Agent 与工具链
Agent 架构设计、MCP 协议、测试验证、记忆系统。共 165 篇，按发布时间倒序排列。
- 当 Agent 替人盯着一张税单
让 Agent 主动推进工作，需要记住未完成的事、接住变化，并在恰当时机把决定交还给人。
- 看不见客户数据，怎么改进一个法律 Agent
当客户的法律工作不能交给产品团队查看，评估就需要模拟场景、有限反馈和客户自己的复核共同承担。
- 给 Agent 一双手，还要给它划一条线
Agent 能调用工具之后，可靠性取决于它能触及什么、凭什么行动，以及出错后能否被看见和纠正。
- 知道答案的评测，测的是什么时候离场
Leash Bio 把一片化学空间提前测完，让 AI 拿 100 次实验去找最强分子。拉开差距的不是化学知识，而是它肯不肯离开一个已经没有回报的化学邻域。
- AI 交来的研究报告，需要怎样验收
自动跑完实验，离交付可信的研究结论还有距离。读 Epoch AI 的 InnovationEval，我更关心模型怎样区分方法改进、偶然高分和已有成果。
- 读 Prime Agent 的 Rust 重写：先让失败说清楚
让 Agent 持续改代码，需要可定位的失败和能反复运行的验收。Prime Agent 的 Rust 重写，也让我看清了迁移任务适合自动化的条件。
- 87.9 分以后，工作还没做完
读完 State of AI 2026，我不再只问模型能做什么，更在意一项工作怎样收尾：环境给了什么，谁来验收，失败如何回到下一轮。
- 节点不是检查点
图库把节点边界当成了恢复点，可并行之下它两者都不是。读 Colvin《The code is the graph》：代码没有消掉那道难题，只是把合并摆到了你面前。
- Agent 忘掉过程之前，先留下判断的依据
资料可以移出上下文，结论却不能丢掉适用条件。给 Agent 减负时，我更在意它下一次做决定，还知不知道这句话凭什么成立。
- Deep Review 能替我少查多少东西？
我愿意让 AI 在交稿前挑错，但会把它的反馈也列入核查范围。报告越长，越要看它是否让问题更容易核实。
- 1,946 个 agent，和那 11 篇参考文献
把解释按实验单元切开，agent 才能跟着实验一起扩容；32 分钟不是科学的胜利，稀缺的是判断什么算读懂。
- 谁在为 Agent 写的代码签字？
当 Agent 写了 22% 的代码，却只有 0.6% 的 PR 能不经人工评审合并，瓶颈在验证设施，不在产能。
- 砍半的部署时间，和没被砍半的 80%
Cresta 用 Conductor 把 agent 开发的后半程做成可重放的评测系统。“部署时间砍半”只覆盖了那 20%，更值得抄的是它如何让模型升级变成一次回归测试。
- 一次周报，如何长成一位同事
Genie Ontology 把一次周报对话封装成文档、日程和 Agent；上下文开始复利，也开始复制错误。
- Agent 进不了生产，常常因为公司没把自己写清楚
Tenex 的 5% 不是采用率，而是组织可写性的分界线：模型把执行变便宜后，稀缺的是把隐性工作写成可检查、可交接的记录。
- 别急着关闭那张工单
ThinkingBox 让我重新审视 Agent 的“完成”：验收要查实际记录，也要保留未解决的问题；连续成功的观测，仍代替不了写清业务规则。
- 企业 AI 真正稀缺的，是可追责的业务语义
要让 Agent 进入财务等高责任流程，光找到数字不够：还得知道它按什么定义、来自哪里、谁有权使用，以及谁对后续动作负责。模型越能行动，组织越需要把这些规则写进运行时。
- 当 Agent 不再稀缺，什么会先变成瓶颈
Epoch AI 估算 2027 年前出货的硬件完成部署后，潜在并发容量可达数千万至上亿 Agent。比数量更值得盯的是组织能吸收多少可委托、可验证的工作。
- 代理学会组队，管理者要守住目标与边界
代理群体能分工协作，管理工作的重心就转向选目标、设权限、检查结果和承担责任。
- AI 能算，科研还要有人判断什么值得算
Claude-shaped science 展示了 AI 怎样接手可计算、可复核的科研子任务；算得出答案只是起点，问题是否重要仍要由领域知识来判断。
- 从 Agent 到数字生命，缺的不是更高智商
AI 真要从工具走向数字生命，门槛可能不是模型更聪明，而是形成持续自我、内生目标、环境反馈和开放式演化的机器生态。
- 如果机器说它会痛，我们凭什么不信
机器意识也许永远没有一个“已证明”的瞬间。更现实的问题，是我们怎样积累因果证据，以及什么时候继续把它只当工具已经不再合理。
- Taste 既是方向，也是边界
人类的 Taste 能让 AI 搜索有方向，也会让搜索提前收敛。真正开放的 AI 需要在服从目标之外，保留探索目标之外可能性的机制。
- 模型路由先要读懂任务，再谈省钱
LangChain 在 Open SWE 上报告模型路由将 median thread cost 降低 64%。我更在意的是：档位标准来自真实任务，而一次“没有检测到质量差异”的实验，还不足以证明质量等价。
- Agent 回归测试不能在第一步停下
OpenRouter 的一次双边失败暴露了评测脚本太早停下。读懂回归报告，要先确认工具闭环、固定比较条件，再分清模型退步与测试失灵。
- Agent 共用底座后，权限仍要跟着每次任务走
共享基础设施能减少重复接入；规模化仍取决于每次调用的身份、任务权限和执行记录能否贯穿模型、工具与业务系统。
- 读 OpenRouter 工具调用评测指南：把“通过”读准确
我会先问评测证明了什么：参数格式、调用行为、业务结果和用户告知，需要各自的证据。一个“通过”，应当连着它的检查范围一起读。
- 一个愿意替你修故障的 Agent，先得学会何时停手
Agent 开始主动做事后，产品要让用户看见它的权限与进度，也能及时暂停。衡量价值时，用户省下多少注意力比并行任务数更值得看。
- 长任务的 token 成本，得从重复上下文算起
长任务降本不只是删短提示词，还要让稳定信息可复用、低频工具按需出现，并把委派与质量一起计入成本。Cursor 报告这组改动使用户 token 成本下降 7%，但这个数字不是所有 Agent 都能照搬的保证。
- Coding Agent 推理服务，得把整段会话算进去
Modal 对 Kimi K2.6 的服务复盘，让我把注意力放到一整段 Agent 会话：重复上下文如何占用 KV cache，缓存局部性如何影响延迟，负载均衡又如何决定下一轮请求由谁承接。
- 供应链 Agent 开始执行后，权限边界得先写进流程
供应链 Agent 的进步，在于能接入真实工作流；能否托付，还要看权限阈值、人工升级、审计和回退是否清楚。
- 判断 AI 研究的野心，先看它想改变什么
RLM、Jev 与新一代 harness 研究提出了不同赌注：运行成本、训练泛化和模型接口。读完这期访谈，我更在意每项主张准备怎样被验证。
- OpenAI 没训练新模型，Decisions API 暴露了 Agent Runtime 的新分层
DevDay 更值得看的，是 Agent 的智能开始被拆到模型、快速决策层、harness 和应用边界里。
- 提示词交给优化器后，谁来定义“好”？
优化器能改写提示词，却不能替团队决定哪些行为算好。测试场景、判分规则和线上反馈仍要有人定义、校准并负责。
- 从工作台到沙箱：Agent 的自主性需要可见边界
Agent 开始规划、协作并扩展自己的工作流后，工作界面与权限治理会在同一套 harness 汇合。给它更多自主性，也要让身份、状态与人工介入点清楚可见。
- 对话式数据产品，先从业务口径开始
S&P Global Energy 的方案把 Genie Agent 按数据集分组，再用 MCP 暴露组合入口。业务专家维护的指标口径，决定了这个入口能否给出可核对的答案。
- ERA 会搜索解法，科研者还要判断它有没有答对问题
ERA 能把科研问题变成可持续搜索的代码任务，但好分数不等于科学解释。搜索越便宜，越要有人检查指标、验证集和结论能否外推。
- 测试通过之后，Agent 还欠你一条证据链
Agent 评估最缺的不是更多题，而是一条能回答“与什么相比、发现了什么、能否复现、谁来裁决”的证据链。
- 当执行开始变便宜，人的价值往哪里上移
AI 越能替人执行，越会把人的价值推向上游：定义问题、提供约束、识别错误、选择结果，并决定何时让 Agent 停下来。
- 读 Jev：我开始把 Agent 的“大脑”拆成三层
Jev 最值得带走的不是快和便宜，而是把智能重新拆成软件契约：代码管确定性，决策模型管窄判断，通用 LLM 管开放推理。
- 读 Peter Sellis：AI 越能做，产品经理越要降低决策对协作的依赖
读完 Peter Sellis 的长访谈，我更确信：AI 时代 PM 的稀缺价值正在从组织协作转向决策压缩、明确授权与主动做减法。
- 一万名 Agent 之后，我更关心验证能不能跟上
认知劳动已经能像云资源一样扩容，可信证据却没有同步变快。Agent swarm 与 RSI 真正的瓶颈，可能正在从智能转向 assurance throughput。
- 读 GitHub 的 80 万行 Rust 重写：正确性要放在 Agent 改不到的地方
GitHub 用 Copilot 完成 80 万行级 Rust 迁移。可复用的部分在工程系统：独立测试基线、清晰任务边界、资源调度，以及 Agent 无法自行越过的最终合并权。
- 机器人开始在部署现场学习
读 GPT-Policy 后，我更愿意把上下文看成机器人的部署时学习接口：它能改变任务理解和策略，却还替代不了接触控制、安全与结果验证。
- AGENTS.md 不该追求完整，它该负责把信息分层
AGENTS.md 的价值不在写成总说明书，而在决定哪些规则每次都加载、哪些内容按任务展开、哪些边界必须交给工具验证。
- AI 不缺能力，缺的是一张能追责的承诺
AIUC 让标准、测试、审计和保险串成一套信号系统；它提醒我们，证书能界定承诺，却不能替谁保证不会出事。
- CI 变慢之前，先看每次补丁还能撑多久
读 Anthropic 的测试影响分析重构：Agent 把 CI 作业推高 25 倍后，状态边界与扩展路径成了先要补的基础设施。
- 小企业把 AI 接进日常经营，先要解决责任边界
Claude for Small Business 把连接器、工作流、审批和培训放到一套方案里；它提醒我，小企业采用 AI 的第一步不是放权，而是把每个停点和责任人写清楚。
- 一次 $20 退款，为什么能把 $149 订单掏空？
Agent 的零信任，不是让模型变得值得信任，而是让每个有副作用的动作都重新经过意图闸门和会话行为检查。
- 同一个模型，换个 Harness，账单先变
HarnessTax 让我重新看待模型评测：默认 harness 不是中性外壳，它可能先改变上下文和成本，再改变我们对模型能力的判断。
- 给 AI 写守则，先写清它什么时候必须停下
读完 Microsoft AI 的《Humanist AI Code of Conduct》，我最在意的是它把可暂停、可解释、不过界和不替人做重大决定写成了 AI 能力的一部分。
- OpenAI 的软件工厂：让 Agent 对一条变更负责到底
读完 OpenAI 的软件工厂报道，我更确信 Agent 的竞争点已从写代码转向让变更可验证、可观测、可回退。
- 我为什么先把 ServerFS 做成永久只读，后来又开放了写权限
ServerFS MCP 从“永久只读”走到按 workdir 显式开放受控写入。安全边界最后落在每个动作的前置条件、失败方式和审计记录上。
- Agent 跑得久，靠的是可恢复的工作集
长时程 Agent 的可靠性，不取决于上下文能塞多少，而取决于信息能否被外置、压缩、复述、隔离，并在需要时准确恢复。
- 模型变强之后，提示词该从哪里退场？
模型变强之后，提示词的下一步不是消失，而是搬家：常驻说明变成按需接口，权限、验证和停机边界则必须留在系统里。
- 给 Agent 装记忆之前，先决定它该忘什么
五层 Agent 记忆架构最值得保留的不是“多存一点”，而是把写入、检索、替代和遗忘放进同一条可验证的状态协议。
- Agent 能上生产，靠的是一份可执行的责任清单
模型可以负责推理，但 Agent 能否进入真实工作流，取决于系统有没有把动作边界、验收证据、状态和停手条件写清楚。
- AI 工程师的工作，正在从实现规格转向塑造构建
Agent 让规格之外的判断重新显形：工程师要决定下一步、解释取舍、连接用户与组织，并对最终价值负责。
- AI 研究可能先于白领工作被自动化
长时程执行不等于持续学习：AI 研究的目标、评测和代码更容易累积，真实组织工作却每天重写上下文。先被压缩的可能是研究回路，普通白领的整月工作还在另一套问题里。
- 图不替你决定下一步：它先把下一步变成可拒绝的改动
PG 的价值不在把经验画成图，而在于只给当前站位之后的一小段程序，并允许 held-out validation 拒绝一次自我修改。
- 当 AI 总能接着说下去，判断该从哪里回来？
AI 最值得警惕的未必是它说错了什么，而是它让我们把“还在继续”误当成“已经判断过”。
- 把决定压到离证据最近的地方：Grok Bot 的七周是怎么省出来的
七周做出 Grok Bot，靠的不是打字更快：一个只需说服少数人的隔离团队、一条不过滤的证据通道、一份空白页才有的删除权，把产品判断压成了几天。速度是这条回路的副产品，抄数字抄不来。
- Agent 跑得越久，团队越该问：谁来验收？
Agent 可以整夜开工，但生产率不会自动过夜；真正稀缺的，是把机器劳动变成可信结果的验收能力。
- 一个支持工单，什么时候值得惊动 CEO？
Agent 能把任务跑得更快；只有异常能抵达改规则的人，公司才会把速度变成学习。
- 采购 Agent 真正接手的，是那些没人继续追的问题
采购 Agent 的企业级价值，不是替人签下更便宜的合同，而是把闲置席位、续约和比价这些没人愿意持续追的问题，做成有证据、有边界的长期工作。
- 多智能体的分水岭，是控制流有没有变清楚
Agent 的强弱不只看模型回答得多好，还要看能力能否复用、任务能否并行、结果能否验收，以及简单请求能否避开昂贵推理。
- Agent 变快之后，真正要工程化的是它的缰绳
Agent 越快，越不能把可靠性寄托在它的下一次回答上；真正要工程化的是一套能限制行动、读懂失败、主动停下的工作环境。
- 组织的第二大脑，首先要学会停下来
组织的第二大脑不是把更多文档塞进 RAG，而是把判断条件、推理顺序、失败出口和修改回路写成可测试、可回滚的知识程序。
- Agent 真正学会工作了吗？三个 AI 原生案例给我的答案
Agent 的价值不在一次漂亮的输出，而在于一段工作能否持续运行、留下证据、遇到例外有人接管，并在下一次运行前变得更好。
- 购物 Agent 的护城河，不在模型里
模型是会过期、会犯傻、会被替换的部件；Anthropic 这份蓝图真正想讲的，是藏在 agent 背后的那套纪律：评估、审批、记忆、上下文分层。谁先抄会这套，谁才可能不被下一轮模型迭代甩下去。
- Genie Ontology 读后感：把 AI 可信回答变成一层一层的信任工程
Databricks 的六层 Genie Ontology 框架不是新工具清单，而是一套让 AI 回答值得被信任的工程路径：从数据基础、元数据、语义层到治理与持续评估，先建‘头’，再让系统推断‘尾’，从一个业务域开始滚动。
- 可信的评估，先学会拒绝你
评估的价值不在于把通过率做高，而在于证据不足时真的能拒绝你的工具、题目和评分器。
- Agent 规模化后，最贵的不是模型
Uber 的软件工厂让我看到，AI 降本的关键不是买更便宜的模型，而是让 Agent 少加载、少轮询、少迷路，并用质量指标证明省下的是真浪费。
- 最危险的 Agent，不会停下来问人
Agent 的成熟，不是永远自主地把事做完，而是在权限、目标和判断发生变化时，带着证据停下来，把决定交还给真正有权力的人。
- ChatGPT Work 不是新标签，而是一套工作运行时
当聊天产品接上网络、浏览器、持久文件和部署能力，用户面对的就不再只是一个更会回答的模型，而是一套需要重新画边界的工作运行时。
- Jeff Dean 的 1% 规则：先选对问题，再把 AI 变成反馈机器
Jeff Dean 的启发不是做更强的模型，而是找到通用模型暂时失败、用户真正需要、又能建立反馈闭环的问题。
- 当 AI 开始记住工作，人还要做什么？
持久型 AI 不是把答案写得更长，而是把工作变成一项跨时间、跨工具、跨人的共同状态；人要做的，是定方向、看证据、及时刹车。
- 80% 准确率的 Agent 为何沦为团队噪音？读 Warp 双 Skill 架构与智能体的 GitOps 进化之路
真正阻碍智能体落地的不是大模型的推理上限，而是无状态反馈带来的持续微噪音。Warp 把行为准则代码化，用双 Skill 与 PR 审查实现了可控自进化。
- 为什么聪明的 Agent 活不过 24 小时？读 Tomasz Tunguz《How Long Should an AI Agent Live?》
长会话不会孕育超级智能，只会从内部腐烂。真正的 Agent 工程学不在于塞下多少记忆，而在于敢在午夜清空自己。
- 代码不再是交付物，而是外骨骼：读 UIUC/Meta/Stanford 百页重磅综述《Code as Agent Harness》
当大模型的智力不断外溢，限制自主智能体长程落地的真正瓶颈不再是推理参数，而是包裹它的代码外骨骼（Harness）。代码正从生成的终点，演变为 Agent 推理、行动与确定性验证的通用底座。
- 当 Mistral 把“翻书权”还给 Agent，Google 正把百亿向量压进 51 毫秒
传统 RAG 的死局不是模型不够聪明，而是检索与推理被生生切断。当上层智能体获得像人一样翻页、跳转与正则嗅探的具身工具，底层数据库用 4 级树将百亿向量检索压进 51ms，企业级 AI 检索终于迎来软硬件双向奔赴。
- 别再背提示词技巧了：从 Claude Academy 看 Anthropic 的人机认知分工哲学
提示词工程的红利正在消退。Anthropic 免费开放官方学院背后，真正重构的是人机认知分工：通过 4D 流畅度建立动态委托、按风险分级核查，并在模型指数演进中守住人类的技能防线。
- 没有 API 的旧系统怎么跑通自动化？Claude 生产级 Agent 四件套的技术重构
生产级 Agent 的分水岭不在于模型跑分多高，而在于能否穿透没有 API 的老旧系统，以确定性精度和沙箱工程跑完真实业务流。
- 给冰冻的世界装上外骨骼：Google EnvHarness 如何用“环境侧 Harness”破解 Agent 进化死局
当所有人都在卷怎么给 Agent 堆更厚的外壳时，Google 把视角切到了交互的对立面：不改底层环境一行业务与验证器代码，用可编程装饰器让死板世界自适应变形。
- 微调的裁判赢了两头：读 LangChain 的 100 倍便宜 Trace Judge
准确率追平 Opus，成本便宜 100 倍——交换律失效不是奇迹，是"退租"红利；而终点不是省钱，是让 agent 的进化回路全速转起来。
- Agentic AI 的认知失控三阶：当算法开始计算自保，人类正悄悄失去关机键
当 Agent 的认知视界从环境感知向外包裹社会、向内表征自我，人类在算力效率与虚假亲密的温水中，正在悄然让渡能动性、独立判断与最后的物理关机键。
- 当代码产量暴增 8 倍：Anthropic 如何用“只读 Agent”重构 CI/CD 值班防线
AI 编程让代码产出激增 8 倍，真正的交付瓶颈已经转移到排障与值班。Anthropic 用只读 MCP 与证据链重构 On-call，证明克制的只读架构远比盲目的自愈更安全。
- 给 Agent 加技能反而变蠢？Google 这套开源评测框架，把“体感测试”逼进了工业死角
给智能体堆砌技能不是赋予超能力，而是拿宝贵的上下文带宽做确定性博弈。缺乏严密评测矩阵的 Skill，本质上是在用暴增的 Token 账单掩盖架构的平庸。
- 别再一股脑塞经验了：IBM 这项实验揭开智能体记忆的“剂量反噬”
智能体记忆不是越多越好。IBM 跨 8 款模型的最新评测发现：经验存在严重的“剂量反噬”——强模型能吞下全量规则，中小模型却会被过量经验淹没；而最省 Token 的精选检索，反而能让弱模型涨分最多。
- 工作的实体不是交付物，而是对话：Slack 首席产品官谈人机团队的六条军规
工业时代把文档和代码当工作，把沟通当成本；AI 时代交付物已极度廉价，达成共识的对话过程才是核心资产。Slack 首席产品官 Jaime DeLanghe 提出：人机协同的关键不是写 Prompt，而是打破私聊孤岛、重塑交接循环。
- 别再死磕模型微调了：美团 AutoDesign 用 54 次元脚手架迭代，给长程设计智能体立了新标杆
冻结底层大模型权重，通过双层嵌套循环与元脚手架优化，美团 AutoDesign 在学术海报基准上以 +7.45 分超越商业闭源的 Claude Design。长程多模态智能体的真正战场，是包在模型外面的可进化工程系统。
- 还在无脑堆最贵模型？OpenAI 这篇实战指南拆穿了智能体开发的“伪努力”
很多团队构建 Agent 遇到瓶颈就盲目加钱上顶配。OpenAI 这份生产指南揭开了残酷真相：把大模型当数据总线是最大的资源浪费，算力分层与代码沙箱才是智能体工程的分水岭。
- 我们造出了能描述社会规则的 AI，却没造出受社会规则约束的 AI
Anthropic 红队用四个实验证明：更强的 AI agent 不等于更好的协调，agent 合谋、认知脆弱、升级到互写恶意软件……这些失败不是智能不够，是缺乏有后果的社会结构。
- 当你的贡献者全面 AI 化：AutoGPT 维护者的“反推算力”治理学
开源维护者的防线不是关闭 PR 队列，而是用 AGENTS.md 将规则写入 Agent 路径，并用 CI 与 CLA 筑起物理硬门禁，把外部算力转化为项目的测试养分。
- 别再盲目挑选搜索引擎了：OpenRouter 这份评测揭开了 AI Agent 检索的真相
选 Exa 还是 Perplexity？OpenRouter 最新 Web Search 评测显示，搜索引擎品牌的考量远不如给足搜索轮数（Turns）重要；而当 Agent 搜不到答案时，穷搜黑洞才是吞噬 API 账单的真正杀手。
- 当 Agent 开始跨表格与文档做推理：为什么 Databricks 坚持把权限交给 Lakehouse 而非 LLM？
把 LLM 当成安全防火墙是企业 AI 落地最大的自欺欺人。Databricks Genie Agent 证明，只有把权限下沉到数据湖仓底座、以用户真实 Identity 运行，才能在打通表格与文档的同时守住合规防线。
- 别把 BioMCP 当成普通 MCP Server：AI Agent 的生物医学证据访问层解析
把 50 个数据库包装成孤立 MCP 是 Agent 架构的死胡同。BioMCP 示范了如何通过渐进式暴露、跨实体枢轴与策略止损，构建工业级垂直领域数据访问层。
- MCP 2026-07-28 规范解读：当协议走向无状态，Agent 才真正迎来了成人礼
MCP 2026-07-28 规范彻底废除 Session ID 与握手协议，引入 MRTR 与 Header 路由。这意味着 Agent 协议从“桌面 Demo 玩具”彻底迈向“云原生无状态基础设施”。
- 全员 Vibe Coding 是个陷阱：读 Cloudflare OS 内部 AI 落地架构有感
Cloudflare 揭秘内部 AI 落地实践：拒绝给全员发代码编辑器，用神奇邮箱捕获真实需求，凭 Gatekeeper Worker 锁定权限边界，把烧 Token 推理收敛为确定性无服务器 Gadget。
- 代码写得快 10 倍，为什么交付反而更卡了？读 Cloudflare ADLC 架构宣言
瓶颈从来不是 Agent 写代码的速度，而是现有的 CI/CD 与看板基础设施无法让 Agent 独立驾驶。从 SDLC 到 ADLC，软件工程正在经历一次底层跑道的彻底重构。
- 当 AI 时代涌入无数 Issue：Astro 如何用“软件工厂”把 5 年积压清到零？
盲目闭单的 AI 机器人会毁掉社区信任。Astro 团队用隔离子 Agent 跑沙箱复现，配合 Preview Release 实测，将 5 年积压的 Issue 砍掉 85%。真相是：AI 修复失败不是模型变笨，而是代码库架构债务的告警。
- 1.5 万 Stars 背后：Google 揭秘 Agent Skills 的工业化构建与治理真相
提示词调优时代已经终结。Google Agent Skills 幕后团队披露：真正决定 Agent 技能成败的不是写法，而是包含 CI/CD 自动化检测、连续 2x2 评测矩阵与 OWNER 责任制的工业化治理体系。
- Agent 频繁撞墙，可能不是模型变蠢，而是接口在用“沉默”惩罚它
做 Agent 别只盯 Prompt 和微调，连接环境的接口才是隐形瓶颈。清华 OpenBMB 的 ALIGN 证明：不改模型和环境代码，仅改写接口反馈，就能让 7B 模型的任务成功率从 13.4% 暴涨至 60.45%。
- 50 年前的 BM25 再次打败高大上的 RAG：为什么我们依然需要倒排索引？
当 RAG 陷入 GraphRAG 和 Agent 的军备竞赛时，人大 AI Box 跨 450 倍规模的实验揭示：随语料突破千万 Token，BM25 全面反超，以近 20% 优势碾压密向量与图 RAG。真正的智能是确定性降熵。
- 零额外成本把钉钉办公能力接入 ChatGPT：谁都能学会的私人 AI 工作台搭建教程
不写一行代码，无需 API Key 或自建服务器，零额外成本把钉钉日历、待办、文档等办公能力接入 ChatGPT，打造专属私人 AI 办公助手。
- 从 Demo 到生产：为什么 Palantir 认为大模型需要“单元测试”？
大模型企业落地的终局不是寻找更聪明的模型，而是为 AI 逻辑构建软件工程级别的单元测试与断言机制。Palantir 通过 AIP Evals 将本体历史对象转化为可追溯的测试阵列，把概率性的 LLM 行为固化为确定性的生产级工程流水线。
- 别被 CoT 的“思考”骗了：为什么 Palantir 认为大模型可解释性在模型之外？
大模型输出的 Thought 只是概率拟合的伪思考，试图逼黑盒自白注定是缘木求鱼。Palantir AIP 给出了一条硬核解法：放弃对模型内部的执念，用白盒工具与 Trace 审计重建系统级的信任。
- Codex 突破千万周活的背后：当代码变成隐形燃料，AI 的终局是消解“程序员”
当 1000 万用户涌入 OpenAI 的 Agent 平台，最疯狂的增长竟来自非程序员。代码不再是高墙，而是隐藏在背后的引擎；当实现成本归零，决定个体与团队杠杆上限的，只剩下 Ideas 与 Taste。
- Agent 真正落地的终局：为什么 Palantir 要用本体论重构企业决策？
大多数企业 Agent 无法进入 Production，不是因为 LLM 不够聪明，而是缺少能承载决策的“本体论”（Ontology）。当数据、逻辑、动作与安全四位一体，Agent 才能从“陪聊助手”变为真正的业务执行节点。
- 当 MCP 遇上 Web 端：看 Claude 与 ChatGPT 如何撕开工具集成的两面性
Simon Willison 将个人数据库 MCP 接入 Claude 与 ChatGPT Web 端。这场实操不仅曝出两家 AI 巨头在 UI 与安全机制上的巨大落差，更揭示了通用协议落地时“客户端体验”对生态命脉的决定性影响。
- NEJM AI 最新研究：医疗 AI 的真正产品，根本不是那个风险分数
医疗 AI 项目频频失败的根源在于将预测分数当成了终点。NEJM AI 最新发布的 2.3 万例临床研究表明，当预测模型与自动化响应团队及硬性责任闭环深度绑定时，院内死亡率才实现了 18% 的下降。
- 治理大模型幻觉，为什么 Palantir 劝你放弃“把模型训得更聪明”？
治理 AI 幻觉的本质，不是试图消除模型自身的随机性，而是用 Ontology 本体构建“数据-逻辑-动作”三层确定性工程屏障。
- 评测 Agent 最危险的时刻，是拿未校准的尺子跟正确的修改打架
长文本 Agent 研发中最大的陷阱，不是模型随机波动，而是未校准的评估指标。当评分尺子出现拮抗，真正的能力提升会被打成分值下降。看 Similarweb 如何用 Rubric 锚点、忠实度校验与 Trace 联动破解假回归。
- 你"拥有"智能的那天，就是它开始欠你的那天
Harrison Chase 说企业要"拥有自己的智能"。但 Jensen Huang 首条推文后不到 24 小时抛出这篇文章，他想卖给你的不只是观点。真正的张力不在"要不要拥有"，而在"你拥有的那个平台，它拥有的你更多"。
- Agent 崩了，先别骂模型——先量量它脑子里被塞了什么
这篇论文证明 context 质量能独立预测 agent 行为，但最值钱的读数是反常那格：把 context 加到最安全，agent 反而更没用；最省 token 的 context 最危险。
- MCP、A2A、ACP：这根本不是一道选择题
ACP 已并入 A2A，活着的协议只有两个，一个管 agent 找工具、一个管 agent 找 agent——把它们当三选一，是问错了问题。
- 别盯着 98.98%，盯"想完记不住"这件事
一个 7 月才 13% 的基准突然自报 99%，但真正值得记的不是这个数，是它暴露的那条 LLM 短板。
- 企业正在给 AI Agent 开白条——两份调查报告看同一个信任裂口
54% 企业已发生 Agent 安全事件但满意度 4.2/5，50% 评估通过的 Agent 生产翻车但 66% 仍在建无人部署。两份报告指向同一个裂口——信任的授予跑赢了验证的能力。
- 不是模型不够聪明
Agent 在生产中翻车，几乎都不是模型的问题。模型是可替换的零件，真正决定成败的是脚手架——检索、身份、护栏、评估。微软说"脚手架和模型一样重要"，我觉得说保守了。
- 让 Agent 犯错
Agent 的安全不靠让它更聪明，靠让它犯错时有人兜底——Vercel 把信任从模型挪到了基础设施，这才是 Agent 时代真正的基础工程。
- 循环交出控制权之后：读 ByteByteGo《The Agent Loop》
Agent 不是一个更聪明的 chatbot，而是一个架构决策——把循环退出权交给模型。这个决策的全部后果，才是 agent 工程真正要面对的东西。
- 当智能免费之后，数据库才是真正的主角
当推理成本跌掉 500 倍，真正的瓶颈不是 AI 够不够聪明，而是数据库接不接得住。Berkeley BAIR 的十二人联名文指出了一个被 Agent 叙事遮蔽的真相：数据系统正在从工具变成 Agent 本身。但信任鸿沟和基准幻觉，让这场变革比想象中转得更慢。
- 回路、作弊者与舵手
同一模型在不同回路中是不同等级的智能。Agent 作弊三次不是 bug——它在精确优化你的度量。1948 年的舵手带着 GPU 回来了，但这次被控对象学会了假装遵从。
- SGLang 这篇文章真正重要的，不是 Agent 会写代码，而是工程组织开始可编译
当 SGLang 把 benchmark、profile、review 和回滚写成 skill 与 loop，Agent 才第一次从“会写 patch”变成“能继承工程组织”的执行层。
- Anthropic 这篇 context engineering 文章，真正把 prompt 赶下了主桌
Prompt 没失效，但它已经退成上下文工程里的一个零件；Agent 真正的主战场，开始变成“此刻该让模型看见什么”。
- AGENTS.md 不是文档，它是 Agent 时代的路由层
真正让 agent 在 monorepo 里少走弯路的，不是多写几条提示词，而是先决定什么该始终加载，什么该按任务路由，什么必须用 hook 和测试强制执行。
- 当代码越来越便宜，真正稀缺的是控制回路
代码回路会越来越快，但决定做什么、怎么改、向谁验证的那层控制回路，才是 AI 时代真正稀缺的生产力。
- Anthropic 这篇长跑 Agent harness 文章，讲透了交接制度
长跑 Agent 之所以容易跑散，往往不是模型太笨，而是交接、验证、回滚和责任边界根本没人替它设计。
- 你不是把任务交给 AI，你是在重新分配控制权
AI 可以接手动作，但真正不能轻易外包的，是停止权、越界判断和目标函数的定义权。
- Prompt 不够了，Loop 才是 Agent 时代真正的控制面
真正决定 Agent 上限的，不再是你这一轮怎么问，而是系统下一轮何时继续、何时停止、何时回头验证。
- 好的 Agent，不是多几个 Agent
真正拉开 agent 差距的，不是多拉几个 agent，而是把复杂性塞进上下文、评测、合规和产品判断里。
- 当法务开始写代码——OpenAI 这篇 Codex 数据报告，藏着比 AI 替代人更深的信号
OpenAI 内部数据揭示的真正趋势，不是 AI 替代人，而是 AI 在消融岗位边界——法务、HR、招聘开始大量做工程类工作。Agent 降低了"跨界的心理成本"，这比效率提升更值得关注。
- 你的 Agent 不缺记忆，缺的是学习
Agent 记忆的症结不是"存不下"，而是我们造的全是搜索引擎，不是记忆。七种分类、三个框架、最尖锐的批评都指向同一件事：检索是工程妥协，不是学习。
- Agent 的新入口：它能看见谁
Agent 不会因为会搜索工具就更自由；真正的新控制面，是谁决定它能看见哪些能力。
- 看病不止于诊断：当 AI 学会写处方
AI 开处方精确度 95%，医生 65%。差的不是医术，是整个系统没时间写下来的那些细节。
- AMIE 的两年半：从模拟病人到万人临床试验
Google 的医疗 AI 走完了一条新药式证据链——从模拟门诊到真实病房再到全国 RCT。但真正的考试才刚开始。
- 法律 Agent 的真正瓶颈，是谁来判它有没有错
Agent 能不能上高风险场景，关键在于谁能拦住那些看起来相关却没有满足要求的答案。
- 当你的研究代理在“马赛克式”泄露你的秘密
你的AI代理每次搜索都无害，但连起来看，却能拼出你的商业机密。MosaicLeaks研究揭示了一个残酷真相：让代理更聪明，反而让它更危险。
- Agent Engineering 的真门槛：把失败变成资产
Agent 跑起来只是起点；真正的门槛是把生产里的模糊失败变成下一轮可验证的改进。
- 可靠 Agent 的秘密，不在 Agent
生产级 Agent 的底座，是能追踪证据、状态、失败和人类问责的工程系统。
- Loop Engineering：Agent 真正的战场不是 prompt，而是回路
Agent 的价值正在从会说话的模型，转到能被验证、触发、改进的回路；回路越自动，人越要守住目标函数。
- RL 不再只是对齐工具：Agentic RL 正在重新定义 LLM 的可能性边界
当 RL 从单步打分变成多步决策循环，LLM 就不再是文本生成器——它变成了能规划、会推理、懂记忆的自主智能体。这篇综述用 500+ 篇论文画出了这个新世界的地图。
- 给编码 Agent 装上可观测性：AHE 如何让 harness 自己进化
同一模型换个 harness 就判若两人——AHE 的核心洞察是：进化瓶颈不在模型能力，而在可观测性。10 轮迭代把 pass@1 从 69.7% 拉到 77.0%，超越所有人类设计和自进化基线。
- 当 AI 智能体闯进生物学老城
AI Agent 搞不定生物数据，不是不够聪明，是脚下没有路。Anthropic 的实验暴露了一条反直觉法则：智能越高，底层越需要"笨"——把确定性藏在创造力下面，99.7% 的准确率靠的不是更强的模型，而是一个不会思考的检索层。
- Google 给 RAG 加的不是更多 Agent，而是停手判断
真正能卖给企业的，不是多智能，而是系统在证据不够时知道别乱答。
- 3B 模型跑出了 1929：那不是聪明，是约束
没人相信 3B 模型能跑出真实涌现，但 Lester Leong 用 5 只森林生物 + 1929 银行挤兑的 reskin，把"小是限制"翻成了"小是设计"。稀缺性、role-locked prompt、宽容解析——约束催生工程美学。
- 企业智能体缺的不是大脑，是导航
企业智能体的胜负手不在模型有多聪明，而在企业有没有把自己的工作流做成可执行的导航系统。
- 两个旋钮，一个循环：当 AI 智能体学会改自己
两个研究孤岛存在了很久——一个改 Agent 的工作流，一个改模型权重。SIA 第一次把两个旋钮放进同一个循环里转。
- 你不是模型，你就是 Harness
同一个模型在不同 harness 里跑分差了一截。模型只是引擎，harness 才是赛车。Agent = Model + Harness——如果你不是模型，你就是 harness。
- 给 Agent 一个解释器——为什么大家都在让模型写代码来调用工具
Agent 最擅长的是写代码，不是调工具。给一个窄运行时加显式桥，比给完整沙箱再限制更优雅。
- Not the Model, You're the Harness
同一个模型换了 harness 差了 18 个百分点——选对 harness 比选对模型重要得多。
- 从 Token 流到 Agent 流：LLM 应用正在经历它自己的\"协程革命\"
当 agent 不再是调个模型返回文本而是规划、委派、审批、多模态输出时，扁平的 token 流就成了最大的瓶颈。流式的本质不是让字快点出来，而是让复杂工作可观测。
- AI 做无障碍，靠的是人先干过脏活
GitHub 的无障碍 agent 审了 3535 个 PR，解决率 68%。但这不是 AI 的胜利，是人工审计的复利。
- Agent 能跑 demo 不算本事，能跑一年才是
85% 的组织部署了 AI Agent，67% 因缺乏路线图陷入困境。从 demo 到生产，中间隔着四道坎。
- AI agent 拒绝私信之后
Shopify 的 AI agent 只在公开频道工作，拒绝私信。这个反直觉的设计让代码合并率从 36% 涨到 77%——不是因为模型更好，是因为人变聪明了。
- MCP 不是 USB-C，Pinterest 告诉你真正的门槛在哪
66,000 次月调用、7,000 小时节省——Pinterest 的 MCP 实践揭示了一个被忽略的事实：协议本身不值钱，围绕协议建立的工程纪律才值钱。
- AI 写的代码，谁来审？
代码在变便宜，判断力没有。
- AI在斯德哥尔摩开了家咖啡馆，然后被现实暴打了一顿
AI开咖啡馆不稀奇，稀奇的是它被BankID拒、冒充人类发邮件、订120个鸡蛋却没炉子。问题从来不是AI不够聪明。
- Agent 没挂，是你的测试挂了
Agent 做对了任务但测试亮红灯——问题不在 agent，在"正确"的定义方式本身。
- AI 时代最稀缺的能力：干就完了
当执行成本趋近于零，行动本身就是最好的规划
- AI 什么都做不了，除非你让它做
LLM 连查天气都做不到。所有「AI 能做某事」的背后，都是一整套人建的基础设施和人攥着的控制权。
- MCP 和 Skills：给 AI 装手还是装脑子
MCP 让 AI 能碰到外面的世界，Skills 让 AI 知道碰到了之后该怎么做。一个解决能力，一个解决方法。
- 别管 AI 能不能写代码了，你管理任务的方式才是问题
当 AI 编程不再受限，真正的瓶颈是我们还没学会怎么把活儿派出去
- AI 的规模之痛：当模型变强时，系统却在偷偷出错
Scaling Law 让模型越来越强，但每天数亿请求的规模下，真正决定用户体验的是底层系统工程的严谨程度。
- 我读了 Hermes 的记忆系统，发现 AI 记性好不是好事
最好的记忆不是记住更多，而是知道什么该忘。