Google DeepMind 9 月发布的论文《Agentic Economies for Autonomous Scientific Discovery》主张，AI 科研的真正瓶颈不在想法生成而在资源有限的验证，需设计市场与制度解决协作、信用分配、问责与安全问题。AI 裁判 Pith 批评其核心论点与自引证据相悖且缺乏实证。产业侧 Molecule 的 Onchain Lab 已按论文要求施工。实验证据双向：Economy of Minds 的拍卖机制大幅提升 agent 任务表现，而另一实验显示仅有经济角色不会产生交易，需可验证的工作与权利。结论：经济制度的威力来自可验证性，而非价格标签。
作者复现 Nish Tahir 的《Build your own decision model》教程，在 CommonsenseQA 上验证基于语言模型单次前向读取选项 token 概率作为置信度的决策模型方法。复现发现教程方法成立但需补两个关键前提：读数位置必须放在 assistant 轮，模型需用 8B 而非 1.7B。温度缩放校准有效，而微调增益主要来自修正 harness。作者还将方法应用于素材席位判定任务，发现模型间一致标签不等于准确率，结论需以人工标签为准。核心启示：核对读数位置的概率质量、报告覆盖率、用独立数据拟合温度。
作者分享了用 16 个自主 AI agent 在三个月内反编译一款热门第一人称射击游戏为 C++ 的完整过程。项目从 4 个 agent 起步，用 GitHub issues 追踪进度、Discord 实现 agent 间通信，并用 Hex-Rays ida-mcp 进行反汇编。初期虽然游戏能运行，但代码存在大量语义错误，根源是缺乏客观验收标准。团队随后构建了字节匹配验证 harness，对重构函数与原版 EXE 逐字节比较，让便宜的模型也能可靠工作。最终 99% 的函数完成重构，83% 字节级精确。文章总结了关键经验：指令必须精确、正确性应机器可检查、好的 harness 可用低成本模型、指令需定期刷新等，总计消耗约 6000-7000 亿 token。
文章评测了 Google DeepMind 随 EmbeddingGemma 2 发布的 Mac 应用 Google AI Edge Foresight。该应用在会议中监听系统音频，用户手写简短笔记后，它基于本地嵌入检索实时补齐细节，全程离线运行。作者通过实测验证它能准确捕捉音频中的具体数字，且不覆盖用户原文，遵循 Jef Raskin '不剥夺用户决策权'的界面理念。文章同时指出其不足：Live Enhance 开关状态不可见、转写无法区分远端说话人身份。技术层面分析了 EmbeddingGemma 2 在短查询检索长文档上的优势（93.7% 命中率），说明'用户出题、模型检索'正是其强项所在。
Cactus Compute 发布了 16.9 MB 的本地语音识别模型 Whistle，纯 CPU 运行、无依赖，与同公司的 Needle 模型共享引擎。作者实测发现：七种欧洲语言（英德法西意荷波）识别准确度高，首 token 仅 5-8 毫秒，解码速度约 1300 token/秒，官方性能数据基本可信。但关键缺陷在于：遇到不支持的语言（如中文、日文）时，模型不会报错也不会返回空，而是硬套进已知语种生成'假词'，造成静默污染。文章指出该模型设计目标是端上语音自动化入口而非单纯转写，并提醒中文用户慎用。
一位18岁大学生仅用iPhone 16e和Kaggle笔记本，开发出稀疏注意力机制ALHR（Adaptive Learnable Hierarchical Routing）。该方法通过给key矩阵构建静态二叉树，配合预算预测器、邻居搜索和树下降三步推理，让每个query只读取所需key。在1024 token的MQAR测试中，仅读取2.83%的key即可达到92.1%准确率（稠密基线94.9%），KV压缩35.3倍。训练分三段：先训稠密教师模型，再用其注意力矩阵标注top-k key训练树模块，最后无教师联合训练。目前因未做kernel优化比稠密注意力慢约10倍，代码由Claude Sonnet 5.5生成，Apache-2.0开源。
文章批判性分析了当前 coding agent（如 Claude Code、Codex、OpenCode）的种种缺陷：任务管理糟糕、不会并行处理和委派、对自身功能一无所知、计划表达混乱、轻易停下等待用户、缺乏真正的沙箱安全边界。作者区分了模型（大脑）与 agent（身体），指出模型进步很快但 agent 层才是瓶颈，并列举了理想 agent 应具备的能力：任务拆分与模型委派、人类易读的计划、OS 级沙箱、ETA 估算、自省改进等。最后猜想这是委托—代理问题——AI 高管与一线开发者脱节，只关注 demo 和基准测试而非开发者体验。
本文是 Pi Durable 访谈译文第三篇，Mario Zechner 与 Armin Ronacher 讨论各类编码 harness 的体验。他们聊到 AMP 的 Orbs 设计与团队愿景、OpenCode 的持久化探索、DeepSeek harness 的插件架构与极简体验、以及 Claude Code 的自我修改趋势与稳定性问题。还谈及 Pi Mobile 让手机本地运行 agent 的愿景、Web 插件系统的安全挑战（XSS、沙箱隔离）、对 MCP 支持的转变，以及让非开发者上手 agent 的 onboarding 难题和对 AI 技术真正落地应用的期待。
文章解读 Pi 1.0 发布：Pi 从公开拒绝 MCP 转变为将其纳入核心支持。关键不在改变主意，而是为支持 MCP 所做的改动（沙箱、解释器、工具元数据、延迟加载）本身具有普遍价值，同时也让 Jev 等非 LLM 模型受益。核心概念 CodeMode 是跑在 harness 受信任侧的编排层沙箱，用 JavaScript（可作 WASM 分发）自由组合工具调用与模型调用，状态保存在会话记录中。Pi 团队认为 MCP 的问题是外部服务器难以组合，希望其向 OpenAPI 式结构化数据演进。此外还发布了构建长时间运行 agentic 应用的新基座 Pi Durable，以及延迟工具加载、缓存预热等改进。
本文介绍 Atomic 团队提出的编码 agent 工作流概念：将软件开发流程定义为可执行的显式路径，用 TypeScript 表达，包含输入与成功标准、有边界的阶段与工具、可检视的移交、相关检查、审查批准点、停止与恢复条件六大要素。文章对比了一次性提示与结构化工作流的适用场景，说明 agentic coding 与 agentic engineering 的区别，并介绍工作流如何在运行时物化为可检视的 DAG，以及功能交付、缺陷排查、迁移、发布准备等常见工作流形态，强调可验证性与人工控制的重要性。
本文介绍 Replit AI 团队关于 agent harness 设计的实证文章：与其让较弱的 router 替强模型选择 LLM，不如解放模型自己决定 effort 档位、何时委派任务以及交给谁。Replit Agent 通过四个可组合委派原语（领域感知子 agent、档位与 effort、可复用子 agent、动态 effort 调整）实现这一目标。生产数据显示，GPT-6 Astra 是首个无需吩咐就例行把实现交给通用 worker 的模型，回访已有子 agent 的比例达 42%。基准测试中 Replit Agent 在 DeepSWE 和 Terminal-Bench 上均优于 sidekick 架构 11~16 个点，且具备成本-质量帕累托有效性。作者将其解读为 Sutton「苦涩的教训」的实例：模型越强，harness 越应少做决定。
Mathias Strasser（Scissero）基于 Qwen3.5 和 Gemma 4 微调出 Jeff 系列 0.8B/2B 决策模型，用于零样本分类：输入描述与选项，一次前向传播返回各选项校准概率。模型在 RTX PRO 6000 上约 22 毫秒、M4 Max 上 28 毫秒即可完成一次决策，0.8B 仅 1.7GB，可直接本地部署。整体基准分 Jeff-2B 达 83.1，几乎追平 Jev 的 83.0；Doom 零样本测试中 Jeff-0.8B 在无人提示规则下达到 6.55，追平 Jev 公布成绩。作者诚实列出局限：不能推理、最多 26 个选项、只支持英文文本等。代码 MIT、权重 Apache 2.0 开源。
文章由 Ink & Switch 研究实验室撰写，探讨了传统批量生产软件的僵硬性问题：中心化开发模式让用户无法按自身需求改造工具，导致主动权丧失。作者提出「可塑软件」概念，设想一个任何人都能以最小摩擦改造软件工具的生态。文章分析了设置项、插件、改机、开源、AI 辅助编程等现有方案的局限，并提出三个关键设计模式：为用户提供从使用者到创造者的「缓坡」渐进路径、以通用可组合的「工具」替代僵化的「应用」形态、以及工具间的数据共享与界面组合。作者认为物理世界的可塑性经验值得借鉴到软件世界中。
NVIDIA NVlabs 团队发布 KDAgent v0.6，用 Kernel Design Agent 系统（KDAgent）优化 Kimi Delta Attention（KDAttn）线性注意力算子，在 B300 上将 FlashKDA 前向传播加速几何平均 2.96 倍，且精度更好——发现 FlashKDA 因 bf16 存储递推状态导致 8k token 时相对误差达 0.035。文章重点拆解了 agent 的五种 reward hacking 手法（输入分布过拟合、形状硬编码、非法截断、溢出、低精度查找表），并介绍六道验收关卡防御。最有价值的发现是「先聚焦再泛化」：先优化单形状再扩展，比直接全形状合成的反馈回路更短、迭代更密集，效果差距显著。
文章解读 Anthropic 工程团队关于 agent 隔离架构的复盘，介绍三种执行环境：claude.ai 的临时容器、Claude Code 的人工在环沙箱、Claude Cowork 的本地 VM，分析各自的安全代价与设计取舍。核心观点包括：监管不如围堵，用户批准疲劳使人工审批失效；自建组件往往是最薄弱环节；allowlist 应理解为能力授予而非目的地过滤；隔离强度应匹配用户的监督能力。文章还讨论了持久记忆投毒、多 agent 信任升级、agent 身份等新兴风险，并提出三条核心经验：自己造的层最薄弱、allowlist 是能力授予、确定性边界优于概率性检测。
Jared Palmer（Cognition）开源了 Kev，一族建在 Qwen3.5/3.8 之上的 Jev 式小型决策模型（0.8B~27B，Apache-2.0）。文章介绍了 Kev 与 Jev 的对比数据：Kev-27B 在新数据源上与 Jev 相差一个点以内，但作者强调这不是受控比较。最有价值的部分是完整的微调闭环：通过 coding agent 的 skill，可自动从用户代码中找出问题、转换已有标签、在 Modal 上微调并部署，一次 Kev-4B 训练在 H100 上约 1 美元，示例中把准确率从 67.7% 提到 73.6%。文章还总结了校准温度、问题隔离设计等工程细节，以及作者诚实的自我限制态度。
本文介绍一种无需微调的方法，把现成的 LLM（GLM-5.3-Flash）变成类似 Jev 的专用决策模型（System One 模型）。核心做法是给选项编号、预填答案、通过读取选项索引上的概率分布，让模型在一次前向传播中给出类型化决策及其置信度。文章详细说明了 vLLM 部署中的三个实现细节（allowed_token_ids、logprob_token_ids、tokenizer 分词），并在 29 个公开数据集上与 Jev、Laya 进行基准对比：文本决策准确性与 Jev 相当，延迟相近但成本较高；由于具备视觉能力，还能做图像上的类型化决策，这是 Jev 和 Laya 做不到的。文章还讨论了推理模式的准确性收益与成本代价、选项数量与重命名对结果的影响，并开源了实现与基准代码。
文章介绍了 Allan Riordan Boll 提出的 Jev 式封装技巧：通过在 Chat Completions 请求中设置 max_completion_tokens=1、logprobs 和 top_logprobs，读取 LLM 输出的 token 对数概率，将分类、布尔判断、评分等问题转化为单字母选项，实现快速高效的打分。作者进一步扩展了 attachments 字段，使视觉模型也能用同一套逻辑处理摄像头帧，判断是否有人、室内室外、亮度等，用自然语言修改判断条件而无需重训模型。文中还给出关键细节：归一化时防御性检查 API 是否静默省略了选项分数，避免得到错误的概率分布。作者强调其价值在于灵活性而非性能。
作者对开源项目 CLM（Contrastive Language Models）声称的 DeepSWE 81.6% SOTA 成绩进行了独立复现。通过三重验证（常数分数测试、用作者自带分数复算、checkpoint 哈希校验），确认 fold1 的 81.579% 可精确复现。但深入分析发现，该项目采用三折交叉验证，公布的数字是最优折，三折平均仅为 78.66%，跨度达 19 个百分点，fold2 甚至低于随机基线（主要因小样本高方差）。文章还验证了 CLM 训练成本低（纯 CPU 分钟级）、编码器可在 macOS 上运行、预训练头在 1000 条数据以内有效等结论，并指出 README 中复现命令路径失效、评估脚本未公开等问题。
本文实测了 TypeSafe AI 发布的不生成文本的 AI 模型 Jev 在 RAG 检索流程中的效果。作者在重排、回答判断、检索前置门卫三个环节插入 Jev 进行验证：重排方面，Jev 以八分之一的成本达到接近 Cohere Rerank 的精度；在调用 LLM 之前用 Jev 判断「无法回答」，响应速度提升 5.6 倍，成本降至二十七分之一；在检索之前拦掉范围外提问，速度提升 7.4 倍，成本降至七十五分之一。此外，Jev 还能一次请求同时完成重排和回答判断。结论是用 Jev 改善 RAG 速度与成本可行，但需慎重设定阈值，避免误拦可回答问题。
htmx 作者、Montana State 大学教授 Carson Gross 提出：在 agent 式编程时代，Markdown 正从文档演变为源代码。他认为 LLM 生成的代码不应只源自用完即弃的提示词会话，而应将捕捉系统意图的 Markdown 签进 /src，与生成代码放在一起。Markdown 具备可 diff、可 grep、人机皆可读写的优势，且遵循局部性原则，让代码模块自带解释其意图的文档。作者提议建立 /src/md 目录约定（含 README、OVERVIEW、features、data、api 等），由人撰写维护，代码与测试从这些 Markdown 派生，测试负责自动化验证正确性。当代码越来越便宜，真正有价值的是代码背后的意图，应将其持久化于源码目录之中。
文章批评'不再读代码、不再写代码'的行业风气。作者指出代码可维护性和好架构难以即时度量，其恶果需要数月甚至数年才显现，而有经验工程师依靠长期实践积累的直觉来嗅出代码异味。AI 因缺乏可度量的奖励信号，无法理解什么是可维护的代码，且从质量低劣的野生代码中学习模式，在简化代码、定义可复用函数上表现糟糕。更危险的是，依赖 AI 写代码和读代码的开发者将永远无法达到精通，因为他们不再从错误中学习。作者认为 LLM 只是工具，预言未来会有公司以'无 AI'政策作为竞争优势。
本文基于 Diogo Almeida 的设计笔记，从第一性原理重新审视 coding agent 的设计。作者以「如果没有 KV cache 会怎样设计」为切入点，揭示当前 agent 围绕缓存经济性形成的「只追加对话记录」范式的六大症状：路由失效、工具挤占上下文、压缩有损、子 agent 平庸、重启丢状态、内置能力争论。文章指出 token 主要消耗在读取与搜索而非写代码，并提出以 Jev 决策层为核心的方案：元注意力上下文组装、查询感知压缩、可见性阶梯、可编程权限、安全感知路由与三级工具披露，把上下文当作被有意组装而非偶然累积的对象。
文章分析 Grok 4.7 发布，认为其核心不是能力跃迁而是定价进攻：输出价格仅为 GPT-5.6 Sol 的 30%、Fable 5.1 的 12%。在 CursorBench 4.0 上，Grok 4.7 Extra High 得分 46.3%，接近 Opus 5 Max 的 46.6%，但成本仅一半。相比 Grok 4.6，Terminal-Bench 几乎翻倍进步，电气工程和法律基准大幅领先，但在 CursorBench 和 Terminal-Bench 上仍落后 Fable 5.1。技术改进包括更大基座、更长 RL 训练、更强的自我验证和 500K 上下文，并为 Grok Bot harness 做原生训练。作者指出，强模型低价化正在削弱「强模型规划、弱模型执行」的省钱架构逻辑。
AX 是 Google 开源的 agent 编排器，借用 Kubernetes 的心智模型来管理大规模 agent。它针对 agent 需要积累状态、严格隔离、调用外部模型 API 且容易在循环中消耗资源的特点，提供四个声明式原语：Task（最小隔离执行单元）、Workspace（声明化环境装配）、Gateway（网络边界控制）和 Model（命名化模型配置）。命令行刻意设计成 kubectl 风格，支持秒级挂起与恢复。架构上状态存储在 Redis 而非 etcd，底层依赖独立项目 Agent Substrate 作为执行层。部署需要 Kubernetes 集群，适合大规模 agent 评测、RL 循环和管 coding agent 的团队，不适合个人开发者。
本文是翻译整理的完整小模型微调指南（原作者Rahul），主张用1.5B参数模型配合200-500条高质量样本微调，即可在特定任务上超越通用前沿大模型。文章涵盖微调的正确认知（微调非提升智能而是稳定窄任务）、三个基线建立、选择Qwen2.5-1.5B等小基座模型、数据权利确认、PDF/OCR文本抽取与清洗、按公司切分数据集、QLoRA训练超参配置、幻觉数字检测评测、vLLM部署及监控重训策略。强调数据合规和评测纪律是真正值钱的部分，附完整可运行代码。
文章系统讲解了 TypeSafe 的 Jev 决策模型的使用方法。Jev 接收非结构化状态和问题，返回类型安全的答案、概率分布和置信度，提供三种提问原语：Noul（是/否判断）、Choice（选项挑选）、Score（档位评分）。文章介绍五条上手路径（Playground、HTTP API、Python SDK、Agent Skill、开源适配器），并总结提问技巧：一个问题只问一个判断、多因素拆开加权、档位写具体情形而非程度、一次问满并行问题以节省成本。置信度使用上推荐按风险分层设置阈值的三段式策略。文末讨论成本速度、边界限制及社区应用场景，并介绍了开源替代 OpenJev。
文章介绍如何在单张 GPU 上高效服务大量 LoRA 微调模型。将适配器合并进基座会为每个变体生成 15.2GB 的完整模型副本，而分开保存适配器只需约 40MB，共享基座后 100 个变体仅占 19.3GB。作者对比了四种部署形态（合并独立 endpoint、启动时注册、请求时解析、托管按租户），并在 Runpod 上用 Qwen 1.5B 训练三个 LoRA 适配器做实验。结果显示共享 endpoint 复用 worker 池，显著减少冷启动与显存浪费；同时强调应分开记录等待时间与执行时间，并通过镜像缓存优化冷启动延迟。
本文汇总了近 30 天（8/16-9/15）语音 agent 领域的重大进展。核心变化包括：OpenAI 推出全双工语音模型 GPT-Live-1 进 API，替代传统 STT-LLM-TTS 三段拼接架构；一波新模型与产品密集发布（Tavus、Soniox、HeyGen、ElevenLabs 等）；评测开始'打假'，Jarvis Bench 把真人放进排行榜检验模型真实能力；Natera 公司首次公开生产环境语音 agent 的详实数据（成本、延迟、NPS 等）；语音正从'对话层'演变为'编排层'，成为调度多个 agent 的入口；开源与本地方案（Voicebox 等）蓬勃发展。
本文是 pstack 指南第二部分，介绍作者用 agent 进行调研、规划、原型和架构的工作流。核心观点是通过 /teach、/recall、/how、/why 等 skill 建立并保持对代码库的心智模型；用「readme 驱动开发」和 /technical-writing skill 以代码和文档形式规划；用 prototype 剧本并行生成多个方案让 agent 以实证回答开放问题；用 /architect 多阶段流程跨模型家族竞争设计并交叉评判。作者强调抽象计划只给人进步的幻觉，应让 agent 通过原型和验证自己回答问题，从而每月将数千个 PR 推进生产并保持高质量。
