很多刚上手 AI 工作流的开发者都有过类似的困惑：这不就是传统工作流换了个壳吗？为什么不用 Camunda、Temporal 这些成熟引擎？甚至觉得把几个 Prompt 用 if-else 串起来就算“工作流”了。
但真正上手做项目后，这些想法很快会被现实打脸。LLM 的输出天然不确定，单次生成往往不达标，工具调用随时可能失败，上下文窗口还有硬上限。你需要的不是“跑一遍就完事”的线性流程，而是一套能动态决策、自动修正、可控收敛的执行机制。
今天这篇文章就来梳理 AI 工作流中三个核心概念——Workflow、Graph、Loop，帮你建立从概念到实现的完整认知。本文约 1w 字，建议收藏，通过本文你将搞懂：
最近大半年，很多开发者都有同感：明明用的是最贵的模型，Agent 跑起来还是各种拉胯——重复犯错、做到一半放弃、越跑越蠢。换了更强的模型，效果也没好到哪去。
原因不在模型。Can.ac 做了个实验直接证明了这一点：同一个模型，只换了文件编辑接口的调用方式，编码基准分数从 6.7% 直接跳到 68.3%。模型没变，变的是外围的那套系统。
Harness Engineering 正在成为 AI Agent 开发圈的高频词。Mitchell Hashimoto 在博客里用了这个说法（他原话是“我不知道业界有没有公认的术语，我自己管这叫 harness engineering”），OpenAI 几天后发了一篇百万行代码的实验报告，Birgitta Böckeler 在 Martin Fowler 网站上写了深度分析，Anthropic 在三月份又放出了全新的多智能体架构设计。几周之内，Harness 成了讨论 AI Agent 开发绕不开的概念。
大家好，我是 Guide。前面分享过 IDEA 搭配 Qoder 插件的实战和 Trae 接入大模型的实战，分别覆盖了 JetBrains 体系和 VS Code 体系下的 AI 辅助编码。这篇换个角度，聊聊 Claude Code 接入第三方模型 的实战体验。
Claude Code 本身是 Anthropic 官方的 CLI 编码工具，但它支持通过环境变量切换底层模型。这意味着你不必局限于 Claude 系列，完全可以接入其他模型来使用。本文以 GLM-5.1 作为示例，但接入方式是通用的——换成其他兼容模型，流程基本一致。
大家好，我是 Guide。如果你是 JetBrains IDE 的重度用户，大概率有过这样的纠结：想用 AI 辅助编程，但主流工具——Cursor、Trae、Qoder——大多基于 VS Code。切过去？舍不得 JetBrains 调试和重构体验。不切？又感觉错过了 AI 的效率红利。
有朋友会说：Claude Code、Gemini CLI 这些终端工具不是挺香的吗？确实香，但说实话，CLI 模式也有明显的短板：没有原生 UI 交互，看代码、审 diff 都不够直观。虽然可以通过一些开源项目（如 vibe kanban、1Code）来缓解，但在做复杂项目时，还是存在一些局限性。
大家好，我是 Guide。前面分享过一篇 IDEA 搭配 Qoder 插件的实战，那篇主要讲在 JetBrains 体系内用 AI 辅助编码。这篇换个角度，聊聊 Trae IDE 接入大模型 的实战体验。
Trae 是字节跳动推出的 AI 编程 IDE，基于 VS Code 生态，支持接入多种大模型。本文使用 MiniMax M2.7 作为示例，但 Trae 的接入方式是通用的——换成 Claude、GPT 等其他模型，流程基本一致。
写在前面
现在网上有很多所谓”AI 技术文章”，点进去一看，满篇空洞的套话，逻辑混乱，读起来千篇一律。
这类文章有几个共同特点：
我在写这一系列 AI 文章的时候，坚持一个原则：要么不写，要写就写透。每一篇文章我都投入了大量时间：
希望这些文章能真正帮到你。
在 LLM 应用开发从”单体调用”向”复杂 Agent”演进的当下，开发者最头疼的其实不是换模型——框架早把不同模型的 API 差异给封装好了。真正让人抓狂的是工具接入的碎片化：每次想让 AI 用上 GitHub、本地文件或者 MySQL，就得为 Claude、GPT、DeepSeek 分别写一套适配代码。改一个工具接口，得同步维护好几套代码，又烦又容易出错。
MCP (Model Context Protocol) 的出现，就是要终结这种混乱。它被形象地称为 “AI 领域的 USB-C 接口”，通过统一的通信协议，让工具开发者一次开发 MCP Server，之后所有支持 MCP 的 AI 应用都能直接复用，真正实现模型与外部数据源、工具的高效解耦。
2025 年初，Anthropic 在推出 MCP（Model Context Protocol） 之后，进一步提出了 Agent Skills 的概念。背后的思路其实很清楚：连接性（Connectivity）与能力（Capability）应该分离。
很多开发者认为”只要提示词写得好，AI 就能帮我做一切”。但事实是：Prompt 适合单次任务，Skills 才是构建可复用 AI 能力的正确做法。
Skills 把 AI 应用从”个人技巧”拉到了”工程化”的层面。今天 Guide 就带大家彻底搞懂这个概念，聊清楚 Skills 的设计理念、与相关技术的本质区别，以及如何在实战中用好这个能力。本文接近 1.2w 字，建议收藏，通过本文你将搞懂：
前段时间面某大厂的时候，面试官问我：“你们 RAG 系统的向量检索怎么做的？”，我说：“用 MySQL 存 Embedding，查询时遍历计算相似度。”
空气突然安静了五秒。我看到面试官的嘴角抽了一下，才意识到问题大了——当时我们知识库有 50 多万条 Chunk，每次查询都要全表扫描，平均响应时间 3 秒+，用户早就跑光了。
面试被挂后才懂：这叫“暴力搜索”，而生产级方案应该是向量数据库 + ANN 索引。
段子归段子，向量数据库确实是当下 RAG 应用的基础设施，也是 AI 应用开发面试的高频考点。今天 Guide 分享几道向量数据库相关的面试题，希望对大家有帮助：
腾讯面试的时候，面试官问我：“用过什么 AI 编程工具？”。我说：“Trae。”
空气突然安静了两秒。我搞不清楚为什么面试官沉默了，当时我还在想：“是不是我回答得不够高级？”。
面试被挂后才意识到：Trae 是字节的，腾讯家的是 CodeBuddy，阿里家的是 Qoder。
段子归段子！今天 Guide 分享 7 道当下校招和社招技术面试中经常会被问到的 AI 编程开放性问题，希望对你有帮助。通过本文你将搞懂：
