前两篇讲了用 AI 做计划的心法和工具，但都有个漏洞：PDCA 是个环，却全靠人手动推着转，人一忙就停。这篇讲怎么用一个长期运行的 AI Agent 把 Check→Act→Plan 半环自动转起来——它不替你干活，它是个不睡觉的监工，盯进度、发提醒、起草方案，卡住了就喊人。

上一篇讲了用 AI 做计划的心法，这篇讲兵器：有哪些 AI 工具能落地 PDCA，通用工具怎么选，怎么把 PDCA 封装成你自己的 AI Skill——文末附一份可以直接抄的 Skill 模板和四段 Prompt。

凡事预则立，不预则废。可做计划往往费力不讨好，跟踪、纠偏更是耗时。这篇讲讲怎么把管理学、心理学里那些做计划的老经验，跟 AI 结合起来，让 AI 帮你把 PDCA 环转起来——你省下的时间，用来创新创造。

“铁打的营盘流水的兵”和“英雄造时势”，这两句话在办公室里天天打架。我在国企、外企、私企都待过，兜了一圈的体会是：这道题的分界线不是行业，而是这块活的主要风险到底是“做错”还是“做不出来”。这篇给一个能上手的分类——护栏、记忆、仪式，解释为什么大企业的流程只会变多不会变少，一个改不了流程的普通人怎么用 AI 改掉自己和流程之间的那层界面，以及为什么“AI 替代人”只说对了一半：等、盯、催、填可以交出去，想、选、扛只能自己留着。

“超级个体”这个词被讲了太多遍，多半落在“一个人干十个人的活”。我作为一个写了半辈子代码、又被推着做点项目管理的老兵，让 AI 写代码当然也用，但真正想让它接走的是那些不想干又不得不干的活：走流程、开会、跟进度、要支持、写各种报告。这篇拆开讲：哪些活能交、哪些活死也交不出去，秘书型 AI 的五项职能，三段式落地路径，两个从头到尾走完的例子（带 deadline 的待办清单、例行周会），以及别人已经跑通的案例和我踩过的坑。

Anthropic 那篇《Building Effective Agents》我隔一阵就翻一遍，每次读都有点新体会。这篇是我第 N 次重读后的笔记：先把 workflow 和 agent 掰扯清楚，再把五种 workflow 模式和真正的 agent 逐个过一遍，重点讲什么时候该用、什么时候别用，最后落到一张选型表和一份落地清单。核心就一句话——别一上来就上 agent，能用简单模式解决的，绝不加复杂度。

2026-07-28 版 MCP 规范被官方称为"发布以来最大的一次改动"：协议核心从有状态改成无状态，握手和 Session Header 被砍掉，长任务、UI、鉴权都拆成了扩展。这篇先用大白话讲清楚这次到底改了什么、为什么改，再用一个"高德天气 MCP Server"的 Python 实例带你上手。

写了大半辈子技术文档，我一直用“教程 + 例子 + FAQ”那一套教别人用 API/SDK，后来又加了 AI skill，可还是不够直观。这篇聊聊我的反思：AI 时代的软件教程，应该是可交互、可执行、有 AI 随时答疑纠错的“活教程”——sandbox 演示 + 类 Notebook 的边看边跑 + AI 助教，能把市面上大多数静态教程甩开一条街。

为什么 Claude Code、Codex 这些编码 Agent 感觉比“裸模型”聪明得多？秘密不在模型参数里，而在模型外面那层叫 Harness 的壳。这篇翻译并解读 Lilian Weng 2026 年 7 月的长文《Harness Engineering for Self-Improvement》：什么是 Harness、三大设计模式、优化路线图（上下文工程→工作流→自我改进→进化搜索→权重联合优化）、七大未来挑战，以及我作为一个后端老兵的解读。

一份可实操的 AI Infra 自学路线——包含六阶段的知识地图、每阶段的推荐资源、动手实验和验收标准，附带完整的练级手册 Checklist，让后端工程师按图索骥，3~4 个月转型 AI Infra。

与其一个个手搓专业 AI Agent，不如造一台"孵化器"——一个父 Agent，听你一句大白话，就快速孵化出贴身服务某类需求的子 Agent。这篇聊聊这台"AI Agent 制造工厂"的运转机制：父 Agent 怎么把自然语言编译成五份产品图纸（角色/工具/规矩/提示词/验收），照着标准模板批量生产，再让子 Agent 用 ReAct 边想边做。以日程安排专家作为流水线上的第一个样品。

我以前有位高级 QA 老同事：每次 Design Review 之后，她都会拿出一整套验收用例，没通过就别把软件包交给她。如今我们已经不是同事，我却把她的质量纪律“蒸馏”成了 qa-acceptance-harness，并配上 lazy-harness-audit 和 lazy-harness-helper：先定义什么叫做对，再用证据验收、审计和改进 AI 编码护栏。

AI 写代码越来越快，还会推理、能给出好几套方案，很多人以为软件开发那点"难"终于要被抹平了。重读 Ousterhout 的《软件设计的哲学》，我越发确信：AI 干得了参谋，列得出选项，却还挑不出"最适合你这个系统"的那一个。复杂性不是被消灭，而是成了 AI 能帮你走多远的天花板——它反而让"判断与拍板"这件事更值钱，而不是更没用。

传统 RAG 把文档切碎成 chunk 各自嵌入，遇到"多个实体互相牵连"的问题就抓瞎。GraphRAG 用知识图谱补上了关系，却贵得离谱、更新一次能烧掉几百万 token。这篇精读港大与北邮的 LightRAG 论文（arXiv:2410.05779），先把传统 RAG 的老毛病摊开，再拆 LightRAG 的图索引 + 双层检索 + 增量更新，最后落到一张选型对照表。

想让 AI Agent 调用你已有的服务，眼下有两条主流路子：包成 MCP Server，或者包成一个 CLI 让 Agent 去 shell 里跑。这篇用 Python 和 MySQL 官方示例库 Sakila（查客户租片记录）做例子，把两者的技术细节、协议差异、部署形态、鉴权与安全边界摊开对比，最后给一张选型对照表和一份落地清单。

Sigmoid 曾是神经网络最经典的激活函数，如今深层网络的隐藏层却几乎都换成了 ReLU。本文用调光旋钮和单向门的类比，从“为什么需要激活函数”一路讲到导数、梯度消失，最后说清 ReLU 凭什么把它挤下主力位置——数学基础一般也能跟到底。

第二大脑不是网盘,也不是某个 App,而是一套"采集、提炼、连接、核对、内化、复用"的能力回路。本文讲怎么用你已有的工具——ChatGPT/Claude、本地 RAG、命令行脚本、Jupyter、笔记软件和自建 Wiki——把这套回路亲手搭起来,并接上"问、猜、跑、看、讲、测"六字诀。NotebookLM 只是众多参照物之一。

AI 最有意义的用途，不是替人更快地交作业，而是缩短“提问、猜想、实验、观察、解释、测试”的学习闭环。本文从认知心理学出发，用 Jupyter Notebook + LLM 演示如何把公式、算法和数据结构从纸面符号变成可以操纵、观察和验证的对象。

单个感知机只能画一条直线，连四条数据构成的 XOR 都解决不了。可正是这次失败，把人们引向隐藏层、非线性激活和反向传播。本文从 XOR 出发，讲清多层网络为什么能够学习新表示，再沿着这条思想谱系走到 Transformer 与 LLM。

今天的 LLM 动辄数十亿参数，其思想源头之一却是十几行代码就能实现的感知机。本文用垃圾邮件打分、门卫和画线的类比，讲清输入、权重、偏置、激活函数、学习规则与收敛边界，并给出一个可运行的 NumPy 最简实现。