代码知识图谱的两条路：tree-sitter AST 与 LSP
我最近连着刷到好几个「代码知识图谱 MCP」：codegraph、codebase-memory-mcp、GitNexus、Serena……宣传口径都差不多——把代码库建成图谱，让 coding agent 通过 MCP 直接查「谁调用了谁」，少 grep、少 read、省 token、定位更准。 ...
AI Agent
Agent 造的游戏，怎么自动评测？
本文基于 tongxuluo/gamecraft-bench 的源码（论文 arXiv:2606.17861），讲清"轨迹回放 + 多模态评分"这条链路是怎么设计的。 一、它是什么 GameCraft-Bench 测的是：coding agent 能不能把一段自然语言游戏规格，变成一个完整可玩的 Godot 项目。140 个任务，覆盖 15 个游戏门类（平台跳跃、策略、塔防、Roguelike、视觉小说……），跑在 Harbor 框架上，并自带一个 Docker-less 的本地子进程环境。 ...
Workflow、Team 与 Loop Engineering
一句话定义：Workflow 用脚本确定性地编排一群 agent；Team 让一群 agent 自主协作、持续在线；Loop Engineering 比这两者高一层——设计「去驱动 agent 的系统」，而不是亲手 prompt 每一个 agent。 ...
Harbor Framework 调研：Agent Eval & RL Roullout
写作背景 下午听了一个关于 Harbor 的分享， 正好和手头做的 Eval Harness 的事情相关， 就做一下深入了解， 也许能得到有价值的输入。 目前很多社区工具 or 框架都可以用来做 rollout、 eval 的事，但各自的关注点不同， 比如 SWE-agent， 它更像一个 coding agent scaffold， 专心跑产物； SWE-bench harness 则专注 patch 评测工具； 而本文分析的 Harbor 更像把任务、沙箱、Agent、verifier、reward 和指标聚合串起来的外层执行框架， 该框架由 Terminal-Bench 团队推出，GitHub：harbor-framework/harbor ...
Claude Code 官方技术复盘和 Harness 设计启示
本文基于 Anthropic 官方技术复盘 An update on recent Claude Code quality reports 与中文媒体分析， 从工程视角解构一次典型的 AI 产品层质量事故，并提炼对 Harness 设计的通用参考。 一、事件背景：当「最强编程模型」口碑滑坡 2026 年 3 月至 4 月期间，大量 Claude Code 用户在 Hacker News、Reddit 和 X 上反馈模型「变笨了」—— 输出变得健忘、重复、废话连篇，甚至在复杂任务中表现明显退步。 ...
AI 浏览器自动化工具对比
这篇文章主要对 browser-use、Chrome DevTools MCP 和 agent-browser 三类工具做一个并排分析，方便在不同场景下做选型。 它们看起来都属于“AI + 浏览器自动化”，但本质上处于不同抽象层： ...
Ralph Loop：让 AI 自己跑完全程
一句话定义：Ralph Loop 是一个"把 AI 放进 while true 里"的自主迭代开发技术——你定义终点，AI 自己跑，跑完为止。 是什么 Ralph Loop（也叫 Ralph Wiggum Loop）： ...
Agent Skills：从概念到实践的技术剖析
一、前言 想象一下，你雇了一位实习生，开始时你教了一些规范： “我们公司的 PPT 要用这个颜色，这个字体，Logo 放左上角……” “代码审查要检查这些安全项，那些性能点……” ...