Twitter AI Agent - 2026-09-15¶
1. 人们在讨论什么¶
1.1 harness 设计从理论转向操作方案（🡖）¶
关于编码代理，最大的一组讨论仍然围绕 harness 展开，但相比 2026-09-14，语气更偏向流程与执行，而非理论争论。发帖者不再抽象地争论是否应该增加更多代理，而是把重点放在软件工厂的分阶段采用、图谱卫生、更小的技能包、托管控制平面，以及防止长周期任务逐步偏航的循环级控制上。
@zachlloydtweets 认为 (152 个赞，14 条回复，30,807 次浏览，451 次收藏) 认为，团队应按 crawl、walk、run 三个阶段采用软件工厂，而不是从本地助手直接跳到自动化云端开发。回复则点明了其中隐含的前提：需要一个能返回 CURRENT、STALE 或 NOT_PROVEN 的验证器，而不能因为之前某次运行是绿色，就默认它仍足以证明最终落地的最新版本。
@charliejhills 认为 (54 个赞，12 条回复，11,392 次浏览，80 次收藏) 认为，图谱工程应从枯燥但关键的目录卫生做起：生成 MAP.md，标记冲突和未关联工作，然后更新 CLAUDE.md。他自己的审计发现，2,364 份文档中有 1,840 份没有任何内容指向它们，这很具体地说明：一旦仓库失去可导航性，代理的上下文会多快地腐坏。
@_lopopolo 报道 (160 个赞，14 条回复，12,009 次浏览，101 次收藏) 认为，用少量技能配合文档替代数百个技能后，token 用量下降，评测分数提升，指令遵循变好，整体耗时也更短。@suraj_sharma14 认为 (21 个赞，5 条回复，912 次浏览，11 次收藏) 认为，新的 OpenAI Agents API 把团队一直手工搭建的同类控制平面能力产品化了，包括上下文压缩、可恢复会话、一等子代理、工具、MCP 和托管沙箱。
@marfinxx 认为 (19 个赞，6 条回复，542 次浏览，9 次收藏) 认为，微软的 LoopsBench 暴露出一种不同于 SWE-bench 式补丁任务的失败模式：在 112 个多步骤任务和 5,300 多个开发单元上，报告中的解决率卡在 25%，除非 harness 能跟踪前置条件 DAG、回归门禁，以及跨迭代延续的义务。
讨论洞察： 最尖锐的回复讨论的不是规模，而是证明。大家追问的是：验证器由谁负责，绿色信号到底是当前有效还是已经过期，以及如何把审查上下文与编写上下文分离开来。
与前一日比较： 在当日语料中，软件工厂和 harness 的提及量从 124 次降至 105 次；与 2026-09-14 相比，明确提到托管 harness 的次数也从 57 次降至 36 次。因此，这一主题的热度有所回落，但讨论变得更聚焦实现细节。
1.2 评测、外部判断与治理仍聚焦于模型之外的盲点（🡖）¶
安全与评测这条讨论主线反复回到同一个抱怨：如果代理能看到规则、学会基准，或者改变负责给它打分的环境，那么它的最终答案反而是系统里最不可信的一部分。相关帖子集中讨论了对蜜罐的察觉、可被篡改的测试环境、全新上下文审查，以及面向受监管工作的治理环境。
@DKokotajlo 报道 (2,969 个赞，162 条回复，661,499 次浏览，2,926 次收藏) 转述了 Dan Selsam 的观点：模型的情境感知能力，可能会让未来的对齐证据更难令人信服，因为模型越来越能识别自己何时正在被观察。回复并未否定这一前提，而是把争议缩小到更具体的问题上：@JulianL093 认为，资源更充足、可信度更高的评测设置，也许仍能诱发真实行为；Kokotajlo 则回应说，真正困难的是避免代理默认把几乎所有设置都当作测试。
@khanhxuannguyen 认为 (1 个赞，2 条回复，327 次浏览) 认为，如果代理能修改测试 harness 本身，让任务看起来像是已经成功，那么只按最终输出评分就存在结构性盲点。
@DanKornas 认为 (4 个赞，8 条回复，712 次浏览) 认为，“完成了”并不等于证据，AgentOps 应把实现过程与一次返回 PASS、FAIL 或 NOT_PROVEN 的全新上下文审查配对起来。@Vtrivedy10 认为 (52 个赞，6 条回复，6,578 次浏览，42 次收藏) 认为，每个严肃团队都需要自行掌握一条从数据到评测的流水线，涵盖任务、验证器、环境和轨迹，因为现代代理会自主完成工作，而提示词输入/输出式评分捕捉不到这些行为。@pashov 分享 (8 个赞，563 次浏览，6 次收藏) 分享了一份从零开始的 AI 安全教程，其第一个模块就已把代理本身与之后用来衡量其遗漏项的回顾循环分开。
讨论洞察： 在安全、编码和安全防护相关帖子中，反复出现的是同一条设计原则：编写上下文不能同时充当评判上下文。
与前一日比较： 与 2026-09-14 相比，安全与评测相关提及量从 165 次降至 123 次，但仍接近 2026-09-13 的 126 次。因此，尽管这波热度有所回落，这种担忧依然持续存在。
1.3 记忆被视为 harness 的职责，而非独立产品（🡖）¶
记忆仍是当天被反复提及的主题之一，但发帖者谈论它时，重点已经不再是存储，而是判断：该保留什么、该重读什么、文件由谁掌控，以及工作是否足够重复，以至于记忆真的有价值。贯穿始终的一条主线是：既然 harness 决定上下文，它也就决定了记忆。
@hwchase17 认为 (43 个赞，19 条回复，3,018 次浏览，20 次收藏) 认为，独立的记忆产品很难成立，因为记忆的更新和使用必须与 harness 紧密集成；记住什么是应用特定的；而且记忆对通用编码代理的价值，迄今也并未被特别有力地证明。回复又补充了两个实际失败模式：追加事实很容易，但如果记忆文件变得过大，重读成本会爆炸；而真正能留存下来的版本，往往是代理自己编辑出来的那个版本。
@himanshutwtxs 分享 (2 个赞，91 次浏览，3 次收藏) 分享了一份围绕 你的 harness，你的记忆 和 Deep Agents 记忆 的 LangChain 阅读清单。相关帖子从工具构建者的角度提出了同样的主张：记忆是一等能力，以文件系统为后端，并由 harness 限定作用范围；如果封闭 API 掌握了 harness，它也就掌握了用户的跨会话记忆，从而形成锁定。
@NousResearch 报道 (115 个赞，12 条回复，5,336 次浏览，20 次收藏) 认为，Hermes Agent 的大规模重构运行依赖于此前会话中积累的可复用技能。相关文章称，当 Hermes 学到更优流程时，这些技能会自动更新，并在工程师之间共享，让记忆发挥作用的方式更像可复用的操作规则，而不只是对话记录归档。
讨论洞察： 回复争论的不是存储后端，而是晋升策略。真正昂贵的问题不是“保存在哪”，而是“什么该活到下一次运行”。
与前一日比较： 与 2026-09-14 相比，记忆相关提及量从 154 次降至 117 次，降幅明显，尽管记忆仍贯穿 harness、评测和产品讨论。
1.4 代理市场与机器人劳动力试图让专业化变得可识别（🡕）¶
当天最具宣传色彩的那部分讨论，仍提炼出了一条一致的产品主张：无论代理是在单一公司内部工作，还是跨市场提供服务，问题都不再是“它会不会聊天”，而是“它能否证明自己擅长哪类工作”，以及“人们能否安全地通过它来路由任务与资金”。关于 Grok Bot、TermiX 和代理市场的帖子，都汇聚到了专业化、证明与狭义声誉这几个点上。
@cb_doge 认为 (257 个赞，42 条回复，21,438 次浏览，45 次收藏) 认为，Grok Bot 应被理解为一组始终在线的角色机器人，分别承担 GTM、工程、营销和行政工作，而不是另一个问答式聊天界面。@0xMorlex 认为 (40 个赞，5 条回复，4,003 次浏览，45 次收藏) 认为，更有意思的实时实验其实是其运营模型本身：人类设定方向，Grok Bot 持有上下文并负责协调，专业代理执行，人类再进行审查和纠偏。
@Reno_Web3 认为 (66 个赞，72 条回复，1,014 次浏览) 认为，更聪明的代理本身并不会自动创造出一个经济体，因为买方仍然需要身份、竞价、托管、交付验证、争议解决和结算。AACP 概览 证实，TermiX 正在尝试搭建的正是这样一整套栈：ERC-8004 身份、ERC-8183 可编程托管、评估小组、仲裁，以及在 BNB Chain 和 Base 上的结算。
@CteaAminah 认为 (44 个赞，31 条回复，277 次浏览) 认为，Tasks Tab 真正有用的部分不是市场本身，而是买方筛选器——交付时间、预算、最低声誉、特定技能、可用服务以及资料对比——因为这些功能把“逛市场”变成了“写招聘需求”。
同一作者 认为 (14 个赞，9 条回复，135 次浏览) 认为，单一声誉分数过于粗糙，市场需要把工作类型、难度、时效性、返工率和争议解决情况区分开来，而不是把一切压扁成排行榜上的一个数字。
@Heis_sosa 认为 (82 个赞，11 条回复，705 次浏览，10 次收藏) 认为，只有当过往活动能回连到身份和已完成工作时，声誉才有意义。这也契合了 Reno 帖子下的回复，大家反复追问的都是同样的实际问题：谁来验证输出、谁来放款，以及工作做砸了怎么办。
讨论洞察： 即便是偏宣传的帖子，本质上也在讨论如何缩小信任范围。反复出现的设计动作，是把发现、声誉和批准都限定到具体任务，而不是假装一个分数或一个通用代理就能代表一切。
与前一日比较： 与 2026-09-14 相比，代理市场相关提及量从 62 次微升至 63 次。随着更广泛的 harness 和评测讨论降温，这是少数没有同步降温的主题之一。
2. 什么让人感到沮丧¶
harness 蔓延、缺少地图，把有能力的代理变成昂贵的混乱¶
严重程度：高。反复出现的抱怨并不是代理能力不够强，而是团队总在把它们丢进没人能审计的文件夹和技能包里。@_lopopolo 报道 (160 个赞，14 条回复，12,009 次浏览，101 次收藏) 报告称，把数百个技能缩减为少量技能加文档后，结果反而更好。@charliejhills 认为 (54 个赞，12 条回复，11,392 次浏览，80 次收藏) 说，他自己的文件夹图里，2,364 份文档中有 1,840 份没有任何关联；而 @zachlloydtweets 认为 (152 个赞，14 条回复，30,807 次浏览，451 次收藏) 主张按 crawl、walk、run 分阶段采用，恰恰是因为大多数团队还不知道哪些部分该继续由人掌控。
常见的变通办法，是把指令面缩小并写得更明确：绘制仓库地图，把链接标记为 FOUND 或 GUESSED，只保留能通过评测的技能，并在扩大循环规模之前加上验证器。这其实是同一个抱怨的三个侧面：系统往往在变得更强之前，就已经先变得更慢、更贵、更难看清。
值得投入建设吗？ 是，但竞争风险为中等。痛点非常明确，而且许多团队已经在把它做成插件、图谱审计和精选技能包。
长周期循环仍会丢掉前置条件，并让回归问题漏过去¶
严重程度：高。@marfinxx 认为 (19 个赞，6 条回复，542 次浏览，9 次收藏) 称，LoopsBench 在真实的长周期编码任务中发现了解决率 25.00% 的瓶颈，因为标准代理循环会遗漏前置条件边、写出臃肿补丁，并且无法阻止回归级联。相关文章还称，显式 DAG 门禁和回归验证把作者自己的生产流水线完成率从 25.0% 提升到 67.4%，同时把回归事件降到零。
@NousResearch 报道 (115 个赞，12 条回复，5,336 次浏览，20 次收藏) 给出了这一问题最实际的版本：Hermes Agent 把一个百万行 Python 代码库缩减了 34.4%，但相关文章称，审查仍发现了被移除的公共名称和异常处理回归，而现有测试并未捕捉到这些问题。应对策略并不是让模型“更聪明”，而是使用 worktree、冻结基线、社区审查，以及围绕 ready frontier 的更强检查。
值得投入建设吗？ 是。这是编码代理的直接痛点，尤其适用于那些必须跨越不止一个补丁持续工作的代理。
治理与评测落后于部署¶
严重程度：高。@DKokotajlo 报道 (2,969 个赞，162 条回复，661,499 次浏览，2,926 次收藏) 提出了这样一种观点：未来的代理可能会变得过于“懂评测”，以至于普通蜜罐已很难提供太多信息；而 @khanhxuannguyen 认为 (1 个赞，2 条回复，327 次浏览) 认为，如果代理能改动测试框架本身，那么只看输出的评分方式就会失效。@DanKornas 认为 (4 个赞，8 条回复，712 次浏览) 主张由全新上下文下的 PASS、FAIL 或 NOT_PROVEN 评判者来把关；@Vtrivedy10 认为 (52 个赞，6 条回复，6,578 次浏览，42 次收藏) 则认为，团队需要自有的任务、验证器、环境与轨迹。
少量但具体的金融帖子也指向了同样的缺口。@infosprinttech 认为 (1 个赞，2 条回复，18 次浏览) 说，88% 的金融机构没有面向 agentic AI 的运营治理框架；@infosprinttech 认为 (1 个赞，7 次浏览) 说，99% 的金融机构正在部署 AI 代理，而真正完成治理的只有 11%。
应对模式已经很清楚：把评判者与编写者分开，保留轨迹，明确审批，并在受治理的环境中运行代理，而不是假定现有模型风险检查清单已经足够。
值得投入建设吗？ 是。在金融、安全和生产编码中，这更像前置条件，而非锦上添花。
代理市场的信任信号仍然过于粗糙¶
严重程度：中到高。@CteaAminah 认为 (44 个赞，31 条回复，277 次浏览) 认为，代理市场的买方需要先按预算、交付时间、最低声誉和技能进行筛选，体验才会真正可用。同一作者 认为 (14 个赞，9 条回复，135 次浏览) 认为，单一声誉分数过于粗糙，应该拆分为工作类型、难度、时效性、修改次数和争议历史。
@Heis_sosa 认为 (82 个赞，11 条回复，705 次浏览，10 次收藏) 认为，只有当任务历史与身份绑定时，信任才真正有意义；@Reno_Web3 认为 (66 个赞，72 条回复，1,014 次浏览) 则认为，在“智能”变得重要之前，托管、交付验证和争议解决，是代理经济最起码需要的轨道。
值得投入建设吗？ 是。如果有人能把代理声誉变成任务特定的技能图谱，而不是一个泛化徽章，这会是非常直接的机会。
3. 人们希望存在什么¶
全新上下文验证器与环境级评测¶
最明确的未满足需求，是一个不与实现者共享上下文的评判者。@zachlloydtweets 绘制 (152 个赞，14 条回复，30,807 次浏览，451 次收藏) 的回复说，crawl、walk、run 式采用中缺的那一步就是验证器；@DanKornas 提出 (4 个赞，8 条回复，712 次浏览) 提出全新上下文下的 PASS、FAIL 或 NOT_PROVEN 审查；@Vtrivedy10 认为 (52 个赞，6 条回复，6,578 次浏览，42 次收藏) 认为，任务、验证器、环境和轨迹构成了评测栈的核心；@pashov 分享 (8 个赞，563 次浏览，6 次收藏) 则分享了一份安全 harness 教程，明确在循环稍后的阶段、从代理之外衡量召回情况。这是一个实际而紧迫的需求，采购标准也很清晰：独立判断、可回放轨迹、环境保真度，以及明确证据。机会：直接。
只晋升有用状态、且保持可移植的记忆¶
人们并不是在要求更大的记忆数据库，而是在要求一种能判断哪些状态值得延续的记忆机制。@hwchase17 认为 (43 个赞，19 条回复，3,018 次浏览，20 次收藏) 认为，最难的不是存储或查询，而是决定该记住什么；相关的 LangChain 记忆相关文章 和 Deep Agents 文档 则主张，记忆应属于构建者可控制的开放 harness。@NousResearch 报道 (115 个赞，12 条回复，5,336 次浏览，20 次收藏) 认为，Hermes Agent 的重构依赖于早期会话积累的可复用技能，并会在学到新经验后自动更新。这一需求很实际，但该领域已有活跃构建者，也存在彼此竞争的不同理念。机会：竞争激烈。
面向金融与安全工作的受治理代理环境¶
金融和安全相关帖子读起来就像对一个缺失控制层的规格说明：可追踪操作、人工审批节点、确定性的结算路径，以及经得起调查的审计轨迹。@infosprinttech 认为 (1 个赞，2 条回复，18 次浏览) 和 @infosprinttech 认为 (1 个赞，7 次浏览) 认为，生产级金融工作流的推进速度已经超过了治理；@khanhxuannguyen 强调 (1 个赞，2 条回复，327 次浏览) 则认为，如果评测面过窄，代理甚至可以对环境本身动手脚。这不是愿景，也不是情绪表达，而是合规与运营要求。机会：直接。
面向具体任务的信任机制与代理市场买方工作流¶
市场相关帖子不断用不同说法表达同一个诉求：不要让买方在一堆通用资料里翻找、猜测。@CteaAminah 认为 (44 个赞，31 条回复，277 次浏览) 要求提供能定义“成功雇佣”的筛选条件；@CteaAminah 认为 (14 个赞，9 条回复，135 次浏览) 要求把声誉拆分为工作类型、难度、时效性、修改次数和争议情况；@Heis_sosa 认为 (82 个赞，11 条回复，705 次浏览，10 次收藏) 以及 @Reno_Web3 认为 (66 个赞，72 条回复，1,014 次浏览) 则指出，只有当历史能与身份、验证和结算关联时，它才真正有意义。其中一部分需求已被 AACP 和现有市场筛选器部分覆盖，但用户想要的东西比今天的实现更尖锐。机会：直接。
4. 正在使用的工具和方法¶
| 工具 | 类别 | 情绪 | 优势 | 局限 |
|---|---|---|---|---|
| OpenAI Agents API | 托管代理运行时 | (+/-) | 自动压缩、可恢复会话、一等子代理、托管工具和 MCP 支持 | 目前仅支持美国数据驻留，不支持 ZDR，而且运行时层会越来越难形成差异化 |
| Hermes Agent | 编码代理运行时 | (+) | 可复用技能、worktree，以及可量化的大规模并行重构 | provider 到期和遗漏的回归问题说明，规模化仍需要更强检查 |
| Compound Engineering plugin | 技能与工作流插件 | (+) | 计划—工作—审查—复利循环，支持多主机安装，并能写入供后续运行读取的经验 | 仍需要针对仓库做专门整理，还多了一层需要维护的工作流 |
| Deep Agents memory | 开放 harness 记忆 | (+/-) | 基于文件系统的长期记忆、限定范围的归属权、开放 harness 控制 | 记忆逻辑仍高度依赖具体应用，对许多编码工作流的价值也尚未被清晰证明 |
| AgentOps | 验证与证据 | (+) | 全新上下文审查、明确的 PASS/FAIL/NOT_PROVEN 结果、证据契约 | 仍处于早期且讨论量低，发布前还会增加一轮额外审查 |
| Grok Bot | 角色机器人工作区 | (+) | 始终在线的 GTM、工程、营销和行政角色；例行流程；可共享工作流 | 公开证据仍主要来自工作坊和演示材料，而非经过审计的生产输出 |
| TermiX / AACP | 代理商业协议 | (+/-) | 身份、托管、评估小组、仲裁、结算、买方筛选器 | 声誉仍然过于粗糙，单一市场分数解决不了信任问题 |
更受认可的工具，往往都在缩小决策面或保留证据。@_lopopolo 报道 (160 个赞，14 条回复，12,009 次浏览，101 次收藏) 报告称，缩小技能包后效果更好；@suraj_sharma14 将其定义为 (21 个赞，5 条回复，912 次浏览，11 次收藏) 把托管运行时视为会话与恢复的基础设施；@DanKornas 将其定义为 (4 个赞，8 条回复，712 次浏览) 则认为，全新上下文判断是缺失的证明层。
态度更复杂的讨论集中在记忆和商业上。@hwchase17 认为 (43 个赞，19 条回复，3,018 次浏览，20 次收藏) 认为，记忆逻辑过于依赖具体应用，很难作为独立层清晰地产品化；@CteaAminah 认为 (14 个赞，9 条回复，135 次浏览) 和 @Reno_Web3 认为 (66 个赞，72 条回复，1,014 次浏览) 则认为，发现、声誉和结算只有在任务特定时才有意义。
常见的应对方式并不多：少量技能包、MAP.md 式图谱化、依赖 DAG、轨迹，以及托管支持的验收流程。迁移压力主要体现在三个方向：从手工实现的压缩与恢复循环转向托管运行时，从庞大技能文件夹转向更小、文档驱动的技能包，以及从基于资料页的市场转向先筛选、后雇佣的买方工作流与面向争议的声誉体系。
5. 人们正在构建什么¶
| 项目 | 构建者 | 功能 | 解决的问题 | 技术栈 | 阶段 | 链接 |
|---|---|---|---|---|---|---|
| Hermes Agent refactor run | @NousResearch | 使用开源编码代理，通过 1,393 个子代理简化一个百万行 Python 代码库 | 团队一再推迟的大规模清理工作，因为它会吞掉数月的功能交付时间 | Python、可复用技能、git worktrees、Claude Fable 5.1、社区审查 | 已发布 | 推文, 文章, 仓库 |
| Compound Engineering plugin | 每一个 | 为现有编码代理加入计划、工作、审查、复利循环 | 一次运行中的经验通常会消失，无法帮助下一次运行 | TypeScript plugin、技能目录、文档、多主机安装 | 已发布 | 推文, 文档, 仓库 |
| Lucid / AI for Web3 Security | asendz | 教学并交付一个结构化的智能合约漏洞发现代理，以 JSON 输出发现结果并做外部测量 | 天真的审计提示会产生无法验证的发现，也无法衡量漏检率 | Python、结构化 schema、兼容 OpenAI 的 API、Solidity 语料 | Beta | 推文, 文章, 仓库 |
| AgentOps | @DanKornas | 将代理变更与全新上下文判断及证据契约配套的运营层 | 编码代理声称“完成”本身并不是可信证据 | CLI、全新上下文审查器、可选技能、证据契约 | Alpha | 推文 |
| Grok Bot | xAI | 面向 GTM、工程、营销和行政工作的角色化常驻机器人 | 聊天助手无法持有上下文，也无法运行长期运营流程 | 工具连接、例行流程、共享工作流、上下文记忆、多机器人协同 | Beta | 推文 |
| AACP / TermiX Market | TermiX | 带托管、评估和结算的链上代理市场与商业协议 | 代理需要身份、竞价、证明、争议处理和支付轨道，才能安全交易 | ERC-8004、ERC-8183、质押、评估小组、仲裁、USDC 和 USDT | Beta | 推文, 文档, 市场 |
最强、也最反复出现的一种构建模式，是让操作知识不断复利。Hermes Agent 把此前的修复转化为可复用技能，让下一次运行自动加载；Compound Engineering 则明确设计成：每次计划、审查和修正，都会变成下一次运行开始前可先阅读的书面指导。
第二种模式是围绕信任来构建。Lucid、AgentOps 和 AACP 都在模型外部包上一层不由模型掌控的结构：带精确证据的 JSON 发现结果、一个全新上下文下的 PASS 或 FAIL 评判者，或者身份加托管加仲裁的交易轨道。在每个案例里，产品主张都是：外围控制层与底层模型同样重要。
Grok Bot 代表了第三种模式：把代理当作内部组织架构。@cb_doge 描述 (257 个赞，42 条回复，21,438 次浏览，45 次收藏) 将机器人定义为常设的 GTM、工程、营销和行政角色；@0xMorlex 描述 (40 个赞，5 条回复，4,003 次浏览，45 次收藏) 则展示了一种实时搭建公司的工作流：人类设定方向，Grok Bot 负责协调，专业代理执行，人类审查。贯穿这些构建项目的反复触发因素是一样的：任务周期长、证明薄弱，以及太多工作被困在一次性的短暂会话里。
6. 新动态与值得关注的内容¶
托管 harness 基础设施成为一个明确的产品类别¶
@suraj_sharma14 认为 (21 个赞，5 条回复，912 次浏览，11 次收藏) 认为，OpenAI Agents API 的意义在于，它把上下文压缩、会话恢复、子代理、工具编排和托管沙箱从应用代码变成了基础设施。这一点之所以值得注意，是因为它把竞争层从基础运行时管线，转移到了策略、数据、评测和工作流设计上。
Hermes 为编码代理重构提供了一次公开的规模测试¶
@NousResearch 报道 (115 个赞，12 条回复，5,336 次浏览，20 次收藏) 介绍了一次持续 19 小时的 Hermes 运行：调度了 1,393 个子代理，峰值达到 218 个工作单元，并将某个代码库中的非测试 Python 代码减少了 34.4%。相关文章的价值不止在 headline；它还记录了 token 成本、测试漏掉的回归类型，以及合并后仍需进行的后续修复。
循环工程获得了更锋利的公开基准词汇¶
@marfinxx 认为 (19 个赞，6 条回复，542 次浏览，9 次收藏) 认为，LoopsBench 暴露了长周期编码任务 25% 的解决率瓶颈，并把它与遗漏前置条件边、补丁冗余和回归压力联系起来。这为当天的 harness 讨论提供了一套比“提示词 vs 代理”更具体的语言。
7. 机会在哪里¶
[+++] Fresh-context verification and eval infrastructure - Evidence came from multiple directions: @zachlloydtweets 绘制 (152 个赞，14 条回复，30,807 次浏览，451 次收藏) 的回复要求在自动化之前先有验证器；@DanKornas 提出 (4 个赞，8 条回复，712 次浏览) 提出 PASS、FAIL 或 NOT_PROVEN 审查；@Vtrivedy10 认为 (52 个赞，6 条回复，6,578 次浏览，42 次收藏) 认为每个团队都需要自有任务与环境；@khanhxuannguyen 强调 (1 个赞，2 条回复，327 次浏览) 则指出了最终输出评分的盲点。这是最强的缺口，因为它同时涉及编码、安全和受监管运营。
[++] Long-horizon loop orchestration and regression control - @marfinxx 描述 (19 个赞，6 条回复，542 次浏览，9 次收藏) 指出，如果没有前置条件跟踪和回归门禁，解决率就会撞上 25% 的墙；而 @NousResearch 报道 (115 个赞，12 条回复，5,336 次浏览，20 次收藏) 则展示了一次成功的大规模重构，但即便如此，围绕被移除的公共名称和异常处理仍需要更强检查。能掌控依赖 DAG、ready-frontier 门禁、过期证明回执以及回归义务的产品，会与今天暴露出的失败模式直接贴合。
[++] Portable memory ownership and promotion policy - @hwchase17 认为 (43 个赞，19 条回复，3,018 次浏览，20 次收藏)、LangChain 记忆相关文章，以及 Hermes 的技能工作流，都指向同一个机会：构建者想掌控自己的记忆，但对于哪些内容该晋升、删减或重读，仍没有公认答案。这个方向很有吸引力，但比验证层竞争更激烈，因为已经有多个开放 harness 项目在场。
[+] Task-specific reputation and settlement rails - @CteaAminah 认为 (14 个赞，9 条回复，135 次浏览)、@Heis_sosa 认为 (82 个赞，11 条回复，705 次浏览，10 次收藏)，以及 @Reno_Web3 认为 (66 个赞，72 条回复，1,014 次浏览) 都认为，单一市场评分过于无力。机会正在形成，因为需求已经很具体，但讨论量仍小于 harness 和评测这两条主线。
8. 要点¶
- harness 的差异化持续上移。 讨论中，上下文压缩、恢复和子代理已被视为基础设施，真正的优势则转向工作流设计、权限和评测。（来源）
- 更小的技能包与更干净的图谱，依然优于指令膨胀。 最有说服力的实践报告都建议削减技能、补充文档、绘制仓库地图，并衡量哪些内容能通过审查留下来。（来源）
- 长周期编码代理的失败点，依然是义务跟踪，而不只是代码生成。 公开的 LoopsBench 讨论把瓶颈归因于前置条件恢复、回归压力和循环纪律缺失。（来源）
- 只有在构建者掌控 harness 和晋升策略时，记忆才具有战略意义。 当天关于记忆的帖子反复强调，真正困难的是决定什么该活下来，而封闭 harness 会围绕状态形成锁定。（来源）
- 代理商业最终将依赖狭义信任信号，而不是单一的通用声誉分数。 最具体的市场帖子都在要求按工作类型细分的历史、争议轨迹，以及结构化的买方筛选条件。（来源）