想在 2026 年成为世界级软件工程师？光闷头写代码可不够，得知道外面的人都在琢磨啥。 刷到一份博主整理的 Newsletter 清单，五个方向，我看了下覆盖得还挺全，从底子到带团队再到 AI，基本一条龙。给你扒出来： 1️⃣ 系统设计 The System Design Newsletter，搞懂大系统怎么搭，这块是硬功夫，绕不过去。 🔗 2️⃣ 给工程师用的产品思维 Product for Engineers，PostHog 出的，写代码的人也得懂点产品，不然永远只是执行的那个。 🔗 3️⃣ 工程管理 Engineering Leadership，Gregor Ojstersek 写的，想从写代码的混到带人的，看这个。 🔗 4️⃣ 搞懂 AI Decoding AI Magazine，Paul Iusztin 出品，2026 年还不碰 AI，那是真要被落下了。 🔗 5️⃣ 每周科技精选 Hungry Minds，一周挑几篇值得读的，省得你自己满世界翻。 🔗 说句实话，光收藏不读等于没看。挑一两个你最缺的，先订上，每周抽点时间扫一遍，一年下来差距就出来了。

🌈 炸裂！RenoDX 能给那些压根没做过 HDR 的 DirectX 老游戏，硬生生改出 HDR 画面。 GitHub 上 3621 star，最近冲上了 GitHub 热榜，围着它长出来的社区 mod 已经覆盖上百款游戏。 买了台 HDR 显示器，回头发现游戏库里一半的游戏根本不支持，打开还是灰扑扑的 SDR 画面，亮部糊成一团。厂商不可能回头给十年前的游戏补这个，玩家能做的只有认命。 RenoDX 的全称是 Renovation Engine for DirectX Games，走的是 ReShade 的插件系统，不用针对某个版本的 exe 单独打补丁，兼容面因此比传统改法宽得多。它能替换游戏里的着色器、往里注入缓冲区、加叠加层、升级交换链和纹理资源，还能把你调好的设置写回磁盘，下次开游戏直接生效。 除了主框架，仓库里还附了几个能单独用的小工具：renodx-fpslimiter 管限帧，renodx-devkit 帮你自己写插件，decomp.exe 是个 Shader Model 6.0 以上的反编译器，想研究游戏渲染的可以直接上手。作者 Carlos Lopez 还维护着一个 Discord 社区和一份记录所有 mod 的 Wiki 页面。 老游戏的画质天花板，原来是可以被玩家自己抬高的。 GitHub：

Q：我们公司有十几个微服务，现在想让开发用 AI Agent 来做系统设计和编码。问题是一个 user story 经常需要多个微服务协作，Agent 必须了解每个服务的职责边界和业务概念才能做出合理的设计。我们打算把所有微服务放到一个 workspace 下，每个服务配上自己的文档，让 AI 自己去处理。这种方式合理吗？有没有更好的实践？ A：用好 Agent 的关键是两点：上下文的质量，和验证的闭环。 先说上下文质量。 放在一个 workspace 下是目前社区比较推荐的做法。 monorepo 天然适合和 AI 配合，因为 Agent 可以在一个地方同时看到 schema 定义、API 协议、各个服务的实现代码。如果因为历史原因确实不方便合成 monorepo，有个折中方案叫虚拟 monorepo，就是把多个仓库 clone 到同一个本地目录下。 除了放在一起，文档也是很好的让Agent获取上下文的方式，最好给 Agent 一张地图，加上按需加载： 1. 根目录放一份总的 AGENTS.md(或 CLAUDE.md)当索引用，列清楚有哪些服务、各自负责什么、要改某个服务就去读它目录下的文档。 2. 每个微服务自己目录里再放一份,写清自己的职责边界和业务概念,这其实就是 DDD 里的 bounded context。 3. 让 Agent 先看根索引，定位到相关的那几个服务，再去加载它们的细节。 不过要注意文档要及时更新，尤其是微服务协议变更了，一定要及时更新文档，否则会误导。 能从代码或规格自动生成的，就别手写。手写文档迟早会和代码对不上，而像 OpenAPI 这种机器可读的接口规格，一份东西既是文档，又能拿去生成 mock 和测试。 除了文档，还有一个很多人忽略的上下文来源：协议测试代码。高质量的 contract test 本身就是最准确的活文档，它精确地描述了服务之间实际的交互协议，比人写的文档更不容易过时，因为错了测试就无法通过。你如果已经有 OpenAPI spec 或者 Pact 契约文件，这些对 Agent 理解服务边界非常有价值。 再说验证。微服务场景下验证是最麻烦的部分，因为一个 user story 可能涉及好几个服务协作，你不可能让 Agent 每改一行代码就把整个系统跑起来做端到端测试。 一个实用的思路是：每个微服务提供 mock server 或者基于 OpenAPI spec 自动生成的模拟服务。Agent 写完代码后可以在本地跑 contract test 验证自己的改动有没有破坏和其他服务的协议约定，不需要依赖线上真实的 API 或者完整的集成环境。这样 Agent 就能形成一个“写代码→跑测试→自我修正”的闭环，不需要人在过程中频繁干预。 想再进一步,建议了解一下契约测试(consumer-driven contract testing，常用工具是 Pact)。思路是调用方把自己实际用到的接口形状记下来，生成一个契约文件，被调方再去验证自己能不能满足这个契约。 简单说：workspace 统一提供全局视图，分层文档 + 协议测试提供精准上下文，mock server + contract test 提供验证闭环。这三层搭好，Agent 处理跨微服务的系统设计就比较靠谱了。 一些参考资料 1. Anthropic 的 Effective context engineering for AI agents，讲怎么把上下文当稀缺资源来经营、按需加载: 2. Anthropic 的 Effective harnesses for long-running agents，讲长任务里怎么给 Agent 搭脚手架(比如用进度文件加 git 记录跨上下文窗口接力)： 3. 怎么在 monorepo 里组织 AGENTS.md 给 Agent 用,可以看 上这篇 Steering AI Agents in Monorepos with AGENTS.md： 契约测试入门，搜 Pact 加 consumer-driven contract testing 的指南就行。

🧵 后端/基建开发推荐阅读的十篇论文 别只背八股了，很多面试题就是这些论文里的工程问题被压缩成的问答。 推荐按顺序读，强烈建议边读边画图/做笔记。 1️⃣ RocksDB： 看懂工业级 KV 存储怎么演进 RocksDB 这篇不是讲单个算法，而是讲一个 KV 存储在大规模生产环境里，优化重点怎么从写放大、空间放大一路转到 CPU 利用率。 Evolution of Development Priorities in Key-value Stores Serving Large-scale Applications: The RocksDB Experience 2️⃣ WiscKey： 理解为什么要把 key 和 value 拆开WiscKey 的核心是把 LSM-tree 里的 key 和 value 分离，减少 I/O 放大，尤其适合理解 SSD 时代 KV 存储的设计取舍。 WiscKey: Separating Keys from Values in SSD-conscious Storage 3️⃣ Vertical Paxos： 把主从同步放进共识算法里看很多高可用方案看起来只是“注册中心 + 主从同步”，但 Vertical Paxos 提供了更底层的解释框架。 Vertical Paxos and Primary-Backup Replication 4️⃣ PacificA： 工程里的强一致复制协议PacificA 讲的是日志型分布式存储系统里的复制框架，重点不是抽象共识理论，而是故障、恢复、对账这些工程细节。 PacificA: Replication in Log-Based Distributed Storage Systems 5️⃣ SWIM： 服务发现别只会说注册中心SWIM 把故障检测和成员变更传播拆开，用随机探测 + gossip 传播，解决大规模节点下全量心跳扛不住的问题。 SWIM: Scalable Weakly-consistent Infection-style Process Group Membership Protocol 6️⃣ TiDB： Raft 怎么落到 HTAP 数据库里TiDB 这篇讲 multi-Raft、行存、列存副本和 learner，适合看 Raft 怎么服务事务和分析混合负载。 TiDB: A Raft-based HTAP Database 7️⃣ Paxos vs Raft： 别把二者理解成口水战这篇用相同术语比较 Paxos 和 Raft，结论很实用： 二者整体方法接近，核心差异主要在 leader election。 Paxos vs Raft: Have we reached consensus on distributed consensus? 8️⃣ Paxos 和 Raft 的形式化映射： 把学术优化搬到工程系统上海交大这篇建立了 Paxos 和 Raft 的形式化对应关系，还讨论如何把 Paxos 优化迁移到 Raft。 On the parallels between Paxos and Raft, and how to port optimizations 9️⃣ PolarFS： 高性能共享存储里的 ParallelRaftPolarFS 为 PolarDB 做低延迟共享存储，里面提出 ParallelRaft，用乱序 I/O 能力突破 Raft 严格串行带来的吞吐限制。 PolarFS: An Ultra-low Latency and Failure Resilient Distributed File System for Shared Storage Cloud Database 🔟 X-Engine： 双 11 级 OLTP 存储引擎X-Engine 是阿里的 OLTP 存储引擎方向，适合看电商峰值流量下，存储层怎么做写入、压缩、缓存和冷热数据管理。 X-Engine: An Optimized Storage Engine for Large-scale E-commerce Transaction Processing

再次推荐 Google Engineering & DevRel Leader @addyosmani 重磅开源的 Agent Skills (69.7✨)，把资深工程师的生产级工程纪律，固化为 AI Agent 可机械执行、强制验证、跨工具复用的工作流 Agent Skills: Production-grade engineering skills for AI coding agents. 它要解决什么问题？ AI Coding Agent 的默认行为是"走最短路径"——跳过规格、跳过测试、跳过安全评审，给出能跑但不可靠的代码。Agent Skills 的立论是：质量不靠提醒出来的，要靠强制流程托底的。它把"什么时候写规格、测什么、怎么评审、何时发布"这类隐性工程判断，固化成 Agent 必须遵循的步骤。 顶层架构：六阶段生命周期 DEFINE → PLAN → BUILD → VERIFY → REVIEW → SHIP /spec /plan /build /test /review /ship 8 个 slash 命令作为入口，分别对应一个阶段，自动激活对应 Skills。Skills 也会按上下文自动触发（写 API → api-and-interface-design，写 UI → frontend-ui-engineering）。/build auto 在一次批准后自动跑完计划与实现，但每个任务仍独立测试、独立提交、遇险即停。 24 个 Skills 的分布 1. Meta - 1 个 using-agent-skills（路由，决定该用哪个技能） 2. Define - 3 个 interview-me、idea-refine、spec-driven-development 3. Plan - 1 个 planning-and-task-breakdown 4. Build - 7 个 incremental-implementation、test-driven-development、context-engineering、source-driven-development、doubt-driven-development、frontend-ui-engineering、api-and-interface-design 5. Verify - 2 个 browser-testing-with-devtools、debugging-and-error-recovery 6. Review - 4 个 code-review-and-quality、code-simplification、security-and-hardening、performance-optimization 7. Ship - 6 个 git-workflow-and-versioning、ci-cd-and-automation、deprecation-and-migration、documentation-and-adrs、observability-and-instrumentation、shipping-and-launch 几个值得点名的设计取向 · doubt-driven-development：对抗性"新上下文复盘"，CLAIM → EXTRACT → DOUBT → RECONCILE → STOP，可选跨模型升级。这是该仓库比较有原创性的一项，针对高代价/不可逆决策。 · source-driven-development：框架决策必须挂在官方文档上，要引源、要标注未验证项。直接对治 LLM 编造 API。 · deprecation-and-migration 把"代码即负债"单列为技能，配套强制 vs 建议性弃用模式与僵尸代码清除——很少见但有工程味。 · Google 工程文化底蕴：Hyrum's Law（API）、Beyonce Rule 与测试金字塔（测试）、变更尺寸约 100 行 + 评审速度规范（评审）、Chesterton's Fence（简化）、主干开发（git）、Shift Left 与 feature flag（CI/CD）。来源明确标注自《Software Engineering at Google》与 Google 工程实践指南。

Anthropic 工程师 Barry Zhang 在 AI Engineer 工作坊上的一个分享 “如何构建有效的 Agent”，其中印象最深的一个观点：Don't build agents for everything，反过来理解就是别做什么都能干的 Agent，那是我们大模型要干的事情😆 构建有效 Agent 的三大要点： 1. 明智选择应用场景，并非所有任务都需要 Agent； 2. 找到合适的用例后，尽可能长时间地保持系统简单； 3. 在迭代过程中，尝试从 Agent 的视角思考，理解其局限并提供帮助； Barry 主要负责 Agentic System，演讲内容基于他和 Eric 合著的一篇博文，下面详细总结他们的核心观点，以及对 Agent 系统的演进和未来的思考。 Agent 系统的演进 - 简单功能： 起初是简单的任务，如摘要、分类、提取，这些在几年前看似神奇，现在已成为基础； - 工作流（Workflows）： 随着模型和产品成熟，开始编排多个模型调用，形成预定义的控制流，以牺牲成本和延迟换取更好性能。这被认为是 Agent 系统的前身； - Agent： 当前阶段，模型能力更强，领域特定的 Agent 开始出现。与工作流不同，Agent 可以根据环境反馈自主决定行动路径，几乎独立运作； - 未来（猜测）： 可能是更通用的单一 Agent，或多 Agent 协作。趋势是赋予系统更多自主权，使其更强大有用，但也伴随着更高的成本、延迟和错误后果。 核心观点一 并非所有场景都适合构建 Agent (Don't build agents for everything) - Agent 主要用于扩展复杂且有价值的任务，它们成本高、延迟高，不应作为所有用例的直接升级。对于可以清晰映射决策树的任务，显式构建工作流（Workflow）更具成本效益和可控性。 - 何时构建 Agent 的检查清单： 1. 任务复杂度 ： Agent 擅长处理模糊的问题空间。如果决策路径清晰，应优先选择工作流； 2. 任务价值： Agent 的探索性行为会消耗大量 token，任务的价值必须能证明其成本。对于预算有限（如每任务 10 美分）或高容量（如客服）场景，工作流可能更合适； 3. 关键能力的可行性 ： 需确保 Agent 在关键环节（如编码 Agent 的编写、调试、错误恢复能力）不存在严重瓶颈，否则会显著增加成本和延迟。如有瓶颈，应简化任务范围； 4. 错误成本与发现难度： 如果错误代价高昂且难以发现，就很难信任 Agent 自主行动。可以通过限制范围（如只读权限、增加人工干预）来缓解，但这也会限制其扩展性； - 编码（Coding）是一个很好的 Agent 用例，因为它任务复杂（从设计文档到 PR）、价值高、现有模型（如 Claude）在许多环节表现良好，且结果易于验证，例如单元测试、CI。 核心观点二 保持简单 (Keep it simple) - Agent 的核心结构： 模型（Model）+ 工具（Tools）+ 循环（Loop）在一个环境（Environment）中运作。 - 三个关键组成部分： 1. 环境：Agent 操作所在的系统； 2. 工具集： Agent 采取行动和获取反馈的接口； 3. 系统提示： 定义 Agent 的目标、约束和理想行为； - 迭代方法： 优先构建和迭代这三个基本组件，能获得最高的投资回报率。避免一开始就过度复杂化，这会扼杀迭代速度。优化（如缓存轨迹、并行化工具调用、改进用户界面以增强信任）应在基本行为确定后再进行。 - 一致性： 尽管不同 Agent 应用（编码、搜索、计算机使用）在产品层面、范围和能力上看起来不同，但它们共享几乎相同的简单后端架构。 核心观点三 像 Agent 一样思考 (Think like your agents) - 问题： 开发者常从自身角度出发，难以理解 Agent 为何会犯看似反常的错误； - 解决方法： 将自己置于 Agent 的“上下文窗口”中。Agent 在每一步的决策都基于有限的上下文信息（如 10k-20k token）； - 换位思考练习： 尝试从 Agent 的视角完成任务，体验其局限性（例如，只能看到静态截图，在推理和工具执行期间如同“闭眼”操作）。这有助于发现 Agent 真正需要哪些信息（如屏幕分辨率、推荐操作、限制条件）以避免不必要的探索； - 利用模型自身： 可以直接询问模型（如 Claude）：指令是否模糊？是否理解工具描述？为什么做出某个决策？如何帮助它做出更好的决策？这有助于弥合开发者与 Agent 之间的理解差距。 个人思考与未来展望 - 预算感知 Agent (Budget-aware Agents)： 需要更好地控制 Agent 的成本和延迟，定义和强制执行时间、金钱、token 预算，以便在生产环境中更广泛地部署。 - 自进化工具 (Self-evolving Tools)： Agent 或许能设计和改进自己的工具（元工具），使其更具通用性，能适应不同用例的需求。 - 多 Agent 协作 (Multi-agent Collaboration)： 预计今年年底将在生产中看到更多多 Agent 系统。其优势包括并行化、关注点分离、保护主 Agent 上下文窗口等。关键挑战在于 Agent 间的通信方式，如何实现异步通信，超越当前的用户-助手轮流模式。