AI 浏览器不是 Chrome 加个聊天框：从 BrowserOS 拆解七层架构
AI 浏览器不只是 Chromium 加一个聊天界面，而是浏览器内核、原生集成、Agent Runtime、语义工具、模型连接与工程交付系统的组合。本文以 BrowserOS 源码为线索，拆解七层架构，并讲清构建、发布和多产物更新链路。
Taste Is All You Need
当 AI 把实现和生成的成本迅速压低，真正稀缺的能力开始转向问题选择、方案取舍、边界判断与结果验收。本文结合 Owlet、青山湖设计语言和跨端 Design Skill，讨论 Taste 为什么会成为 AI 时代的核心生产力，以及怎样把个人直觉沉淀为 Agent 可以执行和验证的规则。
Evidence 到底是什么：Agent 系统如何证明自己真的完成了任务
Evidence 不是知识、引用或日志的别名，而是 Agent 系统用来支撑或反驳具体 Claim 的可验证事实记录。本文从 W3C PROV、Verifiable Credentials、in-toto、SLSA 与 Agent Tracing 出发，讲清 Evidence 的领域边界、数据模型、生命周期和生产验收方法。
如何构建可验证、可恢复、可评测的 Agent Runtime 与 Harness
Agent 真正进入生产后，难点不再是能否调用模型和工具，而是结果能否验证、失败能否恢复、能力能否持续评测。本文从前端转 Agent/AI Infra 的视角，拆解 Runtime 与 Harness 的边界、核心对象、恢复等级、证据链和评测闭环，并给出可分阶段实施的工程方案。
Agent 系统的一级领域对象：从 Task、Run 到 Evidence
Agent、Task、Run、Tool、Memory、Policy、Evidence 经常被放在同一张架构图里，却不是同一层概念。本文交叉比对 OpenAI Agents SDK、Anthropic、A2A、MCP、LangGraph 与 W3C PROV，给出一级领域对象的判定标准、十二个核心对象及生产化建模顺序。
用 Context7、Serena 和 Session 把 Codex 的 token 花在刀刃上
我把 Context7、Serena 和合理拆 Session 放进一次真实的 coding agent 工作流里，解释它们各自解决什么问题、为什么有时能省 token、什么时候反而会增加上下文成本，以及如何在探索、实现和验证之间建立清晰的上下文边界。
向量 RAG、GraphRAG、编译式 RAG：用一个客服实战讲清如何选
向量 RAG、GraphRAG 和编译式 RAG 并不是一条从低级到高级的升级路线。本文用一个脱敏的跨行业客服知识助手贯穿三种方案，拆解知识问答、订单关联和服务流程如何命中证据，并给出从 MVP 到生产架构的选型矩阵、评测方法与组合策略。
Coding Agent 的交付汇报：6 种状态怎么写
Coding Agent 的汇报不是给管理者读的周报，而是交付给下一个执行者的状态接口。本文拆分完成交付、进行中、失败阻塞、Bug 诊断、方案决策和评审发布 6 种场景，说明每种状态必须留下哪些变更、验证与 Git/部署证据。
AI Native 知识库：给人维护，给 Agent 调用，给双方追溯
传统知识库围绕人阅读，AI 知识库增加问答，AI Native 知识库则把 Agent 作为一等消费者。本文梳理从 FTS、BM25、Vector Search、RAG、GraphRAG 到 Agentic Retrieval 的发展，给出 Source、Index、Evidence、Revision 与 Permission 的最佳实践，以及不同技术的选型和组合方法。
Raw Knowledge 如何变成可信知识资产：以及中文 FTS 为什么不是改个配置
接入 GBrain 后，我真正困惑的不是如何执行 import，而是原始仓库、语雀文档和会议记录何时才算可信知识，以及中文问句为什么明明包含术语却检索不到。本文结合一个 Agent 应用的实测，拆清 Raw Knowledge、GBrain Page、Knowledge Asset、中文 FTS 与 Embedding 的边界，并给出一条可落地的项目知识接入路线。