共 11 篇文章
2026 年 成为Agent工程师的12 步路线图—— Loops，Graphs，Evals，Context，Harness
文章给出2026年成为Agent工程师的12步路线图，覆盖上下文、工具、记忆、循环、图、开发框架、评估七大支柱并各配Claude工作流。指出智能体失败源于上下文膨胀、循环不收敛、无人衡量改进；主张精简上下文、工具描述当发现界面、记忆写盘扛压缩、独立验证器检查循环、并行子智能体控成本、以真实失败建评测套件，强调搭建坏日子里也能交付的可靠系统。
面向产品经理的循环工程（Loop Engineering）
为产品经理引入循环工程理念，主张从写Prompt转向设计可复用的循环系统。一个有效循环包含五个要素：触发器、动作、证据、记忆和停止条件。将判断力固化为可版本管理、可评估的系统，让每次运行都比上一次更好。
一篇讲透Agent自进化飞轮怎么搭：评测→记忆→落地→控制
文章针对Agent上线后长期不进步的普遍问题，提出一套由评测、记忆、落地、控制四环节组成的Agent自进化飞轮方法论。作者指出自进化的瓶颈在于环节间的衔接而非单一技术：评测是闭环的'眼睛'，记忆是'大脑'，Self-Improve是'手脚'，人机协作是'方向盘与刹车'，并强调评测可信度高于系统复杂度、记忆系统的核心是治理能力，给出可落地的工程闭环建议。
深度｜对话 Anthropic 产品负责人：不懂评测的 AI 产品负责人，只是在假装做产品
Lenny's Podcast对话Anthropic产品负责人Dianne Penn。核心观点：评测是发现能力跃迁的关键，评测就是新的PRD，要把模糊反馈转为可复现测试任务(如80%的不遵循指令投诉实为JSON输出问题)。AI产品经理须深入每个token、亲手构建产品，为更强模型预留空间；安全对齐反而让模型更有用；未来稀缺的是判断力、领域经验与独立观点。
AI 工程师必备的 7 条自改进智能体循环规则
文章针对编码智能体的自我改进"提出修复—评分—修订"循环，点出盲点：若目标浅层，智能体会优化成"分数好看实则更差"并谎报成功。核心观点是"指标即产物"，人类要定义并测量"好"且放在循环够不到的地方。作者给出7条规则：从单个失败案例起步、让评判器解释理由、确定性检查用代码、给行为打分而非路径、把波动案例当发现、不允许提方案者移动标准线、最后才做一次自动优化等，并强调评测与生产监控本质是同一循环的两种采样，防止循环自欺。