代码能告诉我们系统现在怎样工作，却很少解释它背后的演进过程。 一个看似普通的改动背后，可能已经排除过几种方案：某个组件为什么没有复用，某个接口为什么保留旧实现，某条看起来多余的限制究竟防过什么问题。这些判断形成于需求讨论、代码评审，以及工程师与 Agent 的共同探索，却未必会在后续任务沿用。功能最终上线，这些判断很容易停留在当时的上下文里。 下一次类似任务到来，新的 Coding Agent 可以重新读懂代码，却仍要从头恢复这些背景。Forge Memory 就从这个问题开始：怎样让一次任务形成的工程判断，真正进入下一次任务？ 本文复盘我们如何围绕这个问题，一步步把工程判断变成项目知识，再让这些知识进入真实的 AI Coding 工作流。
你有没有被 AI 一本正经地“骗”过？现在越来越多人开始用 AI 辅助工作和生活，但用得越多，也越容易碰到它“装懂”的时候：编一个不存在的知识点、推荐一本查无此书的书、把错误的代码解释得头头是道，甚至还会顺着你的判断，把原本存疑的答案越说越肯定。我们邀请了一些鹅厂同事来聊聊他们被 AI 带偏过的离谱事件，当然，我们也想听听你们的故事，欢迎大家在评论区分享你的 AI“糊弄现场”
当写代码不再是瓶颈，真正容易断掉的是交付链：Agent 是否读到了可信事实、规则能不能在关键节点拦住错误、任务中断后能不能继续并拿出验收证据。 记录的是一条项目被走通的过程。 这篇把多次项目里反复撞上的问题抽出来：写代码不再是瓶颈以后，交付还会在哪里断掉。
如果说 Vibe Coding 让「写代码」这件事从「敲键盘」变成了「和 AI 对话」，那么今天要介绍的这项工作，可能正在把同样的故事在 3D 世界构建 领域重演一遍。
介绍了 ReAct 如何通过“思考→行动→观察”的 TAO 循环，让 LLM 从静态答题机变成能主动使用工具的智能体。 本文接续那篇的话题，分析 ReAct 在长任务中的上下文盲点，并由此引出 Context Engineering——一个专门为解决这一问题而生的全新范式。
先声明，这篇文章是我和AI一起完成的。AI“读过”我这些年的讲话和笔记，帮我把散落在各处的想法重新翻出来、连成了线。放在过去，这样的活得翻上许久材料，整理思绪；而现在，是我把念头讲出来，它帮我回看、整理、修正。这大概就是AI正在改变的一件小事——工具不再只是执行，它开始能陪你一起想。面对AI这样一次量级的技术变化，我们到底该用什么方法去拥抱它？下面这些文字，是我回想过去经历行业变革中的一些体会，以老登的视角寻找一些不变的道理，同时也时刻提醒自己要敢于放弃过去习惯与依赖的路径，以第一性原理思考，多聆听用户的声音。
