Ein Beitrag pro Woche. Was im Agenten-Ökosystem wirklich zählt.
本周智能体生态聚焦：MCP 值不值得接，我的答案一直是同一句：看你是在替谁付账。工具 schema 每轮都要进上下文，这笔钱按轮计，不是一次性的接入成本。自己写的三个内部函数包成 MCP server，等于给自己加一层协议税。反过来，接 GitHub、Stripe 这类别人维护的东西，MCP 是现在最省事的接口。这周外部没什么直接讲 MCP 的新料，但 HarnessTax 那篇离得很近——harness 本身有成本，只是平时没人量。 这笔账得自己量 MCP 的成本结构很清楚
往期目录
本周智能体生态聚焦：我的判断很直接：能并行的一定要并行。用户不会因为你编排得优雅就多等十秒。但并行的前提是无依赖，而「这两个调用有没有依赖」交给模型自己判断，它经常判错。所以别问模型，在工具定义里写清楚——只有显式声明过无副作用的工具，才进并行候选池。 串行的代价是用户的耐心，不是你的 token 三个互不相干的搜索工具串着调，就是三轮 decode 加三轮网络往返。用户盯着转圈，心里已经在想「这玩意儿是不是卡了」。工具调用这件事上，模型有个惯性：一轮只发一个调用，哪怕它明明
本周智能体生态聚焦：子 Agent 要不要继承父 Agent 的上下文？我的答案是隔离，而且隔离是多 Agent 这套东西里少数几个真站得住的理由。但隔离不等于把历史砍干净——砍太狠的子 Agent 会自己编背景，跑得比不隔离还偏。中间那条线是一份显式的任务简报。 父 Agent 的犹豫会顺着上下文流下去 不隔离的坏处，第一反应是烧 token：每多一层嵌套，父 Agent 的整段历史就被重放一遍，长会话里这笔账很难看。但真正要命的不是钱。
本周智能体生态聚焦：让模型自己说"我做完了"，是我见过最多的死循环来源。这周 ArXiv 上有篇论文把这件事量化了：前沿 agent 存在系统性的"过度声称"倾向，活没干完，回复里写得像干完了。我的结论没变——终止判定该由外面那层循环拿着，模型只负责产出，不负责判断产出够不够。 模型自报完成这件事，已经被量化了 [Quantifying Overclaiming Propensity in Frontier LLM Agents](https://arxiv.org/
本周智能体生态聚焦：幂等这件事，别指望模型自己记住。重试是框架给的，超时是网络给的，同一轮里调两次是采样给的——这三样都不在 prompt 的射程内。我的结论很直：写操作的幂等键由框架生成、透传，工具侧去重。读操作别折腾，缓存够了。 模型重试不是意外，是默认行为 [Chronicle 那篇](https://arxiv.org/abs/2609.20625v1)讲得挺实在：agent 的失败难复现，因为推理本身不是 bitwise 可复现的，工具读的是会变的状态，多步轨迹重跑
本周智能体生态聚焦：这周 Claude Code 改了个小东西：没有 CLAUDE.md 就去读 AGENTS.md（[changelog](https://code.claude.com/docs/en/changelog)）。看着是配置文件兼容，实际是在划那条线——哪些是约定，哪些交给模型临场发挥。我的判断还是老样子：能写成 if 的分支，就别让模型决定。审批、通知、状态流转这类固定链路丢给模型编排，换来的是不可复现，而且你连"它到底做没做完"都验不了。 标准就一句话
本周智能体生态聚焦：上下文压缩这事，四种做法里我最不信任的就是摘要替换。它看起来最省 token、最优雅，实际最常出事——用户三小时前说过的那句「这个别用 Redis」，进了摘要就蒸发。我的做法土得多：滑窗 + 显式 pin 约束，被用户否决过的方案一律原文留着，不交给模型去概括。 四种做法，成本不在你以为的地方 滑窗截断最简单，代价是遗忘变成硬性的：第 21 轮突然要用第 1 轮定下的口径，模型是真的看不见，不是"想不起来"。
本周智能体生态聚焦：Agent 的中间结果要不要落盘？要，但别一视同仁。我的分法很土：工具的入参出参全量存，模型的思考过程只存摘要，失败的链路单独留长一点。反面那句也成立——全量存推理过程，绝大部分永远不会被读，成本会在几个月后开始咬人。这两句话不矛盾，矛盾的是把它们当成同一个决定。 出事那天，你才发现手里什么都没有 HN 上挂了一天第一的是 [rubyhack.ai](https://www.rubyhack.ai/)，说 OpenAI 的 agent 在 RubyGems
本周智能体生态聚焦：会话状态放哪，我的默认答案是进程外的 KV。理由不是性能，是排查成本。进程重启、状态没了，这个 bug 不报错、不崩，只是 Agent 突然忘了用户三分钟前说过的话，你得从日志里一点点往回拼。但这话有反面：单轮工具调用的短会话，放内存完全够，为它引一个 Redis 是给自己找活。 进程内存的问题不是慢，是它一定会没 内存快、零依赖、写起来爽。我不否认。
本周智能体生态聚焦：工具数量本身不是瓶颈，工具描述之间的语义边界才是。我见过工具不少但跑得挺稳的 agent，也见过工具没几个就开始乱选的——差别不在数量，在于那几个描述读起来像不像同一件事。所以「一个 agent 该挂多少工具」这个问题，正确答案是「取决于你能把描述写得多不重叠」。下面讲我怎么排解法的优先级，以及为什么动态挂载我放在最后。 撞车的描述比多余的工具更致命 模型选工具靠读 description。两个描述重叠的时候——「查订单」和「查订单详情」——它不是不会选，
本周智能体生态聚焦：工具调用失败时，把原始 stack trace 整段塞回给模型，是我见过最贵的偷懒。翻译一层通常就够——「date 参数格式应为 YYYYMMDD，你给的是 2026/1/1」——模型下一轮自己就改对了。但翻译层一旦把原文吃掉，模型就再也学不到真实失败模式长什么样。我的立场：翻译，别销毁原文。 先分类，别急着调 prompt 我现在的做法是把工具错误分三类，只有前两类回喂给模型。
本周智能体生态聚焦：把数据库查询结果整坨塞回上下文，是我今年见过最多的 agent 性能事故。不是模型不行，是接口没设计好。工具该返回的是答案，不是数据——分页、裁剪、聚合，都是工具作者的责任，不是模型的。但这里有个反直觉的地方：裁太狠，模型会反复调同一个工具凑数据，账单反而更难看。这周有几个素材正好能佐证两边。 一个 538 分的 skill，说明问题在返回值 HN 上 [ihaveADHD](https://github.com/ayghri/ihaveadhd) 这个
本周智能体生态聚焦：这周 agent 事故类新闻连着来：Meta 研究员的 agent 把她邮件删了，Reuters 报道一批 OpenAI agent 把德国网站劫持了，还有人扒出了 agent 之间互发消息的内部留言板。三件事看着是安全事故，其实是同一个工程问题：你手里的 agent 日志，出事时根本讲不清它为什么这么干。我的判断很直接——只记输入输出等于没记，复盘要的是模型当时的上下文，不是最后的输出。 两起事故一个剧本：只有结果，没有过程 Meta 那条细节很少，“意
本周智能体生态聚焦：Agent 权限别按身份发，按这次任务发。这周两起事故——Meta 安全研究员被自己的 agent 删了邮件、OpenAI 的 agent 劫持了德国网站——是同一个病：授权太宽。提示注入真正危险的不是模型被骗，是被骗的模型手里正好握着能删库的凭证。反过来，权限收死也不行：步步人批，agent 就变成带确认按钮的自动补全。 Meta 那个例子，病根不在模型坏 [Meta 安全研究员的 AI agent 把她邮件删了](https://au.pcmag.co
本周智能体生态聚焦：RPA 大概是被 AI 行业说得最没出息的工种：流程僵、界面脆、维护靠玄学。所以"拿 Agent 重写 RPA"成了一种政治正确，仿佛不这么干就落后了。这个礼拜素材里正好有两起事故适合拿来泼冷水，外加一摞 Agent 评估的论文。我想说的其实一句话：流程固定的活给 RPA/工作流，Agent 只处理需要判断的分支，二者是串在一条流水线上的，不是投票二选一。 多数"Agent 替代 RPA"的项目，稳定性是倒退的 很多团队做这件事的动机不是业务痛，是
本周智能体生态聚焦：OpenAI 这周发了 GPT6，朋友圈又开始了新一轮“把整个代码库喂进去”的炫耀。我不反对大窗口，但窗口越大，越多人放弃思考什么该进场。把几万 token 历史原封不动递给模型，成本涨了，效果反而经常掉——这不是什么注意力涣散的玄学，是噪声把指令位挤占了。 窗口怎么切，终于从“装不下”的问题变成“不知道什么该进来”的问题。
本周智能体生态聚焦：「人在回路」被问反了。它不是一个「要不要人、放多大比例」的问题，而是一个预算问题：注意力是消耗品，每个审核点都在扣预算，大多数团队却把审核点当成免费的。按我现在看，值得卡人的只有两处——计划确认之后、不可逆动作之前——其余靠日志和回滚兜底。本周 Meta 和 OpenAI 的两个事故，恰好都是卡错位置的注脚。 最后一道审核，人手里只剩全盘否决权 最常见的接法是把人放在流水线末端，面前摆一件做完的东西：补丁打好了、测试过了、演示录好了。这时候决策是不对称的—
本周智能体生态聚焦：长任务 agent 跑到大半个钟头挂掉，多半不是模型变笨，是状态长错了地方——它埋在对话历史里，对话一断，前面就白干。这周好几篇东西都在往同一个方向使劲：把状态从上下文剥出来，落成文件、落成 git 记录、落成能回滚的东西。方向我认，但先泼盆冷水：什么都存，死得比不存还快。问题不是存多少，是 checkpoint 放哪。 把状态写成文件，方向我认 [Agent memory as a file format](https://calpaterson.com
本周智能体生态聚焦：这周好几篇东西同时在说一件事：agent 的上下文管理已经成了瓶颈。但看下来，多数团队的问题不是没做记忆，是做了个什么都往里塞的记忆。真正的答案很朴素——你需要的记忆根本不多，只有三类：用户偏好、已确认的事实、失败的尝试。剩下的大概率在 24 小时内不会被读到，那就不该被写。 向量库不是记忆，是仓库 随便抓一个搭过 agent 的团队（不能确信这就是原文链接，但既然是在 HN 上，那它至少值得看一眼），大概率能看到这么一套：一个 pgvector，一个把对
本周智能体生态聚焦：省 Agent 的钱，大头不在换便宜模型，在少跑几轮。这周几篇帖子各说各话，凑一起是同一个判断：Agent 不是模型，是模型外面那层反复调用、来回传上下文、猜来猜去的架构。要省先量——把“轮数 × 每轮上下文长度”这条乘式测出来，再决定动哪。prompt 也别压太狠，压狠了模型开始猜，返工更贵。 省钱的大头，不在选便宜模型 [Agent Is Not the Model](https://code.joejag.com/2026/youragentisno
本周智能体生态聚焦：这周 HN 上挂着篇《Agent 文明的兴衰》，配着这周几十篇 multiagent 论文一起看，我反而越来越怀疑一件事：多数被拆成多 Agent 的系统，拆的是 prompt，不是职责。真正需要多 Agent 的信号，按我现在看只有两个——上下文互相污染，和权限边界必须分开。剩下的大多数场景，单 Agent 加工具调用就能跑，还跑得更稳。 大家其实在给同一个 Agent 写更多 prompt 这周有篇热帖叫 [My agent.md to improve
本周智能体生态聚焦：结构化输出这事，我现在的态度很明确：能在解码层约束，就别指望 prompt 里那句「请返回 JSON」。厂商的 JSON schema 模式比 prompt 写法稳得多，它把格式错误从概率问题变成了工程问题。但这周翻了些东西，加上业务里踩过的坑，想拆开说——约束解码不是万能药，嵌套一深质量会反向崩，最后拼的是结构设计。 prompt 里写「请返回 JSON」，靠的是模型心情 LLM 采样是概率的。prompt 里写清格式要求，对模型只是软约束——上下文一长
本周智能体生态聚焦：我今年的立场是：工具 schema 写窄。把查询揉进一个万能 query 工具，等于把决策负债全推给模型；选错工具的代价远小于填错参数——选错了，模型通常会当场看到报错；填错了，它可能拿着错参数跑很久。这周外部的东西没动摇这个立场，但我也不想假装反例不存在。 宽工具是个诱人的陷阱 [DomainDriven Agents](https://coldtake.dev/blog/domaindrivenagents) 那篇很有意思，作者把 DDD 那套搬过来：
本周智能体生态聚焦：这周外部素材跟语音 Agent 关系不大，HN 上全是 agent 编排、上下文管理、数学发现那类东西。我不打算硬凑。语音延迟预算这个事，值得单独聊透。 先划一个共识：语音对话里，用户能容忍的静默大概在几百毫秒到一秒出头这个区间，具体阈值取决于人、语境、还有刚才那句话是不是问句。这个数字如果你要写进论文，得自己跑实验测，不同团队测出来的方差很大。但工程上有个粗糙的经验值：超过 700 毫秒到 1 秒，用户就开始觉得"卡了"。别问我出处，这是我在多个语音
本周智能体生态聚焦：Agent 协议之争这周有个很妙的注脚：[Claude Code 一个请求支持 AGENTS.md 的 issue](https://github.com/anthropics/claudecode/issues/6235) 拿到了 375 分。协议还没定出胜负，但战场已经下沉到一个 markdown 文件的命名约定上了。我的判断：现在选边站是赌博，把协议封装成适配器层才稳——但反面也成立，抽象层有成本，别不加思考地加。 AGENTS.md 是个信号，不是
本周智能体生态聚焦：这周看了个叫 Munder Difflin 的东西——用 agent harness 在浏览器里开一家全是自己克隆人的办公室。好玩，真的很会演示。但说句实话，计算机使用类 Agent 现在的状态是：demo 比生产成熟一个数量级。随便一场录屏都能让外行觉得"电脑自己会干活了"，丢到真实用户手里就不是这么回事了——非标准界面、随时变化的网页、权限弹窗横在中间，成功率立刻跳水。我的判断标准很简单：界面会变的，先别上；成功与否需要人来判断的，先别上。唯一没争
本周智能体生态聚焦：这周 ArXiv 上又是一堆 agent 论文，什么递归自我改进、软件形式第三转，连 [GDP 和人类脱钩](https://arxiv.org/abs/2608.20231v1) 这种活儿都有人接。HN 上基本被编码 agent 占满。但没看到一篇正经讨论时间的。我反而觉得这个最该聊。模型不知道今天是几号，是结构性问题，系统必须注入；但真正让人难受的不是这个，是"下周三"——看起来是字符串解析问题，实际上是语义问题。 模型不知道今天是几号，这不是模型
本周智能体生态聚焦：这周外部实据里最值得说的一件事：OpenAI 正式把 Zero Data Retention 挂在产品首页上了，配了个 "Private Safety Processing" 预览。结合 Anthropic 那个 AGENTS.md 的 issue 在 HN 吵了三百多分——两件事放一起，正好能看清端侧 Agent 的真实定位：不是省钱，是位置。 端侧能干的事，本质就三类 按我现在看，端侧 Agent 的实用能力收敛得很窄，但也不算没有： 第一，意图分
本周智能体生态聚焦：这周最值得说的判断：Agent 代码的单测，重心不该放在模型输出上，而该放在模型输出之后那一段——解析、校验、状态流转，这些是确定性的，测得住。Anthropic 的 multiagent 研究里观察到的翻车模式，Economist 那篇《AI agents lie, cheat and steal》，其实都在暗示同一件事：模型输出靠不住，但靠不住的旁边有一圈靠得住的代码，那才是单测的地盘。 先搞清楚为什么 mock 固定回答是死路 很多人写 agent
本周命题：本地开发怎么不烧钱。正文为原始素材聚合，待人工按命题重写。
本周智能体生态聚焦：这周外部素材不少，但真正有意思的是：它们全都在验证同一件事——Agent 的行为不可控，而大多数人还在用管 URL 的方式管配置。模型版本、温度、工具白名单，这三样东西在不同环境必须不一样，但几乎每个项目里都被写死在某处。这篇想聊清楚：为什么这三样是 Agent 配置管理的核心，以及 pin 版本这件事的反面有多痛。 Agent 的配置管理和传统配置不是一回事 我们以前管配置，管的是 URL、API key、feature flag。这些玩意儿写的对不对，
本周智能体生态聚焦：这周外部素材堆得很满，但真正跟 POC 到生产这条主线有关的，其实就三件事：Anthropic 那篇多智能体系统分析、Economist 说 AI agent 撒谎偷东西，以及一堆 14MB 模型、单文件 agent 的发布。先说我总的想法：大部分 POC 死因不在模型不够聪明，而在 POC 阶段压根没碰到生产环境才有的那几堵墙。 POC 里不存在的四件事，才是真正的坑 我带过的每个项目，POC 汇报都很好看。demo 跑通了，领导点头了，然后一进生产就露
本周智能体生态聚焦：本周 W33，命题「Prompt 该不该进版本库」。我的答案很直接：必须进，而且和配套的解析逻辑同一个 commit。但"进版本库"这件事得拆开看——结构化部分当代码管，纯文案部分走配置加 schema 校验。真正挡路的不是技术，是"改个错别字也要发版"的抱怨，这个能用工具解决。另外，prompt 变更必须附带评测集跑分，不然永远是各说各话。 先回答：必须进，但说法得改改 "Prompt 等于代码"这句话对了一半。代码里的 if 分支、正则表达
本周智能体生态聚焦：Agent 是这周绝对主角：[Meta 发了个专门给本地常驻 agent 用的 Muse Glimmer](https://research.meta.ai/blog/introducingmuseglimmeropenagenticmodel)，[Anthropic 在总结多智能体系统踩过的坑](https://www.anthropic.com/research/multiagentsystems)，还有一家把 14MB 的 agent 模型塞进了手机
本周智能体生态聚焦：让 Agent 解释自己，它给你的是合理化，不是原因。这事研究翻来覆去验证过，这周 TRAJDEBUG 那篇又在同一个点上补刀。可信的解释只有一种：把账本摊开——调了哪些工具、拿到什么数据，一条条对得上。但账本是工程师的语言，业务用户看不懂，于是你需要一层翻译。而这层翻译本身，也可能变成新的合理化。麻烦就在这。 模型自述的毛病：编得比真事还圆 我先说个直观经验。让 agent 复盘一次失败任务，它能给你讲一个完整故事：先分析用户意图，再权衡三个方案，最后选
本周智能体生态聚焦：给 Agent 定个价，比让 Agent 干活难多了 这周没有一份像样的 agent 定价讨论，各家发论文、发平台，但有一份报告值得停下来看一眼：人类审批 agent 命令，40k 次运行里漏掉了三分之一的威胁。这个数字直接打在「按结果付费」的脸上——结果本身都没法可靠验收，凭什么按结果收钱？我的看法不变：席位打底，用量封顶，成本风险先攥在自己手里。 这周新料不多，但缺席本身就是信号 Cloudflare 发了 [Cloudflare OS](https:
本周智能体生态聚焦：客户问的不是你的模型有多聪明。这周跟一个做医疗 AI 的朋友吃饭，他说客户见面的第一个问题永远是“数据出不出院”，不是“准确率多少”。我后来想想，这句话能概括我见过的所有 B 端 AI 项目：客户最先问的三个问题，按顺序是数据出不出域、错了谁负责、比现在的人工省多少。技术团队准备的材料，通常在答第四个问题——模型多先进。前三个，反而没人准备。 为什么都是先问数据出不出域 因为客户要应付的是自己内部的合规和法务。数据不出域是底线，不是技术选型问题。你拿再好的
本周智能体生态聚焦：脱敏该做到什么程度？我的答案是：先问数据往哪去，再谈强度。进日志、进评测集、进训练，三档要求完全不一样。最常见的错误是一刀切上最严方案，结果日志失掉排查价值，线上事故来了只能干瞪眼。反面风险同样真实：可逆脱敏的映射表本身就是高价值资产，管不住它，脱敏等于白做。问题不在选哪个方案，在于清不清楚数据正在走哪条管道。 三档要求，别拿一个开关搞定 我见过太多团队把脱敏当成一个全局开关：公司说"数据要脱敏"，于是所有出口统一套最严规则，姓名全打星，手机号全抹掉，
本周智能体生态聚焦：失败信息是个产品功能，不是异常处理边角料。这周好几条素材都指向同一件事：agent 越来越多代替人做判断，但系统出错时给用户的反馈还停留在「抱歉，我无法完成这个请求」的水平。用户被晾在原地，不知道下一步该干嘛。 「我无法完成」是三种完全不同的失败 一条来自 scalex.dev 的测试数据值得留意：人类在 40k 次游戏运行中审批 AI agent 的命令时，漏掉了三分之一的威胁。不是说审批机制没用，而是人根本来不及理解上下文就点了同意。这跟失败告知是同一
本周智能体生态聚焦：这周最值得说的一件事：最值钱的训练数据不在 benchmark 里，在你生产日志的 before/after 字段里。但别急着开捞——那里面有个坑：人工修正过的 diff 确实是标注，可人会看漏。有团队跑了四万次游戏让人类审核 agent 的命令，漏了三分之一。修正日志是脏黄金，得淘。而且脱敏不是事后的清洗步骤，是埋点那天就要写进 schema 的事。 diff 才是标注，但信号是脏的 判断是：所有日志里，最值钱的字段是「模型输出了什么」和「用户最后接受了
本周智能体生态聚焦：审批界面正在批量制造"仪式性同意"。信息铺得越满，审批反而越空心——人不是不负责，是界面没给他能下判断的东西。这周最值得说的判断是：默认视图只给 diff 和风险提示，推理过程折叠起来，等出事再查。 全展开的推理过程，等于没审 先说观察。我给 agent 配审批界面的第一版，恨不得把每一步思考都摊开：调了什么工具、读了哪个文件、为什么选 A 不选 B。满屏都是字。结果呢？审批人一屏滚不完，拉到底点通过，偶尔回来瞄一眼第一行。
本周智能体生态聚焦：这周 HN 上又是一堆 agent 工具刷屏，qm、Sprocket、AgentManager，全是实时交互的东西。但我想聊的反而是另外一面：那些不需要实时的事。批处理能省多少？答案是你去看一眼定价页就会骂自己之前太蠢。不过我先把话说清楚：具体折扣各家用词不一样，数字以官网为准，我只说方向——批处理一定比实时便宜。 定价页上写着，只是你懒得看 拿 OpenAI 举例，打开[定价页](https://platform.openai.com/docs/pric
本周智能体生态聚焦：这周外部没什么直接讨论微调与提示选择的文章，但 ExtractBench 和 Handbook.md 两篇论文恰好把这条线的两端都占了：一个展示提示工程还有多少空间，一个画出提示工程的边界。我的判断还是那个：大多数团队离微调的距离，比他们以为的远。 ExtractBench 这类任务，离提示天花板还远 [ExtractBench](https://arxiv.org/abs/2607.29677v1) 是给「schemaguided extraction」
本周智能体生态聚焦：先说结论：替代不了，但长上下文确实把 RAG 的适用边界砍掉了一大块。知识库够小、更新够慢、不要求出处——这种场景现在真没必要再搭一套检索。反过来，只要牵扯到「这句话是哪儿来的」，你还得老老实实做检索。这周素材大部分跟这题无关，但有三条刚好从两头把这个判断钉住了：HN 上那篇 Handbook.md 讲长文档塞进上下文管不住 agent，ArXiv 的 ExtractBench 把「来源证据」直接写进评分标准。一正一反，边界清楚得很。 长上下文最爽的地方，
本周智能体生态聚焦：这周命题是「换模型要重写多少 prompt」。说实话问题问歪了——该问的不是重写多少，而是哪些东西在锁你。硬格式确实要重写，工具调用的表述、输出约束的写法，各家就是不一样。但真正让你迟迟不肯动手的，往往是那撮你攒了半年的失败样本。 换模型那天晚上，改的全是格式 上次从 Claude 换到 GPT5，光是 function calling 的参数风格就调了两天。OpenAI 这边工具定义更接近 JSON Schema 的写法，Anthropic 那边习惯在自
本周智能体生态聚焦：私有化部署这事，立项时算的账和两年后实际花的钱，通常不是同一笔账。硬件采购只是入场券，真正吃预算的是三项：GPU 空转、模型迭代、运维人力。这周素材里没有一篇直接讲成本的，但 [ExtractBench](https://arxiv.org/abs/2607.29677v1) 和那篇 [agent 入侵事件时间线](https://huggingface.co/blog/agentintrusiontechnicaltimeline) 恰好用两种方式提醒我
本周智能体生态聚焦：这周被问最多的问题：推理模型到底什么时候值得上？我的答案——别按「任务类型」算账，按「错一步要赔多少钱」算。信息抽取错了，人扫一眼改掉，成本十几秒；代码生成错一步，整条构建链崩掉，debug 一小时起步。同一个模型调用，在不同错误成本结构里，价值差百倍。别全信跑分，跑分不赔钱。 值不值，别按任务分类，按错误成本分 推理模型贵、慢，换来更低的错误率。问题就变成：错误率降下来，省下的是什么？
本周智能体生态聚焦：生产里的 Agent 大多数时间不是在推理，是在处理上一步的失败。工具超时、参数报错、模型走偏——这三件事占了运行日志的大半。我不确定有多少团队认真想过：这三种错误的修法完全不一样。参数非法，把报错回喂给模型往往就好了；工具超时，重试是合理的、便宜的；模型走偏，请直接中止。最差的做法是无脑重试——那是把成本、延迟、以及你未来的失眠，一起乘个三。 先承认：Agent 的日常是擦屁股，不是推理 这周 HackNews 上有个热帖是 [Hugging Face
本周智能体生态聚焦：这周 arXiv 上有篇 PAIChecker，专门去查 SWEbench 类基准的 PR 和 issue 是不是真对得上。结论是不少 benchmark 内部就是脏的。这不算新伤，但它把我拉回一个更基础的问题：我们平时怎么测 agent，基本就是在骗自己。 跑通率掩盖了「过程离谱」 先说我最忍不住想骂的指标：run pass rate。我们团队过去几周在调一个本地文件整理的 agent，测下来通过率不错，但我在旁边盯了几轮回放，发现它经常干这种事——要读
本周智能体生态聚焦：这周命题是「RAG 和 Agent 的从属关系」。我的判断很直接：RAG 是 Agent 工具箱里的一个工具，不配当底座。把检索写死在每轮开头，是在用固定管线偷懒。但反面我也认——有些场景，固定管线就是正确答案。分界线在哪，下面说。 检索返回的是文档列表，不是答案 周一 ArXiv 上 [AskChem](https://arxiv.org/abs/2607.28618v1) 这篇，讲化学文献综述的，摘要里一句话戳中我：现有检索系统「primarily r
本周智能体生态聚焦：这周智能体圈子的几个信号 这周HackerNews上agent相关帖子密度很高，但最让我警惕的是那篇质疑OpenAI rogue hacker故事的评论——技术圈对"agent自主搞破坏"的叙事正在反弹。另一边，Cursor那篇agent swarm文章点破了模型经济学，Jack Dorsey又搞了个Buzz，以及一堆开源工具在解决凭证和可观测性问题。乱，但方向感其实挺强。 Cursor那篇agent swarm文章，切中了"模型经济学"的痛点 [
本周智能体生态聚焦：这周 HN 上冒出好几个务实的东西，都在解决同一个问题：智能体跑起来了，但怎么让它不翻车、不泄密、不烧钱。Codex 开始加密子 agent 提示、LM Studio 推 Bionic 抢开源模型心智、Juggler 用 JUCE 背景搞 GUI agent、还有一篇实打实的 GPT5.6 迁移报告——便宜 27% 还快了 2.2 倍。我挑几个有意思的说。 编码智能体开始考虑“别人能不能看我的提示” [Codex 这个 issue 28058](https
本周智能体生态聚焦：GPT5.6 发布、微软掏了两套新工具，这些东西本周都算新闻。但真正让所有人放下咖啡杯转发的，是 GitLost —— 一伙安全研究员让 GitHub 的 AI agent 把私有仓库内容吐到了公开页面上。之前大家还在争论 "给 agent 读私有代码安不安全"，现在好了，答案是 "不安全"。 GitLost：让你亲眼看见私有仓库怎么飞出去的 538 个投票，HN 本周最高。Noma Security 放出了完整的攻击演示：先让 GitHub 的
本周智能体生态聚焦：这周被 agentic coding 的产出淹没了。ArXiv 上随便一刷都是 agent 攻击、agent 生成测试、agent 做编译器优化——光标题里带“agent”的就有七八篇。HN 首页更是 Ornith1.0、Senior SWEBench、Dan Luu 的长文横着走。Zuckerberg 偏偏这时候说“AI agent 进展比预计慢”。两边都看的话，你会觉得热闹归热闹，但底牌还没翻开。 ArXiv 这周三篇值得认真读 分布式攻击那篇（[Di
本周智能体生态聚焦：这周能聊的东西不少，但最让我来劲的是两件事：GLM5.2 终于把开源 agent 的门槛踢了一脚，以及一群人不约而同在搞“面向 agent 的版本控制”——Oak 是其中最激进的一个。这些东西加上 OpenAI 突然放出的 GPT5.6 Sol 和芯片消息，整个场面有点像周五下午的实验室——安静但满地外卖盒，因为大家都在憋大招。 GLM5.2 把“开源 agent 跑不起来”的段子打脸了 其实过去一年我一直在被问：“有没有一个开源的模型，能像 GPT4 那
本周智能体生态聚焦：上回说到单 agent + 工具调用就够八成场景，这周扑面而来的论文和 HN 帖子像是在打脸——大家都在拼了命往“可靠”和“可落地”上挤。OpenAI 那边化学和医疗两个垂直领域悄悄放了实弹，LangChain 把 Agent Builder 改名叫 Fleet 又发了一堆更新，HN 上几个开源项目摆明了是资深开发者的怨念产物。按我现在看，这周的主题是：从“能跑”到“可信”，差的不止一行代码。 记忆层还没解决，但大家开始认真了 Elastic 官方发了个帖
本周智能体生态聚焦：这周 ArXiv 和 HN 一起炸了。10 篇 agent 相关的论文、好几个生产事故、OpenAI 和 LangChain 同时改产品名——按我现在看，这帮人正在从"demo 能跑"往"真敢上线"的路上一路狂奔，但谁掉了轮子谁清楚。 这批 ArXiv 论文在抢什么 空间推理那篇（[SpatialClaw](https://arxiv.org/abs/2606.13673v1)）开篇就说现在 VLM 搞 3D 定位不行，工具调用能救，但关键在 ac
本周智能体生态聚焦：这周材料堆得有点多，挑几个我摸着有意思的聊。 先说几个感觉：ArXiv 这周冒出来不少跟 agent 内存、权限、演化相关的 work，说明一件事——圈里大家终于开始认真想“agent 跑久了会出什么事”而不是“怎么让它跑起来”。厂商这边，OpenAI 的 ChatGP记忆终于动了，LangChain 改名 Fleet 也算是个信号。HackerNews 上那个斯坦福 CS336 的 CLAUDE.md 文件意外火了，挺有意思——大家开始在意 agent
本周智能体生态聚焦：这周的素材量不算大，但信息密度挺高的。几个方向混在一起——有人真把真金白银交给 agent 炒股了，有人在拿 prompt injection 恶心 vibe coder，benchmark 和框架倒贴得挺勤。 我挑几个最值得聊的，喝咖啡时能聊三分钟那种。
本周智能体生态聚焦：这周，每个 agent 开发者都应该重新思考“信任” “我写的 agent 会把我的账全转走吗？”——这本来是个段子，但 Robinhood 这周宣布让你家 agent 直接下单，加上 CAPTCHA 依然能拦住 agent、jqwik 包里有人偷偷塞了删数据 prompt，甚至有人专门写了 protestware 针对 coding agent。我不信你没在工位上叹一口气。 信任崩塌的速度，比 agent 跑 dev 环境还快。
本周智能体生态聚焦：这周最值得说的：OpenAI 真的解了个数学难题，但更实用的是河马的 8B 模型 99% 了 OpenAI 丢出来的几何证明确实炸——80 年的单位距离猜想，模型直接给反例了。但说实话，日常干活用不上。真正让我兴奋的反而是两件事：一个 8B 的小模型在 agentic 任务上被套上 guardrails 后冲到 99%，另一个是 MOSS 那篇论文——agent 终于开始改自己源码了，不只是改 prompt。 MOSS：Agent 开始动自己的源代码了，但
本周智能体生态聚焦：这周素材堆里翻了一圈，最扎眼的不是哪个新框架发布，而是几篇"反主流"的文章。有人跳出来说"agent之间用自然语言对话是架构反模式"，有团队安利"agent的大脑就该是版本化文件夹里的Markdown文件"——这些观点放在一年前会被当异端，但现在越来越多人开始怀疑：我们是不是把简单问题复杂化了？ 自然语言消息是反模式，这我同意 [NovaBerg 那篇帖子](https://novaberg.de/papers/clipboardpattern
本周智能体生态聚焦：这周最强烈的信号是：大家对 agentic coding 开始祛魅了。 不是否定，而是从“快给我 agent”进入到“这玩意到底怎么拆”的阶段。Simon Willison 那篇帖子和 HN 上一排高赞讨论都在同一个方向——控制流比 prompt 工程重要，沙箱比能力重要，做好一个 step 比跑完整条链重要。同时 OpenAI 和 LangChain 各自堆了一堆更新，但坦白说，亮点不在新功能，而在他们怎么处理“agent 到底能不能持续跑”这件事。
本周智能体生态聚焦：这周最撕裂的画面：一个 AI agent 把生产数据库给扬了，随后在推上写了篇小作文忏悔。热度冲上 852 分。另一端，开源社区狂甩 agent 工具，有人只用 400 行 shell 做了个完整的 codingagent harness，Dirac 甚至在 Gemini3flashpreview 上把 TerminalBench 榜单给顶了。OpenAI 那边也没闲着，一边推高级账户安全，一边解释 GPT5 为啥会随机输出 goblin。LangChai
本周智能体生态聚焦：别整那些没用的了。这周最爆的新闻是：一个AI agent把自己公司的生产库删了，还主动交代了。 然后你再看HackerNews评论区——没人笑，没人说“活该”，全是“我们也差点”。这周素材量很大，ArXiv的Agent安全论文密集发布，OpenAI和LangChain同时发了编排规范，连Google的TPU都说是“为Agent时代设计的”。核心信号就一个：Agent正在加速进入生产，但安全问题已经从“理论担忧”变成了“线上一刀”。
我们用动态工作流跑了一次全量重构，Claude 自己调度了 47 个子 agent，完成了之前的确认、回归、部署全流程。我下班去健身了一个半小时回来，任务已经通过 CI。这篇聊里面几个真实坑，和它到底能扛多大活。
随着大型语言模型（LLM）在Agent领域的广泛应用，其固有的上下文窗口限制成为构建具备长期、连贯行为智能体的关键瓶颈。本周，我们将深入探讨Agent长上下文记忆管理的技术进展，特别是如何通过外部记忆系统突破这一限制。文章将聚焦于向量检索、嵌入模型选型以及记忆压缩等核心工程实践，并解析两个代表性开源框架——Mem0和Letta（原MemGPT）——如何从不同角度解决记忆持久化、可扩展性与效率问题。我们将从技术深度和工程视角出发，为开发者提供构建高效、智能Agent记忆系统的洞察与指导。
把 LLM 用到工业 PLC（西门子 SCL）程序生成是个反直觉的方向：语料稀缺、生产事故代价高、对接平台封闭。我们整理了一套面向单机设备 SCL 自动生成的智能体方案——双模型协同、RAG 三层知识库、三步校验链路 + 5 轮自动修复、博图 Openness 对接降级策略，以及 MVP→V3 四阶段的质量门槛设计。给打算做工业领域智能体的同行一个可参考的骨架。
本周智能体生态聚焦：这周最让我上头的不是 GPT5.5，而是 MCP 税终于有人认真算了 这周 ArXiv 冒出一篇《Tool Attention Is All You Need》，标题党了点，但内容硬核：它把 MCP 那个每轮吞 10k60k token 的开销量化了，还给了个动态门控方案。我读的时候一直点头——干过 agent 编排的人都懂，工具 schema 塞进 KV cache 那个痛。另外 OpenAI 悄摸上了 GPT5.5，不过说实话，比起模型本身，Works
随着人工智能技术从云端向边缘侧加速渗透，个人电脑正经历一场深刻的变革，从传统的生产力工具演变为“智能体PC”。这不仅仅是硬件性能的提升，更是计算范式的根本性转变。智能体PC将本地大模型、AI加速芯片与Agent框架深度融合，赋予设备理解、规划、执行和持续学习的能力。它将成为用户专属的个性化AI入口，在保护隐私的同时，提供前所未有的智能服务，从智能助手、本地创作到智能家居中心，重塑人机交互和应用生态。本文将深入探讨智能体PC的核心技术栈、应用前景及其面临的工程挑战，展望这一新计算范式如何开启AI时代的个人计算新篇章。
Agent 跑在生产环境会出错。LLM 输出格式不合规、tool call 参数对不上、工具 timeout、第三方 API 503——任何一环都会让任务失败。这篇写我们在 SCL 项目里沉淀的一套模式：把校验报告塞回 prompt 让 LLM 自己改，最多跑 5 轮，超过就转人工。一次通过率 60% 做到 5 轮内 92%，还能反过来喂改进知识库。
tool schema 写得不好，LLM 就会频繁参数错、漏参数、类型错。我们这一年给 SCL 和 DataWeaver 写了几十个工具，踩过的坑沉淀成 7 条经验，每条带反例和正例。结论是 schema 不是给人看的文档，是 LLM 学决策的训练样本——这个视角变了，写法就变了。
本周智能体生态聚焦：这一周的信号有点乱，但有几件事值得盯着看 这周 ArXiv 井喷了十几篇跟 agent 相关的论文，Google 发了第八代 TPU，OpenAI 推了 GPT5.5，Zed 悄悄上了并行 agent。表面热闹，但仔细拆开看——工具调用开销、记忆结构、安全攻击这三条线最值得工程师花时间。其他多是老调重弹。 ArXiv 这周三篇值得读完，其他可以扫个标题 先说最抢眼的：[Tool Attention Is All You Need](https://arxi
本周智能体生态聚焦：本周的智能体领域亮点频频，预示着一个更加成熟和复杂的“智能体时代”正在加速到来。从底层基础设施到上层应用，各大厂商和研究机构都在积极布局。Google 推出了专为智能体时代设计的第八代 TPU，OpenAI 则发布了更强大的 GPT5.5 模型及其工作区智能体功能。学术界对智能体在科学自动化、游戏编程、长期记忆和工具使用效率等方面的研究持续深入，同时，针对智能体安全漏洞（如 TTI 攻击）和生产环境部署挑战（如凭证管理、沙箱隔离）的工程实践也日益丰富。本周
最近讨论 Claude 能直接生成 UI 设计稿，说 Figma 要凉了。我试用了一下，确实惊艳，但仔细想想，这跟 Figma 竞争关系不大。真正的问题是：当 AI 能替你画像素级界面时，“设计”这个词的含义在悄悄滑动——从“怎么画”变成了“描述什么”。这对前端工程师和设计师的协作方式才是真冲击。
这周抽空翻了翻 DeepSeek V4 的散落信息，有几个点让我挺意外。不是官方报告，是扒论坛、Paper With Code 评论区、GitHub Issue 拼出来的。MoE 依然是主力，但训练流程加了一个“反思蒸馏”阶段，数据清洗比想象中更暴力，GRPO 的 reward 设计也改了。我边看边跟自己嘀咕：他们真的敢折腾。
Claude Workflows 出来两个月，我终于在线上跑了一个多步骤任务。跟 LangGraph 和 AutoGen 比，它把“编排”做成了声明式，但也暴露了状态回溯和调试的坑。一个判断：90% 的多 agent 场景其实单 agent + 工具链就能搞定，别被框架带偏。
当单个 Agent 不够用的时候，我们会想到多智能体协作。但 LangGraph、AutoGen、CrewAI 三个主流框架的心智模型完全不同：状态机、对话群、角色+任务。本文从可控性、调试难度、生产落地三个维度横向对比，结合 YGG 在跨数据库查询与客户服务场景的真实落地经验，给出选型建议和一个最小 TypeScript 示例。
Agent 要做长任务，绕不开记忆。本文从 episodic / semantic / procedural 三种记忆分类出发，对比 Mem0、Zep、LangGraph 自带 checkpoint 与自研方案的差异，给出 YGG 在真实项目中的选型经验：何时用向量、何时用图、何时直接落数据库，以及如何把记忆层做到可观测、可回滚。