当写代码不再是瓶颈，真正容易断掉的是交付链：Agent 是否读到了可信事实、规则能不能在关键节点拦住错误、任务中断后能不能继续并拿出验收证据。 记录的是一条项目被走通的过程。 这篇把多次项目里反复撞上的问题抽出来：写代码不再是瓶颈以后，交付还会在哪里断掉。
如果说 Vibe Coding 让「写代码」这件事从「敲键盘」变成了「和 AI 对话」，那么今天要介绍的这项工作，可能正在把同样的故事在 3D 世界构建 领域重演一遍。
本文作者基于 dsh 0.1.1-rc.2 的源码阅读与试用，分享了对这一新 Agent 框架的思考。文章从最普通的 Agent 循环讲起，顺着两个"没看懂的模式"深挖：PTC 模式将模型对工具的多次调用改写为写一段程序，把五次往返压成一次；创造模式则让模型在运行中提交插件、动态增删自身工具。再往下，作者拆解了底层 Cordis 框架的时间与空间两个维度的设计。结论是：dsh 是为"持续学习"目标打造的运行时骨架，是自进化 Agent 的设计思路，尚未成为成熟的编码产品。
人与 Agent 所需的信息，往往散落在大量本地文件中，准确、高效地定位这些信息并不容易。zg（zvec-grep） 是面向人与 Agent 的本地优先检索基础设施，基于 Zvec 提供的向量检索与 BM25 能力，并结合 ripgrep（rg），从代码、文档等本地内容中提取并组织信息，减少搜索轮次与上下文消耗，帮助人与 Agent 高效地发现和定位所需内容。zg 现已开源，欢迎体验，也期待你的反馈与贡献！
本文针对AI在复杂数仓环境中取数易产生幻觉、缺乏信任的问题，提出了一套“AI思考能力+工程确定性”的解决方案。通过构建标准化的“代号层”统一业务语义以消除歧义，利用确定性的SQL引擎将用户需求转化为精准SQL并处理权限隔离，同时借助Skill机制限制AI的自由发挥空间并增加可审计性，从而构建起值得信赖的AI取数基础设施；这不仅实现了从模糊需求到准确数据的高效获取，更推动了数据开发角色向高价值语义资产建设的转型及组织协作模式的变革。
介绍了 ReAct 如何通过“思考→行动→观察”的 TAO 循环，让 LLM 从静态答题机变成能主动使用工具的智能体。 本文接续那篇的话题，分析 ReAct 在长任务中的上下文盲点，并由此引出 Context Engineering——一个专门为解决这一问题而生的全新范式。
