Glean 拾遗
最近收录

11 条 · 按时间

11-15

Cloud Agent 读不到 /poteto-mode:把 pstack skill 提交进仓库

作者用 pstack(Lauren Tan 写的工程规范插件)搭了一套 Cursor 的协作分工:Grok Bot 当协调者,不写代码、只负责 spawn;Cursor Cloud Agent 当工人,各自拿独立 VM、clone GitHub、开 PR。全文的核心矛盾是一条容易踩的坑:装在本地 Cursor 的账号插件和 ~/.cursor/skills 不会被复制到云端 VM,所以 /poteto-mode 在 Cloud Agent 里静默失效。解法是把 pstack 的 skills/ 与 agents/ 用 sparse-checkout 拉下来、rsync 进仓库的 .cursor/skills/ 和 .cursor/agents/,并保留 .cursor/skills、.cursor/rules 的 git 跟踪;每个可运行 app 再配一个 verify-<app> skill,让“验证”有可执行的 launch/drive/evidence 而不是模型自说自话。后半段给出协调者 prompt 模板、Autopilot-stack 与 Autopilot-full 的权限差异(full 需要独立 verifier 干净复审才许 merge),以及一套常见坑清单。适合已在用 Cursor Cloud Agents 或类似 agent harness、想把 skill 分发和验证流程固定下来的工程师。

x.com · 9 min · Agent Harness · Agent Skills · Coding Agents
11-13

Harness 才是机器:Agent 工程的七条不变式

文章主张 agent 失败多半源于模型之外的环境设计,而非提示词。作者把 harness 拆成七项不变式:契约先行,限定改动文件与退出条件;上下文只喂 AST 符号切片;写操作隔离在临时 git worktree;状态落盘为 receipt.md;验收看编译器与测试的退出码而非模型自述;剥夺凭证与网络出口;留下可审计的 diff 与成本记录。文中给出一次多文件重构的对照数字(裸对话 18%,加 harness 89%),并附 .claude/rules 的路径级 YAML 规则、pre-verify.sh 钩子与 receipt 模板。适合正在把 coding agent 接入 CI 的工程师;但对照数字没有出处,模型版本名(Opus/Sonnet 5.5)为虚构,结尾有明显引流话术。

11-12

1000 个 Agent 自建协作体系,28 小时证完费马大定理

Anthropic 用一个玩具实验检验多 Agent 团队能否脱离专用平台自行组织:1000 个运行 Claude Fable 5.2 早期版本的 agent,只拿到 60 条待证命题、一段古典路线的单句提示和 47 条已有引理,被分为 1 名 lead 与 999 名 helper,各自在无网络的沙箱里工作。团队用 28.7 小时完成形式化,输出 token 为九月份那次人工主导版本的三分之一,证明长度约为七分之一。没有 Prove2Me 的共享证明图,lead 在前 10 分钟自己在 Postgres 里建了五张表(announce / assign / notes / subtasks / landed),之后按难度重排人力,最后用一棵深达 10 层、2418 个节点的任务树啃下 Langlands–Tunnell。作者也承认局限:agent 会集体误判难度并过早放弃,人类在此时点仍有用。适合关注 Agent 编排、沙箱与运行时安全的工程师阅读。

claude.dev · 23 min · Agent Harness · Ai Safety · Formal Verification
11-11

Claude Fable 5.2 提示词迁移手册:effort 档位、早停与子代理收敛

Anthropic 为 Claude Fable 5.2 写的提示词迁移手册,按「你观察到什么现象」组织,逐条给出对策。核心判断:能力增益大部分已在高 effort 档位兑现,medium 到 high 是主要台阶,high 以上收益不均且依赖任务;effort 必须和 prompt 一起重跑 eval,不能沿用 Fable 5.1 或 Opus 5.5 上调好的档位。文档给出若干内部测试数字:加入「完成任务」提示后,带可做工作却结束的会话约减半,输出 token 涨约 30%;在 system prompt 声明代码归模型所有,重复代码合并率从不足十分之一升到约一半,代价是 1.5 倍输出 token 和六到十次里有一次改变既有行为,且收尾摘要常漏掉小改动。另有子代理工具描述里写清成本可让委派减少约三分之一、progress-update thinking block 在 display 为 omitted 时文本为空、preserved thinking 下编辑历史前缀会作废 thinking 块,以及 stop_reason 为 refusal 时的分类与重试路径。适合正在迁移 agent harness、维护长 system prompt 与 memory 文件的一线工程师。

platform.claude.com · 22 min · Agent Harness · Agentic Coding · Claude
11-10

Router + Worker:把 Agent 做成永远在线的超级智能体

DeepSeek Harness 团队把计算机系统的经典套路搬进 Agent 架构:Router 层长期在线,只负责人类交互与任务派发,不执行任务;Worker 层上下文隔离、并发跑任务,并直接订阅事件 Thread,后续事件绕过 Router 直通。环境事件以 Trigger 形式驱动,先用代码快路径过滤噪声,再交给模型做语义判断;上下文窗口被当作 cache,用 Inline & Spill 加按 ID 引用图逐跳召回,系统外再挂一个 Watchdog 会话判断 Worker 是否真有进展。合成负载消融实验里,两级架构任务完成 p50 12.4 分钟、p95 15.7 分钟,单会话加 subagent 工具为 20.4/29.5 分钟;去掉 Pass-through 后 Router token 反增 37%。作者也承认负载是合成的、云上 Agent Loop 与端点互信的安全与隐私问题未解。适合做 agent 基础设施与编排的工程师。

11-10

Agent 四层栈:先判断坏在 Prompt、Context、Loop 还是 Harness

这篇 X 长文把常被混用的 prompt / context / loop / harness engineering 拆成四层嵌套栈:harness 执行 loop,loop 每一步组装 context,context 里再放 prompt。作者为每层列出工作单元、典型产物与失效症状,并给出一张诊断表——「第 15 轮后质量下降」指向 context 层(剪历史),「重复同一动作」指向 loop 层(补记忆与无进展检测),「重复写库、子进程挂起」指向 harness 层(幂等重试、超时)。核心论断是:验证步骤不跑,改 prompt 无用。文中引用 Karpathy 的 context engineering、Boris Cherny 关于 loop 的说法,以及 LangChain Deep Agents 在 Terminal-Bench 2.0 上仅改 harness 即提分的说法,但未给具体数字。适合做生产级 agent 的工程师当分层排查清单用。

x.com · 16 min · Agent Engineering · Agent Harness · Agent Loops
11-09

Agent 修不好,先查是哪一层坏了:harness、loop、graph

作者把 agent 系统的失败拆成三层:harness 是模型之外的一切——工具、记忆、权限、trace;loop 是能真正失败的检查与反馈闭环;graph 是多个 loop 之间的依赖与状态传递。核心主张是三层各治一种病,而大多数人卡在改 prompt、换模型这两步,修的根本不是坏掉的那层。文中给出可照抄的结构:带 done_when 字段的任务契约、把 AGENTS.md 当索引而非手册、同一结果出现两次即退出并升级的重试循环,以及用 early-start test 删掉工作流里的伪依赖。作者也承认多数任务压回单个 loop 就够了,过早画十二节点图是常见错误。适合正在搭 agent 工作流、反复在 prompt 上打转的工程师。全文为二手综述,无自有实验数据或可复现案例。

11-09

把 Agent 关进 harness:任务契约、worktree 隔离与变更回执

一篇长推文形式的生产级 Agent 架构指南。作者的核心论点是:Agent 在多文件重构中失败,问题不在 prompt,也不在模型能力,而在模型之外的运行环境,也就是 harness。文中给出一条七阶段流水线:先由 Opus 生成 task_contract.json,划定路径白名单与预算上限;harness 用 git worktree 做物理隔离;Sonnet 只在边界内改代码;Haiku 实时校验工具调用参数;再由另一个模型扮演对抗审查者攻击 diff;pre-commit hook 校验测试退出码并签发 receipt.json;失败则结晶为规则、skill 与回归 eval。附录包含契约 JSON、isolate_worktree.sh、pre-tool.sh、回执结构和 10 项上线前自检清单,适合正在自建 coding agent 执行层、想找现成骨架对照的工程师。需要提醒的是,文中 Opus/Sonnet/Haiku/Fable 5.5 的型号命名,以及 18%→95% 的成功率数字均无出处,文末还附有 Telegram 引流链接。

x.com · 20 min · Agent Engineering · Agent Harness · Claude Code
11-09

让 agent 自己验收:pstack 的验证技能怎么搭

poteto 把「验证技能」当团队基础设施来维护:agent 能启动应用、截图、读 trace、确认改动真的生效,人才不用当瓶颈。文章给出 /create-verification-skill 的完整路径——先用一个 agent 友好的 CLI(doctor、snapshot、screenshot、wait-settle、feature-flag 等子命令)把启停、点击、性能采样封装成可复现命令,再用 Feature Map 这份 markdown 索引记录每个功能做什么、用户视角怎么进入、有哪些坑。她反对用 git worktree 横向扩容(单机大约 10 个 agent 就到顶),建议改用 Cursor cloud agents,配合 /swarm 批量跑验证;接上定时 routine 后,Slack 里的用户报告可自动复现。文中反复强调 CLI 设计规范(破坏性操作带 --dry-run、错误信息要告诉 agent 下一步、输出 JSON)和每天跑一次维护技能的必要性。适合正在搭 agent harness 的一线工程师;但「2,000 PR/月」「100-1000x」这类数字没有给测量口径,读者需自行打折。

x.com · 19 min · Agent Harness · Agent Skills · Agent Tool Design
09-20

380 亿美元基金的模型评测与 Agent 治理:Balyasny 访谈

Anthropic 与 Balyasny Asset Management(BAM)首席 AI 官 Charlie Flanagan 的访谈,记录这家管理约 380 亿美元资产的机构如何把前沿模型接入生产。BAM 用数千条有可验证答案的真实金融任务(股票、宏观、大宗商品)做评测,既测模型单体表现,也测它在自建 agentic 环境中的表现。相关子集上 Fable 5 得 89.4%,上一代生产模型 86.1%;有一组经济学题此前没有任何模型通过,团队先怀疑评测本身出错,独立复核任务与评分逻辑后才确认提升为真。并购套利分析由 3-5 天缩短到 1 天以内,agent 单次运行约 30 分钟,实质输出前仍需人工复核。安全被当作产品与运营模型问题:已批准的数据边界、最小权限、工具级授权、日志与人工审批;模型更强不会自动获得更大权限。自建 BAMAgent 平台已承载数千个 7×24 agent。适合关注企业级模型评测、agent 治理与部署的工程师,需注意全文出自厂商客户访谈。

claude.com · 8 min · Agent Evaluation · Agent Harness · Agent Infrastructure
08-21

DeepSeek 开源的 Agent 运行容器:一切皆插件

DeepSeek Harness(dsh)是 DeepSeek AI 开源的智能体运行框架(agent harness),核心设计是“一切皆插件”:整个 harness 的能力都通过插件组装,底层由 Cordis 驱动,强调时空可组合性。当前处于 developer preview 阶段,迭代频繁且可能有不兼容变更。提供本地 Web UI(默认 127.0.0.1:3080),可从 npm 安装或从源码构建运行,适合需要自托管、可扩展 agent 运行环境的工程师评估试用。

github.com · 2 min · Agent Harness · Agent Infrastructure · Agents