AI 普及并不会在 2026 年封顶，真正的分水岭在于从"会用 AI 工具"走向"能构建 AI 系统"。本文结合一篇 2026 AI 预测与个人观察，讨论为什么 AI 工程时代尚未真正开始，以及未来三年开发者的现实窗口。
AI 工程
人工智能工程、大模型、智能体应用与实践。
介绍如何通过配置扩展市场、安装 AMP 和 CodeX 插件，以及调整编辑器设置，将 Antigravity 打造为符合 VS Code 使用习惯的 AI IDE。
基于我持续数月的深度使用体验，分析 NotebookLM 如何帮助我更高效地学习新技术、阅读庞杂文档、生成教学大纲，并给出未来期待的改进方向。
Kimi K2 Thinking：国产思维型大模型的真正觉醒
Kimi K2 Thinking 的开源标志着国产模型进入思维型大模型时代。本文拆解其技术路线、核心理念、MoE 专家分工、工具链交织推理路径，并分析其与国际前沿 Claude/Gemini 的路线关系。
TRAE SOLO vs VS Code：AI 工程实体对比
以 AI 工程实体框架，系统对比 TRAE SOLO 与 VS Code（含 Copilot、Agent HQ）在自动化、协作、模型透明度等方面的差异与工程定位。
分析闭源大模型加速与开源生态同步响应现象，探讨工程视角下的核心矛盾与基础设施演进。
从开发者视角系统拆解 ChatGPT Atlas 浏览器为何体积庞大、架构复杂、与 Chrome 完全不同，并深入解释 Agent 模式的运行机制与限制。
作为长期使用 ChatGPT、Codex、Chrome、VSCode 的开发者，我从 Atlas 上线第一天开始将其作为主力浏览器。本篇以开发者视角梳理它的架构优势、工作流增强点、痛点与潜在方向。
KAITO 与 KubeFleet：CNCF 正在重塑 AI 推理基础设施
KAITO 与 KubeFleet 推动 AI 推理基础设施标准化，助力多集群智能调度与声明式部署，提升全球化、高可用与成本优化能力。
使用云原生大模型开源四件套构建高效推理体系：KServe + vLLM + llm-d + WG Serving
云原生与 AI 原生架构师必读：KServe、vLLM、llm-d、WG Serving 如何形成大模型推理的云原生“四件套”，各自定位与组合优势，以及生态融合趋势分析。
AI 推理系统的核心诉求恰好与 Kubernetes 的设计哲学契合。本文从工程化视角探讨云原生在 AI 基础设施中的地位与未来趋势。
GitHub Copilot CLI 自定义 Agent 实战
本文介绍 GitHub Copilot CLI 新增的自定义 Agent 功能，演示如何在命令行中创建你的 AI 助手，自动执行代码修复、任务委托和工作流集成。