Hermes Agent 智能化升级：集成 Honcho 与 Hermes-LCM 构建可控系统
文章介绍了一种通过集成 Honcho（自托管记忆层）和 Hermes-LCM（测量控制层）来升级 Hermes Agent 的技术架构。该方法解决了传统 AI Agent 容易遗忘上下文、缺乏可观测性和难以在生产环境中复现的问题。通过建立执行（Hermes）、记忆和验证（LCM）的三层体系，构建了一个具备持续上下文、透明操作和可重复结果的可靠 AI 系统。
相关文档
The software factory stack
本文由 Zach Lloyd 撰写，详细介绍了 Warp Factories 的软件工厂基础设施栈设计。该栈基于开放、可组合、代码定义的原则，分为五层：Factories-as-code（工厂即代码）、Data and context（数据与上下文）、Compute（计算）、Inference（推理）和 Improvement（改进）。文章逐层阐述了各层的核心组件与设计理念，强调版本化、可测试、可回滚的工厂定义，以及支持多模型、多代理、自托管和持续改进的基础设施，旨在帮助团队向工厂模式转型。
给 AI 装上一条河，它会醒过来吗？
文章将一篇灵长类大脑神经科学的预印本、七世纪玄奘译出的《解深密经》与当今 Agent 架构并置对照，提出一个猜想：意识可能不仅关乎'位置'和'规模'，还关乎'时间上的选择'。研究发现面孔区以约每秒15次的节奏在'被意识到'和'被抑制'的表征间交替。作者类比唯识八识体系，指出今天的 AI 只有前五识和第六意识（推理），缺少第七末那识（恒常自我追踪）和第八阿赖耶识（恒转如瀑流的种子池）。文末给出一个玩具级'常驻之河' Agent 设计，包含种子池、节拍调度器、竞争选择、末那日志和熏习写回五个部件，探讨如何构建一个持续流动而非'每次调用从零开始'的系统。
JevOps: 决策模型正在改变 DevOps 的早期信号
文章探讨了决策模型 Jev 在 DevOps 领域的早期应用，提出“JevOps”概念。DevOps 充满大量小型语义决策（如日志是否值得调查、告警是否严重、修复是否有效等），传统依赖确定性规则、分类器或 LLM。Jev 以低成本、低延迟的方式将这些语义决策直接嵌入运维系统。文章列举了多个案例：Cribl 探索遥测管道中的语义决策、Jev Logs 实现日志分流、Jevernetes 应用于 Kubernetes 日志、Datadog 将 Jev 用于生产环境 Agent 评估、SREGym 在 SRE Agent 旁构建第二评估循环、以及 Jev 对高风险动作的语义门控审查，展示了决策模型在各运维环节的广阔前景。
多租户 Agent Dashboard：小团队共享 Agent 平台 Octop
文章介绍了一个面向小企业、小团队的多租户 Agent Dashboard——腾讯开源的 Octop。团队可以在内部共享一个 Agent 平台来创建技能和 Agent。亮点包括：支持单点登录和简单的多租户权限控制；支持 Docker 服务端部署并提供 Web Dashboard；可对接不同的存储后端、数据库以及沙盒服务。作者将其定位为 Grok Bot 的小团队版，与面向个人的 OpenClaw/Hermes 和桌面端的 WorkBuddy 形成差异化。作者表示非广告，如果领导要求做类似系统可直接参考。
Harness Engineering: 2026年取代提示词工程的核心技能
文章指出，2024年的核心技能是提示词工程，2025年是上下文工程，而2026年两者已被吸收进Harness Engineering。88%的企业AI Agent项目无法上线，问题几乎不在模型，而在模型外围的执行层。作者详细阐述了生产级Harness的七层架构：工具编排（草稿-提交模式防止危险操作）、验证循环（制作者与检查者分离）、上下文与记忆管理、护栏（行为/数据/工具/运营四类控制）、可观测性等。并以Anthropic Claude Code质量退化为案例，说明问题源于Harness层而非模型本身，强调Harness设计才是AI Agent产品质量的决定性因素。
你的 Agent Harness 应该自我修复
文章探讨了 Agent 系统如何在不更新模型权重的情况下实现自我改进。作者提出两条独立回路：成功运行可产出可复用流程（如 Hermes 的 SKILL.md 程序性记忆），失败运行可产出经审查的修复和回归用例。通过 Opik 工具链，生产失败被转化为结构化反馈：trace 记录、源码级诊断、人工批准 diff、重跑验证、回归测试。文章强调改动需版本管理、评估需确定性校验器，系统并非自动学习，而是把事故变成可审查的改进输入。
用机器人自动化你的生活
作者分享了一套通过 AI Agent 自动化个人生活的实用方案。文章提供了一份可直接复制使用的 Markdown 提示词，角色为「AI Agent 架构师」，用于对用户的生活和工作做全面审计与访谈。核心原则是最小化有用的 Agent 编制（通常 1-3 个即可），遵循从手动任务到一次性 AI 任务、技能、例行程序、命名专家 Agent、多 Agent 协作再到定时自动化的渐进升级层级。文章详细给出工作流决策漏斗、Agent 拆分测试的六个维度（所有权、上下文、工具、工作风格、审批边界、触发节奏）、Agent ROI 评估方法，以及 Grok Bot 与 Hermes 两个运行时平台的选型指导。
Ai Vibe Coding：小白也能看懂的产品稳定性教程
文章以面包店从街角小店成长到全国连锁的故事为比喻，系统讲解网站如何应对用户增长与稳定性挑战。从单体架构（一台烤箱）讲到垂直扩展、数据库索引、N+1 查询优化、缓存与缓存失效、水平扩展、负载均衡与自动扩缩容，再延伸到 Docker 容器化、CI/CD、可观测性、读写分离、微服务拆分、CDN 内容分发，以及限流、队列与异步处理等高并发应对手段。用通俗类比帮助零基础读者理解前后端、数据库、缓存等核心概念，掌握系统扩容与稳定性的基本方法论。
构建弹性生产级 Agent Harness 的 5 层架构
文章指出 Agent 可靠性的关键在于模型之外的确定性软件基础设施，即 Harness Engineering。作者提出构建弹性生产 harness 的 5 层方法：1）从模型优先转向系统优先架构，结构化工作流可将任务完成率从 31.7% 提升至 78.0%；2）实现持久化状态与检查点，避免长时间运行中丢失进度；3）通过角色分离（规划者、生成者、评估者）构建验证闭环；4）利用 hooks 和隔离运行时（如沙箱、网关）确保安全边界，防御提示注入；5）记录结构化追踪便于调试与自动化修复。文中结合 Google Antigravity、ADK 2.0、Gemini Enterprise 等工具给出实践建议。
AI Engineering Skills Map: 软件工程基础
吴恩达探讨了在智能体编程（agentic coding）时代，软件工程基础知识为何依然重要。即使编码智能体可以代写全部代码，开发者仍需理解软件基础，才能引导智能体在延迟、可用性、一致性、可靠性、可维护性和成本等方面做出正确权衡。文章归纳了AI工程师应掌握的核心技能：构建全栈应用、管理数据、设计系统架构、保障系统安全可靠、以及在生产环境的扩展与运维。他强调，死记语法等知识正在过时，但深入理解软件原理的开发者远胜于盲目'氛围编码'的新手。
The Anatomy of a Claude Code Bill
本文基于对45人工程团队30天的Claude Code使用追踪，剖析了其账单构成：真实用户提示仅占输入token的14%，其余为静态系统开销、CLAUDE.md与Skills、MCP服务器schema、工具结果回放及历史上下文等配置性开销。文章指出Uber等大规模部署中人均月支出高达500-2000美元，并介绍了Comet在Opik中推出的Cost Intelligence代理插件，通过token级可观测性帮助团队识别浪费，15分钟审计可削减20-40%账单。
给开发者的 NAS 小书：我们需要什么样的 NAS？
文章从开发者视角探讨 NAS 应具备的形态，并以懒猫微服为例展开分析。作者指出理想的 NAS 应做到：系统环境可还原重建而用户数据持久隔离；提供网盘、SMB、WebDAV、Time Machine 等统一数据入口；区分系统组件、用户实验环境（pg-docker）和商店应用（lzc-docker）三类 Docker 环境；远程访问依赖统一域名与厂商中继而非端口映射；并内置 OIDC 身份认证、HTTP 路由和 Devshell 调试环境，使其更像家庭场景的轻量 PaaS。作者认为理想的 NAS 是以数据为中心、以应用为边界的个人计算平台，让普通用户不必学运维，开发者也不必交出自由。
