专题

Agent 工程

讨论 Agent 在长任务中的状态管理，也检查编程评测和代码审查的证据边界。

• CLI Agent 的长任务为什么越做越不可靠

  CLI Agent 在长任务中失控，不是模型参数逐步变差，而是当前上下文偏离了项目的可验证状态。缩短未验证跨度，比单纯扩大窗口更重要。

• Skill 到底有没有用？一次没有提升的编程基准实验

  公开 Skill benchmark 的结论并不一致。本文对照 SkillsBench、SWE-Skills-Bench 和困难编程任务实测，说明没有提升时应怎样解释结果。

• Coding Agent 分数上涨，测到的究竟是什么？

  同一个模型换一套执行框架，Coding benchmark 为什么会明显上涨？本文拆开模型权重、训练轨迹、harness、推理预算和验证器各自贡献了什么。

• AI 为什么永远还能再找出一个 P0？

  微信支付的 90 天券和 30 天资金冻结期，暴露了 AI 为什么会漏掉业务后果，又为什么能在代码审查里无限制造 P0。

• Agent 的“状态工程”到底在解决什么？

  上下文窗口不能自动成为项目的权威状态。State Engineering 真正要解决的是：怎样重建此刻仍然有效的事实，并把当前决策需要的部分交给 Agent。

• Agents 系统理解手册

  一本围绕 Agent 概念、业务、模型、系统、协作、治理、研究、工程与框架层展开的方法论手册。