# ai agent

读完 Anthropic 的《The AI-Native SDLC playbook》后，我最强烈的感受不是“AI 又能多写多少代码”，而是：代码这段突然变快之后，团队里真正拖节奏的地方换了。需求澄清、评审、验证、发布和线上回流，开始一个个露出原形。要学的不是几个 markdown 文件名，而是整套 artifact、闸门和闭环。

一个面向 agent 的画布光能渲染还不够——agent 得能读懂画布现在长什么样，还得能改它。本文记录如何给 sky-canvas 设计 snapshot + ops 协议，让 LLM 能以"观察→引用→增量改"的循环持续编辑一张画布，并实测用 45 条 ops 从空白画布生成完整星图。

结合 Orca 实践，拆解 AI Agent 工程师真正要用到的工程能力：软件基础、模型边界、Context/RAG、工具治理、状态与 Loop、Harness、评估、安全和产品判断，并给出四个可落地的练习项目。

OpenClaw 最近很火，但它真正值得讨论的，不只是为什么会火，而是它暴露出来的产品形态、信任边界和系统复杂度问题。本文从产品、架构和方向判断三个层面，聊聊我对这类 Agent 系统的看法。