本期周刊以「新的稀缺」为主题，围绕 OpenAI 定制推理芯片 Jalapeño、智谱 GLM-5.3-Flash、千问 Qwen3.8-Flash 等发布，探讨智能供给成本下降后价值交付的真正瓶颈。文章指出，模型变便宜后，稀缺资源转移到了环境与验证、企业数据治理、Agent 自进化的控制面以及人类注意力上。Coding 只占研发链路的小部分，环境、审批、测试与数据可信度决定完成率；自进化系统需要评测、记忆、落地与控制四个齿轮协同；Harness 演进和记忆系统则凸显人类判断与信任界面的长期价值。团队应把节省的推理预算转投评测、失败分析与用户研究，建设可复利的组织能力。
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。
本文介绍了如何将循环、图谱、上下文和测试工具等工程概念应用于营销领域，使营销人员成为自主代理工程师。重点解析了循环工程的核心机制，详细阐述了代理循环、验证循环、事件驱动和自我改进四种循环类型，并结合营销场景（如内容、SEO、活动运营等）提供了具体的构建方法。文章强调了通过评估循环有效防止AI生成低质内容，从而实现高效自动化营销。
作者分享了使用Linear工具管理编程Agent的实战经验。他将任务按结果层级组织，利用分流箱收集问题，并通过分批处理工作流来提高效率。文章重点强调了制定清晰的Ticket契约（目标、原因、结果）、确保Agent完整完成任务以及实现无监督并行工作，从而打造个人“软件工厂”以提升生活质量。
本文深入探讨了 Agent Harness 的概念，即包裹在 LLM 外部、将无状态模型转化为可用智能体的完整软件基础设施。文章引用了 Anthropic、OpenAI 和 LangChain 的实践，详细拆解了生产级 Harness 的 12 个核心组件（如编排循环、记忆系统、上下文管理、验证循环等），并阐述了如何通过优化这层“操作系统”来解决遗忘、工具调用失败和上下文腐烂等工程难题。
本文是对 Cursor 官方博客《Continually Improving Our Agent Harness》的深度精读。文章剖析了 Cursor 团队在构建 AI Agent 产品时的工程化方法论，强调 Harness（系统提示词与工具调度层）是核心工程壁垒。内容涵盖从上下文管理、线上线下评估体系、工具错误治理（SRE 思维），到针对不同模型的深度定制及中途切换模型的技术挑战。核心观点是将 Agent 视为复杂软件系统，通过指标（如 Keep Rate）和自动化流程持续迭代。
本期周刊主题为“编排”，探讨了随着 Claude Sonnet 4.6、Gemini 3.1 Pro 等模型的密集发布与能力跃升，工程师的角色正从亲手写代码转向定义任务与调度 AI Agent。文章分析了模型层“加量不加价”的趋势，解读了 Claude Code 的哲学，以及阿里等一线团队的实践落地，指出判断力与系统思维正取代执行力成为核心稀缺资源。
作者分享了在咨询项目中管理项目知识库的方法，旨在同时服务 AI 编码代理和工程师两类读者。核心设计是对一棵 Markdown 文件树执行五种操作：存储（将原始资料、事实和生成产物分目录管理）、创建（新资料经过切片、摘要、生成视图和规范的固定流水线）、更新（通过哈希检测变更，沿链接反向重建所有依赖产物）等。设计强调每个摘要、视图和规范都链接到其来源事实，配合两条质量护栏确保生成内容有据可依，使文档变更后系统能自动同步更新所有下游内容，为编码代理提供始终最新的详细规范。
本文是 Claude 官方文章的译文，探讨在构建 agent 系统时何时应将子 agent 折叠进主 agent 循环。文章指出，配备 skill 的单一 agent 在质量、成本和延迟方面常常优于多 agent 设计。作者分析了大型组织构建 agent 的常见失败模式（上下文管理、子 agent 泛滥、Frankenprompt、延迟等），介绍通过渐进式披露 skill 和 MCP 工具的 agent 循环设计，并给出将子 agent 迁移为单循环的分阶段方法：构建任务完成评估、合并领域 agent、将子 agent 转为工具调用、用 skill 和工具替代子 agent，以及多团队协作的治理模式。
文章系统解释了 AI 领域中 harness（套件/执行框架）的概念。作者指出 LLM 默认只能生成文本，要真正执行操作需要工具、调用语法、解析系统、结果回传和工具清单，这一切组成了 harness。文中区分了界面（如 Claude Code 的 TUI/GUI）与底层 harness（如 Anthropic Agent SDK、Codex App Server），并用厨房比喻说明 harness 与工具的关系。文章还解释了 MCP 的作用——类似'食谱'，让代码可以在外部运行，以及 agent 的定义：LLM 与 harness 的结合体。
文章针对普通人收藏大量 AI 教程却始终没学会的问题，提出按可上手顺序排列的六阶段学习路线：先搞懂大模型、Agent、MCP、Skill 四个基础概念；再学会高效提问；然后选一个通用 AI 助手用熟；之后分创作者路线（做图、视频、语音）和开发者路线（MCP 与 Agent 开发）深入；最后选读书籍论文进阶。作者强调'卡住你的不是资源不够，而是顺序不对'，并附上 30 天打卡表、53 个免费资源和五个避坑建议，倡导边用边学、动手实践。
文章介绍了 MIT Media Lab 2026 年秋季开设的研究生课程 MAS.S62「How to AI an AI」，主题为自演化 AI（Self-Evolving AI）。课程提出四层演化框架：上下文演化（提示优化、记忆）、Harness 演化（agent 工具链自我改进）、模型演化（持续学习、self-play、测试时训练）、任务与环境演化（合成任务生成、世界模型）。文章详述了教学设计、评分结构、作业与顶会论文成果，并评价该课程是对松散领域的体系化定义尝试，建议以阅读清单和开源工具自学。
作者基于多年使用 X 的经验，筛选并整理出 100 个含金量最高的 AI 相关账号，涵盖 OpenAI、Anthropic、Google DeepMind 等实验室掌舵人与官方号、产品负责人、顶级研究者、AI 编程与 Agent 实践派、开源与基础设施团队，以及近半数的中文一线 AI 实战博主。榜单分为 10 组（英文 6 组、中文 4 组），每个账号均附推荐理由，强调直接获取一手 AI 信息、避免二手信息差的价值。
