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。
此前的观察把问题放在外部判据：检查者多一位，并不保证多一份生成者无法控制的证据。Cortex把这个追问推进到指令曝光和配对回放，Claude Code团队又补入已知干净的改动，检查审查意见会不会诱发有害修改。它们提供了更具体的正面办法，也让我们修正一种过快的读法——没有留下有害规则，不一定等于已经识别了伤害。第一篇观察说明这些检查各自能承诺到哪里。
周末的ECDSA曲线种子溯源提供了另一个对照。ECDSA是广泛使用的数字签名方法，一批标准参数长期缺少种子来历；现在可以从旧式伪随机数生成器重算它们，仍不能据此恢复所有弃选记录。它与科研实验的选择偏差不是同一机制，但共同提醒我们：结果能重现以后，还要说清为什么留下这一项。
第二篇观察回到工作交付。PR是一组等待团队审查并合入的代码改动；少几轮审查可能减少返工，也可能只是把缺陷留到以后。周报独立补入的Mercor职业任务图谱，则先问评测有没有测到这些工作：题目覆盖少不等于模型做不了，已有题目得分高也不等于整个岗位已被测过。先读本周总结与两篇观察，再按需要进入四条精选；末尾三个候选想法分别检验验收面板、误报执行后果和任务覆盖的边界，都附近邻与失败判据。
本周总结
本周有几项评估开始把“变好”拆开，也让此前的判断变得更具体。Cortex记录规则是否实际进入上下文，避免把偶然成功归给没人读过的技能；Claude Code团队把干净改动和有害建议放进审查评估，避免只在事故集中优化召回。此前只问多一个检查者能增加什么保证，现在可以具体追问它读到了什么、漏掉什么，又会改坏什么。作者提供了值得借用的设计，跨仓库效果仍没有独立证明。
周末的ECDSA种子溯源则带来一个更强的可核对成果：公开参数与旧式生成器之间出现了具体的数值关系。它收窄了参数来源的猜测，却没有恢复全部选择历史。把这件事与本周回访的InnovationEval并读，更清楚地看到保存结果和保存筛选过程各自的价值；一个是历史资料问题，一个是能从实验设计上预防的选择偏差，不能混写成同一种“模型不可信”。
人力负担的判断也需修正。企业合并等待变长，与某些团队审查变快可以同时成立。自动评论可能制造新修改，可运行复现、风险分层和收敛控制也可能减少工作。评价应同时保留真实缺陷、干净样本、人的实际判断和交付后返工。只数生成行数、评论或审查轮数，都不足以回答同样质量的工作是否更快交付。
独立查漏补入的Mercor职业任务图谱提醒我们先检查分母：一份基准索引覆盖了哪些工作，和模型在这些工作上做得怎样，是两项测量。其“约九成工时缺少覆盖”来自29个所选基准、职业映射与工时估计，并非全网评测普查。已有APEX（Mercor自有办公任务评测）题目重新加权后分数相近，也没有填上未测任务。对研究和工程选题，最有价值的是确定还缺哪一种可执行对照，而不是把覆盖缺口换成确定的失业或能力预测。
本期回顾2026年10月11日至17日已生成的七份日报，无日期缺档；周六常规采集截至08:01，补查仅纳入北京时间10月17日13:00之前已存在且可核对的资料，不覆盖此后的资讯。信源缺口包括arXiv限流或超时、两个Reddit板块部分日期429、DeepMind及Karpathy部分视频入口404、字节Seed早期解析失败，X官方接口未配置；FxEmbed及热点池均有取样或截断。10月11日档另保留过小红书风控失败，之后按决定停用，本期未重试。国内职业线索仍主要是个体旧面经，不能推成招聘趋势；X推荐样本也不代表社会反响全貌。