代码能告诉我们系统现在怎样工作，却很少解释它背后的演进过程。 一个看似普通的改动背后，可能已经排除过几种方案：某个组件为什么没有复用，某个接口为什么保留旧实现，某条看起来多余的限制究竟防过什么问题。这些判断形成于需求讨论、代码评审，以及工程师与 Agent 的共同探索，却未必会在后续任务沿用。功能最终上线，这些判断很容易停留在当时的上下文里。 下一次类似任务到来，新的 Coding Agent 可以重新读懂代码，却仍要从头恢复这些背景。Forge Memory 就从这个问题开始：怎样让一次任务形成的工程判断，真正进入下一次任务？ 本文复盘我们如何围绕这个问题，一步步把工程判断变成项目知识，再让这些知识进入真实的 AI Coding 工作流。
模型能力趋同后，竞争下沉到了"怎么把模型用好"。2026 年 8 月，DeepSeek 与 OpenAI 先后开源 Harness：一个开"整套零件"，一个开"调教好的实习生"。本文用"天才实习生"的比喻讲透 Harness 的五大能力，并拆解两家打法的本质差异——要主权，还是要省心？ 读完后你会明白：功能清单会趋同，但"没人下令时它怎么做"才是真正的护城河。
本文总结了团队在 AI 驱动研发体系的实践探索，从 AI 辅助编程发展到完整的 AI 驱动研发体系。文章指出业务AI研发的真正瓶颈是上下文而非模型能力，提出"本地优先：Agent + 文件夹 + Git"理念，通过 Price360-KB 项目 Harness 将业务知识、源代码、项目规则和验证证据组织在同一工作空间。实践表明迭代过程本身就是知识飞轮，项目无需完美知识库即可启动，在真实产品迭代中持续完善。文章阐述了项目 Harness 的三层结构设计、机器可读的迭代协议以及人负责决策而 Agent 负责执行完整的工作模式。随着模型和通用 Agent 能力提升，项目 Harness 将收缩，但业务知识治理和质量责任不会消失，未来技术人员将更接近 FDE 角色，需深入理解业务、设计项目规则并对端到端交付结果负责。
你有没有被 AI 一本正经地“骗”过？现在越来越多人开始用 AI 辅助工作和生活，但用得越多，也越容易碰到它“装懂”的时候：编一个不存在的知识点、推荐一本查无此书的书、把错误的代码解释得头头是道，甚至还会顺着你的判断，把原本存疑的答案越说越肯定。我们邀请了一些鹅厂同事来聊聊他们被 AI 带偏过的离谱事件，当然，我们也想听听你们的故事，欢迎大家在评论区分享你的 AI“糊弄现场”
得物小摊是一个从 0 到 1 孵化的创新业务。在一段时间里，我需要同时负责 H5、运营后台、Node 网关和 Go 服务的设计、实现、联调和交付。 随着业务推进和协作范围扩大，一次需求常常要穿过多个工程与运行时。我开始让 AI 并行参与这些模块的开发。代码产出速度明显提高，一个人也像拥有了一支"虚拟全栈团队"。
