尝试复刻Cursor官网的网页觉得挫败，又转回来看看Agent。
https://01.me/2025/12/silicon-valley-ai-insights-2025/
AI编程效果那里的大厂日常开发感觉很好笑，写代码的时间非常有限只有15%，真的不喜欢这样。
Research Code可以用来写写智能体写写脚本啥的。
基础设施代码，包括Linux内核还有共识协议，都不太行。

vibe coding最佳实践就是拆分，一次生成尽可能少的代码。
还有一个就是TDD测试驱动开发，说实话我觉得这个比Ralph开发要靠谱一点…
大型重构的spec很重要，我看还有根据spec来写linux内核的文件系统的论文…不知道效果如何。

严格的evaluation system也是积累代码数据的过程啊，现在大家都知道数据很重要了，每家公司都会构造数据集。
硅谷巨头的一些情况真的是长见识了。
初创公司的启示我觉得也很有帮助，实际上初创需要找到自己在整个行业的生态位，不能做通用领域因为大企业都会做，要找到非常细分的垂直领域
我觉得一定不能脱离工程实践，只有自己亲手去尝试，才能获得对一个工作的最真实的感受，vibe coding也好，训模型也好，不能道听途说，要自己去尝试。

技术实践

Context Engineering框架

• System Prompt
• Tools
• Data Retrieval
• Long Horizon Optimizations 长期任务优化

Data-Retrieval 范式转变
新方法是 just in time 即时加载

• 策略一：轻量级标识符
• 渐进式披露
• 自主探索

所有模型在长上下文上都会出现性能下降
当超出context window容量时的解决方案

• 上下文压缩
• Agent 维护显式的记忆工件，存储”工作笔记”：决策、学习、状态。按需检索，而非保存在上下文中
• Sub-Agent。将复杂任务分解为专门的 Agent，每个 Sub-Agent 有专注、清晰、狭窄的上下文。main agent编排并且综合结果

Skills机制的工作机理
Claude 可以动态发现和加载

pdf/SKILL.md (主文件)
├── YAML Frontmatter (name, description)
├── Overview (概述)
└── References: "For advanced features, see /reference.md"

pdf/reference.md (详细参考)
└── Advanced PDF processing features...

pdf/forms.md (专门功能)
└── PDF form filling instructions...

• Memory（记忆）
• Sub Agents & Collaboration（子 Agent 与协作）
• Dynamic Tool Calls（动态工具调用）
• Code Generation & Execution（代码生成与执行）
• Web Search（网页搜索）
• Agentic Search（Agent 搜索）
• Long Running Tasks（长期运行任务）