团队里总有几个"被反复问的人"：指标口径、取数路径、诊断顺序……回答得越好，被问得越多。问题出在经验只能一对一交付，困在个人身上。本文结合 E-SAGE 电商 Agent 服务平台实践，给出三条判断标准——咨询频次高、判断路径固定、结论因人而异，符合两条就值得做成 Agent。更关键的是，门槛不在编程能力，而在业务理解：谁能把判断说清楚，谁就能让经验变成组织资产。不妨从那个"你今年已回答过很多次、每次答案都差不多"的问题开始。
最近，团队推出了面向测试自动化的 NL2Test Agent：QA在测试过程中， 只需用自然语言描述测试场景，Agent 就能自动生成可运行的回归测试用例，让测试资产沉淀更加高效。 目前已在多条业务线部署，从反馈来看，这个方向已经跑通：85.4% 的生成用例被集成到 CI/CD 工作流中；新增用例里，平均值约25%来自 Agent 生成，个别业务团队峰值可达50%+，且比例仍在持续提升；Agent用户月活率达到30.7%；工具平均每双周为部门节省约 30 人天投入。 回头看，NL2Test Agent 能够真正被 QA 用起来，不仅仅是因为模型能力提升，更关键的是我们在场景选择和工程设计上做对了几类取舍。
DSH 这么好玩，但是只能在电脑上玩太可惜了，于是我用 Kuikly 框架做了一个 APP，一码三端的跨端原生 app，按官方 Host 协议跟电脑上的 DeepSeek Harness 对话。
今天的 Agent 系统看起来很像一套小型操作系统：它们管理子 Agent 进程，维护长期记忆文件，通过工具驱动接触外部世界，还要处理权限、隔离、恢复和观测。可它们的起点并不宏大。最初，开发者手里只有一个把输入映射为输出的语言模型。复杂性并不是一次设计出来的。每当模型试图越过一次调用的边界，系统就必须在模型外面增加一个新部件：模型不知道此前聊了什么，于是出现上下文；模型无法改变世界，于是出现工具；一次工具调用解决不了任务，于是出现循环；上下文装不下历史，于是出现记忆；循环开始产生真实副作用，于是出现权限与沙箱；一个循环不够并行，于是出现子 Agent...
本文以天猫新品 MDI 项目为例，阐述了大型 AI 项目研发协同从“超级个体”到“全员赋能”的四个进化阶段：在单兵攻坚期，通过构建结构化知识库让 AI 深度理解项目上下文，打造“超级个体”；在加人提速期，借鉴站点地图思路进行物理隔离分工，利用 Spec 变更规则及上下文缝补机制（MCP）解决多人协作冲突与推理链断裂，实现效率横向复刻；在高速迭代期，部署独立“技术哨兵机”还原预发合并态，通过云端 Agent 检测隐形业务逻辑冲突并闭环告警，保障研发质量不劣化；在稳定运作期，推出 NekoCollar 云端协作平台，通过沙箱环境、所见即所得的真实页面代理及 Git 软硬双锁，让非研发角色也能安全、高效地基于代码上下文参与协同，最终实现 AI 研发能力从个人到团队再到组织全员的规模化放大。
bybt-data-analysis-assistant是一个数据分析智能体，它能将自然语言提问转化为完整的数据分析流程，实现"你问它答"的智能化数据服务。该系统解决了传统数据分析中取数慢、口径混乱、归因依赖人工和知识不沉淀等痛点，提供NL2SQL取数、波动归因、血缘溯源、Python分析等全方位能力。其核心技术采用多Agent协同架构，通过意图识别、调度路由和ReAct推理循环实现智能决策，摒弃了简单的Text-to-SQL模式，创新性地采用NL2MDL2SQL路径，确保SQL生成的准确性和口径统一。系统构建了六层知识体系，从表结构到会话记忆分层管理，结合WrenAI语义层和Hologres加速查询，实现了从找表、写SQL、执行到深度分析的全流程自动化，大幅提升了数据分析效率和质量，使业务人员能像对话一样获取数据洞察。
DeepSeek Harness 的"一切皆插件"背后，跑的是一个叫 Cordis 的框架——原本服务于第三方 QQ 机器人，如今被 DeepSeek 用作整个 Agent 运行时的地基。这篇文章希望用通俗易懂的语言，把 Cordis 的魅力介绍给大家：为什么"卸载"和"协作"能变成框架的默认行为，为什么"改配置不用重启"是理所当然，为什么一篇 88 页的论文会以它为研究对象。
