Context Engineering for Coding Agents
探討如何透過記憶、技能、LSP 伺服器與壓縮技術最佳化程式碼代理的上下文視窗，避免資訊雜訊並提升效能。讀者將學會如何設計高訊號的上下文工程，讓代理更精準地執行任務。
Paul Iusztin
19 筆內容
《LLM Engineer's Handbook》共同作者、Decoding AI 電子報作者；寫 production 等級的 AI 工程
他的來源
最受歡迎
依人氣
From 1 Bloated Context Window to 6 Scoped Subagents
透過 LangChain 實驗與自訂課程，說明如何將龐大的上下文視窗拆解為多個子代理（subagents），以最佳化效能並降低成本。讀者將學習如何設計子代理協議、配置代理登錄檔，並掌握在程式碼代理中實作並行處理的技巧。
11 Tips to Run Coding Agents 24/7 on One Subscription
分享 11 個工程技巧，透過漸進式揭露、規劃與執行分離、建立 LLM 維基等策略，大幅降低 token 消耗並提升效能。讀者可學習如何最佳化提示詞、管理上下文與設計多代理系統，讓 AI 工具在預算內穩定運作。
From Harness Lock-In to Portable Context Layer
探討如何建立獨立的統一記憶層（Unified Memory），將知識庫、向量搜尋與圖資料庫整合，透過 MCP 伺服器或技能介面讓 AI 代理可插拔。
Stop Chasing the Perfect Ontology
探討為何在建立知識圖譜時，不應追求一開始就定義完美的本體論，而是採用「不過度設計」的策略。作者提出使用 POLE+O 作為通用基礎，搭配偏好與事實兩種原語，讓使用者能先快速啟動系統，再透過資料探索逐步擴展本體。
Agent Memory From Scratch
由 Paul Iusztin 撰寫，深入解析如何從零建構統一的 AI Agent 記憶層，重點在於知識圖譜（KG）與本體設計。
Building Agentic GraphRAG Systems
探討如何用知識圖譜解決 AI 代理的記憶與資料斷層問題，提出從本體設計出發的 GraphRAG 架構。讀者將學習如何建立本體、選擇資料模型（如追加式日誌或單集合），並透過 MCP 伺服器將圖譜整合為代理的統一記憶層，以應對情境腐蝕與資料碎…
Your Second Brain Is a Graveyard. Make It Agent Memory.
作者將散亂的筆記轉化為 AI 代理可查詢的動態維基，解決了傳統 RAG 無法長期記憶與維護的問題。透過建立記憶層，讓 AI 能從個人知識庫中持續學習並生成新內容，無需依賴龐大的向量資料庫。
How to Keep Your AI Agent's Knowledge Graph Clean
詳細介紹如何設計知識圖譜的實體解析與去重流程，以維持 AI 代理記憶的乾淨與可信。作者區分命名規範化與身份驗證兩個步驟，並提供從 LLM 提取到人工審核的完整管道，防止因錯誤合併導致圖譜腐蝕。
Build, Configure, or Use As-Is: The Agentic Harness
拆解代理框架（Agentic Harness）的通用架構，分析從工具、代理目錄到權限層的元件。讀者可學習如何判斷該建構、配置還是直接使用現有框架，並掌握建立專屬業務層的策略。
最新內容
依發布時間
Stop Guessing. Evaluate Your RAG App.
透過 DataTalks.Club 創辦人 Alexey Grigorev 的實作經驗，分享如何為 RAG 應用建立評估工作流。
Will Your Next Change Break Your Agent?
透過 LangChain 實驗指出，程式設計效能取決於「套裝（harness）」而非模型本身。作者介紹「Decode」課程，教導如何從零建構程式設計代理，並利用錯誤分析框架與 Kitaru 工具，將代理失敗轉化為回歸測試套件，確保變更時不…
Agent Evals 101: Stop Guessing, Start Measuring
介紹如何為 AI 代理建立客製化的評估框架，透過建立回歸測試套件來驗證功能變更是否影響現有表現。作者以自建的 Decode 程式為例，說明如何設計任務、隔離執行環境並使用 Opik 等工具追蹤資料，讓讀者掌握從零開始構建可靠 AI 應用評…
Stop Babysitting Your Coding Agents
透過實作「Harness」架構，教導讀者如何將程式碼代理（Coding Agent）從本地終端機轉移到雲端（Modal）執行，並支援並行多代理任務。
From 1 Bloated Context Window to 6 Scoped Subagents
透過 LangChain 實驗與自訂課程，說明如何將龐大的上下文視窗拆解為多個子代理（subagents），以最佳化效能並降低成本。讀者將學習如何設計子代理協議、配置代理登錄檔，並掌握在程式碼代理中實作並行處理的技巧。
Context Engineering for Coding Agents
探討如何透過記憶、技能、LSP 伺服器與壓縮技術最佳化程式碼代理的上下文視窗，避免資訊雜訊並提升效能。讀者將學會如何設計高訊號的上下文工程，讓代理更精準地執行任務。
From a Raw Shell to a Sandboxed Coding Agent
透過 LangChain 實驗與實際課程「Building a Coding Agent From Scratch」，說明如何將程式碼代理（Coding Agent）從原始終端機升級為沙盒環境下的安全執行體。
11 Tips to Run Coding Agents 24/7 on One Subscription
分享 11 個工程技巧，透過漸進式揭露、規劃與執行分離、建立 LLM 維基等策略，大幅降低 token 消耗並提升效能。讀者可學習如何最佳化提示詞、管理上下文與設計多代理系統，讓 AI 工具在預算內穩定運作。
The Bare-Bones Coding Agent Loop
透過 LangChain 實驗指出，調整執行環境（harness）比更換模型更能提升程式碼代理效能。作者將介紹如何從零開始用 Python 建構一個基礎的程式碼代理迴圈，包含 TUI 介面、工具註冊與狀態管理，讓讀者理解 Claude…
Building a Coding Agent From Scratch
透過實作「Decode」課程，從零建構一個編碼代理的架構（Harness），而非僅依賴模型本身。讀者將學習如何設計代理迴圈、實作沙盒與權限控制、最佳化上下文工程，並建立自訂的評估與可觀測系統，掌握將 AI 應用轉為生產級系統的關鍵技術。
Agent Memory From Scratch
由 Paul Iusztin 撰寫，深入解析如何從零建構統一的 AI Agent 記憶層，重點在於知識圖譜（KG）與本體設計。
Your Second Brain Is a Graveyard. Make It Agent Memory.
作者將散亂的筆記轉化為 AI 代理可查詢的動態維基，解決了傳統 RAG 無法長期記憶與維護的問題。透過建立記憶層，讓 AI 能從個人知識庫中持續學習並生成新內容，無需依賴龐大的向量資料庫。
From Harness Lock-In to Portable Context Layer
探討如何建立獨立的統一記憶層（Unified Memory），將知識庫、向量搜尋與圖資料庫整合，透過 MCP 伺服器或技能介面讓 AI 代理可插拔。
How Evaluation-Driven Development (EDD) Works
介紹 Evaluation-Driven Development (EDD) 方法，透過模擬輸入並執行真實代理來生成測試資料，用於在合併前驗證功能並檢測退步。
Build, Configure, or Use As-Is: The Agentic Harness
拆解代理框架（Agentic Harness）的通用架構，分析從工具、代理目錄到權限層的元件。讀者可學習如何判斷該建構、配置還是直接使用現有框架，並掌握建立專屬業務層的策略。
How to Keep Your AI Agent's Knowledge Graph Clean
詳細介紹如何設計知識圖譜的實體解析與去重流程，以維持 AI 代理記憶的乾淨與可信。作者區分命名規範化與身份驗證兩個步驟，並提供從 LLM 提取到人工審核的完整管道，防止因錯誤合併導致圖譜腐蝕。
Stop Chasing the Perfect Ontology
探討為何在建立知識圖譜時，不應追求一開始就定義完美的本體論，而是採用「不過度設計」的策略。作者提出使用 POLE+O 作為通用基礎，搭配偏好與事實兩種原語，讓使用者能先快速啟動系統，再透過資料探索逐步擴展本體。
From Vibe Coding to a Real Engineering Team
分享從「Vibe Coding」轉向建立真實工程團隊的經驗，並公開其六代理 Claude Code 架構 Squid。文章詳細說明如何透過產品經理、軟體工程師、測試員等角色分工，結合 ADR 與 DDD 文件，實現從需求到合併的自動化流程…
Building Agentic GraphRAG Systems
探討如何用知識圖譜解決 AI 代理的記憶與資料斷層問題，提出從本體設計出發的 GraphRAG 架構。讀者將學習如何建立本體、選擇資料模型（如追加式日誌或單集合），並透過 MCP 伺服器將圖譜整合為代理的統一記憶層，以應對情境腐蝕與資料碎…
