Topic / AI / Agent Development
AI 与 Agent 开发实践
整理人工智能应用、企业 Agent、知识库和工具集成的工程思考，结合 Codex 与 WorkBuddy 使用实践，探索可复用的 AI 工作流。
从一个明确的任务开始：Agent 需要知道目标、可用工具和操作边界，并让执行结果可以检查。
需求与任务：明确用户要完成的工作，设计入口、上下文和任务连续性
知识与工具：组织业务资料、接入工具，并明确数据来源和访问权限
验证与交付：用真实任务评估结果、人工修正成本和运行费用，再持续迭代
把阅读转成一次可检查的实践
选定任务
列出输入材料、使用者和交付物，先选择边界明确的一个流程。
保留证据
记录资料来源、操作步骤与结果，让输出能够回查，失败时能够定位。
核对成本
比较人工检查时间、错误修正和运行费用，再决定是否扩大使用。
工具使用可以从WorkBuddy 系列教程开始；开发交付可以查看论文写作工作流和Web 3D 科普展馆的案例说明。
从这些实践开始
企业 Agent 的终局，可能不是一支 AI 团队
很多企业开始搭建 Agent 后，做的第一件事，往往是给它们分工。有人负责产品，有人负责研发，有人负责数据，有人负责客服，还有人负责测试和运营。这些 Agent 拥有不同的名字、头像和岗位说明，像极了一家由数字员工组成的新公司。这种设计很容
RAG 过时了？Karpathy 提出的 LLM Wiki，正在改变知识库的玩法
最近 AI 圈里开始出现一种很有意思的说法：“RAG 已经过时了，现在应该用 LLM Wiki。”甚至有人说，RAG 已经是“没人用的老技术”。这个说法显然有点夸张。RAG 不但没有消失，而且依然是今天很多 AI 知识库、企业搜索和问答系统
Codex 高阶用法：AGENTS.md、Skills、MCP 与自动化
围绕 AGENTS.md、Skills、MCP 和自动化整理 Codex 使用方法，附可复制任务模板、交付物检查项与官方文档。
WorkBuddy Skill 教程：创建、调用与验证重复工作流
说明 WorkBuddy Skill 的适用场景、最小 SKILL.md 写法、调用步骤和验收方法，帮助把重复工作整理成可复用流程。
别再复制粘贴了：让 WorkBuddy 直接读写你的 IMA 知识库
介绍 WorkBuddy 接入 IMA 知识库的原生连接方式，并保留早期 Skill/API Key 操作记录，说明授权、引用来源与结果核对。
你公司的 AI，到底是在创造利润，还是放大成本？
很多公司已经开始大规模采购 AI 工具、接入大模型、搭建 Agent。后台的数据看起来也很热闹：调用量不断上涨，Token 消耗越来越高，接入的员工越来越多，AI 生成的内容也越来越多。