Eye(FR) → Mill(skill) → Library(/app)
正典：已过质量门 / 已成文的 library 知识（has_ka）。人读与 AI 检索默认只看这里。
百级并行 coding agent 在无预算约束时，单月可烧出约 1.3M 美元 / 6000 亿级 token 的真实账单——成本是 harness 的一等公民。
围绕「Show HN: Let's build Claude Code from scratch (tutorial)」：在 Agent/harness/MCP 工程化中，应抽取可迁移约束（上下文、权限、成本、可验证循环），而不是只收藏链接。
Runeward turns AI agent sandboxes into deny-by-default governed execution cells with CEL/OPA policy gates, HITL approvals, hash-chained signed audit, and MCP/REST/CLI surfaces.
垂直行业 Agent 不应从零拼 prompt：Claude for Legal 用「岗位插件 + 行业 MCP 连接器」把机械性法务流程产品化，展示 Skills/MCP 组合的正确粒度——岗位能力封装，系统连接标准化。
Claude Code 类工具的自动记忆把「项目约定」从重复交代变成可持久上下文；团队应把记忆内容当配置治理（该记什么/不该记什么），而非默默堆积。
前端 Agent 仅靠静态代码审查无法保证交付：必须用 Runtime Harness（真实浏览器 + CDP）在路径/内容/视觉/交互/控制台/网络六维做运行时验证，把「看起来能跑」变成可门控的质量信号。
Multi-Agent 拓扑不该 one-for-one 按域重训：OFA-MAS 把协作图生成做成条件图生成（one-for-all），用单一通用模型按任务自然语言生成协作拓扑，才能跨域复用编排知识。
长任务 Agent 的上下文膨胀要用「结构记忆 + 卸载」而非无限塞 prompt：TencentDB Agent Memory 以 Mermaid 任务画布保留执行关系，原始日志/网页卸载到外存只留摘要索引，可同时降 Token 与提成功率。
Agentic CLI 的产品形状正在收敛：Plan 面板 + 并行 Subagents + 可装载 Skills + 插件市场——能力不在「又能聊天」，而在可编排、可扩展的本地工作台。
排障不应靠人肉查日志：把「查日志→提关键信息→扫代码→定位」固化为 MCP + Skill（如 /log-diagnosis），让 Agent 走可重复诊断管线，而不是开放式聊天猜原因。
个人助手型 Agent（OpenClaw 等）卡在企业落地，根因不是模型弱，而是缺 Java 侧 Harness：工作区隔离、可插拔文件系统、记忆与子 Agent 编排必须打包成框架能力，才能跨多用户多副本稳定跑。
竞品调研可 Skill 化：把信息源、维度模板、对比输出固化为可重复 agent 流程，避免每次从零 prompt。
垂直 Agent 评测要产品化为闭环：结构化多维 Benchmark + LLM-as-judge + 人工抽样验收 + 自动报告；家居导购实践显示可把主观验收变成可复跑指标（文称 judge 准确率 91.9%）。
RAG/造数成本失控时，优先用可复用开源 Skills 管线降本，而不是每次手工脚本；北大开源 Skills 声称可大幅降成本（文称约 80%）。
商业化前端智能开发要把工作流产品化（bili-fe-workflow）：规范、检查点与 agent 步骤进同一流水线，而不是 IDE 里即兴 vibe。