- 浏览器 Agent 为什么越跑越贵：从缓存命中查起
- 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
- 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
- 把自己的失败与修正做成 Agent 评测
- 设计 Agent 评测时，先说清自己在测谁
- 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
- 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
- Nathan Lambert：进展会很快，但会走向哪里？
- 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
- 游戏能运行，不代表反编译正确：一份三个月的 Agent 实践
- MASS：从团队轨迹训练模型，收益先出现在研究任务上
- Karpathy：为什么不同人看到的 LLM 能力差这么多
- Mollick 补充：先进模型的用途不该只盯数学和代码
- Vapi：让审查机器人证明问题，也把误报算进成本
- SWE-TaskFlow：同一个补丁，换成交互流程就可能更贵
- Context Mode：压缩比例、任务费用与检索遗漏要分开看
- Muse Wonder：模型进步，要连同推理强度和执行器一起比较
- Anthropic：小模型能搭起推理，完整自主复制仍有缺口
- Huahai 回应 Rich Hickey：使用 AI 时，人是否还在作判断？
- MetaKernelBench：存下来的经验，也可能让下次优化退步
- AgentSWE：从演示样例到冻结交付，还隔着一组保留测试
- TerminalHorizon：重建训练环境，把被预先做掉的工作还给 Agent
- BranchOPD：在有信息的分叉处采样，生成费用与总成本分开看
- IBM 的开放模型芯片探索：推理费少了，最优设计也不同
- Huntley 用提交钩子约束诊断接口，也要求重测提示词包
- Scion 讨论：检出更快，与审查改动意图是两项工作
- 一份旧秋招面经：Agent Runtime 之外，MySQL 与 LRU 仍在考
- 读对事实，仍选错动作：System One 模型的配对诊断
- DeRef：先不看候选，替工具参数裁判补一份参考
- Cortex：规则要被读到，收益也要经得起重复运行
- Mason Mosen：改 prompt 后，先回放同一批旧失败
- ARC Prize 的 Argon 结果：同模型，两种执行层与不完整运行
- Kimi K3 的 AMD 推理优化：缓存要能在同一位置恢复
- 审查机器人也要会停：Claude Code 团队把误报和循环轮数纳入评估
- Sphinx 要你解释改动，也暴露了出题者会判错
- 让 Agent 学会接棒：MPT 的启发与被放大的结论
- “花了多少 token”之后，还得问活做完没有
- 回访更正：Anthropic 收窄了“绕过工具限制”的含义
- OpenCode Console 披露安全事件，修订帖明确了影响范围
- Reason Network：会话能互通之后，交接问题才刚出现
- Agens Volundr v1：优先修循环和续接，低显存运行仍有代价
- Karri Saarinen：功能都能用，产品仍可能失去整体方向
- HybridAgent：内部用潜在状态思考，对外仍能调用工具
- Harness²：从任务中的执行差异，改进下一次运行框架
- Meta 把流程固定下来，把领域判断交给专门 Agent
- Laminar flow-1：沿轨迹追查隐性错误，也暴露“没有轨迹”的盲点
- Interlock：把“改了这里，还必须改哪里”写进训练任务
- Ben Congdon：让模型写监控方案，再由固定程序执行
- 不理解每一行 AI 代码，谁来承担发布责任
- 一份秋招复盘：Agent 实习之外，还要解释项目取舍
- StopLoss：小模型决定何时停下，账单必须算入误停
- Simon 做出了想玩的游戏，也碰到自动测试没听见的噪声
- 给 Agent 加记忆之前，先留下全文搜索这条基线
- Trail of Bits 把“修好了”拆成可重放的证据
- HarnessAdapt-RL：训练会改模型，也要重调工具
- 同一台 4B 模型的 50 次运行：失败常在编辑接口
- 分布式生物推理：把扰动数据变成可追问的线索
- Dan McAteer：监督界面要帮人注意，也可能让人略过
- 语音代理会要求再说一遍，为什么仍记错名字？
- 一次内部监控红队调查：覆盖率的分母从哪里来
- 子代理何时该合并：先看它们是否反复传递同一份上下文
- OpenShell 把权限放进运行环境，证明器还要说明证明了什么
- LiteLLM 1.107.0 事故：签名发布物也要核对构建来源
- Flint 把图表交互拆成可复用的语义事件
- AISI 重放越界行为：说得出有害，仍可能继续行动
- Cloudflare 把漏洞扫描拆成持续任务，保留每次检查的证据
- Raw-RAG：先保留原始对话，再判断复杂记忆是否必要
- Skyvern：调用更多、总 token 更多，网页任务反而更快更便宜
- 上下文工程的难题：保留哪些信息，何时重新开始
- 发现评测缺陷之后，还要追问它改变了什么
- 一份大模型求职复盘：准备清单怎样碰到真实追问
- 工具参数写错，可能需要修推理服务：Ubicloud 的 vLLM 排查
- Kapa 追踪检索丢失：答案需要的材料，可能已找到却没送进上下文
- Epoch 把日常工作交给六个模型：会做步骤，仍可能误判研究结果
- Cohere 公开 Qwen 异常调用轨迹：行为可查，成因仍未定
- 只看 AI 标红的代码，怎样知道它漏了什么
- 专家也会顺着 Agent 的倾向做判断：一项有意设置偏好的实验
- Axiom 将有限单群分类证明形式化：难点也在把定义接起来
- Agent 写代码以后，开发者还需要知道什么？
- Enveda 审查生产记录：把“找问题”变成可逐项核对的意见
- 编码便宜之后，他接下了更多工作，也更难停下来
- LangChain 的设计 Agent：删去固定模板，保留设计原则与制作流程
- DAYJOB Tax：文件给齐了，模型仍可能漏掉没有被点明的问题
- Simon Willison 做了四个小游戏，评论者追问的却是“好玩吗”
- “AI 技巧会过期”，不等于不必练习使用工具
- Simantic：让固件 Agent 在虚拟开发板上运行测试
- Sleep：把上下文里的短期经验转成参数中的长期知识
- Rachel Laycock：资深开发者的顾虑，藏在持续运行的问题里
- 15 个 AI 助手的讨论：交接建议之外，读者还想看到产出
- Gemini Carbon 引发试用兴趣，评测细节却要求重新拆开“更强”
- Mollick 推荐组织能力视角：更聪明的个体，还要能一起做事
- MICA：能力相同，MCP 与命令行仍会改变 Agent 的选择
- 50个 Agent 的 Minecraft 村落：会分工，也会被自己的流程困住
- dsh-superagent：把任务、会话和人工接手分开
- 50：经理也可能把正确答案改错
- Huang：控制工作不该挤满执行者的上下文
- Mollick：知道何时能介入，也是助手的能力
- HackerTube 回访：筛选路径更清楚，用户还想要新视频
- 把代码审查意见带进沙箱，仍要再检查补丁
- Message threads：少传历史，模型仍读完整对话
- Pando：让不同分支并行写入，让读取复用同一批数据
- agent-desktop：先认清控件身份，再让 Agent 操作桌面
- Proton 的 AI 宣言：提速以后，谁保留工程决定权
- Lambert：开放模型的机会，在便宜而反复发生的任务里
- OpenHands × Snowflake：让模型在真正使用的工具循环里训练
- Prime Intellect 审查公开评测：涨分可能来自工具和判分器的修正
- 六个 Agent 同时工作之后，人的精力花在了哪里