2026年10月14日谁把这件事搞砸了:多 Agent 失败归因的 31% 天花板深读 BLADE(2610.18780v1):从论文报的小数位反推出五个子集的真实规模(58/126/811/152/81,三处交叉验证全部吻合),把等权平均换成按轨迹加权,+5.6 分变成 +3.4 分;并指出它两次"并列最优"都是和表里最笨的基线并列。论文深读Agent 工程评测Agent工程实践
2026年10月14日一个 Agent 里有多少其实是脚本:ChunkAct 的 57.5% 比 +5.0 分重要深读 ChunkAct(2610.18874v1):从论文自己的两个数字手算出朴素做法在第 27 个原语撞上上下文墙,重算提示缓存下 4.4× 省到哪里,并用小数位反推主表的真实样本量——+5.0 分靠的是一个单元格里的两次失败。论文深读Agent 工程上下文工程评测Agent
2026年10月14日Code Mode 真的有收益吗:687 次调用、两个模型跑出来的答案不估字节数,真的执行。四组对照实验、687 次模型调用、两个模型,量出 Code Mode 省的是什么、省不动的是什么,以及我自己踩进去的三个实验设计坑。AgentAgent 工程MCP上下文工程评测
2026年10月14日Context Mode 与 Code Mode:都在给 Agent 瘦身,按住的是不同管子一边压缩工具编排,一边折叠工具返回。用一次自跑的字节数实验讲清两个新词的机理、目的、组合方式和边界。AgentMCP上下文工程Agent 工程工程实践
2026年10月14日Harness 时代的四条战线:认知外部化、全时 Agent、对抗评测、入口争夺当大家都说「模型层叙事结束了」,到底是哪些约束让 Harness 架构非这么长不可?用 METR 的时间视距、Dual-LLM 隔离、sandbagging 检测与特权分离这条共同祖先,把四条表面独立的战线串成一张图。AILLMAgentAgent 工程AI 安全上下文工程
2026年10月14日93 个自进化 Agent 的主结果里,只有 8 个能证明「那条更新真的跑过」Harness Self-Evolution(arXiv:2610.18813)把一份 93 条的证据审计放进了公开仓库。我把 TSV 拖下来自己复算了一遍:没有一条主结果同时满足四条标准,最薄的是 activation——「被接受的那条更新,在打分的那几次运行里到底起没起作用」,只有 8 条给得出证据。然后我用同一把尺子量了自己的博客 harness,得分 0/4。AILLMAgentAgent 工程论文深读评测
2026年10月14日Pi 接入 MCP 之后:可靠 Agent 要管住恢复、上下文和验收从 InfoQ 访谈追到 Pi 1.0 官方记录与 Armin 原文,再用 12 组进程崩溃实验和一次数据过滤实验,拆清持久执行、Code Mode 与可靠验收的边界。AgentAgent 工程MCP上下文工程工程实践
2026年10月14日想要长期任务的稠密奖励,先把"世界"造出来:TeV 的反向环境合成长期智能体 RL 的卡点不是缺模型,是缺"能信的地面真值"。TeV 把每个长时任务从隐藏世界 W 反向渲染出来,让验证器和稠密进度奖励都是同一个 W 的函数。AILLMAgentAgent 工程论文深读
2026年10月13日AI-Native 需求研发平台全景:28 个产品背后,真正值得汲取的核心从 Linear、Jira、Productboard 到 Kiro、Intent、Devin、应用生成平台和国内研发工具,比较五条 AI-Native 路线。用证据过期实验和交付耗时算账,提炼需求、执行、验收与反馈应如何贯通。AIAgent 工程工程实践系统设计
2026年10月12日AI 时代研发岗位的决策地图:八个工种、一张收敛度梯度不是「加一个 AI 工程师」,而是把八个工种按「离模型多近、离用户多远」排成一条梯度。本文沿同一套「业界/论文证据 → 产品传导链 → 收敛度」方法,把 AI 时代的研发组织拆成八个决策点逐个判断,并给一张可拿去对照自己团队的岗位表。AIAgent 工程工程实践系统设计
2026年10月10日看懂 LLM 工程路线图:下一步学什么,应该由失败决定从 Avi Chawla 的八支柱路线图出发,用上下文预算、Agent 成功率和 70B 量化显存三笔可复算的账,解释为什么学习顺序应由失败原因决定,以及如何让评测贯穿整个工程过程。LLMAgent 工程上下文工程评测工程实践
2026年10月9日Google FlowAgent 论文深读:AI 修复的有效期,比修复率更容易被低估从 Google FlowAgent 的生产漏斗出发,重算过期损失与采纳口径,解释低延迟修复为何需要版本校验、意图验证和工作流设计,并用可复算的预算例子讨论何时该停止搜索。论文深读Agent 工程评测
2026年10月9日工具让模型看得更清楚,也可能让它忘了该不该回答深读 MIT 与 NVIDIA 的多模态 Agent 安全论文:核算 68.7% 的口径,发现主表与配对计数的不一致,拆解假缩放、上下文稀释与重新注入实验,解释为何单轮拒绝能力不能直接迁移到工具循环。论文深读Agent 工程AI 安全评测工具调用
2026年9月22日ASPIRE 深读:NVIDIA 教机器人的那套技能库,交付物是一个 CLAUDE.mdNVIDIA GEAR 的 ASPIRE 用 Claude Code 写机器人程序,把调试经验攒成技能库,长程任务零样本从 4% 提到 31%。但论文标题盖住了它自己的消融结论:拿走技能库不是最痛的,拿走执行轨迹才是(14%→62%)。这篇顺着「技能该存成什么」这条线,把 Voyager 到 ASPIRE 的表示切换拆开,并拿我自己的两个知识库跑了一遍论文的 Limitation 4——我的一条 skill 确实过期了。AIAgentAgent 工程论文深读Skills记忆
2026年9月16日Gavel 深读:别把技能目录塞进上下文,让模型从自己的中间层路由深读 Gavel 的 glance、verdict 与 product of experts:为什么技能路由既不该挤占任务上下文,也不该完全外包给检索器;并复算索引显存与路由成本。AIAgent 工程论文深读Skills
2026年9月15日X 上值得长期关注的 20 个大模型与 Agent 英文账号从 Avi Chawla 出发,实看 25 个 X 账号后留下 20 个英文一手信息源,按教程、Agent 工程、研究与行业反方四层整理;附只关注 6 人的精简版和四张可直接照抄的 X Lists。AILLMAgentAgent 工程学习笔记
2026年9月10日AFlow 到底在搜什么:读一遍 FoundationAgents 的自动 workflow 发现AFlow 的名字里挂着 MCTS,但真读源码,它不是一棵树;它是「LLM 当搜索算子 + 数值验收当奖励 + softmax 混合选父」的三件套。本文从根本约束、崩点、代码定位到手算 selection 概率,把这套结构拆到能自己复刻的分辨率。AILLMAgentAgent 工程论文深读
2026年9月10日Agent 自进化不是一张全景图,是一架四层可回滚阶梯——每往下一层 credit 就贵一个数量级把 9 篇「Agent 自进化」论文挂进一架四层可回滚阶梯:L1 Skill 文档(分钟级、git diff)、L2 Skill Bank(小时级、可 prune)、L3 Harness / 元进化(会话级、Pareto 归档)、L4 模型权重(不可逆)。每下一层,回滚成本 × 传导广度跳一个数量级,credit assignment 门槛也跳——L1 靠「≥2 条轨迹独立提议同一编辑」的投票几何就够(K=8 时假/真比 1:72),L4 必须靠 GiGPO 的 anchor state、LLM 语义自归因或 privileged teacher(OPSD)。附三笔 Python 手算:Trace2Skill 的投票几何、GiGPO 在不同状态空间下的 anchor 复用率、AgentEvolver 55% 步数节省背后的信号密度倍率。AILLMAgentAgent 工程论文深读模型训练
2026年9月10日那张「AI 这十年」的成长图画反了:2026 栏的 22 个词,19 个不在模型里一张三代身高对比图把十年画成「模型长大了」。我数了一遍 2026 栏的 22 个词,只有 3 个动模型权重。再用自己这个 337 篇的博客仓库算一笔账:把全部内容塞进上下文,连最宽松的估法都装不下 1M 窗口——那 19 个词是这道算术题的产物,不是模型的成长纹。AI Infra上下文工程Agent 工程系统设计
2026年9月10日GiGPO 到底靠什么工作:Agent 训练里的 credit assignment 廉价补丁GiGPO 把 GRPO 从"一整条轨迹一个 advantage"升级为"episode 组 + step 组 相加",在 ALFWorld/WebShop 上比 GRPO 高 12/9 个百分点。但它的核心机制既不是嵌套树,也不是嵌入相似度——就是 hash(str(observation))。这一切建立在一个物理假设上:多条 rollout 会撞到同一个中间状态。撞不到,方法退化。AILLMAgentAgent 工程论文深读模型训练
2026年9月9日大模型热词地图 2026-09:把 63 个关键词按「谁是当下的瓶颈」排成一条链从可验证奖励、环境工程、test-time scaling,到 MoE 与混合线性注意力、PD 分离、MCP/A2A、致命三要素与评测饱和——按瓶颈迁移的顺序枚举当下热词,每个词给一句人话解释、为什么现在热,以及它是新瓶颈、旧词回温还是营销词。AILLMAgentAgent 工程
2026年9月9日一个模型的一生:从受孕定形到夕阳反哺,一张横图看完八格流水线把大模型从架构定形、预训练、后训练、评测、部署、Agent 产品一路到退役反哺画成一张横向的生命线,再顺着这张图立一个主线:这八格是一条单向压缩管道,每格都在把上游更大的东西压成更小的表示且丢弃不可逆,而整条链上只有最后一格会产出新信息——这解释了 2026 年的热点为什么全挤在末端。AILLM模型训练Agent 工程系统设计
2026年9月8日多轮 Agent 信用分配深读:奖励「给谁」是二阶问题,「覆盖多广」才是一阶深读 arXiv:2609.02417《Coverage, Not Targeting》:终态验证的多轮 Agent 里,验证器只暴露 k=1 步、成功却要 C=5–8 步硬前置链(V_d≈0.15);这时把奖励「对准关键步」是二阶的,把固定预算铺到覆盖全链才是一阶——shuffled 对照证明定向本身不带来收益,相位边界在 V_d*≈0.8。附我用 numpy 按附录 C 复现的两条扫描,和两笔能拿笔算完的账。AgentAgent 工程论文深读LLM模型训练
2026年9月8日面向 Agent 封装业务流程:把状态、约束和判据搬进 schema92% 的官方 MCP 服务器只是端点的薄壳,而写在散文里的参数约束会让 Agent 静默失败、41% 直接对用户说“没有数据”。本文给出一套封装方法:把状态、约束、判据从人脑和界面搬进 schema,按“可回滚的最小承诺单元”重切刀口,并说明新能力具体开在哪四处。AILLMAgentAgent 工程MCP工具调用系统设计