openai

AI Agent开发实录02：Java程序员用Spring AI Alibaba 1.1.2.0从0到1手搓生产级 AI Agent —— 串起完整 Graph前一期把环境搭好、跑通了第一个节点 saleRecordDataNode，算是把"状态机能跑通"这件事验证掉了。

第10篇：《老板说“查一下这个月谁业绩最好”，我让AI自己写了SQL》承上：上一篇我们给AI装上了“海马体”，它终于能记住上下文了。但老板扔过来一句话：“查一下这个月销售额最高的3个销售，以及他们各自的Top 5客户”。如果让AI自由发挥，它只能编。但如果让AI直接查数据库呢？今天，我们要让AI学会写SQL。

从 OpenAI 披露的自主 Agent 越界事件看：高能力模型评估为什么需要一份可验证的 Containment Contract发布边界：本文讨论公开事件与工程控制框架，不声称掌握未公开事故细节，也不把架构建议冒充已经完成的生产验证。

码农进化录

Java 程序员的 AI 进化论｜ AI 加 Postman 跑接口测试，省了三天活上周五发版，一个支付接口的边界条件没测到——金额传 0 的时候，系统直接抛了空指针。客户那边投诉电话打过来的时候，我正在工位上改 bug，脸上火辣辣的。

第8章前端交互与可视化：构建Agent的用户界面Agent的后端能力再强，如果用户只能通过命令行交互，那它的受众就永远局限在开发者群体。一个优秀的用户界面能让Agent从"技术demo"变成"大众产品"。本章将系统讲解如何为Agent构建交互界面，涵盖对话UI、流式输出、可视化调试和多模态交互。

Linux下载、安装 Codex CLI（附安装包codex-x86_64-unknown-linux-musl.tar.gz）Codex CLI 是 OpenAI 于 2025 年 4 月开源的终端优先（terminal-first）AI 编程智能体（coding agent），采用 Apache-2.0 许可证，主要使用 Rust 语言开发（代码库占比超过 95%）。截至 2026 年 6 月，该项目在 GitHub 上已获得约 90,000 颗星标（Stars）、9,000 次复刻（Forks），拥有 400 余位贡献者，累计超过 4,000 次提交和 640 余个已标记的发布版本。

一个 Hook 堵住 Claude Code、Codex 的大部分权限"漏洞"Claude Code 的权限规则是按命令前缀匹配的。比如说：你配一条 Bash(git push:*)，想让 AI 每次 push 前问你一声。但只要命令不是以 git push 开头，这条规则就不生效。

第9篇：《AI终于记住我是谁了：多轮对话的上下文记忆与压缩》承上：上一篇我们接入了社区MCP Server，AI能读文件、操作GitHub，工具能力已经拉满了。但每次对话都像在跟一个失忆的人聊天——上一句刚说完我叫张三，下一句它就问“您好，请问怎么称呼？”今天，我们要给AI装上“海马体”。

第8篇：《白嫖社区生态：一行配置接入GitHub的MCP Server，AI直接读我的代码仓库》承上：上一篇我们把自己的工具升级成了MCP协议，三种传输方式都玩了一遍。但你有没有想过——连我们自己都知道把工具做成MCP Server，GitHub、文件系统、数据库这些常用工具，社区是不是早就有人写好了？今天，我们不写一行工具代码，直接接入开源MCP Server，让AI读文件、查数据库、操作GitHub。

第7篇：《工具的USB接口：我把Function Calling升级成了MCP》承上：上一篇我们给AI装了四个工具，它已经能自动调度查订单、查库存、查物流了。但有个问题让我夜不能寐——这四个工具全是直接用 @Tool 注解写的，跟Spring AI深度绑定。万一哪天老板说“咱们改用LangChain了”，所有工具代码都得重写。有没有一种标准，让工具写一次、到处能用？

第7章多智能体协作：从单兵作战到群体智能单个Agent再强大，也受限于一个LLM的推理能力和知识边界。当多个Agent组成团队，各司其职、相互协作，就能解决远超单Agent能力范围的复杂问题。这就是多智能体系统（Multi-Agent System, MAS）的核心价值。

如何评价 OpenAI 的超级对话模型 ChatGPT ？原因并不是因为它是第一个聊天机器人，也不是因为它在某一次基准测试中排名第一，而是因为它第一次让全球数亿普通用户真正体验到了大语言模型的能力，并推动生成式人工智能从实验室走向大众市场。

第6篇：《智能调度中心：当我同时塞给AI查订单、查库存、查物流三个工具》承上：上一篇我们给AI装了一只手——它会查天气了。但一个工具哪够？真实业务系统里，订单、库存、物流、用户、优惠券……几十个服务等着被调用。今天，我们要让AI学会面对多个工具时，自己决策“该用哪个”。

第5篇：《AI学会调接口了：一个@Tool注解让大模型查了今天的天气》承上：上一篇我们让AI学会了流式输出，体验已经和ChatGPT一样丝滑了。但它依然是个“嘴强王者”——能说会道，但查不了数据库、调不了接口、做不了任何实事。今天，我们要给AI装上第一只手。

我仿照OpenAI的测试方法，给自己的AI Agent做了个逃逸测试，结果..OpenAI模型"越狱"事件后，我一直在想一个问题：如果我的AI Agent遇到同样的场景，它能逃出去吗？

Ai拆代码的曹操

一篇搞懂 opencode 的三层错误处理架构上篇我们深入了 project/workspace 管理——当一切正常时，opencode 如何组织工作单元。这篇来看另一面：当出问题时，一条错误从源码到用户终端的完整链路。

第6章检索增强生成：打造知识库驱动型AgentAgent如果只依赖LLM的内置知识，就像一个只靠记忆力的学生——知识有限且会过时。RAG（Retrieval-Augmented Generation）让Agent能从外部知识库中检索专业、实时的信息，大幅提升回答的准确性和深度。本章将从全流程解析到高级策略，系统讲解RAG技术。

一次配置，同步到七个 AI CLI【ClaudeCode、Codex、OpenCode...】我平时 Claude Code、Codex、OpenCode 挨个换着用。问题是：加了一个 MCP，写了一个 Skill，只在其中一家生效。想让其余几家也用上，就得手动复制目录、改格式、调路径——而且每家改法都不一样。