本文整理了 npm 联合创始人 Laurie Voss 在 AI Engineer 纽约 workshop 上关于 AI Agent 评估方法的分享。他从一份分析师共识加总为 116% 的特斯拉研报切入，阐述 trace（日志）与 eval（评估）的区别，强调先人工精读十几条记录再设计评估的重要性。文章详细介绍了从免费代码断言、LLM 裁判到黄金数据集校准裁判的完整评估体系，指出选择正确的评估问题比调优评估更重要，并以'评结果而非评步骤'为原则，演示了通过一行 prompt 修改将可操作性从 5/16 提升到 48/48 的案例。最后他强调将评估接入 CI、区分能力评估与回归评估，才能持续保证 Agent 质量。
作者分享了在创业公司落地 AI Coding 工作流半年来的实践迭代。核心思路是给 Agent 最大执行权限同时控制爆炸半径：使用 Claude Code 作为主力 Agent 配合 matt Skill 与项目 MCP；通过 git worktree 物理隔离多个并行 Agent 的工作区；坚持计划先行，动代码前必须产出完整 Plan 并用状态文件持久化进度；测试上人机分工，AI 在 DEV 环境完成正反用例自测，人类只验收业务效果；通过 PR 规范、GPT 对抗性 Review、CI 自闭环守住质量防线；用 PostHog Feature Flag 实现秒级回退止血；并以部署看板巡检日志、三层文档体系（CLAUDE.md、rules、specs）作为长期记忆，实现生产级 AI 高速开发。
Uber 工程团队介绍了 AutoClean 系统，用于自动化清理 feature flag 产生的技术债务。陈旧的 feature flag 会在代码库中留下大量死代码，影响可读性、测试效率，甚至拖慢 AI agent 的会话。清理看似简单的搜索删除，实则涉及布尔逻辑、辅助函数、调用点、配置和测试的连锁传播决策。AutoClean 结合 AI agent 与基于 PolyglotPiranha 的确定性代码转换工具，通过 MCP 协议协作完成代码重写，并在 CI 失败时由确定性 fixer 与 agentic fixer 分层修复，最终生成通过验证的 diff 交由人工审查。该系统在 Uber 的 monorepo 中持续运行，实现了规模化、安全的技术债自动清理。
本文翻译自 Polar 官方博客，介绍其新设计系统 Orbit 背后的思考。随着 LLM 和 Coding Agent 大量参与前端 UI 开发，传统基于 Tailwind 字符串的样式写法导致设计一致性难以保障。Orbit 的核心思路是：将设计规范从文档升级为代码约束——Token 按设计意图命名（如 background-card），通过 StyleX 构建类型安全的 Box 组件作为唯一样式入口，禁止直接使用原始 div，并在 CI 中以 Oxlint 规则强制执行，使偏离设计系统的代码在机制上无法通过。文章强调文档只是概率性建议，CI 才是确定性契约。
AI 写代码让 CI 成为新瓶颈。Anthropic 的数据显示：工程师代码产出约为过去 8 倍（约 80% 由 Claude 编写），测试数量增长 10 倍，六个月内 CI 任务量增长 25 倍。团队为此构建测试影响分析服务，基于历史结果和 package 相关性只跑必要的测试子集。服务 v0 采用单进程单写者架构，在负载暴增下滞后严重，团队先后打了三个补丁（换大机器、分片、每日重启），寿命从 70 天递减到不足一天。最终接受 Claude 的建议完成重构：把状态移出进程，用内存数据存储加无状态 worker 实现水平扩展。核心教训：要为指数级增长做设计、把可观测性做成 AI 的眼睛、从一开始就把状态移出进程。
pnpm 12.4 将多语言项目（npm、Python、Cargo）的依赖安装、构建、测试与缓存纳入同一套工作区配置。一条 pnpm install 可安装三个生态的依赖，新增的 pipeline 功能通过任务依赖图编排构建与验证流程，并支持基于输出的缓存复用，减少重复构建。配套的 pnpr 服务提供跨机器的共享缓存、制品托管和多语言软件包的批量事务发布。文章还讨论了这些能力对 Agent 工作流的意义：仓库明确声明执行规则后，自动化工具可减少临场推断。最后指出了实验功能的成熟度限制、pnpr 的许可证差异，以及针对混合仓库而非纯 Python 项目的适用场景。
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。
本文回顾了 SGLang Omni 项目在 CI 运行中发现的 CPU 瓶颈问题。由于语音模型推理具有短请求、高并发的特点，CPU 资源成为性能的关键瓶颈。通过实验发现，CPU 资源争用（而非核数不足）导致每个请求消耗更多 CPU 时间，从而显著降低吞吐量。文章详细分析了争用的微观机制，并提出了通过 cpuset 绑核、优化编译缓存等修复措施，最终显著提升了 CI 的稳定性与性能。
