产品
难 Eval 的 AI 产品，通常也难让用户信任— Hamel Husain
如果用户必须把 AI 的工作重做一遍才能验证，问题不只在 eval，而是产品没有把来源、定义、中间步骤和不可验证项做成一等产物。
简报
今天读了什么
每天翻一遍 RSS 订阅源，挑出值得留下的链接与想法，并附上一句它讲了什么。
7 月 1 日
2026
星期三
10 篇
智能体
Java 迁移 Benchmark 暴露：能编译不等于迁移成功— Hugging Face / IBM Research
ScarfBench 把企业 Java 迁移评估从代码生成拉回系统现实：构建、部署、行为验证都过关才算成功，而当前最强 agent 的行为成功率仍低于 10%。
架构
企业 Agent 的难点在流程编码，不在把模型接上电话— Latent Space
Sierra 的 agent engineer/FDE 模型说明，企业 agent 的核心工作是把客户流程、API、品牌语气、发布治理和验证路径编码进系统。
架构
Agent 杠杆来自叠循环，不是把下一条 Prompt 写得更漂亮— Latent Space
Loopcraft 的核心是把人从逐条提示的瓶颈移到循环设计者位置：目标、反馈、路由、验证、预算和权限边界，才是 agent 系统的杠杆。
信任
隐蔽标记比检测本身更伤开发者工具的信任边界— thereallo.dev
Claude Code prompt steganography 争议的重点不是反滥用目标是否合理，而是本地开发者工具越靠近文件、命令和凭据，越需要把检测、telemetry 和策略写在明面上。
类型
边界解析的价值是把已验证变成类型携带的证明— cekrem.github.io
Parse-don't-validate 的核心不是多写检查，而是在请求、URL、DB、env 等边界把不可信输入收束成更窄的 domain type，让后续代码无需靠记忆相信某个 if 已经跑过。
系统
一次 CUDA Kernel Launch 是 CPU、Driver、GPU 的跨边界协议— Fergus Finn
一个向量加法 kernel 背后是 nvcc、PTX/SASS、host launch stub、driver ioctl、pushbuffer/GPFIFO/QMD、doorbell、SM 和 warp 调度的完整协议栈。
系统
Rust 没丢掉错误，代码显式丢掉了异步状态— Cloudflare
Cloudflare 的 truncated response bug 来自 hyper HTTP/1 状态机丢弃 Poll::Pending：数据仍在 buffer 里，连接却被 shutdown，客户端拿到提前 EOF。
基础设施
数据中心的真实成本会先出现在本地电费和配电投资里— 404 Media
Henrico County 的例子说明 AI/cloud 基础设施成本不只在云账单里，还会通过本地电网投资、费率分摊和公共机构电费外溢出来。
风险
辐射风险争论的核心是剂量率和统计噪声，而不是总剂量口号— Works in Progress
低剂量辐射风险不能压成单一累计剂量恐惧指数；真正要拆开的是剂量率、暴露路径、控制权、同意和统计不确定性。
6 月 29 日
2026
星期一
6 篇
架构
GLM 5.2 的分数提醒：Agent 成败常由 Harness 决定— Semgrep / Hacker News
GLM 5.2 在 IDOR 检测上以 39% F1 超过 Claude Code 的 32%，但 Semgrep 自家 multimodal harness 达到 53-61%；真正值得比较的是模型、上下文选择、输出解析和执行回路的组合。
安全
`.agentignore` 不能当安全边界— GitHub issue / Hacker News
Ignore 文件适合降噪和表达意图，但只要 agent 进程仍能读敏感文件，工具输出、搜索命中和运行日志就可能泄漏内容；真正的边界要由 OS、容器、VM 或最小权限凭据来执行。
工作流
不是人在回路中，而是 Agent 进入人的工作流— Jon Udell via Simon Willison
Jon Udell 反对把人降级成审批按钮；更好的设计是让人的计划、队列、审查和历史成为主循环，agent 在可见、可恢复的小步里加入协作。
系统
WAL-RUS 的重点不是速度，而是可预测内存— ClickHouse / Hacker News
ClickHouse 用 Rust 重写 WAL 归档进程，不是为了泛泛追求更快，而是让 WAL-heavy 场景下的虚拟内存从近 2.8GB 降到 1GB 以下；对 DBaaS 来说，可预测峰值本身就是架构收益。
开源模型
开放模型正在按商业动机分层— Interconnects
开放模型不再只是少数玩家的前沿竞赛，而是在 pure model makers、Big Tech、产品公司和 sovereign AI 之间分化；发布者靠什么赚钱，决定了开源策略是否可持续。
策略
AI 竞争的风险是价格战吞掉高成本范式— Gary Marcus
Gary Marcus 把中国模型追赶解读为无护城河、更多竞争者和 token 价格战的组合：如果 LLM 范式昂贵、可靠性不足又容易复制，能力领先未必能变成商业护城河。
6 月 24 日
2026
星期三
14 篇
智能体
正在到来的 Loop— Armin Ronacher
关于 agentic coding 里的两层 loop——内层 agent loop 在模型说「完成」时结束，外层 harness loop 决定是否继续——以及为什么后者在一次性、可验证的工作上表现惊人，却会侵蚀需要长期维护的代码。
工程
想提速，先慢下来— The Pragmatic Engineer
2025 年 11 月的新一代 agent 如何让代码产出激增、而人工审查停滞，以及 Meta 史上最大事故如何追溯到「AI 写、AI 审」的代码越过被裁撤的 Trust & Safety 团队上线。
智能体
Coinbase 把「想法到生产」压缩了 90%— Cursor
Coinbase 如何用 Plan Mode 加五到七个并行 agent，把交付周期从 20 天压缩到 1.8 天，目前 75% 的 PR 由 agent 创建。
安全
Prompt Injection 的本质是角色混淆— Simon Willison
一项研究发现：模型靠文本的「风格」而非角色标签判断谁在说话——把攻击改写得略微不合格式，就能让成功率从 61% 降到 10%。
安全
Mythos 之后：Gray Swan 的 AI 红队— Latent Space
关于一个排名已超过人类高手的自动化红队系统、「模型不随规模自动变安全」的发现，以及「致命三件套」——不可信输入、私有数据与外泄通道同时存在。
开源模型
GLM-5.2 是开源模型的质变点— Interconnects
为什么 GLM-5.2 是第一个能在 Claude Code 类 harness 里作为通用 agent 使用的开源权重模型，以远低的价格把美中差距缩小到约 6.8 个月。
研究
VibeThinker：3B 在可验证推理上追平巨头— arXiv
一个 3B 参数模型，在答案可机器验证的数学与竞赛编程上追平 600B–1T 旗舰，靠的是两段式「先撒网、再聚焦」(Spectrum-to-Signal)的后训练方法。
智能体
CUGA：开源的 Agent 编排 Harness— Hugging Face / IBM
IBM 的开源 harness 把 planning、状态与 reflection 收进 harness，让开发者只写工具和 prompt，就用开源权重模型拿下 AppWorld 与 WebArena 双榜第一。
工具
Oak：为 Agent 重做的版本控制系统— oak.space
扁平的 Mercurial 式 manifest 加惰性挂载，让 agent 不必克隆整库就能在多 GB monorepo 上秒级开始编辑——代价是脱离整个 Git 生态。
架构
为 memcached 说几句好话— jchri.st
一篇论证：memcached 更适合做缓存，恰恰因为它做得少——不持久化、不集群——从而强制了「缓存随时可丢」的正确语义，绕开了「把 Redis 当数据库」的陷阱。
科学
GPT-5 Pro 帮免疫学家解开三年谜题— OpenAI
GPT-5 Pro 如何为一位免疫学家提供了 T 细胞行为的新视角，解释了他三年来都无法说明的实验现象。
游戏开发
《艾尔登法环》的低技术 AI— nega.tv
FromSoftware 如何不用规划算法构建 Boss 行为——下推自动机的目标栈、加权随机动作选择和中断回调，让设计师保持完全掌控。
基础设施
为什么美国数据中心接不上电网— Works in Progress
为什么 AI 数据中心的瓶颈不是电力，而是被投机项目挤满的先到先得并网排队——以及拍卖名额、给灵活性定价如何疏通它。
城市
为什么西方停止了填海造地— Works in Progress
西方填海造地如何在 1970 年前后停摆——不是因为禁令，而是可被诉讼的环评把单个项目的审批拖成了数十年。
归档
3 篇