博客
2026
【Electron】进程模型与 IPC：一次调用如何穿越三个世界
一文搞懂 Electron 的三种执行上下文、contextBridge 桥接机制（代理 vs 拷贝、序列化限制），以及 IPC 四种模式的用法与安全陷阱。
【Electron】它到底怎么运作：架构、安全、打包与性能全景
Electron 系列开篇，建立一张完整的心智图：为什么是 Chromium 加 Node 的多进程结构、两个事件循环怎么并到一个主线程、主进程 / 渲染进程 / Preload / Context Isolation 怎么配合，再到安全模型、打包分发、原生模块的 ABI 重编译与性能代价。
从 Ralph Loop 到 /goal：Codex vs Claude Code
OpenAI 和 Anthropic 在两周内先后把 /goal 装进了自家 coding agent。本文从状态、判定、控制、预算四个角度对比两家实现的不同。
AI Agent 的上下文工程：Anthropic 的实践方法
Prompt engineering 之后，业界开始关注一个更宏观的问题：什么样的上下文配置最能引导模型生成期望的行为？Anthropic 工程团队梳理了上下文作为有限资源的工程化方法，覆盖系统提示、工具设计、按需检索，以及长任务下的压缩、结构化笔记和子 Agent 架构。
OpenAI Symphony 解读：用 Issue Tracker 重新定义 Agent 编排
Issue 不是会话的替代品，是更接近工作本身的工作单元。OpenAI 开源的 Symphony 把 Linear 当编排层，三个月内让部分团队的 PR 增量达到 500%。本文解读它的核心设计、SPEC.md 的思路、以及对软件工程范式的影响。
Karpathy's AutoResearch 解读：AI 驱动的自动化 ML 实验循环
AutoResearch 是一个自我驱动的 ML 实验框架，AI 智能体自主写代码、跑训练、看数字、决定下一步，整个过程无人值守。凌晨两点那条不肯下降的训练曲线，可能很快就能交给 AI 去折磨了。
Responses API 的 WebSocket 改造：如何让 Agent 工作流提速 40%
解读 OpenAI 工程博客的 Responses API WebSocket 设计：为什么 HTTPS 请求会成为瓶颈、WebSocket 持久连接如何消除冗余开销、以及在保持 API 兼容性的同时实现 40% 端到端延迟优化的工程决策。
给 Agent 写评估：Anthropic Evals 方法论解读
解读 Anthropic 工程博客的 Agent 评估方法论：为什么 Agent 比传统软件更难测、三类评分器如何组合、不同 Agent 类型的测试差异，以及从 0 到 1 构建一套可靠 eval 的关键决策。
【π】agent 记忆的形状：append-only 树、压缩与分支
packages/coding-agent 用一棵永不删除的 append-only 树，把 session、compaction 和 extension 系统编织成持久化的记忆。
Managed Agents 设计解读：如何让 Agent 系统不被模型迭代淘汰
解读 Anthropic 工程博客文章，探讨如何通过虚拟化 agent 核心组件（session、harness、sandbox），设计出一个能适应模型能力持续提升的 agent 系统架构。
【π】一次 LLM 调用，如何变成完整的 Agent Run？
从一次 LLM 调用到一次完整的 agent run，中间需要几层抽象？pi-mono 的 packages/ai 和 packages/agent 分别做到什么边界，EventStream 如何桥接两层，双重 while 循环如何驱动多个 turn。
【π】一个生产级 Coding Agent Harness 长什么样
从 600 行教学级 mini-coding-agent 出发，介绍 pi-mono 四层架构的全貌：packages/ai、packages/agent、packages/coding-agent、packages/tui 各承担什么职责，一次请求如何穿过这四层。
Harness 设计解读：Anthropic 如何让 Agent 自主完成六小时全栈开发
解读 Anthropic 工程师分享的多 Agent 架构实践：为什么单个 Agent 做不好长任务，如何借鉴 GAN 的思路设计生成-评估分离架构，以及模型变强之后 harness 应该怎么演化。
从 MiniMind 出发：一个 token 进入 MoE 之后发生了什么？
一个 token 如何被 router 打分、分配到 top-k expert、最后被加权合并——Top-K 路由与负载均衡的设计逻辑，以及训练与推理路径的差异。
从 MiniMind 出发：Attention 拿到上下文之后，MLP 还在做什么
Attention 把上下文聚合回来之后，MLP 为什么还要再加工一次？SwiGLU 激活函数的设计逻辑，以及它如何自然地引向了 MoE 的路由机制。
从 MiniMind 出发：Attention 注意力机制到底在计算什么
Q / K / V 各负责什么，shape 为什么一路变化，多头注意力各自看到了什么，KV Cache 解决了什么问题——顺着 Attention.forward 把这些点真正接起来。
从 MiniMind 出发：LLM 训练代码最小闭环到底在做什么
语料如何变成 input_ids，hidden_states 如何流成 logits，最终又如何得到 loss——Pretraining、SFT、DPO 三阶段分别在做这件事的哪个环节。