01
GitHub Agentic Workflows 技术预览版发布
GitHub 宣布其 Agentic Workflows 进入技术预览阶段。该系统允许开发者不仅可以用代码自动化仓库管理，更酷的是可以直接用 Markdown 来定义自动化流程。这是一个展示如何将声明式配置与 AI Agent 结合的绝佳实践，大幅降低了仓库自动化的门槛。
全栈技术专家视角 | 关注工具更新、最佳实践与技术深度解读
GitHub 宣布其 Agentic Workflows 进入技术预览阶段。该系统允许开发者不仅可以用代码自动化仓库管理，更酷的是可以直接用 Markdown 来定义自动化流程。这是一个展示如何将声明式配置与 AI Agent 结合的绝佳实践，大幅降低了仓库自动化的门槛。
Andrej Karpathy 指出，在 LLM Agent 时代，详细的 PRD（产品需求文档）甚至代码本身的分享需求都在下降。相反，只需要用 Markdown 格式的 "idea file"（想法文件）清晰地描述概念，接收者的本地 Agent 就能根据这份文件，自动定制和构建出符合特定需求的应用或知识库（如基于 Obsidian 的 AI 知识库）。
Anthropic 官方宣布，从 4 月 4 日起，Claude Pro 和 Max 的订阅将不再涵盖通过 OpenClaw 等第三方工具产生的用量。用户需要额外购买用量包或使用 API Key。由于第三方工具带来的巨大算力压力，Anthropic 被迫采取这一措施，这在开发者社区引发了关于 API 开放策略与商业利益冲突的热烈讨论。
Google Cloud AI 总监 Addy Osmani 开源了「Agent Skills」，这是一个覆盖软件开发全生命周期 6 个阶段（DEFINE、PLAN、BUILD、VERIFY、REVIEW、SHIP）和 19 项核心技能的生产级指令集合。它将资深工程师的质量门禁和最佳实践编码化，让 Codex、Claude Code、Cursor 等 AI 助手能在开发各阶段遵循一致的规范。
TigerFS 是一个新颖的实验性文件系统，它可以将 PostgreSQL 数据库挂载为普通目录，直接在数据库中存储文件。这为开发者和 AI Agent 提供了一个标准的 Unix 文件系统接口，允许使用 ls、cat、grep 等常用命令行工具与数据库数据交互，而无需通过复杂的 API 或 SDK。
阿里发布了 Qwen 3.6-Plus 模型。该版本引入了 100 万 token 的上下文窗口，原生支持多模态（文本/图片/视频）和联网工具调用。最引人注目的是其重点强化了 Agentic Coding 能力，且 API 价格低廉。在 LMArena 盲测中，其编程能力位列全球第二，成为本地 AI 编码的重要选择。
近期 GitHub 上一个名为「同事.skill」的项目狂揽 6.7k Stars。该项目可以将离职同事的飞书记录、钉钉文档和沟通记录提炼成一个能够用特定语气和技术规范辅助编码的 AI Agent 技能配置。虽然带有玩笑性质，但也展示了当前从非结构化通信数据中提取工作流和编码偏好的技术潜力。
Claude Code 的核心贡献者为 OpenClaw 提交了几个关键的 PR，解决了在多轮对话中动态修改历史记录破坏 Anthropic 缓存前缀匹配的痛点。修复方案包括引入延迟修剪策略（仅修剪超过 3 个助手轮次之前的图片）和确保 MCP 工具列表调用的确定性排序，大幅提高了 Prompt Cache 的命中率。
Google 正式推出 Gemma 4，这是一个表现亮眼的开源模型系列。特别是针对本地 AI 开发，Gemma 4 提供了丰富的参数规格选择，并且目前已经可以与 Ollama 和 Hermes Agent 结合使用，为开发者构建本地可信赖的全功能 Agent 提供了强大的基座支持。
Sakana AI 开源了 AI-Scientist-v2。它采用渐进式 Agent 树搜索，从提出研究想法到编写代码、运行实验并完成论文编写实现了全链路自动化。其产出的部分论文甚至在 ICLR 2025 Workshop 中获得了 6.33 分（超越 55% 投稿）。这个项目提供了一个将极度复杂的研发流程交给 AI 的激进案例。
微软近期在 GitHub 上开源（并重新上架）了 VibeVoice。这是一个强大的语音处理模型家族。其优势在于可以处理超长音频（TTS 支持 90 分钟多说话人生成，ASR 支持单次处理 60 分钟不切片）。此外还提供了一个轻量级的 0.5B 参数实时 TTS 模型，首字节延迟极低，非常适合集成到实时 AI 应用中。
在 Postman 日益臃肿的背景下，开源离线的 API 调试工具 Bruno 受到越来越多开发者的青睐。它不强制云同步，直接将接口请求作为 `.bru` 文件保存在项目 Git 仓库中。更关键的是，这种纯文本文件格式对 AI 极度友好，你可以直接让 AI 帮你生成 `.bru` 接口配置和测试代码。
腾讯云推出了名为 TencentDB Agent Memory 的服务。这是一个独创的四层渐进式记忆架构，专门为 AI Agent（如 OpenClaw）解决长对话状态丢失和历史数据检索问题。它可以作为插件无缝集成，有效提高了上下文理解的准确率，展现了将记忆层作为云原生基础设施的一种新趋势。
GitHub COO Kyle Daigle 透露，平台上的活动正在爆炸式增长。2025 年共有 10 亿次 commit，而现在每周就有 2.75 亿次；GitHub Actions 从 2023 年每周 5 亿分钟增长到目前的每周 21 亿分钟。这背后极大的推手就是各类 AI 编码助手和自动化 Agent 的广泛使用。
苹果开始在官方文档中介绍 Xcode 最新的基于 Agent 的辅助编程功能。对于习惯使用 Swift 和 Apple 封闭生态的开发者来说，这一改动标志着保守的 IDE 也在不可逆转地向着智能化和半自动生成范式转变。
LangChain 的创始人 Harrison Chase 最近指出，在构建复杂的 AI Agent 系统时，所谓的"持续学习"（Continual Learning）不应仅局限在模型权重的微调上，而是需要从三个维度思考：模型层（Model）、框架调度层（Harness）和上下文层（Context）。
传统的微调只能解决"知识"问题，但在多步推理和复杂任务的执行中，通过优化 Harness——即构建合理的规划、生成和评估三节点循环（例如 Anthropic 提出的 Three-agent harness），能用更低的成本实现可靠性的跨越。
不要盲目迷信微调。对于长时运行的复杂编码任务，开发者应投入更多精力优化系统级的脚手架（Harness）。如何设计状态机，如何让 Agent 在每一步都能获得清晰的评估反馈，以及如何处理上下文的动态修剪（如 Claude Code 中的 Prompt Caching 优化），这些都是决定 Agent 成败的核心。
Sarah Wooders 在讨论中澄清了一个常见的技术误区：RAG（检索增强生成）并不等于 Memory。真正的 Memory 是 Agent Harness 核心职责的一部分。将 RAG 品牌化为"记忆"导致很多人以为只需插个数据库插件就行了。
实际上，MemGPT 或 Letta 这样的框架，本质是 Stateful Agent Harness。Agent 的"记忆"来自于框架暴露给它的底层工具接口（允许主动重写、压缩状态），以及框架中那些隐形的决策：如何压缩上下文？保留多少文件系统信息？何时修改系统提示？
在为你的 Agent 添加记忆功能时，请放弃单纯依赖向量数据库进行语义匹配的想法。你需要建立一个结构化的上下文管理引擎，允许 Agent 通过显式的工具调用（Function Calling）来管理自己的短期、长期内存和系统环境变量。
在最新的播客中，一线开发者分享了他们的感受："今天，我 95% 的代码都不是自己打的"。从最初的 Copilot 辅助补全，到现在的 Cursor / Claude Code 全局 Vibe Coding，软件开发正在向着 "Dark Factories"（即无需人类干预的全自动无灯工厂）演进。
但是，随着编码本身不再是瓶颈，需求定义、架构设计和结果验证将成为新的成本黑洞。AI 可以在一秒钟内写出功能代码，但如果你的架构或测试规范模糊不清，它产生的是成倍的技术债务。
开发者的职责正在从"石匠"转变为"建筑师"。学习如何写出高质量的 `PRD` 和 `AGENTS.md` 才是新的核心竞争力。采用诸如 Addy Osmani 提出的 19 项 Agent Skills 规范，通过极度清晰的接口契约（Spec before code）来指导 AI。
随着大模型支持的上下文越来越长，Prompt Caching（提示词缓存）成为了降本增效的核心。但由于 MCP 工具的动态加载、图片等非文本节点的历史清理等操作，很容易在不知不觉中破坏前缀匹配规则，导致缓存穿透命中率极低。
近期对 OpenClaw 的 PR 修复为我们展示了标准解法：必须保证历史记录序列在字节层面上保持绝对一致。修剪大体积元素（如图片）时，必须设定固定轮次的安全缓冲（比如保留最近 3 轮），而动态注入的工具列表（Tool Call Schemas）也必须在每次发送前进行强制字典序排序，保证 JSON 前缀不变。
这要求开发者在编写多轮对话上下文管理逻辑时，不能再用传统的简单列表 `.append()` 和 `.pop()`，而需要将请求载荷视为不可变的前缀树链条，所有非必要的动态数据必须放在请求体的尾部。
Anthropic 突然切断 Claude Pro 账号在第三方工具（如 OpenClaw）上的白嫖额度，再次给所有依赖单一提供商的开发者敲响了警钟。由于第三方 Harness 工具产生的巨大并发与 API 消耗，平台方收紧限制是必然趋势。
这对开发实践的影响是深远的。它迫使我们在本地工具栈中集成混合路由策略，例如：高推理复杂度的规划步骤走昂贵的 Claude API，而生成海量样板代码的步骤回落到本地运行的 Gemma 4 或云端的 Qwen 3.6-Plus。
1. 拥抱多模型路由架构，解耦业务逻辑与特定模型接口。2. 加快探索以 LM Studio / Ollama + Gemma 4 / Qwen 为代表的本地化 Agent 解决方案。3. 为核心 Agent 工具提供本地大模型回退（Fallback）支持。
TigerFS 将 PostgreSQL 包装成了普通文件目录，这不是简单的噱头。Unix 哲学 "一切皆文件" 在今天 AI Agent 时代焕发了新的生机。绝大多数 Agent 和 LLM 对 Unix CLI 工具（如 grep, cat, ls, find）的使用极其熟练，远超它们理解各类企业级 SDK 或 GraphQL API 的能力。
将数据库挂载为文件系统，实际上是把一个复杂的数据库交互问题，降维成了一个 LLM 最擅长的基础文本读写和终端命令行操作问题，这极大地简化了让 Agent 去执行复杂数据运维任务的开发难度。
为 AI 暴露能力的最佳方式，往往不是提供一套重型的 HTTP/RPC 接口，而是将其映射为文件系统、标准输入输出或是简单的 CLI 命令（就像最近大火的飞书 CLI 工具一样），这才是 Agent-Native 的接口设计模式。
Google Cloud AI 总监开源的生产级工程指令集。包含了 19 个高度优化的 Prompt 模块，涵盖从需求定义（/spec）到上线（/ship）的全生命周期，适合希望规范化 AI 助手产出质量的团队。
Postman 的极佳开源替代品。离线、快速、免费，它将你的 API 集合直接作为 .bru 文本文件保存在 Git 中，配合代码版本控制非常方便，其纯文本的格式也使其极易与 AI Agent 结合进行自动测试脚本生成。
Sakana AI 推出的自动化科研智能体，采用渐进式搜索算法，能独立思考、写代码并生成可过同行评审的学术论文。该项目展示了如何用多个 Agent 节点串联处理极度复杂的工程和研发任务。
能将 PostgreSQL 数据库直接挂载为文件目录的实验性工具。特别适合给本地运行的 CLI Agent 赋予数据库的读写能力，省去了为 Agent 单独编写数据库交互脚本的麻烦。