在AI编程工具快速普及的今天，如何有效采集和分析AI代码生成数据成为了一个重要课题。我们设计并实现了一套基于MCP（Model Context Protocol）架构的多AI工具代码采集方案，支持claude-code、iflow、codex等CLI工具以及qoder IDE。这套方案具有轻量化、用户无感、可扩展等特点，目前已经和Aone团队合作，数据将自动采集到Aone的日志平台用作团队AI采纳率数据加工的基础。当前已支持claude-code、codex、gemini、ykcli、iflow/iflow-aone、qwen-code、qoder等工具，平台覆盖 macOS + Windows。
2025 年 AI 编程工具遍地开花，但一个尴尬的现实是：工具越来越强，预期越来越高，落地却越来越难——speckit 的规范流程在企业需求的"千层套路"、海量代码面前显得理想化，上下文窗口频繁爆满让复杂任务半途而废，每次做类似需求还是要花同样的时间因为知识全在人脑里。本文记录了我从踩坑规范驱动工具，到借鉴 Anthropic 多 Agent 协作架构、融合上下文工程与复合工程理念，最终实现边际成本递减、知识持续复利的完整历程。如果你也在"AI 工具明明很强但就是用不好"的困境中挣扎，或许能找到一些共鸣。附带还有新的工作流下人的工作模式转变思考～
架构图是架构师、产品经理、开发工程师、测试工程师等各种角色之间进行沟通的语言和桥梁，让整个团队更能有效地协调工作。设计图不单单是架构师要掌握的，在一个产品的开发过程中，任何一个环节和角色都可以通过掌握不同的设计图来完成沟通。
本文将围绕如何在 ReactAgent 中引入并实践 HITL（Human In The Loop，人机回路）机制展开，重点介绍实现方案及代码设计。并结合在做Agent基础平台期间，经历的一些agent的能力升级，对于Agent与工程设计之间存在的一些关联关系，分享一些个人观点。
美团质效技术部联合复旦大学周扬帆教授团队推出KuiTest——零规则UI功能性异常测试工具。KuiTest通过将“人类预期”直接用作Test Oracle，解决了长期以来UI测试Oracle泛化性差的自动化痛点。实验表明，KuiTest异常召回率达86%，误报率仅1.2%，已在执行21万+测试用例，发现百余例有效缺陷，大幅降低人工成本并提升测试覆盖率。
狼人杀一款经典的社交推理游戏，我刚毕业那会儿，玩狼人杀是聚餐时的保留节目，也留下了很多挺有意思的回忆：比如有的高手，如果第一晚没被狼人“杀掉”，那大家就会觉得他一定是狼人，白天必须自证清白。但随着时间推移，凑齐一群人玩狼人杀变成了一件奢侈的事情。所以我用 AgentScope 做了这款可以随时开局的 AI 狼人杀。Agent 会像真人一样讨论、推理、投票，甚至学会“说谎”，现在你不需要等人，随时都能和 AI 来一局，而且你还不一定能玩得过他。
随着大语言模型和多模态技术的蓬勃发展，非结构化多模态数据处理已经成为数据处理的重要组成部分。面对海量数据与复杂模型带来的挑战，传统大数据引擎在异构资源调度、Python生态兼容性等方面的局限性日益凸显。本文将详述基于异构融合底座Ray重构混元数据管道的相关工作，通过云原生调度融合、计算范式统一及平台化建设，构建高效灵活的新一代AI数据底座，并深入解析我们在容错、资源利用率、规模化、可观测性等方面的优化实践。
在得物（Poizon）业务场景中，算法生态已演进为涵盖交易搜索、社区推荐、图像识别及广告策略的多维复杂系统。请求从Java网关下发，进入 C++ 构建的高性能算法核心（DSearch检索、DGraph图计算、DFeature特征提取等）。 随着系统复杂度的指数级增长，我们对现有系统的可观测性进行了全面梳理，为了提高稳定性，我们希望建设一个业务场景维度全链路变更事件中心，以“聚焦做好可观测性”为核心目标，通过建设监控平台的事件中心与全链路可观测的核心产品，整合各平台资源与数据，提升系统的整体透明度和稳定性，从而提升业务稳定性和故障止血效率，为产品迭代奠定坚实的基础。
