dotskills是为AI编程Agent设计的技能库，提供标准化操作流程，旨在解决AI在复杂任务中的不稳定表现。它将资深工程师的工作流程转化为可复用的技能包，帮助AI更系统地完成任务。文章介绍了多个技能包的功能及结构，并阐述了dotskills与MCP的协同关系，强调其在软件开发中的实用性和工程化特点。

Mythos Preview模型在漏洞挖掘方面取得重大突破，能够自动发现并串联低危漏洞，生成可验证的PoC代码。该模型在多语言审计中表现出色，真阳性率高达90.6%。绿盟科技通过智能体架构实现规模化漏洞挖掘，提升了安全审计的透明度和效率。

微软的MAF 1.4引入了Harness Engineering，旨在将智能体开发从能力拼装转向系统工程化。Harness作为执行骨架，确保智能体稳定完成任务，关注任务输入、步骤管理和状态治理。MAF 1.4通过命令平面、状态解耦、上下文治理和环境边界管理，提升了智能体的工程能力，使其能够稳定地完成任务。

Garry Tan探讨了通过“薄驾驭，厚技能”的架构哲学提升AI效率。他认为，臃肿的驾驭层和弱技能会降低生产力，建议采用简化的驾驭层和复杂的技能文件，以增强AI的判断力和执行力。合理设计技能和解析器可以使AI更高效地处理任务，实现自我进化，从而提升开发者的工作效率。

MAF（Microsoft Agent Framework）通过五层架构将Agent Skills转变为可动态加载的能力单元，强调技能标准化描述和统一建模，适用于多租户电商客服场景。

微软发布 Microsoft Agent Framework 1.0，标志着 AI Agent 开发进入工程化时代。该框架整合了以往技术，明确能力边界和核心抽象，支持复杂任务管理与复用。引入 Agent Skills 使知识和流程维护更便捷，提升开发效率。开发者需关注状态管理和流程控制，以推动 AI 系统的长期发展。

中国AI大模型市场快速增长，但许多项目面临落地困难，主要因缺乏标准化的工程化支持，导致技术与业务脱节。Harness Engineering应运而生，旨在构建完整的运行环境与制度体系，解决AI项目的工程化问题，实现规模化应用。

本文探讨了福州大学利用大语言模型（LLM）解析假期调课通知的实践。通过将自然语言通知转化为结构化调课信息，系统显著减轻了用户的认知负担。LLM被封装为函数，能够高效解析不同格式的通知，提升用户体验，最终自动生成调整后的课程表。

本文探讨了AI智能体时代的软件工程，指出开发者在“氛围编程”中面临的挑战。尽管AI能快速生成代码，但缺乏架构意识和可维护性，导致团队痛苦加剧。文章强调需通过系统性工程约束确保软件可靠性，推动软件工程进入“工程化”的黄金时代。

文章回顾了云原生AI算力平台的实践，指出云计算已进入“智算”时代，面临大模型挑战。通过统一管理异构资源，提高资源利用率，支持AI工程化，构建高效工作流和调度策略，推动AI从小作坊向云原生解决方案转型。

本文介绍了一种针对游戏社区内容审核的AI方案，结合提示词工程和ReAct框架，审核准确率提升至81%。该方案有效解决了长文本审核、语言多样性和灰色语境误判等问题，确保系统在高并发场景下稳定运行，并具备可追溯性和快速迭代能力。

微软于10月1日发布了Microsoft Agent Framework，旨在简化AI代理的开发。该框架结合了Semantic Kernel和AutoGen的优势，提供图工作流编排、线程状态管理和原生可观测性，支持多语言和多模型兼容，降低开发复杂性，推动AI工程化进程。