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。
先声明，这篇文章是我和AI一起完成的。AI“读过”我这些年的讲话和笔记，帮我把散落在各处的想法重新翻出来、连成了线。放在过去，这样的活得翻上许久材料，整理思绪；而现在，是我把念头讲出来，它帮我回看、整理、修正。这大概就是AI正在改变的一件小事——工具不再只是执行，它开始能陪你一起想。面对AI这样一次量级的技术变化，我们到底该用什么方法去拥抱它？下面这些文字，是我回想过去经历行业变革中的一些体会，以老登的视角寻找一些不变的道理，同时也时刻提醒自己要敢于放弃过去习惯与依赖的路径，以第一性原理思考，多聆听用户的声音。
在敏捷开发的浪潮下，代码与文档的割裂几乎是每一支研发团队的“灵魂之痛”。携程机票前端团队主动向这一顽疾“宣战”，提出了“代码即文档”的理念，并自研了 Lumos 平台。通过将 CI/CD 流水线与 Dify 工作流深度融合，不仅实现了代码改动触发文档的自动生成与更新，更构建了覆盖 74 个业务仓库的智能知识库。这套体系将人工维护文档的时间压缩了 80% 以上，让“信息孤岛”连成一片，真正实现了隐性知识的显性化与组织资产的沉淀。
