业建议:尝试真正成为一个通才。只会一个垂直能力的人未来会越来越吃亏。 未来几年能获得最大回报的那批人,不只是 AI native、拥抱 AI 的人。还要充满好奇心,知识广博。 你还得懂产品、懂设计、懂用户心理、懂商业逻辑。 单点深入的价值在被 AI 快速拉平,广度 × 判断力才是新的护城河。 1️⃣1️⃣ 一些CC的使用建议 Boris 分享了几个 Claude Code 的实战 tips: 1.一直用最强的模型。经济型模型可能因为能力不够强需要多次尝试,最终的 token 成本也许比最强模型更贵。考虑到时间成本更是如此,目前最强的是 Opus 4.6 2.多用 Plan Mode。先让模型理解全局再动手,效果远好于直接开干 3.尝试多种使用形态。终端、桌面应用、移动端,每种形态适合不同场景。Boris 提到 Anthropic 的设计师更多用 Desktop App 里的 Code tab,不需要打开 IDE 就能调用同等能力 他还推荐写好 CLAUDE.md,这跟我之前分享的 Claude Code 最佳实践完全吻合。 最后的彩蛋:味噌哲学 Boris 是乌克兰人,加入 Anthropic 前住在日本中部乡下好几年,是整个城市唯一的工程师和英语使用者。每周骑车去农贸市场,和邻居交换自制食物,学会了做味噌和发酵食品。 主持人问他 AGI 之后的计划?继续做味噌。 一个在日本乡下做味噌的乌克兰人,回到硅谷造了个改变所有工程师工作方式的工具。 编程是建造的方式,味噌也是。工具会变,建造的欲望不会。 这种人你很难不服。
顯示更多
兄弟们,今晚别再刷抖音消磨时间了 这条 1 小时播客,专访 Claude Code 负责人。 抽出一小时,沉下心来看完这套视频,你对 vibe-coding(氛围式编程)的理解,会超过 100 门付费课程。 它能教会你自主搭建、自动化处理各类事务 今晚认真学完的兄弟,明天醒来就会掌握一项 未来两年里绝大多数人都不具备的硬核ai能力。 而选择跳过的人,或许明年此刻 还在刷着剧,困惑着生活为何始终毫无起色 路怎么走,全看你自己的选择。 积极学习 拥抱ai!
顯示更多
0
3
72
15
轉發到社區