本期早报围绕智能体（Agent）实践展开三篇精讲：一是 Parallel 创始人、前 Twitter CEO Parag Agrawal 谈智能体搜索基础设施、检索与模型计算的协调成本、内容补偿机制与事件驱动的监测入口；二是 Erina Karati 以 Supercell 游戏智能体为例，阐述长时程智能体需要通过可控场景、完整轨迹记录与多维评分进行自动化实验，而非仅靠提示词；三是 Roland Gavrilescu 提出把工作、验证与反馈循环视为产品本身，通过可版本化的智能体 recipe 实现持续迭代。速览部分涵盖 Claude 计算物理振幅、Skydio 多机自主飞行、Perplexity 自研数据库、GEPA 反思优化、GPU 自动化研究等内容。
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。
本文提出七个快速学习的原则，指出消费更多信息不等于学到更多。核心观点包括：通过实践学习而非仅阅读教程；缩短反馈循环，尽早暴露错误；在搜索答案前先自己挣扎思考；即时学习，从真实问题出发而非预先学一切；主动回忆胜过被动识别。作者强调学习的速度往往受限于反馈的速度，行动能将抽象知识转化为真实问题，从而指导下一步的学习方向。掌握学习能力可以加速成为更好的写作者、创始人、工程师等。
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。
文章探讨了企业如何在通用 AI 基础上构建差异化优势。作者指出，未来五年公司需掌控智能的运作方式、管理与复利，而非仅依赖现成模型。掌控智能包括控制 Agent 系统（模型、调度逻辑、上下文）、掌控质量与风险，以及通过反馈循环积累智能，从而实现业务的深度集成与持续优化。
文章阐述了 AI 产品的有机特性，强调系统思维对 AI 产品经理的重要性。核心观点包括：系统行为源于组件交互、结构与规则比参数更具杠杆效应、新演员（Agent）出现时价值流向接口。实践层面建议通过分解产品、定义契约和设计反馈循环，将 Agent 深度融入产品，以建立竞争壁垒。
文章探讨了构建高效 AI Agent 的核心在于建立反馈循环，而非编写完美提示词。作者以 Warp 开发的社区回复 Agent Buzz 为例，阐述了如何通过“原则优于规则”的设计，结合基于人类反馈的自动学习机制，使 Agent 能够随着时间推移不断自我优化。文章强调了将 Agent 技能视为代码进行管理的重要性。
文章探讨了在 AI Agent 兴起的背景下，软件交互模式的根本性转变。作者指出，虽然 UI 不会完全消失，但 80% 的交互将转向 Agent。文章以 Salesforce、Notion 和 Ramp 为例，阐述了企业应如何通过提供明确规范、建立反馈机制以及处理上下文差异来设计适应 Agent 时代的软件。
