标签：agent-workflow
-
给编程 Agent 配个项目经理：拆开 DeepSeek
常驻代理的真痛点与旧补丁
yage.ai
文章讨论了在编程 Agent 中如何为项目经理设计系统，以解决常驻代理在处理多任务和群聊讨论时的痛点。作者对比了使用复杂的状态机和数据库补丁与通过精简规则来控制模型行为的有效性。结论指出，与其用大量代码来为模型的理解力打补丁，不如通过设置清晰的四条注意力保护规则（如群聊通知限流、给机器人装熔断器、人机撞车机制、合并红线）来定义管理边界，这比沉重的状态机底座更有效。
-
开放模型算起了每任务账单：为什么更省 Token
的模型反而更贵？
yage.ai
文章探讨了开放模型在不同架构和推理策略下，如何通过优化Token消耗和单价来影响实际任务成本。研究发现，单纯看每百万Token的挂牌价无法准确评估多步推理任务的实际成本，需要引入“每任务账单”的计算方法。不同模型采取了不同的策略：有的通过减少推理思维链长度（如Beam），有的通过优化底层架构以降低每个Token的单价（如DeepSeek），有的则优先保留复杂推理能力（如Muse）。最终，实际生产成本还需考虑私有化部署的硬件摊销和Agent任务失败重试带来的成功率分母，这使得模型选择的决策顺序应是先验证成功率，再对成本进行对齐。
-
管道不是产品：Salesforce
把同一套接口发了两次，只有一次有人理
yage.ai
文章探讨了软件厂商在为 AI agent 时代提供接口时，从最初的裸露接口（如 Salesforce 的 Headless 360）到最终封装成完整产品（如 Salesforce in Claude）的演进过程。核心观点是，真正促成企业采用的关键不在于底层接口本身，而在于对业务语义的深度封装、管理运维的整装打包以及终端分发的深度绑定，这三层能力构成了 agent 时代软件落地的最小采用单元。
-
AI 原生思维——像训练大模型一样训练自己 | 宝玉的分享
baoyu.io
文章探讨了“AI 原生思维”，即像训练大模型一样训练自己，核心在于建立反馈循环、跟着模型进化、敢于推翻旧权重。作者分享了如何通过做AI产品（如转录翻译App）来实践这一思维，包括找需求时关注模型能力的边界线，判边界时评估能力、成本和价值，以及通过最小验证快速迭代。在重设计阶段，强调以终为始，从终点倒推追问，并以Agent为中心进行设计，将App做成Agent的插件，将人的角色从执行者转变为定义问题和验收结果。最终结论是，在AI时代，人的价值在于定义问题和验收结果，执行层交给AI，而人的精力应放在流程设计和验收上。
-
Grok Bot 泄露：为什么 agent 的 system prompt
必须冻结
yage.ai
文章深入探讨了 Grok Bot 源码泄露后，在 Agent 系统设计中如何管理 system prompt 的稳定性与动态性。核心思想是，将 system prompt 视为需要显式管理失效边界的工程对象，并提出了‘稳定’（冻结到 compaction 边界）、‘追加’（append-only 序列化）、‘外置’（超过 12KB 的内容写到文件系统）等六条纪律，以平衡模型性能、运行成本和上下文容量。
-
我的 AI 原生开发流程：一个真实案例的完整复盘 | 宝玉的分享
baoyu.io
文章探讨了AI原生开发流程的转变，核心观点是流程结构（可行性分析、设计、原型、编码、测试）没有改变，但执行主体从人类变成了Agent。人类的角色从执行者转变为指挥官，专注于关键路径上的判断和决策。文档在AI原生开发中扮演了核心的“记忆载体”角色，是Agent之间传递上下文的媒介。高精度原型设计被提出，将需求、原型和UI设计合并为一个步骤，以降低修改成本。最终，代码不再是瓶颈，瓶颈转移到了设计确认和测试验证环节，人类需要扮演“普通用户”的角色进行黑盒测试，而Agent负责执行细节。
-
同一个模型差 20 分：DeepSeek 的 harness
依赖性和合成数据的隐藏天花板
yage.ai
文章探讨了同一个模型在不同运行环境（harness）下表现剧烈波动的现象，揭示了模型性能高度依赖于其所处的特定环境。通过分析 DeepSeek 的测试结果和相关研究，文章指出模型性能的瓶颈不再是模型本身的能力，而是训练环境的行为分布的宽度，即 'simulator collapse' 机制。作者认为，解决这一问题的关键在于拓宽训练环境的行为分布，而非简单地升级测试容器，并提出了通过引入 Verbalized Sampling 和 Co-Training 等方法来增强环境反馈多样性的改进路径。
-
一份通过检查的证明，为什么在 5 天后补写了 4 页？当 AI
逼出做完的真相
yage.ai
文章探讨了在AI生成研究成果（如形式化证明代码）中，机器检查通过并不等同于任务完成的观点。作者通过数学界专家的反馈，阐述了从代码生成到人类理解、阐释和同行复用的多级验收阶梯，并提出了针对AI研发工作流的工程设计原则，强调需要建立清晰的解耦验收机制，以区分代码的语法正确性与逻辑的深度对齐。
-
多模型路由进入 Agent 会话之后
yage.ai
文章探讨了多模型路由（Model Routing）在Agent连续对话和工具调用场景中的智能难题与工程瓶颈。核心问题在于，当路由从单轮问答扩展到多轮会话时，系统需要重构认知视野以理解完整任务进度，并面临历史格式不兼容、缓存失效以及隐式状态迁移等工程限制。文章提出了固定强模型、隔离子任务和有状态路由三种分化的工程路线作为应对困境的解决方案。
-
Codex 仍然开源，但父 agent 给子 agent
说了什么，现在看不见了
yage.ai
OpenAI 在 Codex 开源仓库中合并了一项改动，导致主 agent 发送给子 agent 的任务指令不再以明文形式保存在本地会话记录中，而是被加密为密文。这使得用户在排错时，无法直接看到具体任务的上下文，仅能看到密文。这种变化反映了模型内部状态（如 reasoning 和 compaction）与外部交互信息之间的透明度边界正在向更深层、更受保护的方向移动。