• 浏览器 Agent 为什么越跑越贵：从缓存命中查起
• GRPO 实践：读懂训练曲线，再排查不稳定
• 从真实失败开始，为 Agent 写一组有效评测（旧文）
• 为代码审查写一个能失败的评测
• 用火焰图找到真正工作的线程
• 保留失败运行，再修正错误的 ground truth（旧文）
• 让长任务的旧证据还能找回来：Deep Agents上下文实践
• 把五选一概率和正确率分开测
• 让一次抓包只回答一个问题：hw-harness 方法文档
• 从串扰理解线性层、MLP与注意力的记忆视角
• 把自己的失败与修正做成 Agent 评测
• 用 llm-echo 看清请求和工具回合究竟传了什么
• 设计 Agent 评测时，先说清自己在测谁
• 推测解码为什么多算了一些，反而更快？
• 给一次修复补齐前后版本证据
• 用一个文件读回测试检查模型的状态记忆
• 从真实轨迹解释系统为何过载后难以恢复
• 从答案验证器开始，学习推理模型的训练与评测
• 用一次失败轨迹练习上下文工程
• 沿一次工具调用错误，理解约束解码能保证什么
• 用一份多页记录练习“局部没看见”与“全局缺失”的区别
• 拆读一个设计 Agent：哪些选择给模型，哪些要求写进程序
• 用一个小世界模型学习：为何预测准确仍会被策略钻空子
• 沿一次内存写入，读懂 nesformer 的编译与验证边界
• 把代码分布适应与审美偏好拆开学习
• 沿一条审查意见追踪：发现、复现、修补、回归
• 用可访问性快照理解桌面 Agent 的失败
• 沿一条真实轨迹读懂 Agent 后训练