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！ ...
最近本体论的概念忽然冒出来了，看了下一些大厂商对这个东西的认知和技术博客，觉得和我平时 coding 的时候有些观念很相似，只不过换了种说法，并且抽象出来了，并且把之前感觉在大家口中已经埋葬了很久的知识图谱也再次挖了出来；于是有了下面这篇 blog： ...
Anthropic 最近发了一篇工程博客，公开了他们做 Cloud Agent 的完整技术演进。同一个月，OpenAI 的 Frontier 平台已经签下了 Uber、Oracle、State Farm。而第三条路线正在悄悄成型——有团队选择了 Anthropic 明确抛弃的那个架构。 ...
Karpathy 前几天在 Twitter 上讲了个故事，他睡前启动了一个 630 行的 Python 脚本。醒来时，83 次实验已经跑完，15 次改进被保留，验证损失从 0.9979 降到 0.9697。他继续让它跑了两天——700 次实验，20 个可叠加的训练优化，迁移到更大模型后训练速度快了 11%。Shopify CEO Tobi Lütke 拿到代码的第二天早上，报告了 19% 的性能提升。 ...
583 次工具调用，311 个请求，58 美元。Random Labs 用一个 Sonnet 模型——不是 Opus，不是 o1——把一个 7 万星的 Python 库完整移植成了 TypeScript。两个小时，全程自主运行。 ...
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： ...
TiDB Cloud 上每天新建的集群，超过 90% 是 AI Agent 创建的。不是人类开发者点按钮，是 Agent 自己调 API 拉起来的。 这个数字改变了一个根本性的设计问题：当你的软件的主要用户不再是人，它应该长什么样？ ...