Agent 记忆系统的核心问题不是"记不住"，而是"学不会"。从 RAG 式的对话检索到具备反思能力的心智模型积累，Agent 基础设施正在从工具调用层向认知积累层演进。

Meta开源了打磨8年的设计系统Astryx，还专门给AI Agent提供了工具链。设计系统这件事，听起来很美，做起来坑不少。聊聊组件库的维护成本反直觉增长、Agent作为新消费者带来的挑战，以及开源设计系统的适配成本。

当代码生成成本趋近于零，传统的"先积累后偿还"技术债模式正在失效。但技术债没有消失，只是从明牌变成了暗牌。代码变成一次性耗材的时代，什么样的架构思路才是对的？

很多我们引以为豪的“经验”，其实是行业顺风期的产物。换个环境，同样的能力可能从“果断”变成“蛮干”。真正属于你的能力，应该是跨环境可迁移的。这篇文章聊聊经验的“归属权”问题。

CI流水线的问题十有八九是组织问题。构建时间膨胀、跨团队失败、没人敢跳过无效步骤——这些CI坏味道暴露的是团队沟通结构的裂缝。技术管理者应该把CI当组织诊断工具来用。

Databricks CEO一句话点破AI落地的真正瓶颈：不是模型能力不够，而是它不懂你的公司。组织上下文——隐性知识、决策历史、团队默契——才是AI工具从"能用"到"好用"之间最大的鸿沟。

OpenAI Codex包含CLI和云端两种形态，加上Claude Code，三种工具体验差异很大。异步委派 vs 实时协作，这是两条正在走向融合的路。

Cloudflare花六年才把每天90亿请求的cdnjs迁移到自家平台。技术能力不是瓶颈，组织勇气才是。大部分公司的dogfooding停留在安全区，真正的内部验证需要有人愿意为事故兜底。不敢用自己的东西，问题可能不在产品。

从朴素RAG到GraphRAG、Contextual Retrieval、CRAG、Agentic RAG、LLM Wiki、OpenViking、Mem0、长上下文暴力塞入、Self-RAG、Late Chunking——知识库方案比想象中多得多。没有万能药，搞清楚自己的问题比选方案更重要。

AI产品正在从聊天框走向工作空间。Claude合并Cowork和聊天、Mistral嵌入浏览器、YC做自主执行Agent——行业在换形态，但大部分技术团队还在用「聊天框好不好用」做选型决策。这可能是一个越来越错误的标准。

职业中期最让人焦虑的，往往不是没路可走，而是路太多了。本文聊聊为什么选择越多越难做决定，以及几种走出来的思路。

AI把攻击成本降到了零，防守的逻辑全变了。安全不再是安全团队的事，而是每个技术决策的内置维度。但具体该怎么做，我还在想。

AI时代，技术管理者的价值不在于追了多少新工具，而在于帮团队过滤噪音、守住节奏。UNESCO数据显示93%的人用AI但仅33%有信心——这60个百分点的差距，就是管理者该补的课。区分「大家都在用」和「我们用对了」，才是真本事。

IDC说86%企业买家要用AI加速采购，a16z说实体经济几乎还没开始用AI。一边是买买买的热情，一边是用不起来的现实。AI采购不是买工具，是买一种组织能力——问题是你接得住吗？

技术信用是你解决技术问题的能力积累，组织资本是你在组织中推动事情发生的能力。很多技术人的问题在于：只积累技术信用，然后假设它会自动兑换成组织资本。但现实是，兑换率可能很低，甚至为零。这篇文章聊的是技术人如何有意识地积累组织资本，打破职业天花板。

大部分企业AI项目不是死在技术上，而是死在从Demo到生产的最后一公里。数据拿不到、系统接不进去、业务不愿意改流程——这些卡点从来不是模型问题，而是组织问题。

布朗大学一篇关于async/await设计空间的论文，让我重新审视了这个每天都在用的语法。同样的async/await，JavaScript、Python、Go、Rust底层机制完全不同。从全栈视角聊聊异步编程的认知盲区、并发模型差异和实际踩坑经验。

很多技术管理者都有一个困境：明明做了正确的技术决策，却无法向老板证明这件事值多少钱。技术决策的商业价值翻译，是管理者最缺的能力。

大部分公司的AI治理，还停留在写文件的阶段。微软最近推了一个治理框架，把重点从纸面政策转向运行时执行。这给技术管理者提了一个醒：AI治理不是写规则，是让规则在系统中跑起来。

过去五年，前端构建工具速度提升了10倍，但生产环境的用户体验并没有同步改善。Vite和Turbopack解决了开发者的等待焦虑，但用户的等待被转嫁了出去。构建工具优化的是开发体验，真正的性能瓶颈在运行时、在水合成本、在部署架构。前端正在从'让开发更快'转向'让生产更快'。