Start here
同一个模型，换个 harness 性能能差 6 倍。结合 SWE-agent（ACI 开山之作）、How Much Heavy Lifting、Inside the Scaffold、Code as Agent Harness、Fork-Explore-Commit 等论文，深度拆解好 harness 的三件本职工作：把世界翻译成模型好用的接口、把确定性工作从模型手里拿走、让错误变便宜——以及为什么"提示词里的规则是恳求，harness 里的规则是物理法则"。
Agent 工程在 2026 年不缺方法，缺的是判断：哪些决策已经收敛（抄工业默认答案就行），哪些还没收敛（要自己读论文做实验）。本文把 Agent 工程拆成六个决策点，每个决策点给出源头论文、落地技术代表和收敛度判断，最后合成一张可以直接用的选型地图。
结合 AgentOps、Agent 设计模式、MAST、GRADE 与 AgentDebugX 五项研究，解释为什么 Agent 可观测性不能停在 Token、延迟和调用日志，以及如何把目标、计划、工具、依赖、评估和护栏组织成可诊断、可恢复的证据链。
系统拆解 Browser Agent 的控制通道与页面表示：比较 HTTP/API、WebDriver、Playwright、DOM、Accessibility Tree、CDP、浏览器扩展、视觉坐标和 Agent-aware browser runtime，并结合论文讨论评测、安全与选型。
Archive
我实际走查 Shiplight 官网、67 个文档入口、公开 Agent Skill、npm 包与 Trust Center，拆开它的 MCP 浏览器、YAML 意图层、Playwright 执行层、Action Cache、自愈、CI 归因和云端商业飞轮，并给出一条不照抄产品表面的 clean-room 自研路线。
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。
按 Rathnakumar Udayakumar 的《Modern AI Ecosystem – Tools》一图，逐层拆解 11 个能力层里的 82 款产品；每条给一句话定位与官方链接。附本机跑过的 46 家 GitHub star 数、5 处 org 迁移与 4 处跨层重复的观察。
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。
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。
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。
上一篇从一次 finish_reason=length 翻车讲了静默失败。这篇把视野拉满:按评测管线把 LLM 评测的坑切成数据、生成、评分、统计、链路五层共 25 个,每个坑给症状、论文证据(带具体数字)和防线;末尾收三条跨层主线和一份评测前中后防坑清单。
Veral 跑 Kimi K2 多选评测翻车:reasoning 吃光 4096 token、content 为空、finish_reason=length,评分器抓不到答案。以这次为锚点,把 LLM 评测里的静默失败排成五层——生成层、评分层、统计层、数据层、链路层——每层给症状、根因、探测方法与 arXiv 出处。
Berkeley 那篇 BFCL v3 博客表面在讲 1000 条新多轮题目,底下真正换掉的是评测口径:从 AST 匹配一条正确轨迹,变成让代码跑进沙盒后比对对象属性。附源码定位、条数核对、四类多轮任务的判据分工,以及一处被注释掉的更严判据留下的证据。
结合 Hindsight、EviMem、RLM、MemSkill、AgeMem 与最新隐式记忆评测，拆解有效的记忆和知识获取路线，附版本冲突小实验、成本复算与落地顺序。
92% 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。
我按六轴坐标亲手造了 12 条电商售后样本和三代判据，让 5 个不理解业务的确定性作弊脚本去跑：第一版判据被拿到 9/12（75%），12 条样本全部被攻破，加固后降到 1/12。剩下那条是任务效度问题——题面漏了答案，改判据无解。附可复跑代码与判据体检清单。
深读 Pickaxe 的框架对比，结合 ReAct、AutoGen、MetaGPT 与 MAST 论文，重新理解角色、状态图和对话协议。附 LangGraph 真实进程崩溃实验与上下文成本手算，解释检查点为什么不能单独保证外部动作只执行一次。
按 Artificial Analysis v4.3 非估算成绩筛出十家模型开发者，核对正式文档、论文与开源交付，拆解长程 Agent、推理经济性、开放基础设施和世界模型四条路线，并附排名复核与成本复算。
装了一个 286 skill 的 marketplace，开 6 天、每会话往上下文注入 30 KB 货架，hub skill 调用 0 次。用本机 27 个会话的日志拆出「盘活」三道闸：描述预算在字母 b 处用尽、写了中文触发语的只有 1/286、通用能力零增量。附可复现度量脚本。
在一个可复现的排序实验里，把候选数从 8 增到 32，验收通过率升到 99.99%，真正交付正确答案的概率却从 56.33% 跌到 19.36%。结合 SWE-smith、EnvHarness 与环境演化研究，拆开生成、验证和选择之间的关系。
从 Anthropic 用 Dynamic Workflows 把 Bun 从 53 万行 Zig 重写成 75 万行 Rust（11 天、64 个 Agent 并行、$165,000）说起，拆解 2026 年下半年前沿 harness 玩法收敛到的三条战线：控制流从模型决定变成脚本决定（Claude Code Dynamic Workflows / LangGraph / CrewAI）、隔离从约定变成文件系统原语（Cursor、Codex 生态的 worktrunk/oh-my-codex、Zed、Grok Build 各自的取舍）、验证从自评变成角色对立的对抗式复核（Bun 的三角色分工、Qodo 与 Greptile 的多 Agent 复核产品化）。每条战线都附一张可核实的代表产品表。这是《什么才是好的 Harness》一文半年后的实践坐实。
从源码、实测与论文出发，拆解 Magnitude 如何完成硬件探测、模型选型、投机解码、驻留管理与 Agent 接入。
沿 Ruflo 3.38.21 的真实执行链，拆解配置注入、MCP 工具面、Swarm 控制状态、执行后端与记忆学习闭环，并区分已接线能力和产品叙事。
门禁的一等用户正从人变成 Agent。本文从产品与链路视角给出面向 Agent 的门禁体系：变更全生命周期时序图、六层架构、七个领域对象、判决 schema 与状态机、三条防 Agent 钻空子的规则，并以 Shiplight 为参照指出它做对与缺失之处。
评测与门禁共用「资产/目标/Runner」骨架，却在 oracle 处分叉：门禁靠确定性规格，评测靠采样式裁判。本文补齐门禁六元组，每格配开源底座（Playwright、Midscene、Testcontainers、Pact、Argo Rollouts、promptfoo），附伪代码与 Wilson 下界手算。
从一次 Playwright MCP 的锁冲突翻车讲起，用「浏览器的第二用户是谁」这条约束把 11 款产品串成五代演进：传统开发者工具、LLM 决策层、像素级 GUI Agent、云端浏览器基础设施、双用户浏览器；辅以 arXiv 论文与本机字节实测。
业界经常把「大模型评测系统」和「大模型交付门禁」当成一回事，结果就是评测跑通了却拦不住线上翻车，或者门禁很严却测不到关键翻车方式。本文把两者按角色分开：评测系统是传感器（持续量），交付门禁是执行器（一次决策）。用五篇 2026 年的 arXiv 论文（Automated Self-Testing 2603.15676、LLM Readiness Harness 2603.27355、Test Before You Deploy 2604.27789、Predicting LLM Safety Before Release 2607.07184、含 HELM 2211.09110 的坐标系）+ Google SRE 错误预算+决策地图系列前作，给出七维度对照表、四种失配病理、以及一条把两者接起来的「传感器/执行器阻抗匹配」定律。
沿着 Midscene 从 1.0 前 DOM+LLM 标注到 1.0 后纯 VLM 视觉定位的演进，用决策地图拆解六个关键选择：定位方式、模型分工、Instant Actions、Deep Think、跨平台统一 API、开源模型自托管。看清哪些是被 VLM 能力硬约束推出来的，哪些只是产品化包装。