## 引言：从 AI 辅助到 AI 驱动的必然演进

> 本文由 NotebookLM 基于我的演讲材料《Agentic 时代的前端：当 UI 成为数字员工的执行界面》生成初稿，我在此基础上补充细节，最后由

**2025，不是 AI 提升效率的一年，而是开始释放创造力的一年。**

前几天，我看到一篇国产 AI Coding 工具的案例文章，花了不少篇幅在讲一个“智能体的附加价值”——当你写代码写到崩溃时，它可以安慰你、鼓励你，让你感觉好受一点。

随着大语言模型（LLM）从被动的问答工具演变为具有自主性的智能体（Agents），传统的检索增强生成（RAG）架构正面临前所未有的挑战。当智能体需要执行长周期的复杂任务——如代码重构、法律合规审计或企业流程自动化——仅凭基于语义相似度的向量检索（Vector Retrieval）已无法满足需求。智能体不仅需要“知识”，更需要“记忆”和“结构化认知”。本文将详尽探讨一种新兴的架构范式：**代理式 RAG (Agentic RAG)**，并重点剖析其核心组件——**上下文追踪 (Context Trace)**…

这不是一个从“我们决定做 AI”开始的故事。我们项目的客户是某企业内部的平台团队。他们并不是一开始就要“做 AI”，而是长期承担着一个更基础、

查看原文：平台工程视角下的 AI 应用架构治理 - Blog | Phodal - A Growth Engineer

本文档对比分析 A2A (Agent-to-Agent Protocol) 和 ACP (Agent Client Protocol) 两个协议的核心差异、设计理念和适用场景。

最近，我们在 AutoDev 中集成了 ACP 协议，使用它进一步优化 AutoDev 的跨平台渲染架构，在提升 AutoDev 的同时，也兼容了其它智能体。由于，ACP

> Routa 是一个 **“工程化的多 Agent 协作框架”**：它把任务、状态、事件和执行拆成可控模块，让开放生态下的多 Agent 系统可以真正落地，而不是靠

查看原文：Agent Team 实践与架构设计：在约束下构建可演进的一个人开发团队 - Blog | Phodal - A Growth Engineer

查看原文：2026 年，万物皆 Coding Agent 的平台工程（A2A / ACP / MCP / Skill） - Blog | Phodal - A Growth Engineer

生成式 AI 正在快速进入软件开发的核心流程。从最初的代码补全工具，到能够生成完整模块的 Coding Agent，再到可以自主修复

生成式 AI 正在迅速进入软件开发流程。从最初的代码补全工具，到能够执行复杂任务的智能体，AI 在开发中的角色正在不断扩大。 然而，在许多组织中，人们仍然把 AI 编程理解为一种工具升级：更聪明的 IDE 插件、更强大的代码生成器，或者更方便的技术问答助手。 这种视角很容易低估 AI 对软件工程的真正影响。 在越来越多的团队中，AI 不再只是提供建议，而开始参与实际开发任务，例如生成模块、运行测试、修复错误，甚至创建 Pull Request。软件开发正在逐渐从 **“人使用工具”** 的模式，转变为 **“人与…

PS：今天拿到几天前申请的 Codex Pro 开源贡献者的半年体验卡，试着用 Codex Security 分析了一下我的一些项目。让 AI 分析了生成的报告，

查看原文：当 Kanban 不再管理人：Routa Kanban 如何管理 Agent Team - Blog | Phodal - A Growth Engineer

查看原文：Harness Engineering 的下一步：Fitness Function 定义 AI Agent 的完成条件 - Blog | Phodal - A Growth Engineer

查看原文：微说 | 都是见过吃过的主儿 -