本文提出了一种结合“规范（Spec）”与“检索增强生成（RAG）”的全新AI编程范式，旨在解决当前AI编程中常见的如幻觉、上下文缺失和逻辑不连贯等问题。文章指出，单纯依赖大模型的自然语言理解往往导致代码生成不准确，而通过引入结构化的开发规范（Spec）作为明确指令，并配合RAG技术实时检索项目特有的代码库、文档和最佳实践，可以赋予AI真正的“项目感知力”。这种模式让AI从通用的代码生成器转变为懂业务、懂架构的专属程序员，显著提升了代码生成的准确性、可维护性及与现有系统的融合度，为构建高质量、低幻觉的AI辅助开发流程提供了切实可行的落地方案。
Coding Agent 处理目标明确、规模可控的任务很成熟，但面对上千文件的批量迁移任务，会遇到上下文耗尽、中断无法恢复、规模放大后行为不可控等问题。本文从实际落地经验出发，提出任务拆解、并行执行、File As Progress 状态持久化、多层重试等核心设计，并结合真实场景展示完整方案。最终将这套编排经验沉淀为 meta-skill，让 Agent 自己生产长程任务的执行框架。
本文是《基于智能体的资损防控系统》的续篇，聚焦于我们在实践中发现的问题、架构演进的思考过程，以及新方案带来的核心突破。V2方案借鉴了OpenSpec的规范驱动开发理念——通过结构化的规范文档（Spec）定义AI的行为边界和操作流程，让AI在明确的规范约束下自主决策，而非依赖硬编码的编排逻辑。
本文讲述作者对 Memory 的一些理解与思考。（文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。）
近日，中国人民大学高瓴人工智能学院与字节跳动技术团队合作完成相关研究，重磅发布 Scale-SWE 数据集。研究团队依托火山引擎强大的 Sandbox 基建，通过 Sandboxed multi-agent 系统，成功实现 SWE 任务的规模化拓展，构建起包含 100k 真实数据、目前规模最大的开源高质量 SWE 数据集——这一成果为 Code Agent 训练数据的规模扩展提供了可行路径，让模型在 GitHub 量级的真实场景数据上进行充分训练成为现实。
这篇文章将介绍B站是怎么使用 Compose Navigation3 进行页面的宽屏适配，并解决其中遇到的问题的。本文所涉及到的 Compose 页面均已完成了 CMP 跨平台化适配，内容中基于安卓习惯所提的 “Activity” 如无额外说明均代表各平台的页面容器，即可以直接替换为iOS的UIViewController理解。
