AI Engineering
Laya 技术评估：开源本地 typed decision model，能替代 Jev 吗？
从源码、Router、三组 checkpoint、benchmark 证据、微调路径和生产短板评估 Laya：它更适合做可本地部署、可校准、可微调的语义决策层，而不是零样本万能判断模型。
cc-connect 架构与安全决策指南：把聊天工具接成本地编码 Agent 控制面
从本地桥、权限模式、admin_from、yolo 风险、run_as_user、Web UI 9820、密钥、审计和多项目边界，系统评估 cc-connect 的采用方式。
Agents API 不是一个员工：真正的产品边界在 Harness 与环境之间
长运行 Agent 的难点不只是模型能力，而是 harness 如何管理上下文、工具、并行子代理、沙箱和验收责任。
Palmier Pro 实战：用 MCP 把视频生成与时间线验收接起来
一份面向创作者和开发者的 Palmier Pro 部署教程，重点说明 MCP 接入、项目协作、成本边界与上线前验收方法。
OpenMAIC 部署实战：把 AI 课堂做成可维护的多智能体应用
从 Next.js workspace、模型路由、PostgreSQL 持久化到渲染服务，系统讲解 OpenMAIC 的部署决策和验收方法。
Cursor 的 Origin：Agent 时代，代码托管要先解决协作状态
Origin 的价值不在复制 GitHub 页面，而在承接 Agent 并发改代码后的依赖、审查、合并与恢复。
PixelRAG：把表格和版式重新放回 RAG 的证据链
PixelRAG 通过截图瓦片和视觉嵌入保留网页表格、图表与布局，本文从工程成本与混合检索角度判断它的适用边界。
Agent Reach：把互联网接入变成 Agent 的能力层
从多后端路由、安装授权和 doctor 体检出发，分析 Agent Reach 如何管理会变化的互联网工具链。
别把联网当研究：yichen-web-research把 Agent 的证据链分成四道闸
从搜索发现到已知链接归档，yichen-web-research用独立子Skill划分候选、授权、读取与转写边界，让研究结果更容易复查。
Agent Skill 治理：别让规则漂移伪装成提示词优化
从规则漂移、重复检测、冲突检测、版本化、badcase、回归集、预算、外置参考、审批和回滚出发，建立 Agent Skill 治理框架。
wigolo 的研究价值：让 Agent 先建立证据链，再写结论
wigolo 适合放在研究型 Agent 的证据层：搜索、抓取、抽取、缓存、相似查找和 diff/watch 共同支撑可复查的引用流程。
SkillOpt 的真正信号：Agent Skill 开始变成可训练的外部状态
微软 SkillOpt 把 skill 文档当作 frozen agent 的外部状态，用受限编辑和验证门禁训练可部署的 best_skill.md。
Casdoor 的治理价值：Agent 时代先把身份、证据和权限讲清楚
Casdoor 适合被看作 Agent 身份治理层：谁在调用、代表谁调用、能调用什么、证据如何审计，比单点登录本身更关键。
World Monitor 的 OSINT 价值：不是信息越多越好，而是信号要能复盘
World Monitor 把全球公开源、地图、金融雷达和本地 AI 放进统一看板，但 OSINT 成败取决于来源分层、关联验证和噪声控制。
OpenViking：企业 Agent 真正缺的是上下文数据库，不是更长 prompt
OpenViking 用 Context Database 统一管理 Agent memory、RAG、skills、sessions 和 MCP 访问，适合企业级上下文治理。
Koog：JVM 团队终于有了更顺手的 AI Agent 框架
JetBrains Koog 面向 Kotlin/JVM、Android、iOS 和多平台应用，适合把 AI Agent 放进 Spring Boot、Ktor 与企业后端主工程栈。
产研团队 Skill 的价值：把个人 AI 提效变成组织能力
团队 Skill 不是提示词集合，而是把需求、方案、任务、编码、验证和上下文回写做成可维护的工程资产。
SGLang 真正解决的不是启动模型，而是把 LLM 推理服务跑稳
SGLang 把 RadixAttention、结构化生成、批处理和投机解码放进同一套 serving 系统，适合认真运营 LLM 推理服务的团队。
OpenSpec：AI 编程要先写清楚需求，再让模型动手
OpenSpec forces AI coding agents to specify intent, requirements, design trade-offs, and tasks before implementation, reducing expensive rework.
本地 Coding Agent 的关键，不是模型多快，而是整条 Stack 是否可控
本地 coding agent 已经进入可用区间，但要分开评估模型、推理运行时和 harness，并认真处理隐私、遥测和长上下文成本。