最近，我刷到一条推文，让我眼前一亮。AI 领域的老朋友 elvis 发帖说，他花了几个小时，用 DeepSeek-V4-Pro 驱动的一个叫 Pi 的 coding agent，硬是搭起了一个完整的 Agentic Engineering Wiki（代理式工程知识库）。他直言自己被震撼到了--这个开源模型在实际 agent 工作流里的表现，接近甚至在某些场景下赶上了 Claude 和老一代 Codex 的水平，而且开箱即用，成本还很低。
从零到 Wiki，只用了几个小时
elvis 把 DeepSeek-V4-Pro 接进 Pi 这个相对基础的 agent 框架，没做太多特殊调优，就让它开始工作。agent 的任务很明确：围绕“如何构建可靠的 AI Agent”这个主题，去各大公司文档、arXiv 论文、Hacker News、Reddit、GitHub 等地方搜集材料，然后把它们消化、交叉验证，最后提炼成结构化的内容。
结果让人印象深刻。agent 不仅能自主完成多步研究，还能把来自 Anthropic、OpenAI、Google、Meta、Stripe 等公司的工程实践，论文里的理论，以及社区里的真实讨论，全部汇总起来，整理成51 条可直接落地的建议。这些建议不是泛泛而谈的鸡汤，而是附带来源、区分事实与经验、能立刻复制到项目里的实用 tips。
更难得的是，整个过程几乎没出什么大乱子。很多模型在长上下文、多轮迭代时容易逻辑崩盘或者输出质量波动，但 DeepSeek-V4-Pro 在 FireworksAI 的推理服务上跑得又稳又快。作者特别提到，它的 1M 上下文长度配合高效的 KV cache 压缩，让 agent 在长时间思考和信息整合时依然保持高效和低成本。
Wiki 到底长什么样？
这个知识库已经完全开源，放在 GitHub 的 dair-ai 仓库里： https://github.com/dair-ai/dair-workshops/tree/main/agentic-engineering-wiki
整个结构设计得很清晰，像一本活的参考手册，而不是一次性文档。核心部分包括：
-
Tips（建议）：共 51 条，按 7 大类组织：
- Tool Use（工具使用）
- Prompting（提示工程）
- Evaluation（评估）
- Reliability（可靠性）
- Deployment（部署）
- Memory（记忆管理）
- Orchestration（编排与多代理协作）
每条建议都力求实用。比如新手可以先从工具调用和提示设计入手；想把 agent 推到生产环境的人，则重点看评估、可靠性保障和部署相关的内容。
-
Companies（公司实践）：收集了 9 家公司的 Agent 工程经验总结，包括它们最近发布的博客和最佳实践。
-
Papers（论文提炼）：10 篇关键研究论文，被浓缩成对从业者真正有用的 takeaways，避免了学术论文常见的晦涩。
-
Tools（开源工具）：精选 14 个值得关注的 GitHub 项目。
-
Community（社区声音）：从 HN 和 Reddit 上挑出的高质量讨论，包含真实世界的失败案例和反直觉发现。
-
Timeline（时间线）：梳理了 Agentic Engineering 领域的重要发展节点。
欢迎有实际经验的朋友一起维护它--毕竟，Agentic Engineering 还在快速演进，最好的知识库从来都不是一个人或一个模型能完成的。
你最近在用哪些模型搭 agent？遇到过什么特别头疼或特别惊喜的点？欢迎在评论区分享，一起交流。
原创文章，更多AI科技内容，微信搜索橙市播客小程序
微信扫描下方的二维码阅读更多精彩内容
声明：本站所有文章，如无特殊说明或标注，均为橙市播客原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。如果你是AI总结，务必加上此版权说明
