文章介绍了 Anthropic Claude Code 团队的代码审查实践，以及作者团队自研 AI 代码审查工具 HeyDeer 的落地经验。核心思路是：AI 写代码占比接近 100% 后，人工逐行审查不再可行，应把人的注意力留给真正有风险的部分。做法包括按风险分级审批（低中风险由 AI 自动批准，高风险由人判断方向）、多模型交叉审查降噪、用仓库检查落实团队规范、通过 Autopilot 自动修复问题直至收敛。作者团队跑了 8 个月未因合并有 bug 的代码导致线上事故，认为大部分创业和中小公司都适用这种方式。
本文介绍了 Claude Code 团队在 AI 生成约 90% 代码的情况下如何重构代码评审流程。团队将代码评审从人工逐行阅读转变为分层自动化体系：包括 PR 前的 Claude 自验证、子代理 diff 审查、内部 skill（bug 猎捕、diff 缩减等）、以及每个 PR 的 AI 评审，仅将人类注意力保留给高风险决策。通过 CLAUDE.md 和 REVIEW.md 等文件向评审者注入项目上下文，并快速回滚机制兜底。6 月至 9 月间合并 PR 数量翻倍，回滚率下降超 40%，实现了用最少人工环节保障代码质量的目标。
本期早报聚焦 AI 智能体的长程执行与工程实践。精讲一介绍月之暗面 Kimi K3.1 Pro，3 万亿参数、100 万上下文，在代码、3D 创作、金融研究和长程 Agent 任务上表现突出，尤其展示了模型修正仿真器错误完成人体行走控制的能力。精讲二解读 Claude Duet 的安全机制，包括动作审批、敏感信息检查与凭证隔离三层设计。精讲三拆解天猫数字员工的全链路交付技术，涵盖沙箱隔离、会话延续、身份绑定与度量体系。速览部分还涵盖美团 AutoResearch 自进化系统、Cloudflare CTO 谈智能体安全、LangChain 上下文工程检索实践及 Factory 自主软件工程等内容。
本期早报精讲三篇 AI 前沿内容：Anthropic 开放 Claude Duet 研究预览，通过云端虚拟机和独立应用承接主动发现与持续执行任务，并设计分级授权机制；NVIDIA 发布 Nemotron 3.5 系列模型，将文档解析、多模态嵌入与重排连接成企业知识处理链路，实验证明更优检索可降低代理推理 token 开销约 13-14%；OpenAI 工程师拆解 ChatGPT 广告系统，展示如何用后训练 LLM 理解多轮对话中的商业意图，通过编排模型与竞价工具分工实现服务隔离与信任保障。速览部分涵盖天猫数字员工协作实践、代码质量投入判断框架及 Claude 设计蛋白质结合体等七条内容。
作者结合自身开发问答机器人Agent评测系统的工程实践，推荐并解读Anthropic的文章《Demystifying evals for AI agents》。文章分享了8个核心经验：Agent看到的信息与Judge评分时能获取的证据可能不一致，导致高准确率仍被判失败；LLM Judge的输出需要像外部API一样严格校验；信息不足时应允许Judge返回Unknown而非强行打分；评测环境配置、数据集同步、systemd部署等基础设施问题常导致结果不可信；需区分评分低与评分无效；要区分Capability Eval与Regression Eval，并使用pass@k、pass^k指标评估稳定性；以及务必人工检查Transcript而非只看分数。文章提供了大量真实踩坑案例，对Agent评测落地极具参考价值。
本文面向构建基于 LLM 的 Agent 系统的工程师，讲解如何对 Agent 进行评估（Agentic Evals）。核心观点是：要评估 Agent 实际改变了什么，而非它说了什么。文章通过一个自行车店客服 Agent 的完整示例，展示五步评估法：编写带预期终态的任务、多次运行并保留完整轨迹、同时评估终态和路径、报告能力与可靠性两个数字、定位失败的第一步。文章还区分了单次回答模型与多步 Agent 在评估上的差异，强调没有可检验终态的任务不构成有效的评估，并讨论了模型作为评判者的可信度问题。
本期早报围绕 AI 模型与工程实践展开三大精讲：一是 OpenAI 为 GPT-6 改进提示缓存，命中率提升并推出缓存诊断工具，缓存输入折扣最高 90%；二是 Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS，支持声音创作、双说话人控制与授权声音复刻；三是 xAI 发布 Grok 4.7，聚焦长任务编程与自我验证，附基准与定价。速览部分涵盖腾讯错误码治理 Agent、网易 AI 原生组织实践、Reducto 文档智能、阿里 AI Native 研发手册、大淘宝小游戏 Agent、Harness 记忆与验证闭环及良渚 vibe coding 社区观察。
本文介绍了 AI 圈新火的模型 Jev——一个不做文本生成、只返回带概率判断的决策模型。文章讲清了它的三种用法（是非判断、选项选择、打分），提供了四种 30 分钟内可上手的接入方式（官方 Skill、Vercel、OpenRouter、SDK），并整理了 8 个可直接复用的真实案例：7 秒订机票、代码审查、工单分流、简历初筛、语义搜索、AI Agent 路由、RAG 重排、动态 UI 拼装等。还总结了 5 个反直觉要点（不写字、零幻觉指格式而非正确性、不会拒绝等）、官方自曝的雷区（不会算术、不懂日期先后、易被提示词注入），以及不适合使用的场景。
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。
文章面向 FDE（深入客户现场做 AI 落地的工程师），介绍微软开源的长期 Agent 运行框架 Argus 如何与 GPT-6 配合完成 AI 长任务交付。通过一个企业周报工具项目案例，讲解 Argus 规划者、执行者、评审者的角色分工，如何发现并修正跨周退款统计口径错误（差 4000 元问题）、如何用第二周样例验证规则处理而非只修当前样例、客户追加按店铺拆分需求时如何保留进度继续开发，以及项目交接时的信息留存检查。文章强调 Argus 的价值在于跨阶段任务组织、进度保存与按需评审，减少 FDE 传递要求与恢复状态的组织负担，并通过 Flash Linear Attention 的公开 PR 案例佐证其成果。
本文详细介绍了如何从零完成 Microduck 双足机器人的强化学习训练与仿真全流程。文章使用 MuJoCo 物理引擎配合 Warp 在 RTX 4090 上并行运行 4096 个虚拟环境，通过 PPO 算法训练行走策略，并讲解了 61 维观测、奖励设计、域随机化、BAM 执行器仿真等核心概念。训练完成后将策略导出为 ONNX 文件，在 Mac mini 上进行 CPU 交互仿真验证，最终部署到实机。作者完整跑通了从环境配置、训练观察、checkpoint 选择到场景测试的工程流程，涵盖技术选型、软硬件要求和常见问题。
文章分析了 John Wang 对 OpenAI Codex 开源仓库的研究。Codex 从 2025 年 5 月的 98 个月提交、单一主作者，增长到 2026 年的 900+ 月提交、35 位常规贡献者，归因于大量使用 coding agent、团队扩招和对护栏规则的重投资。核心经验包括：AGENTS.md 把 review 踩过的坑编码成规则；规则按 Review → AGENTS.md → Lint/CI 三级演进；测试代码占 40%，分层执行保证速度；迁移通过 feature flag 推进并用 lint 锁定成果。结论是工程实现变便宜后，测试、边界、自动化和招人等经典工程要素反而更重要。
文章指出模型已不再是瓶颈，真正决定 Agent 效果的是围绕模型的 Harness（脚手架），包括上下文、工具、记忆、校验和恢复循环。作者详细讲解了如何为 Kimi K3 构建终极 Agent Harness：使用 Kimi Code 搭建项目结构，通过任务合同明确交付目标与验收标准，用上下文地图替代指令堆砌，为工具设置权限边界，分离研究者、构建者和审查者角色，建立持久化状态、自动护栏、独立质检和反馈循环。同一模型在不同 Harness 下可产生 20 分的绩效差距，好的 Harness 能让智能体可靠地完成从需求到交付的全流程。
本文介绍 Herdr 编排方法，解决多编码 Agent 并行协作中的冲突与失控问题。通过严格的层级结构（Main、Admin、Worker、Checker 四种角色）、git worktree 物理隔离、依赖排序的 Wave 调度、三个哨兵字符串协议、只读 Checker 观察者模式以及人工审批的交付门禁，实现一个编排者管理 N 个工作者且零合并冲突。文中每条硬规则都源自真实失败教训，强调可预测性优于巧妙性，最后该 Skill 甚至由自己的 fleet 完成了公开发布。
Ramp Labs 介绍了一套将 Agent 运行轨迹转化为语义层的流水线，用于实现 AI 支出到 ROI 的归因。系统首先将相互关联的多个 session 重建为完整的 agent run，再由抽取模型将 run 拆分为具有独立目标和结果的工作项（work item），并关联模型花费、团队、仓库等信息。基于内部编码 agent Inspect，三周内分析了约 20 万次运行、识别约 25 万个工作项，使公司能够从'AI 花了多少钱'进阶到'AI 产出了什么、回报如何'的评估。
本文深入解读了 Anthropic 发布的关于 Warp 构建自进化 Agent 的博客。Warp 通过双 Skill 循环（Base Skill 和 Improver Skill）实现 Agent 的自我改进，将人类反馈转化为对 Skill 文件的修改，并通过 Git 工作流进行管理。文章区分了 Skill 与 Memory 的不同，指出 Skill 是程序性知识，而 Memory 是事实记录。同时，文章探讨了 Skill 自进化的边界，对比了 Skill（软约束）与 Harness（硬约束）在 Agent 进化中的不同作用，并提出了 Agent 可进化内容的三层模型：Memory、Skill、Harness。最后，作者总结了 Warp 团队关于编写 Skill 的几条实用经验，并强调了这种轻量级自进化机制的工程价值。
作者以 Mole 项目（11 万行 Swift、3347 个 XCTest）为例，从产品工程师视角分享 AI 全量生成代码时代保持代码可维护性的实践经验：由工程师主导架构设计与文档沉淀；重视覆盖边界场景的单测，坚持 AI 写的代码由 AI 测试；修 Bug 时补充回归测试并把原因写入规则；用按模块拆分的 Rules 和 Skills 记录功能边界与历史决策；坚持少做无用功能避免维护成本腐化；充分利用 GitHub Actions 与 CI 兜底验证，设置流程卡点让 AI 自动化验证，从而让代码长期持续迭代、清晰可扩展。
文章探讨如何让人们对 AI Agent 承担更重要的工作建立信任。作者提出需要让 Agent 在工作过程中留下“回执”——即不可变的、有类型的工作工件（如证据、假设、评估、建议、审批等）。通过将“工作本身”建模为产品的一等数据，定义工件类型及其依赖关系，并强制 Agent 遵守这些结构（如建议必须基于评估、评估必须引用证据），系统能客观验证工作是否真正完成，而非依赖 Agent 自述。工件不可变可保留决策演变过程，且每个工件需指明所用上游工件的精确版本，从而形成可审计、可信任的工作链路。
本文探讨了AI生成代码带来的代码审查瓶颈和'AI垃圾'问题。作者认为，随着AI编码能力增强，人类审查速度成为瓶颈，导致代码质量下降。他提出解决方案：将代码库视为黑盒，通过定义清晰的接口、不变量、追踪和决策记录等'工件'来确保系统可检查性，而无需阅读实现代码。作者强调软件工程的核心是解决问题而非编写代码，未来工程师的职责是设计人与AI协作的系统。
本期周刊聚焦 AI Agent 执行层的工程实践，探讨模型如何穿过真实环境稳定完成任务。文章围绕执行模型、Harness、质量评测、多智能体与权限、路由缓存等六条主线展开，分析了 Grok 4.6、DeepSeek V4 Pro、Gemini 3.7 Flash 等模型的长程执行能力，拆解了 DeepSeek Harness 和 OpenAI Codex Harness 的架构设计，并介绍了阿里、美团等团队的评测与改进流程。核心观点是：智能体的可靠性不仅取决于模型能力，更依赖于 Harness 的工程化设计、可观测的反馈闭环和合理的成本调度。
本文探讨了AI代理的记忆工程，指出当前模型虽有完美智能却无记忆，每次会话后如同陌生人。作者批评了依赖扩大上下文窗口的行业做法，提出记忆工程应借鉴人类记忆的架构，通过选择性编码、整合、检索和遗忘来构建独立的记忆系统。文章详细介绍了五阶段流水线：捕获（过滤非持久信息）、整合（去重与合并）、检索（基于相关性提取）、以及后续的更新与遗忘机制，并附有Python代码示例。作者强调，记忆工程是决定AI代理能否拥有连贯过去的关键学科，目前鲜有人正确实践。
本文指出，AI系统首次运行成功并不能证明其可靠性，因为环境变化或输入差异可能导致失败。作者强调，评估（Evals）是确定AI系统可信度的关键，它要求基于实际工作场景收集案例，并明确“好”的标准。通过持续测试和迭代，评估集能帮助团队了解系统的边界和失败模式。文章还区分了公共基准与产品级评估，认为后者必须基于具体业务场景。最后，作者提倡将评估作为系统开发的核心部分，以确保AI在实际工作中的可靠性。
本文深入探讨了应用型AI公司的核心运作模式，以保险行业为例，阐述了从初始70%准确率到承诺98% SLA的差距如何通过工程、GTM和应用AI团队的协作来弥合。文章强调了“harness”作为产品的重要性，包括工具、集成、文件系统、编排和监管五个方面，并指出评估（evals）作为平台核心原语的关键作用。作者认为，应用型AI公司通过紧密的客户反馈循环和垂直领域的深度整合，构建了难以复制的竞争优势，而非传统的数据护城河。
本文讲述了作者作为前线部署工程师（FDE）深入服装厂，落地AI报修系统的全过程。与单纯的写代码不同，FDE需要深入一线调研真实业务流程，明确可量化的交付指标。通过贴二维码解决设备识别问题，建立评估集（Evals）优化车间噪音干扰下的语音识别准确率，并在不断试用与反馈中平衡系统自动化与工人操作体验。文章揭示了AI应用落地面临的真实挑战，以及FDE作为客户与技术之间桥梁的核心价值。
文章探讨了AI Agent如何改变工程团队结构，提出了“AI Velocity Pod”模式。该模式由一名资深工程师指挥AI代理，90天内完成了相当于五人团队2-3倍的代码产出。核心在于将瓶颈从编写代码转移到审核判断，通过V.U.E.标准和知识图谱确保质量，大幅降低了协调成本和人力开销。
本文从熵的视角分析多 Agent 协作的效率问题，指出加 Agent 会增加系统熵，而收敛需靠外部做功。文章对比了不同通信拓扑，揭示了 Teams 模式适合发散但不适合收敛的本质，并提出了通过正交维度任务拆分和人工介入来解决收敛难题的实操建议。
本文深入探讨了 Claude Code 等智能体工具在长对话中性能下降的现象。作者将其归因于“上下文腐烂”，分为无法避免的内在腐烂（模型架构限制）和可管理的内容腐烂（过时信息积累）。文章提供了具体的治理实践，包括前期策展、保持上下文清洁、及时重置以及使用 git 树结构管理会话，以维持工具的敏锐度。
文章解读了 Andrej Karpathy 关于构建自我改进多代理图的 12 页指南。核心内容包括 Loop、Chain、Swarm 等架构模式，以及利用知识图谱作为共享内存的重要性。文中对比了 Karpathy 的工程实践与 Anthropic 的动态工作流，强调了未来 AI 应用的壁垒在于图谱工程和多智能体协作。
作者分享了使用 Orca 进行 Graph Engineering 的实践经验，通过拆分任务给 Agent 执行，结合编排调度和真机验收，解决了长任务拆解、动态调整依赖和防止假成功的问题，强调了 Graph、Eval 和权限控制三者结合的重要性。
文章通过三个真实案例，验证了“贵模型编排、便宜模型执行”这一省钱策略。作者发现，虽然便宜模型在文本判定等任务上能打平顶尖模型，但在高复杂度代码和开放式视觉任务上存在局限。关键在于控制模型能力代差和任务可验证性，否则返工成本将抵消节省的 token 费用。
