AI 正在深刻改变软件开发的方式。从最初的代码补全，到如今的自主式 AI Agent，开发者与 AI 的协作模式正在快速演进。在这个过程中，一种被称为 vibe coding 的实践模式率先流行——开发者将需求直接抛给 AI，不审查 diff、不理解生成的代码，凭直觉接受输出，以最快的速度得到"能跑"的结果。Vibe coding 在原型验证和个人项目中有其价值，但它的本质是用速度换取了理解和控制，无法承载生产级系统的质量要求。 Agentic Engineering 代表了一种截然不同的范式 [1]。它是一种工程师与 AI Agent 深度协作的模式——AI 不仅是代码的执行者，也是问题分析、方案设计等环节的思考伙伴；但最终的判断和决策权始终在工程师手中。它不是"让 AI 替你写代码"，而是将工程纪律与 AI 能力系统性地结合，在保持甚至提升质量标准的前提下，大幅提升研发效能。
随着经济全球化的趋势，业务逐渐覆盖海外更多国家和地区，如何快速的将内销业务复用到外销环境，是业务走向国际化的必经之路，同时在内销服务和外销服务共存的场景下，做好内外销业务的稳定迭代和快速拓展是走向全球化的必要前提，对于中台业务，项目进行全球共线有着非常重大的意义，能够有效提升组件复用率，并降低服务维护成本，本文将详细介绍vivo活动系统的全球化实践过程。
Linux说过一句很经典的话：Talk is cheap, show me the code.最近在学习AI Agent开发的时候，填鸭式地被灌输了很多新知识，但是这些新知识就像是漂浮的“空中楼阁”，看得见但摸不着，只知道理论如此但是不知道具体实现为何物。计算机工程的事儿，往往真的听再多毫无体感，看一遍代码就基本一通百通，由此产生一个很神奇的想法：“最好的学习资料是代码，既然我要学AI Agent开发，那就让AI Agent本身帮我生成学习资料。”于是乎，便有了这篇文章，即我本文的项目代码几乎是由AI生成，我在其中的角色只是指挥家与验收员。
本文提出了一套8维度的Skill量化评估框架，通过元数据质量、执行引导清晰度、领域知识密度等指标对Skill进行打分评级，解决了Skill质量难以客观衡量的问题。为提升评估可靠性，设计了多模型交叉验证流程，并适配不同AI工具环境提供四种执行策略。该框架既能帮助开发者识别改进短板，也能辅助用户横向对比选择优质Skill，但需注意其侧重于文档与设计质量评估，并非运行时性能的完整度量。
MNN-Sana-Edit-V2 是由淘宝 Meta 团队联合杭州电子科技大学研发的端侧图像漫画风编辑大模型，基于 Sana 和 MetaQuery 学术成果创新构建，采用 Qwen3-0.6B 作为冻结的预训练 LLM，通过 Learnable Query 和 Connector 模块桥接文本理解与图像生成，结合 Linear DiT、Deep Compression Autoencoder 等高效架构设计，并依托 MNN 框架实现 4/8bit 量化部署，使全部模型可在手机端本地运行；该模型在 iPhone 17 Pro 上仅需约 15 秒即可完成 512×512 图像的漫画风格转换，较云端方案提速 2.5 倍，同时保障用户隐私与推理效率，目前已集成至 MNN Chat 应用（支持 iOS/Android），相关代码与模型权重已在 GitHub、HuggingFace 及 ModelScope 全面开源。
随着交易业务的快速增长，对质量保障工作提出了更高标准与全新要求。为提升研发体验和架构升级，大量后台页面经历从 Vue -> React -> 全栈的迁移过程。业务演进过程中，后台能力持续迭代与优化；团队在交付新能力的同时，同步保障存量链路的稳定与可预期行为。为进一步完善测试用例覆盖范围，高效支撑回归测试与重构验证工作，需通过技术手段升级质量保障模式，为业务与架构迭代提供更充分的质量支撑。 E2E 测试：即端到端测试，是一种从用户视角出发，模拟真实操作验证应用完整业务流程的自动化测试方法。自动化生成用例：用线上内部运营操作日志自动生成 E2E 测试用例，快速覆盖核心流程，解决用例缺失问题。智能元素定位：自动识别重构等场景 UI 变化并调整定位策略，实现维护流程的自动化。平台化管理：通过数据看板管理用例和执行结果，让 E2E 测试可追踪、可优化，提升测试效率。 基于以上分析，我们致力于构建一套自动化 + 智能化的 E2E 测试方案，该方案旨在支撑快速迭代开发模式，有效应对用例覆盖与重构验证等场景，从而在现有资源条件下，持续为业务快速迭代和技术架构升级提供可靠的质量保障。
Harness Engineering 的概念已经火了有一阵了，全网很多文章基本都是在讲理念，讲为什么今天做 AI 开发，不能只靠一段提示词，也不能把模型当一个“更聪明的代码补全”。
从“单一 ChatBot”到“人与多 Agent 协同”，越来越多的系统开始将 Agent 组织起来，完成更复杂的任务。然而，缺少能够长期协同进化的记忆，协作起来像在经历“初恋 50 次”，它们记不住“谁在过去做了什么”，无法沉淀共同经验，更难在复杂博弈中形成“记仇”、“结盟”或“深度伪装”等高阶群体行为。 这一次，OpenViking 将突破口放在了“让 Agent 彼此拥有可追溯的记忆”上：基于 OpenViking 为集体智能提供上下文管理。
为什么Hermes的爆炸性增长让整个行业重新审视Agent的发展方向？对于正在技术选型中摇摆不定的开发者们，又该如何在Hermes和OpenClaw之间做出正确的决策？
这篇文章不讲 Prompt 技巧，也不推销某个 Skill，只想说清两件事——在企业工程环境里，如何把大模型 Harness（约束与治理）成一个能持续参与交付的协作者；以及大模型时代，程序员为什么正在从“亲手写代码的人”迁移成“定义目标、控节奏、做验收的人”。（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。）
