Engineering

最近在看 Pi Agentharness 的 V2 版本，总结下来就是看完觉得惊为天人，直接解决了我许多的困惑和疑虑，爽翻了。 Pi 的 V2 版本为工具调用增加了持久化的执行状态、恢复策略和结果暂存，以及许多的边界真的越来越清晰了，这是让我最爱的点，边界清晰才能定义职责，职责清楚了才有优化方向。 ...

最近研究全链路自进化的视频转绘项目，我想做的事情：从原视频出发，理解剧情和人物，完成转绘与视频生成，再让系统根据结果发现问题、尝试改进。理想中，每跑一轮，下一轮应该更接近我想要的成片，但是这个过程中一个大的难点就是如何做审核？如何评估好坏，如果需要灌注人为的经验和知识进去该怎么办？流程跑完了，审核通过了，Agent 保留了一次修改，这些都容易留下记录。至于视频究竟有没有变好，我应不应该把自己的经验和注意力在这个环节灌入进去，真是该死这是最难的事情！ ...

最近看了一篇推，主要讲的是 PostgreSQL 执行一条 UPDATE 时，需要持久化的对象通常不止一行记录。heap page、相关索引页、事务状态和其他元数据可能一起变化；机器在写回过程中断电，磁盘就会留下部分新 page 和部分旧 page。数据库仍然要给出一个确定结果：这笔事务已经提交，或者恢复后继续把它完成。 ...

Princeton 给 GPT-4 换了一套接口，SWE-bench 分数从 3.97% 跳到 12.47%。同一个模型，同一组题，同样的算力预算。唯一的变量是 Agent 看到信息的方式。 同一时期，Anthropic 让 Opus 4.5 自主构建一个生产级 Web 应用——失败了。不是模型不够强：它试图一次做完所有功能，context 耗尽后留下一地半成品，下一个 session 看了一圈代码就宣布完成。Anthropic 没换模型，重新设计了运行环境。同一个模型开始交付可用的软件。 ...

Terminal Bench 2.0，同一个 Opus 4.6。一个团队仅靠改 harness——不换模型、不动权重——排名从 Top 30 跳到了 Top 5。 这不是个别现象。OpenAI 的 harness engineering 博客描述了一种新的工程形态：五个月产出一百万行代码，没有一行是人手写的。工程师做的事情是设计环境、构建反馈回路、编码架构约束——然后 Agent 负责写代码。他们给这种工作方式起了个名字：harness engineering。 ...

有人把这件事量化了。 给 AI Coding Agent 一个 AGENTS.md 文件，任务完成时间中位数减少 28.64%，输出 token 中位数减少 16.58%。实验设计是配对受控：10 个真实仓库，124 个合并 PR，每个任务跑两次，一次有 AGENTS.md，一次没有，Docker 隔离环境，其他变量全部相同。 ...

让 Claude Opus 4.5 用一条指令构建一个 claude.ai 克隆——它失败了。但失败的方式比成功更有意思。 1. 失败模式和人类团队一模一样 把失败拆开看，每一条都和人类工程团队犯的错一模一样： ...