# Zhaphar

> Zhaphar 的技术写作、工程实践和 AI 时代构建记录。 A personal editorial site on writing, engineering, agents, and durable growth.

Append `/llms.md` to any article or session URL — or to the canon garden (`/canon/llms.md`) — for a clean Markdown version. Chinese lives at the root; English lives under `/en`.

## Posts

- [Agent 工程学习指南（2026–2027）](https://zhaphar.com/posts/ai/agent-engineering-guide-2026/llms.md): 从「会用 Claude Code」到系统性 Agent 工程的六阶段路径：吃透循环、工具、上下文、评测这些不变量，跟紧协议与编排范式这些变量，用自建评测集校准一切结论。
- [把智能体接进现有系统](https://zhaphar.com/posts/ai/agents-in-existing-systems/llms.md): 智能体不是新系统，它是现有系统的一个新客户端。用对待客户端的方式对待它。
- [评测先行的工程节奏](https://zhaphar.com/posts/ai/evaluation-first/llms.md): 没有评测集的时候，每一次改动都是凭感觉。有了它，才谈得上迭代。
- [上下文比提示词更重要](https://zhaphar.com/posts/ai/context-over-prompts/llms.md): 调提示词的收益很快见顶。真正决定输出质量的，是你喂进去的那些材料。
- [链表：绕过，而不是抹除](https://zhaphar.com/posts/data-structures/linked-list/llms.md): 把数组的账反过来：增删是几根指针的改写，随机访问没了。头插、尾插、中插、删除、反转，全部画进可步进的分镜。
- [数组与切片：连续内存的红利](https://zhaphar.com/posts/data-structures/arrays-and-slices/llms.md): 连续内存买到两样东西：O(1) 随机访问和 cache 友好；切片是数组的租约——长度、容量、扩容摊还，一次讲清。
- [指针与结构体：地址就是数据](https://zhaphar.com/posts/data-structures/pointers-and-structs/llms.md): 系列的地基：内存是一排编了号的格子，指针是存着编号的格子；&、*、nil 三个符号，加「Go 只有值拷贝」这一句。
- [复杂度：数步骤，不背表格](https://zhaphar.com/posts/data-structures/complexity/llms.md): Big O 不是背表格，是数步骤：同一段代码，数出它随规模长大的方式；摊还与常数把工程判断拉回测量。
- [打开引擎盖：这个系列怎么读](https://zhaphar.com/posts/data-structures/opening/llms.md): 系列开篇立记法：内存表、记录体、可步进分镜、Go 示例——每一篇都回答同三个问题：数据在哪，指针指谁，代价花在哪。
- [让模型做它擅长的事](https://zhaphar.com/posts/ai/let-the-model-do-what-it-is-good-at/llms.md): 模型擅长把模糊的东西变具体，不擅长保证一件事一定发生。工程的边界就在这里。
- [Go 1.15 有什么新变化？](https://zhaphar.com/posts/repoers-and-reviews/go1.15-what-is-new/llms.md): 一篇关于 Go 1.15 的版本笔记，重点放在链接器、运行时成本和标准库的小而实用的变化。

## Works

- [Seeker 探索者](https://zhaphar.com/works/seeker): 一个装 AI 的「壳」，壳里是可自由开关的小应用。对话就是入口：说出需求，Agent 自己判断该查数据、出卡片，还是跑你沉淀好的技能——它想成为的不是「又一个聊天框」，而是长在你自己数据上的个人工作台。
- [Library](https://zhaphar.com/works/library): 一个独立的 AI 电子书库：每本书只讲透一份你已经在付费的 AI 订阅或一套工作流——该学什么、能跳过什么、什么时候换工具。免费在线读，无注册墙。

## Sessions

- [如何把 Agent 放进真实工作流](https://zhaphar.com/sessions/build-with-agents/llms.md): 一次面向社群的短分享：把 Agent 从工具列表重新表征为上下文、角色、交付物和反馈组成的工作系统。
- [Codex App：从任务到可验证变更](https://zhaphar.com/sessions/codex-app-demo/llms.md): 一个产品演示脚本，展示如何把目标、上下文、执行和验证放进同一条开发流。
- [AI 时代如何重新设计学习](https://zhaphar.com/sessions/learning-with-ai-video-script/llms.md): 一份长视频脚本草案：从信息获取、理解、拓展、纠错到应用，重新组织个人学习系统。

## Canon

- [学习即压缩:表征 / 图式 / 心智模型 / 解释框架](https://zhaphar.com/canon#canon-learning-is-compression): 重写了我对「学习」的定义——从此读任何东西都问「能拿走什么结构」。 · 原文: https://www.dedao.cn/course/article?id=qavDm012GolV7OYAjxVxVjEy8zdk73
- [The AI-Native Software Engineer](https://zhaphar.com/canon#canon-ai-native-software-engineer): 把「AI 时代的工程师」讲清楚了——和我现在做的这套东西同源。 · 原文: https://addyo.substack.com/p/the-ai-native-software-engineer
- [How to Write a Good Spec for AI Agents](https://zhaphar.com/canon#canon-good-spec-for-ai-agents): 改变了我给 agent 写规格的方式。 · 原文: https://addyo.substack.com/p/how-to-write-a-good-spec-for-ai-agents
- [Building an AI-Native Engineering Team](https://zhaphar.com/canon#canon-build-ai-native-engineering-team): AI-native 团队怎么组织的参照。 · 原文: https://developers.openai.com/codex/guides/build-ai-native-engineering-team
- [System Design Primer](https://zhaphar.com/canon#canon-system-design-primer): 系统设计的入门正典。 · 原文: https://github.com/donnemartin/system-design-primer
- [OSSU — Computer Science](https://zhaphar.com/canon#canon-ossu-computer-science): 自学计算机的那条路。 · 原文: https://github.com/ossu/computer-science-cn
- [Refactoring.Guru — Design Patterns](https://zhaphar.com/canon#canon-refactoring-guru-design-patterns): 第一次把设计模式讲得我真看懂了。 · 原文: https://refactoring.guru/design-patterns/
- [Addy Osmani](https://zhaphar.com/canon#canon-addy-osmani): 我追的 AI 时代工程实践第一信源。 · 原文: https://addyosmani.com/
- [Dave Cheney](https://zhaphar.com/canon#canon-dave-cheney): 学 Go 时最信得过的那个人。 · 原文: https://dave.cheney.net/
- [The Go Blog](https://zhaphar.com/canon#canon-the-go-blog): Go 语言的官方权威源。 · 原文: https://go.dev/blog/

## English

- [Wiring an Agent into Your System](https://zhaphar.com/en/posts/ai/agents-in-existing-systems/llms.md): An agent is not a new system. It is a new client of the system you already run — treat it like one.
- [Evaluation First, Then Everything Else](https://zhaphar.com/en/posts/ai/evaluation-first/llms.md): Without an eval set, every change is a hunch. With one, iteration finally means something.
- [Context Matters More Than Prompts](https://zhaphar.com/en/posts/ai/context-over-prompts/llms.md): Prompt tuning hits a ceiling fast. What actually decides output quality is the material you feed in.
- [Let the Model Do What It Is Good At](https://zhaphar.com/en/posts/ai/let-the-model-do-what-it-is-good-at/llms.md): Models are good at making vague things concrete. They are bad at guaranteeing that something happens. That boundary is where engineering lives.
- [What is new in Go 1.15?](https://zhaphar.com/en/posts/repoers-and-reviews/go1.15-what-is-new/llms.md): A field note on Go 1.15, with editorial components for code, references, tabs, steps, and callouts.
- [Seeker](https://zhaphar.com/en/works/seeker): A shell that holds AI, filled with mini-apps you can switch on and off. Conversation is the entry: say what you need, and the agent decides whether to query your data, produce a card, or run a skill you've saved — not another chat box, but a personal workbench that grows on your own data.
- [Library](https://zhaphar.com/en/works/library): An independent AI e-book library: each book covers exactly one AI subscription you already pay for, or one workflow — what to learn, what to skip, when to switch tools. Free to read online, no signup wall.
- [Putting Agents Into Real Workflows](https://zhaphar.com/en/sessions/build-with-agents/llms.md): A community session on reframing agents from tool lists into work systems made of context, roles, artifacts, and feedback.
- [Codex App: From Task to Verified Change](https://zhaphar.com/en/sessions/codex-app-demo/llms.md): A product demo script for showing how goal, context, execution, and verification fit into one development flow.
- [Redesigning Learning for the AI Age](https://zhaphar.com/en/sessions/learning-with-ai-video-script/llms.md): A long-form video script on reorganizing personal learning from acquisition to understanding, expansion, correction, and application.
- [学习即压缩:表征 / 图式 / 心智模型 / 解释框架](https://zhaphar.com/en/canon#canon-learning-is-compression): 重写了我对「学习」的定义——从此读任何东西都问「能拿走什么结构」。 · source: https://www.dedao.cn/course/article?id=qavDm012GolV7OYAjxVxVjEy8zdk73
- [The AI-Native Software Engineer](https://zhaphar.com/en/canon#canon-ai-native-software-engineer): 把「AI 时代的工程师」讲清楚了——和我现在做的这套东西同源。 · source: https://addyo.substack.com/p/the-ai-native-software-engineer
- [How to Write a Good Spec for AI Agents](https://zhaphar.com/en/canon#canon-good-spec-for-ai-agents): 改变了我给 agent 写规格的方式。 · source: https://addyo.substack.com/p/how-to-write-a-good-spec-for-ai-agents
- [Building an AI-Native Engineering Team](https://zhaphar.com/en/canon#canon-build-ai-native-engineering-team): AI-native 团队怎么组织的参照。 · source: https://developers.openai.com/codex/guides/build-ai-native-engineering-team
- [System Design Primer](https://zhaphar.com/en/canon#canon-system-design-primer): 系统设计的入门正典。 · source: https://github.com/donnemartin/system-design-primer
- [OSSU — Computer Science](https://zhaphar.com/en/canon#canon-ossu-computer-science): 自学计算机的那条路。 · source: https://github.com/ossu/computer-science-cn
- [Refactoring.Guru — Design Patterns](https://zhaphar.com/en/canon#canon-refactoring-guru-design-patterns): 第一次把设计模式讲得我真看懂了。 · source: https://refactoring.guru/design-patterns/
- [Addy Osmani](https://zhaphar.com/en/canon#canon-addy-osmani): 我追的 AI 时代工程实践第一信源。 · source: https://addyosmani.com/
- [Dave Cheney](https://zhaphar.com/en/canon#canon-dave-cheney): 学 Go 时最信得过的那个人。 · source: https://dave.cheney.net/
- [The Go Blog](https://zhaphar.com/en/canon#canon-the-go-blog): Go 语言的官方权威源。 · source: https://go.dev/blog/