45 篇文档带有标签「agent-engineering」

用消息校验、组件准入、整批预检和 action name 白名单，为 Agent 生成界面构建一个可复现的可信 A2UI Host。

用规范检查、目录预算、description 重叠、近似负例和真实激活记录，审计整套 Agent Skills 负载。

学习如何编写根目录与嵌套 AGENTS.md，理解 Codex 文件发现、优先级、Override、常见错误和维护方法。

从 AI Agent、Applied AI 与 Agent Systems 职责出发，建立能力地图、面试练习、作品集证据链和可执行求职准备路线。

从真实 Trace 区分工具事件、Turn 与任务结果，把确认的失败转成 Eval case、grader、suite 和持续 Gate。

用一个可验证的 AI Agent 项目组织架构、任务集、Trace、Eval、安全边界、失败记录与项目 Deep Dive 证据。

用逐步增加约束的练习题，准备 AI Agent 系统设计面试中的 Context、Tools、State、Loop、Graph、安全与验证。

建立一套可追溯的 AI Code Review 工作流，在合并前检查改动意图、运行时行为、测试证据、风险边界和最新 diff。

用责任边界判断 Claude Code 中什么时候该用 Skill、Hook 或 MCP：分别处理可复用流程、生命周期自动化和外部工具连接。

看懂 Claude Code /usage、活动上下文、Cache Read、Cache Write、会话成本与订阅额度之间的区别，并诊断 Token 增长来源。

用自有仓库的 3–5 个任务，固定 Commit、测试、权限、预算和重置方式，比较 Coding Agent 的功能结果、Diff 与人工 Review 负担。

把保存的 Coding Agent Trace 变成本地 JSONL 数据集、确定性检查、机器可读报告和 CI 质量门禁。

理解 Coding Agent Harness 如何控制仓库上下文、工具调用、编排、沙箱、记忆与验证，并用真实仓库清单选择 Agent。

构建本地 Coding Agent Trace 审计，保留工具失败、重试、Token、Handoff 和明确的遥测缺口。

用 worktree、任务契约、运行时隔离、证据回传和单一合并权限，让多个 Coding Agent 并行工作不把省下的时间耗在集成阶段。

理解 Coding Agent 的沙箱边界、Workspace 写入风险、Host trust、命令 allowlist、特权 daemon 与实用隔离检查。

学习如何把 Coding Agent 记忆拆分为长期项目规则、当前任务状态、按需检索的历史和应该过期的临时上下文。

用缓存命中、缓存未命中、输出 Token、重试和人工审核时间，建立可复算的 DeepSeek API 任务成本记录。

本教程介绍 DeepSeek V4-Flash 接入 Codex CLI 的完整配置方法，包括 model catalog、named profile、API Key、验证、切换、回退与 Responses API 兼容边界。

用 Copilot CLI 1.0.94 与可下载实验包，对照本地沙箱策略、离线模式、文件读取和工具网络访问的实际边界。

设计一张包含显式依赖、串并行执行、带类型信号、合并规则、升级路径与治理权限的 Coding Agent Graph。

安装 Hermes Agent、配置模型提供商与本地终端，在五文件 Python 练习中核对源码引用和命令预测，再学习退出、恢复会话与常见问题排查。

参考 NestJS 升级案例，用 AI 迁移 Jest 29 到 30 的 matcher 别名和 CLI 参数，同时保留测试意图与业务预期。

安装 Kimi Code CLI，从旧版 Kimi CLI 安全迁移，检查配置与权限模式，并完成第一次谨慎运行。

用局部目标、Evaluator、预算、停止条件、权限范围和升级路径，构建一个有边界、可验证的 Coding Agent Loop。

迁移 TypeScript MCP SDK v2 到 2026-07-28 协议：配置 versionNegotiation、无状态 HTTP handler、显式状态与旧 client 兼容验证。

用任务边界、Schema、annotation、结构化返回与可操作错误设计 MCP Tool，让 Agent 少猜一步，并区分 handler test 与 Agent eval。

从 OpenAPI 工具生成 TypeScript 客户端，再让 AI 接入项目认证、超时和错误处理，用具体验收条件检查结果。

用 oasdiff 检查 OpenAPI 破坏性变更，定位受影响的旧客户端请求，再把差异交给 AI 完成针对性修复。

用 jevals 和本地 Kev 检查 Agent 是否利用工具结果，添加人工标签、读懂校准指标，再选定阈值并在留出记录上复查。

通过 Git 与 Python 本地练习，分层审查相互依赖的 Agent 改动，复现无冲突 rebase 后的语义错误，并重建 squash 合并后的审查基线。

从需求、断言和边界检查 AI 生成的测试，用有意义的错误实现核对检错能力，并向 AI 提出具体补测要求。

在 Apple Silicon Mac 上本地部署 Kev-0.8B，通过 Choice API 给客服工单分类，查看模型信息，理解概率、confidence 与应用分流方式。

用可复现的 UI 演示项目检查布局、按钮请求、控制台和会话状态，明确测试通过之后仍需取得哪些浏览器证据。

用可复现的 Go 工作流验证 Coding Agent 生成的代码，覆盖构建、测试、vet、fuzz、govulncheck 与人工审查。

用商品价格筛选案例，把小功能需求写成 Coding Agent 可执行的任务说明和验收条件，包含边界处理、可复制模板与实现后的核对清单。

对照本地与 CI 的测试日志、源码、依赖、时区和事件顺序，让 AI Agent 提出并验证具体修复。

使用 Claude Code 的 prompt-audit 检查项目规则，对照实际路径和命令判断审计建议，审阅修改，并在新会话验证规则加载与行为。

使用 Cloudflare Security Audit Skill 发起有范围的代码安全审计，读懂 confirmed、needs_validation 和 rejected，并把证据转成修复任务。

通过 GitHub Spec Kit 实践规格驱动开发，从 Constitution、Spec、Plan、Tasks 到 Implementation 与人工审阅关卡。

使用 Jevgrep 按行为定位代码，回读源码证据，再把明确的修改任务交给编程 Agent。

使用 OpenAI Agents API 在托管沙箱中创建并运行脚本，在持久会话里继续修改，核对执行输出、下载产物，并在事件流中断后恢复工作。

用 WebMCP 注册网页动作，通过 Playwright MCP 发现并直接调用工具；配置固定版本浏览器，并对照工具返回值与页面 DOM 验证结果。

让 AI 协助为 PostgreSQL 18 已有数据表增加必填字段，分阶段处理旧应用兼容、存量回填、约束验收与回滚。

一份连接 MCP Server 前的安全检查清单，覆盖来源、OAuth Scope、Token、Tool 副作用、数据访问、日志与撤销路径。