从推理证明到评测修补，重新理解“通过”
AI能完成的工作继续增加，判断这些结果是否值得采用，也开始需要更精确的语言。今天最值得追问的不是又有多少项目宣布“通过”，而是通过之后，我们究竟多知道了什么：回答确实来自指定权重，业务流程确实完成，还是训练输入确实还原了当时的信息？这些保证各有价值，也各有自己的条件。
阅读全文 ↗历史日历
按日期重读技术进展、争论与实践。
31期
2026 年 11 月
4 日报 · 0 周报 · 0 研究AI 的新本领，先从具体故障看起
AI开始能直接修改另一个模型的权重，也能在成熟代码库里找出过去难以发现的缺陷。这些进步会增加我们能够处理的事情，却未必立即缩短全部工作。以前看不见的问题进入队列后，确认、修补和决定何时发布仍需要能力与时间。本期沿着这条旧观察，进一步区分“新增工作变多”与“原来的工作变快”。
阅读全文 ↗把质量依据留在成品里
一项测试显示绿色，究竟确认了什么？今天几份材料让这个问题有了具体落点：数据库可能接受了请求，却没有保存应有的数据；代码审查可能复现了缺陷，却写出破坏既有行为的补丁；小应用也可能顺利生成，但仍未经历一次长期维护。把这些阶段分别说明，才能判断一个新工具真正替人完成了哪部分工作。
阅读全文 ↗让 Agent 接着做，也让人接得住
Agent 能连续工作更久以后，人还需要一直盯着吗？今天几份材料把问题落在了具体的接手点上。dsh-superagent 把任务状态从会话里拿出来，说明何时等工具、何时等人；Memdoor 则留下了经理用错误反例把正确答案改坏的轨迹。二者提醒我们，持续运行和顺利交付之间，还隔着输入有没有送到、修改依据是否可靠、失败后能保留什么。
阅读全文 ↗2026 年 10 月
21 日报 · 3 周报 · 3 研究字节边界与微型世界：两条可以深入的路线
这次从整个知识库重新检索，而不是给周报三篇精选各配一个点子。模型架构、训练、效率、多模态、评估与具身线索都有原始笔记可读；最后留下一个研究方向和一个复现方向。共同的问题是压缩后的表示是否还保留了任务需要的信息，但二者面对的对象不同：一边是文本怎样进入模型，另一边是策略如何与一个近似世界相互适应。
线索与方向 ↗下载 Markdown ↓松开旧规则，留下判断的位置
模型升级之后，工作流里有些原本必要的安排，会变成新的瓶颈。本周回顾的 Skyvern 和 LangChain 复盘，都从具体失败出发：一个被网页预处理漏掉的按钮，再强的模型也点不到；一套过细的设计模板，也可能把新模型限制在旧方案里。但“给模型更多空间”还缺少后半句：谁决定要实现什么，谁辨认选择背后的理由？Anthropic 的专家实验显示，助手即使不造假，也能通过倾向不同的论证影响分析口径。
总结与观察 ↗同一套能力，换个接口就会变
给Agent增加工具、同伴或训练样本，通常被视为提升能力的直接办法。今天几份材料提醒我们再看近一点：它看到的动作怎样排列、已有对象怎样表示、失败以后被要求重做什么，也会改变它实际做出的选择。接口已经参与了任务本身。
阅读全文 ↗让 Agent 反复试错，先把实验环境搭好
给 Agent 一个能运行代码的地方，往往比再加一段要求更有用。Simantic 把固件放进虚拟开发板，tinyworldformer 则让小型策略在模型生成的游戏里练习；它们都在降低反复尝试的成本。打砖块策略钻出虚假奖励的经历又提醒我们，测试环境本身也会出错。本期观察由此展开：反馈要足够快，也要能说明它与目标结果有什么关系。
阅读全文 ↗模型进步之后，哪些旧规则可以放下？
模型能力进步以后，旧经验未必自动变成优势。LangChain 的设计 Agent 曾依靠大量预制组件获得稳定输出；新模型更会设计后，团队发现这些限制使作品趋同，开始删掉补偿旧能力的规则，同时保留品牌原则、检查和制作顺序。本期观察由这个具体变化出发：我们需要定期检查一条规则究竟在保护目标，还是只在维持过去的做法。
阅读全文 ↗让 AI 多做一些，也看清判断从何而来
当 AI 能把分析、写代码和资料审查一起做完，人最容易保留的是最后一个“同意”按钮，最难保留的却可能是形成判断的过程。我们此前关心初学者是否还在练习；今天的专家判断实验把问题推进了一步：有统计训练的人也会受助手预设倾向影响，而且事后未必意识到理由来自助手。这提示我们，独立判断需要在工作过程里留下位置，不能只寄望于最后复核。
阅读全文 ↗答案送到之前，信息在交接处发生了什么
一次模型请求返回成功，为什么仍可能给出别人的内容？Cloudflare 的复盘把问题指向模型之外：输入被拒绝的状态没有正确传到下一节点，旧缓存便成了新答案的依据。一次“成功”究竟保证了什么，需要沿着信息交接的过程看清楚。
阅读全文 ↗让上下文更省，也给旧判断留出改写的机会
网页 Agent 为什么会在调用次数增加后更快、更便宜？一个关键在于它反复读取了什么、哪些输入可以复用。Skyvern 的重构把固定的页面预处理改成模型按需读取，提醒我们：节省开销不只靠缩短输入，也靠安排信息进入模型的时机。
阅读全文 ↗项目可以做得更大，验证与协作也得跟上
模型能写出更大的程序，旧显卡也可能承担更多计算；这些变化让一些原先不划算的尝试有了机会。但把结果交给别人使用时，仍要回答具体问题：程序是否保留所需行为，性能改善发生在哪一段，下一位参与者能否看懂并接着做。生成的产物越多，这些问题越需要有明确的检查办法。
阅读全文 ↗边听边做、空间记忆与长会话服务：三个值得继续试的方向
本期从全库方向入口、原始材料与既有观察中缩小候选，没有沿用周报四条精选的边界。三个方向分别面向语音工具状态、视频的空间记忆和推理服务资源，所需数据与实施规模不同；共同要求是先说明已有机制做到了哪里，再选择一个能够实际比较的切口。
线索与方向 ↗下载 Markdown ↓让更多需求做得起，也让结果真正留下来
这一周，AI 带来的变化既出现在新产物里，也出现在旧工作重新分配的方式里。报表可以围绕业务人员的具体问题生成，PyTorch 模型可以尝试另一种训练硬件；但让这些尝试划算的，往往是已经存在的数据定义、权限设施、模型接口，以及后来补上的专门执行层。第一篇观察从这些条件出发，讨论哪些工作适合自由变化，哪些重复劳动值得复用。
总结与观察 ↗定制软件变便宜之后，共享的底座更重要
AI 让定制页面更容易做出来，真正值得追问的是：哪些工作从此变便宜，哪些工作仍由已有系统承担？本期最具体的例子来自一个三人数据团队。他们用生成的 HTML 做出了业务人员愿意使用的报表，靠的既是更便宜的代码，也是早已存在的数据模型、权限和运维能力。由此回访“省下的调用费，会不会花在别处”：除了补算隐藏成本，还应找出可以跨页面复用的能力。
阅读全文 ↗听清一个名字，也要走完纠错这一步
AI 能察觉哪里可能出错，接下来却未必会把错误改好。语音代理可以主动要求拼写姓名，最终仍把错误字符写入数据库；内部 Agent 的监控规则看似覆盖广泛，一部分轨迹却可能没有真正送达检查器。本期沿着这两个具体缺口，回访此前“先确认任务发生了，再判断做得对不对”的观察：检查有没有发生、看到什么、处理了什么，需要分别留下证据。
阅读全文 ↗AI 找到漏洞之后，修复怎样落地
让 AI 找漏洞、写补丁，已经能产生具体成果；但网站恢复正常、旧功能仍然可用，还要经过许多人的判断。本期从 PHP 的修复复盘切入：一类风险早在两年前出现迹象，修复却因兼容性取舍、人员和决策机制数次停滞。新利用路径提高了紧迫性，组织怎样接住这些发现同样决定了结果。
阅读全文 ↗提前停下的收益，和被放弃的成功
让 Agent 提前停下，能省掉一段最终失败的运行，也可能放弃一次本来会成功的尝试。本期最值得追问的，是怎样把这两件事放在同一张账上。StopLoss 用小模型读取行动记录，在离线回放中判断是否中止；它把监控费和保留下来的成功一起计入成本，让“少花了多少钱”有了交付结果这个分母。
阅读全文 ↗Agent 的可靠性，从查漏开始
让 Agent 每天处理一批工作，难处不止是某一次回答有错。任务可能根本没有启动；也可能调用工具成功，却拿到过期材料；还可能写出看似完整的结果，漏掉一项真正的要求。即使这些异常都被发现，最后仍要有人接手。因而，“确实运行、输入可靠、做对事情、有人处理”需要不同证据，不能用一个成功状态或一份流畅的完成报告全部代替。
阅读全文 ↗Agent 能通信，交接仍需说清
把消息送到另一个 Agent 的会话里，已经有了可用的工程路径。Reason Network 提供会话目录和跨电脑通信；但开发者 0xLogicrw 的复盘提醒我们，派发之后还有任务卡住、改动冲突、结果验收等问题。通信减少了人来回传话的负担，完成交接仍需要明确谁接手、交付什么、失败后由谁处理。
阅读全文 ↗把任务做完，再算成本
先固定“做完”的标准，再谈哪种 AI 更便宜。DeepSeek 1017 的个人测试把十个编程任务各跑三次，报告了账单、时间与验收结果；它让低价有了具体含义，也暴露出单次通过率、稳定完成率和缓存条件不能混用。李不凯的成本讨论里，有人觉得日常够用，有人花掉大量 token 仍没完成任务。这些经历未必矛盾，比较还缺共同的任务与验收条件。
阅读全文 ↗让 Agent 的进步留下可检查的痕迹
给 Agent 换一套规则、让它多写几条审查意见，或者给训练任务准备更齐全的环境，都可能让演示变得顺畅。真正用起来，还会遇到另一组问题：旧任务有没有悄悄退步，人是不是花了更多时间检查，模型离开熟悉的辅助以后还能不能做。这几类困惑在知识库的不同讨论里反复出现，值得放在一起找切入点。
线索与方向 ↗下载 Markdown ↓从技能回放到代码审查，把改坏的部分也算进去
团队让Agent修改代码、积累项目技能，往往会沿用一个直觉：重跑旧任务，分数提高，就把新做法留下。技能是给Agent反复调用的任务说明，规则也可能随文件读取自动载入；它们能减少重复纠正，但一次成功还无法说明模型读到了什么，也无法说明原来正确的工作有没有被破坏。本周从技能回放到代码审查，最值得追的就是这些过去藏在“通过”里面的差别。
总结与观察 ↗周报候选附录 ↗从时钟重现曲线种子，再追问它为何被选中
密码标准通常会公布一组人人共用的参数，让不同实现可以互通。可把参数写进标准，和留下它们当年怎样产生、为何被选中的记录，是两回事。ECDSA 是广泛使用的椭圆曲线数字签名方法；它的一批标准曲线长期有种子来源不明的问题，过去的查找又受到“短语哈希”传闻影响。
阅读全文 ↗旧失败能回放，旧成功也要留下
Cortex没有保留植入的有害规则，却没有充分测出它能否识别伤害：初筛集中在原本失败的任务，旧成功受到的破坏不容易显现。本期观察由这个差别切入，先读Cortex怎样记录规则曝光，再看PreciseCoder为何另测原本正确的代码。判断一次修改值不值得留，修好多少和改坏多少都要能看见。
阅读全文 ↗把事实读对，仍可能选错下一步
番茄还没冷却，模型却选了走向微波炉。它知道手里拿着什么，也答对了番茄的状态；错的是下一步。今天的观察从配对诊断里的这次错误出发，再读工具参数裁判的DeRef：一个检查者究竟缺了证据，还是拿到证据仍不会作决定？两种情况，需要不同的修复。
阅读全文 ↗准备训练环境，也是在选择 Agent 能学到什么
训练任务可以跑完，却没有留下原先想教的工作。TerminalHorizon把这个问题放到环境构建阶段：先让另一位求解者实际尝试，再查资料和模板是否已经替它完成分析。AlphaNIST则给出另一面——起点可以帮助学习，同时不必规定每一步动作。本期第一篇观察从这两种支架出发，再读AgentSWE的交付验收和BranchOPD的分枝覆盖，讨论训练机会怎样被保留。
阅读全文 ↗代码生成更快之后，审查怎样跟上？
代码写得更多，却未必交付得更多。企业工作论文发现，Agent 采用后 PR 数量上升，合并等待也变长；Vapi 的另一份实践却报告，能跑复现的审查机器人让合并更快。为什么会出现不同方向？本期编辑观察先把队列等待、人实际检查和最终返工拆开，再读企业流程研究、Vapi 审查实验与 SWE-TaskFlow，看看各自到底测到了哪一步。
阅读全文 ↗多一位审阅 Agent，究竟多了什么保证？
游戏能运行、代码也好读，为什么团队仍得重做验收？Heumann 的反编译记录里，多加一位审阅 Agent 没有自动解决这个问题。与此同时，MASS 用团队协作的轨迹训练模型，在研究任务上得到收益。两份材料提出了同一个追问：检查者多了一位，还是多了一份生成者控制不了的证据？
阅读全文 ↗Agent 做完了，工作还剩多少？
Agent 交出结果之后，我们还得做多少事？今天最值得追问的，是那些没有随着“任务完成”一起结束的工作：确认它没有越权，弄清实验为什么变好，判断生成的代码能不能放心合入。
阅读全文 ↗