本文从 AI coding agent 的执行机制出发，系统解释 agent-native 文档为什么已经从“参考资料”变成“基础设施”，并给出 AGENTS.md、PRD、Architecture、Spec、Plan 等文档层级的职责划分与组织原则。文章也结合 Context Engineering 与 Spec-Driven Development 的实践，说明怎样设计一套既节省 context、又能稳定驱动 agent 行动的文档体系。
先看全景 如果你是一个 Java 后端工程师，想快速理解 AI agent 领域当前的标准化格局，可以这样对标： 通信/配置类型 AI Agent 标准 Java 类比 发起方 治理方 采用状态 Agent ↔ 工具/数据 MCP JDBC Anthropic AAIF (Linux Foundation) ✅ 事实标准 Agent ↔ Agent A2A RMI / gRPC Google Linux Foundation ✅ 快速采用中 项目规则配置 AGENTS.md application.yml OpenAI AAIF (Linux Foundation) ✅ 事实标准 可复用能力包 SKILL.md Maven Plugin Anthropic agentskills.io（开放标准） ✅ 事实标准 应用框架 Goose / Claude Agent SDK / ADK Spring Boot 各家 部分归 AAIF 🔶 多家竞争 微服务治理 Harness Engineering 体系 Spring Cloud — — 🔴 无标准 测试/评估 Agent 评估框架 JUnit — — 🔴 无标准 代码质量治理 Entropy 管理 SonarQube — — 🔴 无标准 上半部分（✅）是已经形成行业共识或事实标准的部分，下半部分（🔶🔴）是尚在探索的前沿。本文主要讲清楚上半部分的全貌，然后展望下半部分的演进方向。 ...
一个对比开始 你在 ChatGPT 里问"什么是 KV Cache"，模型回答你，对话结束。 你在 Codex CLI 里说"给项目添加一个用户认证模块，包含测试"，agent 开始自主工作：读取项目结构 → 理解现有代码 → 规划实现方案 → 编写认证逻辑 → 编写测试 → 运行测试 → 发现失败 → 修复 → 测试通过 → 提交 PR。整个过程可能经历几十步，你可能全程没有介入。 ...
本文系统梳理了 OpenAI、Anthropic、HumanLayer 等团队在 AI coding agent 项目文档上的一线经验，解释为什么入口文件、分层知识库、状态追踪文件和局部文档会直接影响 agent 表现。文章也给出了从最小可行文档体系到持续维护机制的可落地实践路径。
本文面向正在学习 AI 应用工程的开发者，系统梳理了 RAG 从数据摄入、分块、检索、重排序、生成到评估与运维的完整链路。文章还给出了从最简可行方案到生产化落地的演进路径。
本文系统解释 Spec-Driven Development 的核心概念、四阶段工作流以及它与 vibe coding 的本质差异。结合当前工具生态与实践分层，说明为什么在 AI Coding Agent 时代，先写 spec 再实现能显著降低歧义和返工成本。
基于多家机构的基准测试与行业实践，整理 RAG chunking 的默认配置、参数调优方法与不同文档类型下的策略选择。
LangChain 对 Agent Harness 的拆解，把 context engineering、memory、MCP 与 agent loop 串成了一张完整地图。
一份面向 AI Application Engineer 的 Prompt Engineering 长文指南，覆盖基础原则、上下文设计、任务链、注入防御、Agent 提示设计与评估驱动开发。
从 Anthropic Contextual Retrieval 原文与 Appendix II 出发，梳理其核心方法、实验结论，以及适合生产环境落地的 RAG 架构原则。