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。
先看 Epoch 和 Anthropic：一个追查漂亮的实验结果，一个检查完成任务的手段。再读 Hales 对 Lean 的讨论，会更清楚地看到，“检查通过”究竟能让我们相信到哪一步。第一篇编辑观察沿着这个问题，讨论怎样找出验收遗漏的条件。
成本则有另一个反直觉的例子：Asana 越勤快地清理旧截图，缓存反而越难复用。结合 Lynch 对模型分工的期待和 TokenRouter 的调度方法，可以继续问：单次调用省下的钱，会不会花在切换和重试上？
最后读 Simon 和 swyx。一边做饭一边开发，与不愿反复折腾新工具，并不矛盾：有人获得了原本没有的工作时段，有人仍被配置和审查占住。第三篇观察补查了 METR 的前后两次研究，试着把省时间、少操心和多做成一些事分开讨论。
当日材料
- 科研 Agent 跑了许多实验，结果真的算创新吗？
- Agent 做不到时，能不能停下来？
- Agent 成本优化：先看看缓存有没有被自己破坏
- Michael Lynch：编程助手为什么还让人费心
- 多 Agent 写代码，怎样把验证放进流程
- Thomas Hales：通过 Lean 检查之后，还需要相信什么？
- Nathan Lambert：进展会很快，但会走向哪里？
- 一个普通用户的评测困惑：会做一次，还是稳定做对？
- Simon Willison 试着用语音做了一个项目
- François Chollet：自我改进不等于智能爆炸
- swyx：团队需要的是把活干完
- Sierra 发布 Personal Agent Protocol 草案
- ttok 1.0 调整默认 tokenizer
- TokenRouter：模型路由的收益，可能被调度开销吃掉