● 最新博客
全部文章 →数据飞轮基建工程师:把模型失败变成训练数据的岗位
拆解微软 AI 的 data flywheel 基建岗:1P/3P 数据治理、policy-aware 采集、eval 到数据的闭环、合成数据管线与可审计血缘到底在造什么。
Agent 怎么连沙箱:写在沙箱里,还是把沙箱当工具
Harrison Chase 拆解 agent 与沙箱的两种连接架构:agent 跑在沙箱内,或把沙箱当成一个工具调用,各自的收益、代价与选型判断。
Claude-BugHunter:把 681 份公开漏洞报告喂给 Claude Code 当红队工具箱
11k stars 的 Claude Code 技能包:83 个 skills 从 681 份 HackerOne 公开报告提炼,覆盖漏洞猎取到企业红队,装完 Claude 变操作员。
Google ADK 用 YAML 建 agent:工具、MCP、skills 与 workflow graph
ADK Agent Config 用一个 root_agent.yaml 组装 agent:内置与自定义工具、MCP toolset、skills、子 agent 委派和 workflow graph 全部声明式。
Harbor 拆解:SWE-bench adapter 怎么把 500 道修 bug 题搬进统一评测框架
SWE-bench Verified 是修 bug 评测的事实标准,但它自带一整套独立 harness。Harbor 的 swebench adapter 把 500 道题翻译成统一 task 格式,一篇拆完两边的数据格式和转换逻辑。
Kaggle Gemma 4 Developer Agent 拆解:这题是啥,怎么解
Google DeepMind 出题:post-train Gemma 4,让它自己导航仓库修真实 Python issue,12 小时跑约 120 题,奖金 10 万美元。这篇拆清楚规则、提交结构和可用的解法。
微软 TokenEconomizer:不换模型不换 agent,token 开销降三成
Agent 天天在同一个仓库从零开始:重复发现老事实、加载没用的工具、死循环烧钱。微软开源的 TokenEconomizer 用三个机制学经验,平均省 18.4% 到 30.9%。
A2UI 和 AG-UI:给 Agent 接前端的两个协议怎么用
Agent 只会吐文字不够用了。拆解 A2UI 与 AG-UI 的分工:一个管画什么,一个管怎么传,附事件模型、五步管线和最小接线代码。
cinecode 实测:让 AI 用代码拍一部 12 秒短片
cinecode 不是视频生成模型,它让 coding agent 写出一帧一帧的画面代码。拆解它的设计、三步用法,并用它从零写出 12 秒短片《Signal》,附完整代码与踩坑记录。
Maybe 死了,Sure 活了:一个开源理财应用的社区复活案例
烧掉近百万美元的 Maybe Finance 停摆归档,社区 fork 出 Sure,482 天攒下 16k 星。拆解怎么自托管、怎么把 LLM agent 当客户端,以及可抄的复活 playbook。
Claude Code 团队怎么做 code review:七层检查与收敛教训
90% 代码由 Agent 写的团队怎么 review?拆解 Claude Code 团队的七层流水线:AI 评审投票、风险分层审批、事故变 eval,还有 50 轮不收敛的教训。
Claude Code 团队怎么看待验证:三类测试与诚实的检查器
Claude Code 团队 90% 的代码由 Claude 写成。译文拆解他们的验证体系:三类值得投入的测试、verify skill、REVIEW.md 与 observe mode 门禁。
Laminar 拆解:Agent 观测平台卷到了 coding agent 和沙箱评测
开源 Agent 观测平台 Laminar:一行 init 自动埋点、一条命令给 Claude Code 装插件、harbor run 加一个 flag 回放评测轨迹,还能和 Langfuse 双写共存。
SkillEvaluator 拆解:给 Agent 技能做质检,量化技能到底有没有用
NVIDIA 开源的 SkillEvaluator 用三层流水线给 Agent 技能做质检:无模型静态打分、embedding 去重,再用有技能/无技能 A/B 实测算出 Skill Lift。
FrontierHarness v1.1:21 组 Harness 跑平同行,跑不赢 100 行基线
26040 次运行、21 组 Harness、5 个模型、17842 美元账单:冠军 62.3% 与 100 行基线在统计上无差别,模型单价差 7 倍,64% 的钱烧在失败上。
Chrome 团队把 Web 最佳实践塞进 Agent:拆解 modern-web-guidance
Chrome 官方 Agent 技能拆解:208 篇 Web 指南、29,165 词本地向量检索、33 条 legacy 规则,附实测输出与三个边界。
Agent 越跑越笨?Deep Agents 上下文工程的检索与记忆
汇总 LangChain 两篇官方指南:用检索把对的信息挡在窗口外,用 offloading、summarization、skills、subagents 和 memory 管理已进窗口的上下文。
什么是评测驱动开发 EDD:如何改进 AI Agent
LangChain 官方博客译文:定义好、先写评测、改完对比,用三步循环把 Agent 开发变成可度量的爬山过程。
Codex Security 拆解:值钱的不是模型,是那份封条
12k 星的 Codex Security,最硬的设计不是哪个模型,而是 SHA-256 封条、不写行号的指纹、以及把 89% 误报当主场的评测。
HarnessMM 拆解:80% 的 token 省在输入里,不在输出里
HarnessMM 在 MBPP 上省 80.35% token、准确率升 1.56 点。拆开聚合文件后发现省的全是输入侧,而相对 CoT 对照准确率反而低。
Omarchy 深度拆解:4.7 万星的 Arch 桌面,把 23 个 Agent 装成第一公民
Omarchy 是 DHH 的 Arch + Hyprland 桌面方案,自带快照回滚与 23 个 Agent CLI。本文拆安装流程、更新机制、主题流水线,也讲清关掉 Secure Boot 的代价。
RSI 不一定改模型:Harness² 与 Dream-RSI 的两条递归路线
Harness² 在没有标准答案时用对比式反馈改执行脚手架,Dream-RSI 把探索历史当回放模拟器评估策略。两篇论文的方法、数字和边界。
agent-browser:一条命令一步操作,Vercel 的浏览器 CLI 拿下 4.8 万星
Vercel Labs 的 Rust 浏览器 CLI:把页面压成 accessibility tree 加 ref,一步一条命令,daemon 常驻复用会话,技能文档随二进制发版。
📢 广告位招租
通过公众号「AI人工智能时代」留言联系作者
关注公众号入群聊