围绕 AI Coding 和生成式内容工作流,梳理 9router、jcode、agentmemory、SuperSplat 等 7 个 GitHub 项目的定位、核心机制、适用场景和上手方式,帮助快速判断哪个工具能解决当前问题。
围绕淘宝闪购 AI 工程岗终面常见问题,系统拆解 RAG、Embedding、相似度计算、Prompt 注入防护、Agent 演进、文件上传、权限过滤和 AI Coding 等核心知识点,帮助把 AI 项目讲得完整、可信、可落地。
围绕 Harness Engineering 的落地方式,讲清楚如何把评测任务、评测集、评测报告抽象成 AI Agent 可操作的平台能力,让智能体自动生成用例、执行无 UI 与 UI 评测,并基于报告进行多轮系统优化。
code-review-graph 会把代码库预解析为函数、类、调用、依赖组成的结构化图谱,并通过 MCP 提供给 Claude Code 等 AI 编程工具查询。借助影响半径分析和增量索引,它能减少大项目中反复全文读代码带来的 token 浪费。
使用同一个产品介绍页需求对原生生成、UI Aesthetics、UI UX Pro Max、Frontend-Design、Taste Skill 以及 impeccable 二次优化进行横向对比,重点分析视觉表现、页面结构、代码质量、响应式和维护成本,帮助选择适合的前端设计 Skill。
AI 辅助编码容易卡在上下文缺失、流程断点和文档失同步。围绕 OpenSpec、CodeBuddy、MCP、知识库和 Skills,可以把需求分析、设计、编码、验证、归档串成一条可审查的工程流水线,让 AI 负责执行,人负责决策、审批和质量门禁。
AI Coding 真正的瓶颈不只是生成代码,而是测试、验证、排障、交付等非编码流程。围绕 Harness Engineering,系统讲清大模型推理限制、上下文治理、工具设计、多智能体协作和端到端闭环交付的方法。
Spec Coding 通过先写规格、再写代码,把 AI 编程从即时问答变成可审计、可约束的工程流程。围绕 Claude Code 的真实前端项目实践,拆解规格工作流、规范体系、MCP 接入方式,以及 AI 编程的能力边界。
AI Coding Agent 的控制流并不神秘,核心是大语言模型根据上下文决定下一步动作,程序执行工具并把结果放回上下文。通过一个可运行的 Python 示例,可以看清 while 循环、工具调用、规则文件和上下文工程之间的关系。
面向后端开发场景,系统拆解 AI Coding 的协作方式:如何用 Markdown 管理外部上下文,如何判断 AI 生成代码是否可靠,以及如何把它用于需求分析、代码开发、数据脚本、Agent 设计和技术文档输出。