17Ge

LLM Evals Engineer | Love reading, writing ✍️ | Currently building with LLMs & AI Agents Tech

[17Ge @wangwei1237]

我们总以为 Agent Teams 之间的协作要比人与人之间的协作要简单、容易，但是 Anthropic 的多 Agents 协作实验告诉我们：

协作不会因为模型变强就自己长出来。我们需要为 Agent 设计新的基础设施，包括信任机制、冲突解决协议等。多 Agent 系统的风险不是单个 Agent 对齐问题的简单叠加。即使每个 Agent 都是安全对齐的，它们之间的相互作用也可能产生意外的系统性问题。

Agent 的协作与人的协作一样：
1. 协作越深入，协调成本越高；
2. 当 Agent 目标不兼容时，模型就会爆发"地盘争夺战"。Agent 迅速假设其 Agent 在故意阻碍自己的工作，并开始相互破坏。

于此同时，Agent 还有自己的独特特性：在相同环境下倾向于做相同的决策。在这种群体迷思的场景下，系统的容错能力会急剧下降。

https://t.co/JMUTGUsbb1

[17Ge @wangwei1237]

Claude 的新博客分享了 Warp 公司是如何基于 Base Skill、Human Feedback、Improver Skill 来实现基于 Skill 的自进化 Agent。其本质还是更好的 Human-Agent 协同体系，人类的信号如何更好的整合到 Agent 的自进化流程之中。

整体上看，这种方式比谷歌刚发布的 WikiSkill 的方式更为简单和轻量，属于一种轻量的在线进化方案，可以视为迈向 WikiSkill（离线进化方案） 的过渡方案。

https://t.co/pj8CsADsXR

[17Ge @wangwei1237]

Indeed an exceptionally beautiful paper.

Two key decoupling insights from the paper on skill evolution for AI Agents:

1. Separate raw execution traces, accumulated knowledge base, and skill evolution during the skill iteration lifecycle.
2. Decouple the skill‑discovery phase from the skill‑execution phase.

Besides, two critical properties deserve close attention for agent self‑evolution: the complementarity between skill evolution and LLM scaling, as well as the transferability of evolved skills.

[17Ge @wangwei1237]

谷歌刚发布的关于 Skill Evolutions 的论文值得认真的研究一下。

很多人都会说：这里面提到的好多观点我之前就提出过了。但是更为重要的是：谷歌没有停留在观点的浅薄层面，而是从实证的角度给出了可实践的理论支撑。

论文中的两个分离蛮值的思考的：
1. 在 Skills 进化的过程中，把原始执行路径、知识库、Skills 进化分离开来；
2. 在 Skills 进化的过程中，把 Skills 发现 与 Skills 执行这两个阶段分离开来；

同时，论文中提出的：Skills 进化与 LLM Scaling 的互补性、Skills 进化的可迁移性也是我们在 Agent 自进化过程中特别需要关注的地方。

https://t.co/i2d7TkeV3w

[chuplung @choopyplug1]

Google's team just dropped a 9-page PDF on Harness Engineering - one formula replaced prompt engineering:

the twist: same Claude Sonnet, same benchmark - change only the harness

the formula: Agent = Model + Harness

here's the playbook in 6 steps:

step 1 → add guides - AGENTS.md, rule files, constraint docs - each line is a past agent failure turned into a permanent fix

step 2 → add sensors - linters, tests, validation scripts the agent runs on its own output before a human sees it

step 3 → build the agentic loop - plan, execute, verify, fix - bounded retries, budget caps, escalation when stuck

step 4 → externalize memory - the model forgets every session. the harness remembers state, decisions, and artifacts across all of them

step 5 → enforce permissions - which tools, how many writes, what needs approval. the model doesn't enforce safety. the harness does

step 6 → wire observability - track every tool call, cost, retry. trip wires fire when behavior drifts

the result: your agent stops being a demo and starts being infrastructure - every failure makes the system permanently better, not just the next conversation

this 9-page PDF is what comes after prompt engineering and context engineering

bookmark and build the full system from the article below ↓

[Google Antigravity @antigravity]

Introducing Interactive Generative UI Artifacts!

Sometimes markdown, images, and Mermaid diagrams aren't enough for the agent to fully express an idea. Antigravity can now create rich, interactive artifacts. Explore everything from dynamic data visualizations to 3D explanatory simulations, rendered seamlessly inline and in your artifacts panel.

[17Ge @wangwei1237]

其实一直对 Claude 中的 Command、Skill、Agent 这三者之间的理解迷迷糊糊的。他们都可以使用 slash 命令来调起，看起来也都是一个 .md 文件，只不过是存放的目录不同。

今天仔细梳理了一下他们之间的区别，加深一下对这不同的概念之间的理解。👇👇👇

[17Ge @wangwei1237]

当 Agent 嵌入到工作流之后，协作模式变得更有趣、也更复杂了。

[17Ge @wangwei1237]

@thsottiaux OH，Nooooo. Bad news, and Plus and Pro users deserve equal treatment.

[17Ge @wangwei1237]

@MaxForAI 用户花了自己的额度帮他们测试产品，结果问题还是 OpenAI 搞出来的，那就应该补偿用户。

真正的用户至上。思路很简单，但是能做到的又有几人？

[17Ge @wangwei1237]

AI 时代更要重视自身核心能力的修炼，这一点无比的重要。AI 就像《笑傲江湖中》的“吸星大法”，可以快速拉高表面功力，让人瞬间觉得很强。

但吸收来的能力无法真正内化整合并为己所用，长期下来，就会不断遭受它的反噬。就像多股内力在令狐冲体内相互冲撞令他痛不欲生一样。

[Tibo @thsottiaux]

2026 is the year companies start seriously caring about model efficiency and reliability as it becomes critical infrastructure

[Xudong Han @Xudong07452910]

AI 写的代码越来越多，但「整个系统到底在干什么」，反而更难说清楚了。

Simon Willison 最近写了一篇关于 AI 时代代码行数的文章，里面有个点还是蛮有共鸣的。

当 Agent 可以快速生成大量代码以后，代码行数很难再代表一个人的投入，也很难直接判断一个系统到底有多难维护。

真正容易出问题的，是系统的「概念完整性」。

也就是整个项目有没有一套清楚的设计意图，让人知道为什么要这样拆、这些模块为什么存在，以及它们之间到底是什么关系。

这让我想到很多团队用 Claude Code 之后的一个现象。

代码和功能确实变多了，但人对系统的理解并没有同步增长。Agent 一小时就能加进去一个功能，可这些代码最后还是要有人 Review、维护、Debug。

久而久之，很容易积累出一种以前不太明显的「理解债」。

代码能跑，功能也都在，但已经没人能很快说清楚这个系统为什么长成了现在这样。

我觉得这可能是 Vibe Coding 时代很容易被低估的一类工程债。

AI Coding 接下来真正难的，可能是在人和 Agent 都高速写代码的时候，依然让整个系统保持清楚、统一、能被人理解。

文章：
https://t.co/G8eolEkElK

[17Ge @wangwei1237]

@xiaohu 太棒了，期待整合后的豆包带来的新的交互体验。

[17Ge @wangwei1237]

The AI-Native SDLC keeps human judgement central to the process and considers the governance and regulation requirements of large enterprise organizations.

The loop keeps running. Human judgement stays above it.

https://t.co/u42d0684gH

[Percy Liang @percyliang]

🚢 Marin 535B-A23B started training this week! As usual, the whole process is open.
Voyage plan: pretraining (80%) + midtraining (20%) on 18.75T tokens on 11 x GB200 NVL72 for ~3 months (2.7e24 FLOPs). Post-training will follow.
Before kicking off the run, we trained a 4-rung scaling ladder from 1.6B-A61M (48B tokens) to 27.7B-A1.2B (926B tokens) to debug issues, and to make a forecast of our hero run. This is by far our biggest run, so definitely expecting the unexpected.

[17Ge @wangwei1237]

2026 年 5 月，北京大学与启元科技的研究团队发布了论文 Harness-Bench: Measuring Harness Effects across Models in Realistic Agent Workflows，用于研究并评测不同 Harness 对 Agent 实际执行能力的影响。在论文中，作者提出了 Harness-Bench——一个包含 106 个沙箱化离线任务、用于在统一任务环境下比较不同 Model–Harness 配置的评测基准。

对于 Agent 评测技术而言，这篇论文也非常值得一读。

https://t.co/jFrQwfcfo2

[17Ge @wangwei1237]

@Tao100086 还真的是这样。

[OpenAI Developers @OpenAIDevs]

Teams are using the open-source Codex harness to bring agents into the tools they already use, from internal apps to operations dashboards.

Their applications control the interface, context, tools, and approvals while the harness handles the agent loop.

https://t.co/shi2vwqxh4