平时工作忙碌的你不一定能有时间去筛选值得一读的优秀文章。在这里小七为你整理了七牛开发者号本月的优秀文章还有海外优秀实践。等你哪一天有空了可以回头读一读。利其器·工具篇日常开发中我们主要会用到 Claude Code、Codex…在这个模块在这里和你分享下如何更好地使用 Claude Code、Codex 或是其他的开发工具让 Coding Agent 更靠谱Model 和 Effort 怎么选Model 和 Effort 两个设置都会影响 Coding Agent 的交付质量但它们控制的环节不同Model 决定 Agent 处理任务的能力范围Effort 则影响模型愿意为完成任务投入多少精力。这篇文章给出了一套很实用的排查顺序先检查 Prompt、上下文、工具和任务边界。如果有着充分的上下文模型仍然判断错误可以考虑更换 Model如果 Agent 漏读文件、没有运行测试或缺少复查可以提高 Effort。对于希望平衡质量、速度和 Token 成本的人来说这篇很适合作为设置参考。电脑写代码手机管任务Codex 远程开发工作流这篇文章介绍了如何把手机端 Codex 用作远程工程控制台。代码读取、命令执行、构建和测试仍然由电脑或远端开发机完成手机只负责启动任务、补充上下文、调整方向和检查结果。除此之外文章还覆盖了环境与分支选择、worktree 隔离、Plan、Goal、Side Chat、diff 审查和行内评论等具体用法。它提供了一种可行的协作方式开发者暂时离开电脑后仍然可以在任务的关键节点做判断让 Agent 继续推进工程工作。大规模代码如何用 Claude Code 进行迁移Anthropic 多名研发人员在一个月内完成了 10 个代码包的跨语言迁移规模从数万行覆盖到百万行。其中Jarred Sumner 用 11 天将 Bun 约 100 万行代码从 Zig 迁移到 RustMike Krieger 则在一个周末把一套 Python 代码库迁移成约 16.5 万行 TypeScript。文章拆解了这类迁移背后的 6 步流程先整理规则和依赖关系再进行小规模压力测试随后通过任务队列推进迁移用编译器、烟雾测试和外部行为对比不断收敛结果。善其事· Agent 篇Agent 是目前大家关注的重点开发者号相关的 Agent 文章阅读也比其他的类别高所以这里罗列一些本月 Agent 相关的最佳读物Agent Graph Engineering从线性 Workflow 到可扩展 Agent 系统不少多步 Agent 最初都会被写成一条串行流水线但真实任务往往同时包含并行处理、条件分支、失败重试、人工审批和结果汇总。Agent Graph Engineering 用节点与边表示这些数据依赖让 Agent、确定性代码、路由器、验证器和人工检查点能够被组织在同一张执行图里。文章重点讨论了输入输出契约、并行执行、故障隔离、状态管理和验证机制。对于正在把单 Agent Loop 扩展成多角色协作系统的人来说它能帮助你判断哪些任务值得使用图结构以及图中每条边应该承担什么约束。从 DeepWiki 到 OpenWikiAgent Wiki 到底有什么用传统 RAG 在每次查询时会从原始分块重新检索和推导同一批资料被问了很多次系统对它们的理解也很难持续积累。Agent Wiki 提供了另一种思路在资料导入阶段先完成分析、组织和关联把结果沉淀成可以反复读取的知识结构。文章串联了 DeepWiki、OpenWiki 等多个项目讨论文档编译、知识组织、引用追踪和持续更新。对于维护代码库文档、企业知识库或研究资料库的人来说这篇可以帮助理解 Wiki 与普通向量检索之间的差异以及 Agent 为什么需要一层可长期维护的知识中间层。Lilian WengHarness Engineering 如何走向自我改进Lilian Weng 的这篇长文系统梳理了 Harness Engineering。文章先总结工作流自动化、文件系统持久记忆、Subagent 与后台任务等常见模式再把讨论推进到上下文工程、工作流优化、Harness 代码优化和演化搜索。文中给出了一条很清楚的演进路径优化对象从 Prompt逐步扩展到结构化上下文、工作流、Harness 代码和优化器代码。同时文章也反复强调可观测性、权限边界、验证机制和基础模型能力。想系统理解 Harness、自我改进 Agent 与自动研究之间关系的人可以把它当作七月的一篇重点长文。如何搭建自己的内部知识库Cerebras 分享了团队如何将 Slack 等内部信息源持续接入统一知识库并围绕 PostgreSQL、检索与重排搭建一条完整的搜索链路。文章关注的重点很具体数据如何进入系统文本如何被整理和索引查询如何在关键词与语义结果之间取得平衡。这篇实践值得关注的地方在于它把企业知识库写成了一套可维护的数据与检索工程。对于准备给内部 Agent 接入公司文档、聊天记录和业务信息的人来说其中的数据同步、统一存储和结果排序思路都很有参考价值。不懂 Model Infra写不好 Harness这篇文章把 Harness 放到推理引擎的真实运行机制里讨论。Agent 每一轮都要经历上下文拼装、API 请求、响应解析和工具执行其中任何一次前缀变化、工具延迟或解析偏差都可能导致 KV Cache 失效、输入成本上升甚至让后续工具调用持续出错。文章重点解释了缓存 TTL、前缀一致性、路由亲和性和 parser 状态机对 Agent 环路的影响也总结了一套更稳妥的工程做法保持 system prompt 和 tool schema 稳定动态信息采用追加式注入主历史只追加辅助任务通过 fork 独立执行长工具异步派发上下文压缩集中在明确的 checkpoint 完成。明其理·论文篇论文通常读起来门槛更高但它们往往能解释很多工具和产品变化背后的原因。这个模块里我们整理了一些本月值得关注的 AI 论文和研究文章重点放在 Agent 训练、模型推理、上下文管理和系统能力这些方向Harness 效应编排设计如何影响企业级 Agent 的 Token 成本这篇文章讨论了一个容易被忽略的成本问题模型价格决定每个 Token 的单价Harness 则会影响完成一次任务需要消耗多少 Token。论文保持任务、模型、评测方式和价格表不变只替换 Agent 的编排层结果显示每项任务的平均 Token 消耗从 14.2k 降到 8.8k成本和延迟也在不同模型上普遍下降。文章进一步拆解了 Harness 控制成本的几种方式将 Prompt 分成稳定前缀和动态后缀提高缓存命中率通过 checkpoint 和持久化记录管理历史把大段工具输出放到外部存储利用子 Agent 隔离探索过程在等待外部事件时暂停任务并为失败重试设置边界。这些设计能够减少历史回放、无效轮询和重复上下文带来的额外消耗。论文也指出Harness 带来的效率收益相对普遍复杂编排能否改善任务质量则取决于模型能力。对于企业团队来说这篇文章提供了一个更完整的成本评估视角除了比较模型单价还需要记录任务级 Token、缓存命中率、工具输出、重试成本和子 Agent 消耗判断每百万 Token 最终能够完成多少真实任务。用多模型评审验证海量电商标签这篇论文关注的是电商数据生产中的下一个瓶颈LLM 已经可以批量生成商品属性标签但这些标签进入评测集之前仍然需要一套可扩展的质量验证流程。Amazon 团队提出的 SynthAVE将 7 个模型与 3 套 Prompt 组合成 21 个评审配置通过多数投票形成机器共识再把机器共识与原始标签发生冲突的样本交给领域专家复核。研究覆盖 12,726 个商品、229 种商品类型、792 个属性和 4 种欧洲语言。实验中SynthAVE 修正了 946 条原始错误中的 786 条将作者报告的标签准确率从 92.6%提高到 95.0%。论文也进一步分析了投票同意率与可靠性的关系评审意见越集中标签准确率通常越高UNKNOWN 类样本和低共识样本则更适合进入二次复核。这篇论文的价值在于它给出了一条比较完整的数据治理链路多模型审核、共识聚合、风险分流、专家复核和抽样审计。对于正在使用 LLM 构建合成数据、评测集或自动标注系统的团队来说SynthAVE 提供了一个如何控制验证成本、分配人工注意力的工程案例。Living-Harness让 Agent 把失败写进下一次执行流程Agent 在一次任务中发现错误、经过重试完成任务并不意味着它以后不会再犯同样的错。很多反思和纠错只存在于当前任务的上下文里任务结束后修复经验也随之消失。Living-Harness 提出了一种持续更新 Agent Harness 的方法。每次任务结束后系统根据完整执行轨迹和评估结果在 Evolution-SOP 的约束下提取失败原因与修复证据再将其写入两类结构情景记忆记录触发条件、失败模式和恢复动作状态图记录状态节点、修复路径和转移规则。工具集合与基础上下文保持固定只有这些程序性知识可以持续更新。论文在基于 τ²-Bench 和 MultiWOZ-2.4 构建的 8 个交互环境中进行测试。Living-Harness 相比最强交互式基线平均 Pass1 分别提高了 10.07 和 9.91 个百分点。消融实验也显示Evolution-SOP、情景记忆和状态图都对结果有贡献其中移除 Evolution-SOP 带来的性能下降最大。NVIDIA OO Agents把 Agent 写成一个 Python 对象传统 Agent 框架往往把 Prompt、工具 Schema、状态、回调函数和工作流拆散在不同配置中。NVIDIA 提出的 OO AgentsNOOA尝试将这些能力重新收进 Python 的面向对象体系Agent 是一个类字段保存状态方法代表可执行能力docstring 提供 Prompt类型注解定义输入输出契约。在这套设计中拥有普通函数体的方法继续执行确定性的 Python 代码函数体只有...的方法则由 Harness 在运行时转换成模型驱动的 Agent loop。模型可以直接调用对象方法、访问持久状态并通过 Python 控制流完成循环、并发和任务组合。开发者也可以像维护普通软件一样对 Agent 进行测试、追踪、重构和版本管理。论文在 SWE-bench Verified、Terminal-Bench 2.0 等任务上测试了这套接口。在作者的实验配置中NOOA 使用 GPT-5.5 时SWE-bench Verified 最高通过率为 82.2%在 Terminal-Bench 2.0 上达到 73.0%。这些结果说明当前模型已经能够较好地使用“对象、方法、状态和类型契约”构成的 Agent 接口。AutoMem把 Agent Memory 变成可训练的记忆管理技能很多 Agent 已经接入了向量库、RAG、摘要和文件系统长任务中依然容易重复记录、遗漏状态或者在大量旧信息里找不到真正有用的内容。AutoMem 提出的核心观点是记忆管理本身也是一种需要学习的认知技能Agent 要判断什么值得记录、何时检索旧信息、怎样更新已有内容以及如何组织记忆结构。论文设计了两层外部优化循环。第一层由 Meta-LLM 阅读完整任务轨迹修改 Agent 的 Prompt、代码逻辑和记忆 Schema例如将地图文件从不断追加改成按坐标更新第二层则从轨迹中提取高质量的记忆操作用 LoRA 训练专门负责读写和检索的 memory specialist而执行任务的基础模型保持冻结。实验在 Crafter、MiniHack 和 NetHack 三个长周期环境中进行。只优化记忆结构和记忆操作Agent 的任务表现便提升约 2 到 4 倍同时重复写入、空搜索、原地卡住和来回折返等低效行为明显下降。对于正在设计长流程 Agent 的团队来说这篇论文提供了一个值得关注的方向除了增加存储容量和检索组件还可以将记忆的写入、更新、查找和整理拆成独立能力进行训练与评估。合上书·本月小结读完七月这份清单可以看到一条很清晰的线索AI 编程工具正在进入更长、更复杂、更真实的工程任务Agent 的讨论也从单个 Loop 向 Graph、Harness、记忆与持续改进延伸。模型依然重要系统能否长期工作还取决于上下文如何组织、工具如何接入、结果如何验证、失败如何沉淀以及人在什么位置介入。七月的这些文章刚好从不同角度补上了这张工程地图。如果你平时读到什么好文章想推荐小七看一看记得和我分享~最后希望八月的你上下文少一点污染Agent 少一点重试代码多一点一次通过。
平时工作忙碌的你不一定能有时间去筛选值得一读的优秀文章。在这里小七为你整理了七牛开发者号本月的优秀文章还有海外优秀实践。等你哪一天有空了可以回头读一读。利其器·工具篇日常开发中我们主要会用到 Claude Code、Codex…在这个模块在这里和你分享下如何更好地使用 Claude Code、Codex 或是其他的开发工具让 Coding Agent 更靠谱Model 和 Effort 怎么选Model 和 Effort 两个设置都会影响 Coding Agent 的交付质量但它们控制的环节不同Model 决定 Agent 处理任务的能力范围Effort 则影响模型愿意为完成任务投入多少精力。这篇文章给出了一套很实用的排查顺序先检查 Prompt、上下文、工具和任务边界。如果有着充分的上下文模型仍然判断错误可以考虑更换 Model如果 Agent 漏读文件、没有运行测试或缺少复查可以提高 Effort。对于希望平衡质量、速度和 Token 成本的人来说这篇很适合作为设置参考。电脑写代码手机管任务Codex 远程开发工作流这篇文章介绍了如何把手机端 Codex 用作远程工程控制台。代码读取、命令执行、构建和测试仍然由电脑或远端开发机完成手机只负责启动任务、补充上下文、调整方向和检查结果。除此之外文章还覆盖了环境与分支选择、worktree 隔离、Plan、Goal、Side Chat、diff 审查和行内评论等具体用法。它提供了一种可行的协作方式开发者暂时离开电脑后仍然可以在任务的关键节点做判断让 Agent 继续推进工程工作。大规模代码如何用 Claude Code 进行迁移Anthropic 多名研发人员在一个月内完成了 10 个代码包的跨语言迁移规模从数万行覆盖到百万行。其中Jarred Sumner 用 11 天将 Bun 约 100 万行代码从 Zig 迁移到 RustMike Krieger 则在一个周末把一套 Python 代码库迁移成约 16.5 万行 TypeScript。文章拆解了这类迁移背后的 6 步流程先整理规则和依赖关系再进行小规模压力测试随后通过任务队列推进迁移用编译器、烟雾测试和外部行为对比不断收敛结果。善其事· Agent 篇Agent 是目前大家关注的重点开发者号相关的 Agent 文章阅读也比其他的类别高所以这里罗列一些本月 Agent 相关的最佳读物Agent Graph Engineering从线性 Workflow 到可扩展 Agent 系统不少多步 Agent 最初都会被写成一条串行流水线但真实任务往往同时包含并行处理、条件分支、失败重试、人工审批和结果汇总。Agent Graph Engineering 用节点与边表示这些数据依赖让 Agent、确定性代码、路由器、验证器和人工检查点能够被组织在同一张执行图里。文章重点讨论了输入输出契约、并行执行、故障隔离、状态管理和验证机制。对于正在把单 Agent Loop 扩展成多角色协作系统的人来说它能帮助你判断哪些任务值得使用图结构以及图中每条边应该承担什么约束。从 DeepWiki 到 OpenWikiAgent Wiki 到底有什么用传统 RAG 在每次查询时会从原始分块重新检索和推导同一批资料被问了很多次系统对它们的理解也很难持续积累。Agent Wiki 提供了另一种思路在资料导入阶段先完成分析、组织和关联把结果沉淀成可以反复读取的知识结构。文章串联了 DeepWiki、OpenWiki 等多个项目讨论文档编译、知识组织、引用追踪和持续更新。对于维护代码库文档、企业知识库或研究资料库的人来说这篇可以帮助理解 Wiki 与普通向量检索之间的差异以及 Agent 为什么需要一层可长期维护的知识中间层。Lilian WengHarness Engineering 如何走向自我改进Lilian Weng 的这篇长文系统梳理了 Harness Engineering。文章先总结工作流自动化、文件系统持久记忆、Subagent 与后台任务等常见模式再把讨论推进到上下文工程、工作流优化、Harness 代码优化和演化搜索。文中给出了一条很清楚的演进路径优化对象从 Prompt逐步扩展到结构化上下文、工作流、Harness 代码和优化器代码。同时文章也反复强调可观测性、权限边界、验证机制和基础模型能力。想系统理解 Harness、自我改进 Agent 与自动研究之间关系的人可以把它当作七月的一篇重点长文。如何搭建自己的内部知识库Cerebras 分享了团队如何将 Slack 等内部信息源持续接入统一知识库并围绕 PostgreSQL、检索与重排搭建一条完整的搜索链路。文章关注的重点很具体数据如何进入系统文本如何被整理和索引查询如何在关键词与语义结果之间取得平衡。这篇实践值得关注的地方在于它把企业知识库写成了一套可维护的数据与检索工程。对于准备给内部 Agent 接入公司文档、聊天记录和业务信息的人来说其中的数据同步、统一存储和结果排序思路都很有参考价值。不懂 Model Infra写不好 Harness这篇文章把 Harness 放到推理引擎的真实运行机制里讨论。Agent 每一轮都要经历上下文拼装、API 请求、响应解析和工具执行其中任何一次前缀变化、工具延迟或解析偏差都可能导致 KV Cache 失效、输入成本上升甚至让后续工具调用持续出错。文章重点解释了缓存 TTL、前缀一致性、路由亲和性和 parser 状态机对 Agent 环路的影响也总结了一套更稳妥的工程做法保持 system prompt 和 tool schema 稳定动态信息采用追加式注入主历史只追加辅助任务通过 fork 独立执行长工具异步派发上下文压缩集中在明确的 checkpoint 完成。明其理·论文篇论文通常读起来门槛更高但它们往往能解释很多工具和产品变化背后的原因。这个模块里我们整理了一些本月值得关注的 AI 论文和研究文章重点放在 Agent 训练、模型推理、上下文管理和系统能力这些方向Harness 效应编排设计如何影响企业级 Agent 的 Token 成本这篇文章讨论了一个容易被忽略的成本问题模型价格决定每个 Token 的单价Harness 则会影响完成一次任务需要消耗多少 Token。论文保持任务、模型、评测方式和价格表不变只替换 Agent 的编排层结果显示每项任务的平均 Token 消耗从 14.2k 降到 8.8k成本和延迟也在不同模型上普遍下降。文章进一步拆解了 Harness 控制成本的几种方式将 Prompt 分成稳定前缀和动态后缀提高缓存命中率通过 checkpoint 和持久化记录管理历史把大段工具输出放到外部存储利用子 Agent 隔离探索过程在等待外部事件时暂停任务并为失败重试设置边界。这些设计能够减少历史回放、无效轮询和重复上下文带来的额外消耗。论文也指出Harness 带来的效率收益相对普遍复杂编排能否改善任务质量则取决于模型能力。对于企业团队来说这篇文章提供了一个更完整的成本评估视角除了比较模型单价还需要记录任务级 Token、缓存命中率、工具输出、重试成本和子 Agent 消耗判断每百万 Token 最终能够完成多少真实任务。用多模型评审验证海量电商标签这篇论文关注的是电商数据生产中的下一个瓶颈LLM 已经可以批量生成商品属性标签但这些标签进入评测集之前仍然需要一套可扩展的质量验证流程。Amazon 团队提出的 SynthAVE将 7 个模型与 3 套 Prompt 组合成 21 个评审配置通过多数投票形成机器共识再把机器共识与原始标签发生冲突的样本交给领域专家复核。研究覆盖 12,726 个商品、229 种商品类型、792 个属性和 4 种欧洲语言。实验中SynthAVE 修正了 946 条原始错误中的 786 条将作者报告的标签准确率从 92.6%提高到 95.0%。论文也进一步分析了投票同意率与可靠性的关系评审意见越集中标签准确率通常越高UNKNOWN 类样本和低共识样本则更适合进入二次复核。这篇论文的价值在于它给出了一条比较完整的数据治理链路多模型审核、共识聚合、风险分流、专家复核和抽样审计。对于正在使用 LLM 构建合成数据、评测集或自动标注系统的团队来说SynthAVE 提供了一个如何控制验证成本、分配人工注意力的工程案例。Living-Harness让 Agent 把失败写进下一次执行流程Agent 在一次任务中发现错误、经过重试完成任务并不意味着它以后不会再犯同样的错。很多反思和纠错只存在于当前任务的上下文里任务结束后修复经验也随之消失。Living-Harness 提出了一种持续更新 Agent Harness 的方法。每次任务结束后系统根据完整执行轨迹和评估结果在 Evolution-SOP 的约束下提取失败原因与修复证据再将其写入两类结构情景记忆记录触发条件、失败模式和恢复动作状态图记录状态节点、修复路径和转移规则。工具集合与基础上下文保持固定只有这些程序性知识可以持续更新。论文在基于 τ²-Bench 和 MultiWOZ-2.4 构建的 8 个交互环境中进行测试。Living-Harness 相比最强交互式基线平均 Pass1 分别提高了 10.07 和 9.91 个百分点。消融实验也显示Evolution-SOP、情景记忆和状态图都对结果有贡献其中移除 Evolution-SOP 带来的性能下降最大。NVIDIA OO Agents把 Agent 写成一个 Python 对象传统 Agent 框架往往把 Prompt、工具 Schema、状态、回调函数和工作流拆散在不同配置中。NVIDIA 提出的 OO AgentsNOOA尝试将这些能力重新收进 Python 的面向对象体系Agent 是一个类字段保存状态方法代表可执行能力docstring 提供 Prompt类型注解定义输入输出契约。在这套设计中拥有普通函数体的方法继续执行确定性的 Python 代码函数体只有...的方法则由 Harness 在运行时转换成模型驱动的 Agent loop。模型可以直接调用对象方法、访问持久状态并通过 Python 控制流完成循环、并发和任务组合。开发者也可以像维护普通软件一样对 Agent 进行测试、追踪、重构和版本管理。论文在 SWE-bench Verified、Terminal-Bench 2.0 等任务上测试了这套接口。在作者的实验配置中NOOA 使用 GPT-5.5 时SWE-bench Verified 最高通过率为 82.2%在 Terminal-Bench 2.0 上达到 73.0%。这些结果说明当前模型已经能够较好地使用“对象、方法、状态和类型契约”构成的 Agent 接口。AutoMem把 Agent Memory 变成可训练的记忆管理技能很多 Agent 已经接入了向量库、RAG、摘要和文件系统长任务中依然容易重复记录、遗漏状态或者在大量旧信息里找不到真正有用的内容。AutoMem 提出的核心观点是记忆管理本身也是一种需要学习的认知技能Agent 要判断什么值得记录、何时检索旧信息、怎样更新已有内容以及如何组织记忆结构。论文设计了两层外部优化循环。第一层由 Meta-LLM 阅读完整任务轨迹修改 Agent 的 Prompt、代码逻辑和记忆 Schema例如将地图文件从不断追加改成按坐标更新第二层则从轨迹中提取高质量的记忆操作用 LoRA 训练专门负责读写和检索的 memory specialist而执行任务的基础模型保持冻结。实验在 Crafter、MiniHack 和 NetHack 三个长周期环境中进行。只优化记忆结构和记忆操作Agent 的任务表现便提升约 2 到 4 倍同时重复写入、空搜索、原地卡住和来回折返等低效行为明显下降。对于正在设计长流程 Agent 的团队来说这篇论文提供了一个值得关注的方向除了增加存储容量和检索组件还可以将记忆的写入、更新、查找和整理拆成独立能力进行训练与评估。合上书·本月小结读完七月这份清单可以看到一条很清晰的线索AI 编程工具正在进入更长、更复杂、更真实的工程任务Agent 的讨论也从单个 Loop 向 Graph、Harness、记忆与持续改进延伸。模型依然重要系统能否长期工作还取决于上下文如何组织、工具如何接入、结果如何验证、失败如何沉淀以及人在什么位置介入。七月的这些文章刚好从不同角度补上了这张工程地图。如果你平时读到什么好文章想推荐小七看一看记得和我分享~最后希望八月的你上下文少一点污染Agent 少一点重试代码多一点一次通过。
