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，某金融公司内部的平台团队。他们并不是一开始就要“做 AI”，而是长期承担着一个更基础、

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。

尽管我们可以用最好的模型完成所有的事情，但是约束才是我决定写这篇文章的一个出发点：约束越多，问题就越好玩。

PS：就着最近的研究，我想大概写一篇今年的趋势

查看原文：Harness Engineering 的防御视角：从 Codex Security 看 AI 生成代码的治理 - Blog | Phodal - A Growth Engineer

过去一年，我们习惯用“AI 编码 2.0”来描述这一波技术跃迁：从代码补全走向 Agent 驱动，从同步交互走向异步执行，从一次性生成走向“生成—验证—回滚”的闭环。在那个阶段，一个共识逐渐清晰：AI 不再只是辅助，而开始参与执行。但如果只停留在这里，我们其实低估了变化的深度，因为真正发生转移的，并不是“谁在写代码”，而是——**谁在负责软件交付这件事本身。**

这套机制最早来自 Routa 项目内部的 fitness 实践。我们最初把它以 `routa-fitness`

什么是 OpenAPI？ 简单来说，就是墨问提供了一系列接口，让开发者可以通过这些接口来访问墨问的服务：创建和修改笔记，设置笔记的格式，为笔记打标签，设置状态，公开还是私密等等。 有了 OpenAPI 之后，墨问就成了一个开放平台。在前 AI 时代，开发者可以基于 OpenAPI 开发自己的应用，比如墨问的 Chrome 扩展，或者把自己的信息源通过墨问 OpenAPI 直接输出到墨问，形成自己的知识体系，做墨问的创作客户端等等。 到了 AI 时代，搭配 OpenAPI 的，多了一个 MCP。什么是 M…