Agent 架构需要拆清任务计划、工具调用、上下文记忆、权限控制、状态机和可观测性边界。

对比 Kiro、OpenSpec 和 Spec Kit 的关注点，帮助团队选择适合自己的 AI 规格驱动开发路径。

团队落地 AI 工程需要统一工具、上下文、评测、权限、成本和知识沉淀，而不只是购买账号。

选择向量数据库时，要从数据规模、过滤条件、更新频率、混合检索、权限和运维成本出发。

Agent 工具调用提示词需要明确工具边界、参数契约、确认条件、失败处理和审计信息。

高质量提示词的核心是上下文组织，本文拆解事实、指令、示例、历史和检索内容的边界。

Few-shot 示例能提升稳定性，也可能引入偏差。本文说明示例选择、排序、覆盖和更新方法。

面向产品和创业读者的 Prompt 工作流：先定义用户场景、输入来源、输出标准和失败处理，再打磨表达。

提示词工程不只是写好一句话，而是把目标、上下文、约束、输出契约和验证方式组织成可维护系统。

Prompt 评测需要覆盖主路径、边界条件、恶意输入、缺信息和回归样例，而不只是看几个漂亮输出。