依托于我们领先（于国内的）下一代开源的 AutoDev 架构，在最新发布的 AutoDev 多平台预览版（0.1.6）中，我们实现了 AutoDev Server 与

在新的 AutoDev MPP （Multiplatform Paradigm） 架构下，我们也基于 MPP Core 构建了 CLI 体系。而与免费送 Token 的 Gemini CLI 等相比，

昨天，和我的前同事（他们 Thoughtworks Global，我们前 Thoughtworks 中国区，现 Inspire）聊完 AI Code Review 之后，觉得有几个点非常不错

在上一篇文章《[以 ROI 为中心的 AI 代码检视体系与分级](https://www.phodal.com/blog/ai-code-review-2025/)》里，我们介绍了在不同的系统

在现代软件开发中，代码审查（Code Review）早已成为质量保障和团队协作的核心流程。但在实际工程环境里，审查往往陷入

AutoDev Knowledge Agent 的想法是来源于一次与客户的交流中，说到的 RAG 相关的问题：结构化数据优于非结构化数据，JSON 还可以采用

Xiuper 的后半部分来自 “super”，但它并不指向“更强的 AI”，而是指向一种 能力放大。在 Xiuper 中，AI 并不是一个只负责回答问题的助手，而是作为工程体系的一部分参与进来。它理解项目结构、理解设计决策、理解历史上下文，并在合适的阶段承担合适的角色。

## 引言：从 AI 辅助到 AI 驱动的必然演进

查看原文：Agentic UI：重新定义“好体验”——不是美化按钮，而是让认知负担归零 - Blog | Phodal - A Growth Engineer

查看原文：2025 节点：当 AI 开始释放创造力，工程师如何重新站位 - Blog | Phodal - A Growth Engineer

查看原文：AI 编程 2025 总结：国产模型“能力追平”，国产编程工具还在“情感陪伴” - Blog | Phodal - A Growth Engineer

查看原文：Agentic RAG 的架构演进：从上下文追踪 (Context Trace) 到全景上下文图谱 (Context Graphs) - Blog | Phodal - A Growth Engineer

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、

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。

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

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…

2025 年的 3 月份我们结束了长达三年的墨问星球的运营，开始专注墨问的产品研发和内容创作。但耗时三年创作的内容如果留在知识星球里肯定就没用了，内容形式也不够友好。怎么整？ 年中的时候我们开始和字节的火山 VikingDB 合作，看看如何重新激活这三年的内容。当时我还写了一篇公众号：字节的火山 VikingDB 随后我们就启动了这个漫长的任务。做这件事需要很多细致的工作。首先要对星球里的内容做清洗，短文本、长文章、图文、问答等等，重新抽象，最后融合成墨问的 1303 条笔记，然后为这些笔记进行分类，更新内容，提取知识…