2026-第八周

该周报主要为各个地方内容的汇总整理

技术

AGENTS.md 在我们的代理评估中表现优于技能 - Vercel

我们原本期望通过技能（skills）来教授 AI 编程助手框架知识，但测试发现，将压缩的文档索引直接嵌入 AGENTS.md 文件实现了 100% 的通过率，而技能方法即使在明确指令下最高也只有 79%。被动上下文之所以优于按需检索，主要因为消除了代理的决策点、确保信息始终可用，并避免了顺序问题。

• 🧠 技能未被可靠触发：在 56% 的测试案例中，代理从未调用技能，导致表现与无文档时相同。
• 📝 明确指令提升有限：添加使用技能的指令后，通过率提升至 79%，但效果受措辞影响大，显得脆弱。
• 🏆 AGENTS.md 表现卓越：嵌入压缩文档索引的方法在测试中达到 100% 通过率，全面优于技能方法。
• 🔍 消除决策点优势：被动上下文让代理无需决定是否查阅文档，信息始终可用，避免了检索顺序问题。
• 📦 高效压缩处理：文档索引被压缩 80% 至 8KB，通过管道分隔结构指向外部文件，既节省上下文又保持效果。
• 🛠️ 实际应用简便：通过npx @next/codemod@canary agents-md命令可自动为 Next.js 项目设置 AGENTS.md。
• ⚖️ 技能仍有特定价值：技能适用于垂直的、用户明确触发的操作，如版本升级或迁移任务。
• 🧪 测试与设计建议：应针对训练数据中未包含的 API 构建评估，并设计便于代理检索的文档结构。

工具

GitHub - Blazity/next-migration-skills

这是一个用于将 Next.js 项目从 Pages Router 迁移到 App Router 的代理导向工具包，包含多个技能模块，旨在通过 AST 分析和转换工具自动化迁移过程。

• 🛠️ 核心工具包：提供 AST 分析和转换工具（ts-morph），是所有其他技能的基础依赖
• 📊 迁移评估：分析代码库复杂性和迁移准备情况
• 📋 迁移规划：创建分阶段迁移计划
• 🔗 依赖映射：将旧依赖映射到 App Router 等效项
• 🛣️ 路由转换：将 pages/路由转换为 app/路由结构
• ⚛️ 组件迁移：迁移组件以实现 RSC 兼容性
• 📡 数据层迁移：迁移数据获取和 API 路由
• ✅ 验证测试：在每个阶段后验证正确性

更新

发布 styled-components@6.3.0 · styled-components/styled-components · GitHub

styled-components 6.3.0 版本发布，主要增加了对 React Server Components (RSC) 的原生支持，无需额外配置即可在 RSC 环境中自动处理 CSS 注入。同时扩展了内置 HTML 和 SVG 元素别名，并修复了 TypeScript 中对 CSS 自定义属性的类型支持。

• 🚀 新增 React Server Components (RSC) 支持：自动检测 RSC 环境，无需 'use client' 指令，CSS 以内联样式标签注入并由 React 19 自动优化。
• 🧩 扩展元素别名：新增对现代 HTML（如 search、slot）和 SVG 元素（如 feBlend、linearGradient）的样式支持。
• 🔧 修复 TypeScript 类型：现在完全支持在 style 属性和 .attrs 中使用 CSS 自定义属性（CSS 变量）。
• ⚙️ 更新构建工具：共享 CSS 属性处理工具已更新至最新版本。

设计

AI

其他

工程成熟度即所需——nilenso 博客

构建可靠 AI 应用的关键在于工程成熟度，而非模型选择或提示技巧。它强调通过文档化、测试、可观测性和评估等传统软件实践，建立系统化流程来持续发现和改进 AI 系统行为，从而实现快速迭代与可靠交付。

• 📝 工程成熟度指团队通过短期决策确保长期可靠交付的能力，对 AI 应用而言，这意味着构建支持“发现”而非“设计”的基础设施。
• 🔄 AI 工程是经验性的，无法通过演绎推导最佳方案，必须依赖结构化实验来发现有效的提示、工具架构和用户交互模式。
• 📊 可观测性不是后期功能，而是发现过程的仪表盘，需记录完整的 LLM 交互、用户会话追踪和上下文内容，否则调试如同盲人摸象。
• 🧪 评估（Evals）是 AI 应用的遥测系统，通过测试用例和评分机制记录团队发现、定义产品行为，并防止回归。
• 🗂️ 数据集是积累“有效与无效经验”的核心资产，而非单纯训练材料，需随产品迭代不断丰富。
• 🪜 工程成熟度分为五级：原型（混乱依赖个人经验）、文档化可重复流程、规范测试验证、系统化测量、持续优化飞轮。
• 📚 文档（PRD、技术设计、ADR）是仅次于代码的重要产出，为团队和编码代理提供上下文与项目记忆。
• 🚀 持续部署应自动化且无风险，频繁小批次发布才能快速定位问题，支撑 AI 所需的快速实验循环。
• ⚙️ AI 应用仍需测试确定性部分（工具实现、API 集成），避免因聚焦 LLM 而忽略基础代码质量。
• 🔁 成熟团队构建“飞轮”：部署→观察用户交互→识别成败→更新评估集与案例库→改进系统，形成持续强化循环。

升职的秘诀 | 比约格

晋升的关键在于先赢得情感上的信任，再以实际表现佐证。公司通常要求员工在晋升前已承担下一级别的工作，但明确的职级标准往往难以界定。即便遵循所有规则，晋升决策仍常基于信任感；若未获晋升，反思信任缺失可能比纠结规则更重要。虽然存在因偏好、机遇等非信任因素晋升的情况，但这往往带来后续问题。若无晋升机会，可专注个人成长或通过基础工作逐步建立信任。

• 🎯 晋升本质是情感决策：如同陪审团凭情感裁决后寻找证据支持，晋升也需先赢得信任，再提供工作证明
• 🤝 建立信任方式多样：可通过承担更大项目、提升工作能见度、专注完成关键任务或改善沟通等方式实现，需根据自身情况选择合适策略
• 👁️ 能见度与政治的平衡：若优秀工作未被知晓，需主动展示甚至参与办公室政治；若已被认可但被视为阻碍，则应专注本职避免纷争
• 📈 普遍采用“提前胜任”晋升模式：员工需先展现下一职级能力（如 L2 完成 L3 工作）约六个月，晋升实为对已有表现的追认
• 📊 职级标准存在模糊性：即便有职业阶梯文件，对“大型项目”“深度理解”等概念的定义仍依赖主观判断
• 🔑 信任常比规则更重要：九成情况下获得信任即获晋升，规章制度多用于合理化已做出的情感决策
• ⚠️ 非信任晋升的风险：因 CEO 青睐、岗位空缺或资历获得的晋升可能引发后续问题，如能力不匹配或重大失误
• 🌱 无机会时的应对策略：在公司停滞时可考虑离职，也可转向个人成长或通过基础工作积累信任资本
• 👥 关键信任对象：直属上司最为重要，其次包括部门负责人、高管及拥有软权力的意见影响者
• ⚖️ 复杂制度的双刃剑：过度细化的晋升标准可能被忽视，反而加剧偏见，且易陷入教条主义（如用时间分配衡量战略价值）