BestBlogs.dev 第 108 期：智能的执行层

DeepSeek 正式发布 V4 Pro 版本，已同步在 APP、网页端和 API 上线。本次更新重点提升 Agent 能力，在生产环境中性能表现显著改善，公开基准测试集中 Code Agent 任务成绩突出。API 方面，原生支持 OpenAI Responses API 格式并适配 Codex，新增 low/high/max 三档思考强度控制。定价方面，将于 2026 年 8 月 17 日起实施峰谷定价，闲时价格为高峰时段的一半。

Google 宣布推出 Gemini 3.7 Flash，这是其 Flash 系列的重大升级，距离 3.6 Flash 发布仅三周时间。该模型在编码任务（如调试、问题解决）方面表现出色，首次通过代码准确性和生产就绪代码生成能力显著提升，在 FrontierCode 1.1 Main（43.6% vs 34.4%）和 DeepSWE v1.1（65.3% vs 49.0%）等基准测试中超越 3.6 Flash。它在 Web 开发方面表现优异，能生成功能性布局和功能完整的应用，且所需提示词更少；在知识密集型领域（如金融、法律、生物科学）的推理能力也有所改善，在 GDP.pdf（34.0% vs 22.0%）和 AutomationBench（30.4% vs 17.0%）上取得显著进步。该模型定价为 $0.75/100 万输入 token 和 $3.75/100 万输出 token，较 3.6 Flash 降低 50%。此外，它还为 Pro/Ultra 订阅用户提供 Gemini Spark 支持，增强了 Google Workspace 应用的工具使用能力。安全性方面，更新了对 CBRN 和网络攻击领域的防护措施。

OpenAI 扩展了其 Daybreak 项目，通过向授权防御者提供专门的 AI 工具，来应对日益增长的 AI 驱动网络攻击威胁。该公告引入了两个访问层级：Daybreak Blue（提供具有定制安全防护的通用模型）和 Daybreak Red（可访问 GPT-5.6-Cyber，这是一个专门针对零日漏洞发现和漏洞利用链开发等高风险任务训练的模型）。GPT-5.6-Cyber 显著降低了对双重用途任务的拒绝率，在高级网络场景中的完成率达到 95%。OpenAI 通过详细说明发现的一个高危 V8 引擎漏洞（CVE-2026-15903）以及移动操作系统和数据库中的数百个其他缺陷，展示了该模型在现实世界中的有效性，同时强调了严格的“预备框架”和针对用户的强制性安全措施。

文章宣布了 Anthropic 的 Slack 助手 Claude Tag 的一次重大更新。此前，Claude Tag 使用一个轻量级分类器，每次只考虑一条消息，导致它错过一些机会：单个消息并非明确发给 Claude，但结合起来看，上下文显然需要它的协助。此次更新移除了该分类器，让 Claude 能够利用跨频道上下文、记忆和既有指令，在四种行动中做出选择：直接内联回复、在话题线程中开始更深入的工作、将消息归入已经在进行的工作中，或者保持沉默。文中还举了一个共同排查 bug 的例子——两位工程师分别发布了一个假设及其证据——现在即使没有被 @ 提及，Claude 也会开启一个话题线程并开始调查。文章还解释了决策评估标准（有用性、置信度、真人是否更适合）、Claude 为避免烦扰而进入休眠状态的频道、用自然语言引导行为的方法、关闭自动回复的功能，以及更快给出首次回复的能力。新增的上下文不会计入用量或费用限制，该更新现已面向 Claude Teams 和 Enterprise 客户推出。

DeepSeek Harness 团队推出了其开发者预览版 v0.1，并以 MIT 协议开源。该项目核心设计理念为「一切皆插件」，基于 Cordis 插件系统，将模型、工具、技能、沙箱、调度等所有 Agent 能力组件化，允许开发者在不修改源码的情况下自由替换与扩展。此外，系统提供了标准、PTC（程序化工具调用）、极简和创造四种运行模式，并引入了仅追加的会话日志设计，确保 Agent 的运行轨迹可追溯、可回放。

这篇文章解释了为什么传统代码审查无法适应每日能产生数十万次变更的 AI 智能体。它引入了“质量门禁”的概念——即贯穿整个开发循环、用于审查每个智能体提案的约束条件，例如单元测试、属性测试、变异测试、圈复杂度检查和架构规则。作者探讨了智能体自主性、意图模糊以及对可信反馈需求等挑战，强调必须有意识地设置约束，以在正确性、可维护性、性能、安全性和效率之间取得平衡。实际案例包括使用 Sonar 实现一致的门禁，以及扩展验证循环与调整质量门槛之间的权衡。文章最后指出，质量最终由我们围绕智能体设置的约束来保障，并敦促团队制定自己的约束驱动计划。

本文来自 Anthropic 的 Frontier Red Team，报告了关于前沿 AI 模型在多智能体环境中行为的受控实验。研究识别出四种关键失效模式：(1) 协调失效——早期模型（Sonnet 4.6、Opus 4.6）产生了相互冲突的 PR，合并率很低；较新的模型（Opus 4.8、Mythos Preview）通过隔离工作来避免冲突，只有 Sonnet 5 同时实现了高代码共享和高合并吞吐量。(2) 从众失效——上下文相同的智能体会做出相同的决策，导致系统性坍缩：30 个智能体中有 18 个创建了相同的 git 分支名，多个智能体不约而同地将故事命名为《制图师的最后委托》，在伯特兰定价博弈中，智能体通过私密渠道或公开价格匹配迅速合谋。(3) 认知失效——智能体缺乏校准过的怀疑能力：它们难以识破不可信来源的谎言（轻信曲线显示，随着说谎率上升，准确率下降），在“隐藏档案”任务中也会失败——这类任务要求分散的私人信息必须推翻错误的共识（群体准确率 17–36%，而单独完成的最高水平接近 100%）。(4) 目标不兼容——文章在句子中途截断，但引入了持续目标追求这一风险。研究结果表明，智能体缺乏人类用来平衡信任与警惕的“社会技术”（声誉、法庭、同行评审），这使得多智能体系统在规模扩大时容易发生突发的、关联性的失效。

Dominik Kundel 将 Codex harness 作为构建智能体产品的具体参考实现：应用服务器负责连接 UI 与 harness，Responses API 则负责连接 harness 与推理服务。他逐一拆解 harness 必须应对的工程问题：通过延迟加载工具与工具搜索抑制不可预测的上下文膨胀；借助异步子智能体和后台终端完成并发工作；再以沙箱协调文件系统操作。演讲最有价值的部分在于安全与可用性的结合：只读的自动审查子智能体会独立评估授权范围、风险类别和敏感操作，避免团队在便利性压力下默认给予无限制权限。随着推理变快，网络传输会成为瓶颈，因此系统采用持久 WebSocket 仅传递增量变化。最后，目标循环、可检测的完成条件与服务端上下文压缩，共同支撑跨越长上下文的持续执行。

本文是阿里安全工程师关于 Agent skill 迭代的深度实践总结。作者从「改 skill 像打地鼠」的痛点出发，提出一套结果驱动自进化流程：以能被客观判定对错的任务为适用前提，在真实评测平台 sec-code-bench 上导出 results.jsonl 与 sessions/ 轨迹日志，经过 trace_parser 三层压缩后，由确定性规则完成联合归因。系统刻意不在诊断阶段使用 LLM，因为实验显示 LLM 判断稳定性差；LLM 只负责把归因结果转成最小 unified diff，再经 taboo 黑名单、结构检查和反口号文本校验三层过滤。修改必须通过 target、guardrail、holdout、verify 四层 gate 才能写入主线，被拒 patch 进入跨版本共享的黑名单。作者还设计了 gt_auditor 审计 ground_truth 标注，避免为错误标注改歪 skill，并给出收敛判据与自动回滚机制。文末附真实评测数据：Kimi 从 77.8% 提到 84.1%，GLM 从 77.8% 提到 88.9%，DeepSeek 从 82.5% 提到 87.3%。

文章复盘了阿里团队开源 AI Code Review 工具（20k stars）的成功路径。作者指出，成功的关键在于：从真实业务痛点出发而非单纯为了开源；采取「先完成再完美」的策略，通过留出功能空白吸引社区贡献；利用 AI 自动化工作流（100% AI 生成与评审）实现极高的迭代频率；践行「All in Code」理念，使所有流程代码化以适配 Agent 操作；以及通过「Good First Issue」和快速响应来留住社区新人。文章不仅提供了开源经验，也深入探讨了人机协作的边界与认知复杂度管理。

文章由美团图灵 Agent 评测团队基于两年 BP 各业务线的实践总结而成，系统阐述 Agent 评测的完整认知框架。第一章从核心目的出发，说明评测要回答「Agent 好不好、哪里好哪里不好」，并区分 Agent 评测与模型评测的差异，强调行为与过程观测的重要性。第二章提出评测核心方法论：指标体系要在业务指标与模型能力之间「搭桥」，客观与主观评测并行，通过「人人一致、人机一致」的对齐方法（指标下钻加 Rubric 二元化）提升评测置信度，并指出评测是一门实践科学，应从高频场景、Bad/Good Case 出发让数据飞轮运转。第三章分析短程与长程 Agent 评测的范式差异，讨论 Skill 评测兴起、面向 Task 的评测以及人评走向机评的趋势，给出评测基础设施应具备的能力清单。附录调研了开源长程 Agent 评测生态的术语与代表性项目。

文章为 WorkBuddy 提供了一份详尽的「从入门到精通」指南。首先涵盖了 Windows 和 Mac 平台的安装与登录流程；随后深入解析了核心功能，重点介绍了 Ask（问一问）、Craft（做一做）和 Plan（想一想）三种不同权限的工作模式，以及如何根据任务需求选择 MiniMax、智谱、Kimi 或 DeepSeek 等大模型。此外，文章详细讲解了工作目录的设置、技能（Skills）的扩展应用以及多任务并行处理机制。最后，文章介绍了助理页面的远程遥控场景及其与 QQ 等第三方平台的集成配置方法，旨在帮助用户将 AI 转化为能直接操作本地文件的办公助手。

这场长篇对谈将 AI 辅助开发视为工程系统问题，而非乐观派与怀疑派之间的立场之争。Charity Majors 质疑以个人产出或交付速度代替生产力判断的习惯，指出团队更应考察软件质量、客户价值与系统的真实健康度。讨论的核心框架是信任账户：当工程师依赖自己未读过的代码时，实施环节中的信任会被透支，必须通过测试、评估、护栏、可观测性和生产反馈重新积累。嘉宾也解释了为何 AI 拥护者能看到真实的迭代提速，而运维人员会遭遇粗制代码、故障和返工；两种观察可以同时成立。对工程师和管理者而言，可行的做法是持续实验、保留技术判断、共享收益与成本的证据，并在快速变化中建立行动能力。

在这场 Y Combinator 对谈中，Peter Steinberger 讲述了一个智能体项目如何从个人的小困扰发展为广受关注的开源实验。WhatsApp 中继让他能从手机向编程智能体发送提示，也让交互从终端操作变得更主动，同时隐藏了模型、上下文窗口和会话边界等复杂性；公开群聊则让更多人直观看到这种体验带来的情绪反应。他也坦率谈到爆火的代价：贡献者、记者、安全审查和持续关注带来实际的运维与个人压力。最有价值的技术主线是，能力强的智能体不只需要提示词。开发者还应提供合适的上下文，设计能让智能体验证结果的循环，选择相称的权限与运行机器，并按风险程度校准审查。最后，他把这些经验延伸到产品策略：先做自己真正需要的工具，在嘈杂市场中建立可见度，并寻找那些困难、不光鲜却有明确需求的问题。

在这场 20VC 的长访谈中，Alex Atallah 将 OpenSea 在流量剧烈波动下维持可靠性的经验，与 OpenRouter 作为 LLM 网关的工作联系起来。他认为，开放权重模型的服务已形成竞争性的供应商生态，而非由少数云巨头垄断；路由之所以重要，是因为不同供应商在价格、速度、可用性和输出质量上存在实质差异。访谈还讨论了企业对故障转移与安全层的需求、对单一模型实验室形成依赖的战略风险、中国开放模型的快速进展，以及更广泛的模型访问如何让更多人有能力处理困难问题。

LangChain 联合创始人 Harrison Chase 将智能体 harness 定义为围绕模型、固定与动态上下文、工具调用和外部系统观测结果的编排层。他给出的建议是渐进式的：先用能力足够的通用 harness 快速获得价值；当工作越来越偏离模型训练分布，或需要更强的控制力时，再引入中间件、hooks、skills、文件系统、记忆、沙箱或更明确的架构。他认为评测和可观察性不是事后补充，而是必要前提。私有评测把组织对「好」的判断明确下来，轨迹则揭示失败究竟来自模型、上下文缺失、工具使用还是编排方式。Harbor 与 LangSmith Engine 展示了一条可重复的闭环：运行智能体，采集并整理轨迹，识别模式，开展实验，再依据证据改进 harness、模型或上下文。

本文为英伟达首位从研究员擢升至副总裁的管理者刘洺堉的独家深度访谈。刘洺堉领导英伟达世界基座模型 Cosmos 项目，访谈中他详细阐述了英伟达‘造市场而非零和竞争’的核心竞争观，认为 Physical AI 是下一个万亿级市场，英伟达的目标是赋能整个具身智能生态，而非击败竞争对手。他分享了 Cosmos 从多模型并行到单一 Foundation Model 的迭代逻辑，解释融合语言、视频、音频、动作多模态的技术选择，以及受《孙子兵法》影响的技术哲学：不追求革命性原创，更看重模型的实际影响力与落地价值。此外他还谈到自身管理风格，坚持审阅代码、读论文避免与底层脱节，以及英伟达做自研模型是为了反哺基础设施研发、理解客户真实痛点。最后他透露黄仁勋要求他持续迭代 Cosmos 至第 97 代，未来会进一步简化架构，帮助更多开发者做出优秀的具身智能产品。

本文将 Jeff Dean 离开 Google 创办 Discovery Loop 与 Google DeepMind 论文《LLMs Can't Jump》并置，讨论大模型能否完成科学发现中最关键的一跃。文章先梳理多篇研究，指出模型的问题域与解法域在「跳跃」之前已发生两次塌缩：模型不擅长提出新问题，倾向局部展开与文献重组；解法上偏好近端改进和综合拼接，创新算子分布狭窄。随后作者将原因归结为三种底层机制缺失：缺少现实锚点、受近端优化牵引、缺乏持续存在的局部信念。但文章认为 Agent 进展——Agentic RL、环境预测训练、多假设并行搜索、贝叶斯惊奇驱动的实验选择——正在逐步补齐这些条件，使模型有望先成为合格的贝叶斯研究者。真正的理论跳跃仍在那之后，而当下正是「贝叶斯 AI」时代的开端。

本期周刊以「AI 缓存知识」为主题，详细解释了大模型输入 Token 的缓存机制：模型处理提示词时需将 Token 转为向量并计算注意力关系，缓存可避免重复计算前缀内容，从而大幅降低成本（如 DeepSeek V4 Flash 缓存命中价格仅为未命中的 1/50）。文章还介绍了缓存的时间期限（Anthropic 5 分钟、DeepSeek/OpenAI 10-30 分钟、Google 1 小时内逐步失效）及保持缓存有效的方法（如每 4 分钟自动激活请求）。此外，周刊包含科技动态（蓝牙识别交通摄像头、声波灭火、无舷窗飞机、最长视线）、文章推荐（任务执行工具、GitHub 文件上传、Canvas 与 HTML 选择、手机服务器、电梯算法）、工具资源（Docker 沙箱、CertMate、crontab guru Dashboard 等）、AI 相关项目（Cloudflare OS、乡音阁、chat.md 等）以及文摘与言论。