在 35+ 这个节点，选择 All in AI Agent。

BMAD-METHOD 官方文档写得细，但没人告诉你按什么顺序读。

这篇是我把 v6.11.0 源码通读一遍之后，倒推出来的最短路径。6 小时，从"装上"到"能改源码"。

---

💡 为什么需要这篇

第一次接触 BMAD，我干过这些蠢事：

• 打开仓库，2088 个 commit，直接慌
• 从 docs/ 开始读，读了 40 分钟，还是不知道该跑哪个命令
• 装了 bmad-method，29 个 skill 一股脑全看，看完啥也记不住
• 以为学 BMAD = 读完文档 = 懂了

后来我花了一整天通读源码，发现：BMAD 的学习路径是有结构的，而且90% 的人只需要 20% 的源码。

这篇就是那个结构。

---

---

Harness 工程:Harness 不是"调 LLM",是让 Agent 在系统里活下去

今天上午重新学习 Harness 工程,记录一些思考。
关键字:Agent = Harness + Model、单轮 → 多轮、四大支柱 / 五大子系统、引导 + 检查、未来趋势。

---

📌 一句话核心

"Agent 在生产里翻车,99% 不是 Model 的问题,是 Harness 没做对。"

---

本文是 BMAD-METHOD 真实生产级实战记录：78 个 C#/.NET Framework 存量项目代码重构全流程。

适用读者：要用 AI 重构老项目、想看"5 阶段 + 3 轮 Sprint + 闭环回顾"完整落地的工程师。

---

💡 背景

最近做了一次老项目的代码重构——把 78 个 C#/.NET Framework 存量项目从传统手动开发模式，优化为 SDD（Spec-Driven Development）AI 驱动工程。

为什么选 BMAD 而不是直接用 SDD 工具？

• 78 个项目 = 几千个文件，纯 SDD 工具生成 SPEC 后没人能读完
• 老代码 = 没有文档、耦合度高、修改风险大
• 需要的是可审计、可中断、可回退的工程纪律，不是"AI 自动改完上线"

结论：BMAD-METHOD 的多 artifact 体系 + 3 阶段闭环 完美匹配——文档可分片、过程可中断、关键决策有"人工检查点"。

---

---

一人成军：《算法大赛》的 AI Agent 协作心法（6 大反直觉 + 1 句核心）

听了一场**《算法大赛》的复盘分享**。全程没有炫技，没有参数数字，只有一个问题反复回响：
"人，在 AI 时代，到底该把精力放在哪里？"
6 个观点，没有一个是我在 AgentScope 源码里读到的——全部是 73 个会话 + 4 个模型群聊 + 2 轮比赛砸出来的。

---

本文不是 BMAD 实战记录（实战放下一篇），是为什么 BMAD 比 SDD 更适合复杂 AI 辅助开发的入门解读。

适用读者：用过 Cursor / Claude Code 写过代码，但遇到"AI 写出来跟我想的不一样 / 上下文丢失 / 多人协作混乱"问题的工程师。

---

💡 背景

最近 18 个月，AI Coding 工具的爆发速度远超预期：

• Cursor / Claude Code / Windsurf —— 1 个人的代码产出效率提升 3-5 倍
• Devin / Codex Agent —— 整个 issue 自动闭环
• v0 / Bolt / Lovable —— 自然语言直接生成完整应用

但作为有 十几年经验的工程师，我亲手踩过这些坑：

1. AI 写出来跟我想的不一样 —— 不是工具不行，是"我想的"根本没被结构化记录
2. 上下文丢失 —— 第 3 轮对话后，AI 已经忘了第 1 轮我说的业务约束
3. 多人协作混乱 —— A 写的代码 B 接不住，文档永远滞后于代码
4. 复杂项目失控 —— 简单功能能搞定，超过 5 个 story 的功能就开始跑偏

这些问题的根因，不是 LLM 能力不够，是「缺少一套让 AI 和人都能遵守的工程纪律」。

行业给出了两条主流答案：

• SDD（Spec-Driven Development） —— GitHub Spec Kit、AWS Kiro 是代表，强调"先写规格再写代码"
• BMAD-METHOD —— 21 个专业 agent + 50+ 工作流，强调"多 artifact 体系 + 3 阶段闭环 + 多 persona 协作"

我深入读了 BMAD 仓库（2088 commits / 57MB），跑通了本地 install，对比了 SDD 和 BMAD 的设计哲学——我的结论是：BMAD 比 SDD 更系统化、工程化，更适合"超级个体"或小型团队。

本文就是这次学习的精华整理。

---

接 Phoenix + AI Agent 行为监控：那篇讲"怎么用 Phoenix 看 Agent 调用"——**本篇讲"为什么 Agent 测评比 LLM 测评难 10 倍" + 5 大测评维度 + Multi-Agent 评测体系。从 NL2API/NL2SQL/NL2CODE → 记忆 → 规划 → Multi-Agent 协作 → 实战实践。

接 W6 记忆与上下文 + W7 段 2 Tracing 模块：前两篇讲"AgentScope 怎么产生 Trace"——本篇讲"拿到 Trace 后怎么用 Phoenix 做 AI Agent 项目的行为监控"——从 1 条真实 Span 出发——走到 4 级 Evaluation Engine 设计。

写作动机：硬件测试背景转型 AI Agent 架构师过程中，把公司内训 + 11 篇论文精读的笔记系统化梳理。本文覆盖架构、训练、推理三大主题，每个核心概念都附关键金句，目标是一次性建立大模型的完整心智模型。

---

📌 写在前面：为什么硬件测试要学大模型原理？

三个理由：

1. AI Agent 是软件×硬件×AI 的交汇点——硬件测试积累的系统思维（边界条件、长尾场景、质量保证）天然适合做 AI Agent 工程的可靠性设计。
2. 架构师沟通的必考题：ReAct 循环、Memory 三层、Test-Time Scaling——这些不是"知道就行"，是要能讲出 5 分钟深度。
3. 2024-2026 的范式跃迁：从 Training Scaling 到 Test-Time Scaling，从 Prompt 到 Context Engineering，理解原理才能跟上节奏。

---

李宏毅老师 Context Engineering 课程笔记

Agent 时代的核心议题：不是"装更多"，而是"装对"。

这两天学习了李宏毅老师的 Context Engineering 课程，把核心要点整理成这篇笔记。
Context engineering 是构建 LLM Agent 最关键的设计能力之一——它决定了 Agent 在长程任务中能否保持高效、准确、可持续。

---

一、什么是 Context Engineering？