# coding agent

本文复盘 Orca v0.2.21 的一次真实生产事故：长任务已完成并提交，但 DeepSeek 最终没有产生可见 content 或 tool call，导致 Goal 被判失败。文章涵盖日志取证、语义恢复、会话历史保护、usage 统计、失败持久化、预算治理、回归测试和正式发布。

本文复盘 Orca 的 @ 文件搜索重构：从同步 git ls-files/ignore 索引和 10 万文件上限，迁移到基于 Rust、ignore 和 Nucleo 的流式搜索会话。文章涵盖 Claude Code 与 Codex 的实现对比、latest-wins 查询、三层过期结果防护、目录浏览、warm catalog、线程所有权、symlink 安全和百万路径性能验收。

本文复盘 Orca 基于 Rust 和 ratatui 的 TUI 滚动性能重构，涵盖事件循环饥饿、Markdown 渲染缓存、消息 revision、视口虚拟化、超长会话滚动、PTY 探针和真实 DeepSeek API 验证。

本文从 Orca 一次真实 DeepSeek V4 适配出发，解释 DeepSeek-native Coding Agent 为什么需要沿着 provider 行为、tool calling 语义和 agent runtime 一起调整。文章复盘 update_plan 布尔状态归一化、reasoning_content 工具回放、DeepSeek strict mode、update_goal、glob anyOf schema、max_tokens、空响应重试、工具数量上限、系统提示瘦身和 real API 探针。

本文复盘 Orca 一次真实卡死反馈：从 session 日志定位长会话压力，到参考 Codex 和 Claude Code 的上下文处理方式，再到实现 ranged read_file、grep/glob 分页、去除旧 reasoning replay、soft compaction、tool output micro-compaction、TUI 状态提示和回归测试。

本文复盘一次 Orca 真实实践：从“从0到1复刻红色警戒游戏”的目标出发，使用 Vite、TypeScript、Phaser 3 和 Cloudflare Workers，经历 workflow 失败、系统迭代、交互优化、构建验证和部署上线，观察 Coding Agent 从生成代码走向可交付工作的关键。

这篇文章从 Coding Agent 的真实执行场景出发，解释 Harness Engineering 的本质：它不是 Prompt Engineering 的升级版，而是围绕 Agent 执行生命周期建立的一套权限、环境、状态、观测、验证和恢复系统。

这篇文章从一个运行超过 1 天 19 小时的 Codex goal 任务出发，解释 Loop Engineering 为什么不是 while true，并结合 boss-skill 与 orca 两个实践，拆解 Agent 长任务闭环里的目标、状态、验证、失败恢复和退出条件。

这篇文章复盘 Orca 针对 DeepSeek Prefix Cache 的九轮缓存优化：从 budget hint 破坏 system prefix，到 volatile 上下文、wire 等价 token 计算、summary state、extractive compaction、remote summary 0% 命中，再到最后用真实 API 评测把主链路稳定到 99% 左右。

从 AI Coding Agent 的落地现实出发，解释 Harness Engineering 为什么会在最近迅速升温。文章从定义、背景、关键能力、与 Tool Calling 的区别，以及它对 Agent 产品竞争格局的影响几个角度展开，讨论为什么当模型能力逐渐拉平后，真正决定 Agent 可用性的，往往是它背后的执行系统工程。

深度解析IDE Agent与CLI Agent的差异与互补关系。从Cursor Agent Mode到Windsurf Cascade，IDE已经进化成Agent，但CLI依然有其不可替代的价值：Headless运行、模型自由切换、Unix哲学组合、透明可控。本文探讨为什么在AI Coding时代，CLI和IDE不是替代关系，而是工具箱里的不同工具。

基于 MIT Technology Review、OpenAI、Google DeepMind 等权威机构最新研究的深度调研报告。剖析 2026 年 Coding Agent 五大核心趋势：AI 代码占比达 90%、SWE-bench 性能突破 70%、多智能体协作系统、Vibe Coding 自然语言编程兴起、开发者角色从编码者转型为智能体编排者。涵盖 Claude Code、Cursor、Devin、GitHub Copilot、Amazon Q 等主流产品深度对比，以及生产力提升 25-55% 背后的代码质量与技术债务隐患分析。

从"Copilot"（军师）到"Coding Agent"（实习生）的范式转变，揭秘 AI 如何从提供建议进化为自主执行任务。文章通过作者自研工具 Blade Code 深度解析 Agent 的核心公式（LLM + Prompt + Context + Tools），探讨 MCP、多智能体协作及自我进化闭环，展示 AI 驱动开发的未来图景。