一页结论
如果只读一屏:这是 89 场深读演讲里反复出现、互相印证的八个判断。每条都链接到展开它的章节。
- 01
写代码不再稀缺,验证和理解才稀缺
Laurie Voss 引用的数据是代码量多了 741%、交付只多了 30%,卡在评审。Anthropic 每天合并的改动从约 2,500 涨到 30,000,靠的是让 Claude 先评审并产出测试和浏览器操作的「证据」,人只看证据。瓶颈正沿着评审 → 运维 → 安全一路后移,人的价值落在定义「什么是好」和理解系统上。
展开阅读 → - 02
Harness 在变薄,但不会消失
Claude Code 团队每次新模型发布都做「消融」:删掉系统提示、CLAUDE.md、skills,再把模型反复卡住的地方一行行加回,系统提示砍掉了 80%。前 Cursor harness 负责人 Jediah Katz 总结:编码技巧正被模型吸收,但运行时、权限与安全、成本效率三件事永远不会进权重。
展开阅读 → - 03
上下文就是新的代码
skills、AGENTS.md、MCP 工具描述已经是团队最重要的可复用产物,需要像代码一样测试、修剪和版本化。实测里,把上万行文档派生的 skill 砍到 553 行反而更好;有任务带 skill 成功率 77%、不带 97%。没有「有/无 skill」对照评测,就不知道 skill 是在帮忙还是在添乱。
展开阅读 → - 04
从对话走向循环:目标 + 指标 + 边界
Karpathy 让 AutoResearch 通宵调 nanochat,找到了他凭二十年经验手工调参时漏掉的改进;Boris Cherny 让一个动态 workflow 跑了 11 天把 Bun 从 Zig 重写成 Rust。共同的配方是给 agent 一个可验证的目标、可评估的指标和清楚的边界,然后把人移出回路,用 /loop、routines、/goal 让它持续运行。
展开阅读 → - 05
每一次纠正都应该沉淀成确定性约束
Grok Bot 的 Lauren Tan 个人 8 个月合并了 10,732 个 PR(10 月单月 3,127 个),回滚率约 0.5%,方法是把每次对 agent 的纠正都变成 API 设计、lint 和目录约定,最后才写一点 prompt。Every 的「复利工程」、Warp 的会话评分、Prime Intellect 的「把纠正变成训练数据」是同一个思路的三个层次。
展开阅读 → - 06
隔离与权限是生产 agent 的前提
跳过权限的本地 agent 继承你账号的一切。Simon Willison 的「致命三角」(私有数据 + 不可信内容 + 对外通信)在每台笔记本上都已成立;OpenClaw 五个月收到 1,142 份安全通告。答案是按任务收窄访问、每会话一次性环境、microVM 级隔离、模型网关与执行前拦截。
展开阅读 → - 07
个人快 100 倍,不等于公司快
McKinsey 看到大多数企业只有有限提升,只有前 20–25% 得到端到端约 2 倍;DX 约 20 万工程师的数据里,感知交付速度一年只提升约 4.5%。拉开差距的是全员采用、代码库标准化、2–4 人小组、agent 上夜班人白天验证,以及把最好的人的判断写成规格和 rubric。
展开阅读 → - 08
模型层:小模型、自托管和 RL 都已实用
Revolut 用自托管 GLM 给 2,000 名工程师供能,账单约为原来的十分之一;Ramp 后训练的 35B 模型在窄任务上准确率超过 Opus;Modal 用混合 GPU 做 agent RL。机器人则在照抄 LLM 路线:世界模型预训练、第一人称人类数据、真实机器人 RL。
展开阅读 →
思维导图:把 2026 年的 AI 工程放进一个框架
中心是工程师角色的变化,八个分支对应下面的八章;点击分支跳到对应章节。
- 先对齐再委托:grill → PRD → 垂直切片
- auto 模式 + deny 规则 + 沙箱
- worktree 并行与云端会话
- /loop 与 routines 处理例行工作
- 换模型时做消融、删旧补丁
- Bash + 文件系统作为通用工具
- 少工具、按需加载 skills
- 循环工程:设定点、传感器、执行器
- 编排者 + 顺序 worker + 独立验证者
- 目标与计划存在上下文之外
- skill 要触发准、可修剪、做对照评测
- MCP:渐进发现、代码模式、MCP Apps
- BM25 + grep 的 agentic 搜索
- 本体与图:把规则放在数据旁边
- 公司大脑:文件化的组织知识
- 状态来自记录,不来自模型的话
- 多层零信任验证与证据包
- 会话评分与每日改进循环
- 把纠正变成 lint 与类型约束
- GEPA:读轨迹、改文本
- 容器 → gVisor → microVM
- 每会话一次性环境、快照与回溯
- 持续验证与预合并队列
- 致命三角、模型网关、agent 防火墙
- 自托管推理与缓存命中
- 把纠正与轨迹变成训练数据
- 规划用前沿模型、窄任务用小模型
- 端侧小模型与函数调用微调
- 异步 RL 与混合 GPU
- 推理经济学:访存 vs 计算
- 可扩展、多样、贴近动作的数据
- 世界动作模型取代 VLA
- 第一人称人类视频 + 少量遥操作
- 价值函数与人工介入的 RL
- 吞吐量与长时间无人值守
- 100% 采用与复利工程
- 小组、夜班与证据交接
- 度量交付周期而非代码量
- FDE 与按结果定价
- 演示文化与内部原型商店
2026 主线:一年里发生了什么
按时间把关键演讲串起来,看主题如何从「agent 能不能写代码」移动到「怎样让它持续、安全、可验证地写」。
-
编码 agent 的拐点
Simon Willison 把 2025 年 11 月 Claude Opus 4.5 与 GPT-5.1 的发布视为编码 agent 从「偶尔试试」变成「每天可用」的拐点;整个 2026 年都在消化这件事。
-
「容易」不等于「简单」
AIE CODE 2025 的视频陆续上线。Netflix 的 Jake Nations 提出「研究 → 计划 → 干净上下文实现」三阶段,回应 AI 把每次澄清都烤进架构的问题。
-
个人 agent 与 AutoResearch
OpenClaw 成为增长最快的开源项目之一;Peter Steinberger 说自己做的是「agentic engineering」而不是 vibe coding。Karpathy 用 AutoResearch 证明「目标 + 指标 + 边界」可以让 agent 无人值守地做研究。
-
Harness engineering 成为一门手艺
AIE Europe:OpenAI 的 Ryan Lopopolo 讲「人掌舵时如何构建软件」,pi 的极简 harness、MCP 的未来、skills 写作与端侧小模型。Sequoia AI Ascent 上 Brockman 说编码工具一个月内从写 20% 代码变成写 80%。
-
Code with Claude
Opus 4.7、Claude Design、Managed Agents(多 agent 编排、Outcomes 评分、Dreaming)、auto 模式、远程 agent 与 routines;Boris Cherny 说他 2026 年没写过一行代码。
-
World’s Fair:软件工厂与验证者
旧金山 World’s Fair 的主题从「agent 能不能写代码」转向「怎么让它持续、安全、可验证地写」:软件工厂、循环工程、验证者为王、沙箱与致命三角。Willison 记录了 Fable 5 发布后被出口管制叫停 18 天的插曲。
-
从编码到全流程
Factory 与 HumanLayer 讨论软件工厂为什么会失败;Chelsea Finn 在 YC 展示连续 13 小时做拿铁的机器人;Thariq 在 Latent Space 谈 harness 的苦涩教训和 Claude Mods。
-
Codex 离开笔记本
OpenAI DevDay 发布 Codex Cloud、Dots 与 Slack 中的 @ChatGPT;OpenClaw 发布企业版。AIE NYC 讨论评审之死、证据与「教 agent 证明自己做完了」。
-
PR 瓶颈与「之后是什么」
AIE CODE Summit:PR 瓶颈、「所有代码都是 slop(除了我的)」、旧提示让模型变差、Codex 新用法;DevDay「循环之后是什么」讲 agent 团队;Dwarkesh 认为递归自我改进已经开始。
Chapter A
用好 AI 编码工具
这一章回答工程师今天应该怎样和 Claude Code、Codex、Cursor 这类工具一起工作?
2026 年最清楚的变化是:最好的工程师已经不再「和 agent 一起写代码」,而是「给 agent 安排工作」。Boris Cherny 说他整年没写过一行代码,每天用手机发几十个 PR;Spotify 的首席架构师说自己两个月内就不再打开 IDE;Peter Steinberger 一度同时开 7 个订阅、多个终端窗口并排运行。IDE 退化成 diff 查看器,工作单位从「一次编辑」变成「一个任务」。
但委托之前要先对齐。2026 年播放量最高的 AIE 视频是 Matt Pocock 的完整工作流:先让 agent 反复追问你(grill me),把共识写成 PRD,再拆成有依赖关系的垂直切片 issue,最后才交给「夜班」agent 用 TDD 实现,人保留 QA、评审和架构所有权。Claude Code 团队的 Thariq 给出同一个结论的另一面:模型越强,需要的约束越少、需要的上下文越多,人的工作是找出「地图与实地之间的空白」——盲点扫描、多方案原型、让模型采访你、最后让模型考你是否真的理解了它写的东西。
工具的使用方式也在快速迭代。Claude Code 的建议从「人逐个批准」变成「auto 模式负责批准、deny 规则和沙箱负责边界、测试和 hooks 负责验收」;CLAUDE.md 要精简到每个任务都需要的内容,其余拆成按需加载的 skills;并行靠 git worktree,例行工作(照看 PR、更新文档、分诊)交给 /loop 和云端 routines。Codex 团队讲的是同一套东西的 OpenAI 版本:仓库里放 AGENTS.md 和 linter,仓库外的上下文用插件(MCP + skills)补,长任务丢到 Codex Cloud,推理强度通常调到「高」而不是最高。
最反直觉的一条建议来自两家公司:每次新模型发布,都试着删掉你的旧做法。Boris 的团队删掉系统提示、CLAUDE.md、skills、hooks,看模型反复卡在哪再一行行加回,系统提示砍掉 80%;Codex 团队说「别太依恋你的用法」;Lance Martin 测出旧提示里的「一步步思考」「务必仔细检查」在新模型上只增加成本。工具在变,习惯要跟着变。
可以直接照做的
- 动手前让 agent 追问你,把共识写成 PRD,再拆成可独立验证的垂直切片。
- 开启 auto 模式,同时写好 deny 规则(生产凭证、外发、删除)并在沙箱或 worktree 里运行。
- CLAUDE.md / AGENTS.md 只写每个任务都需要的内容;其余写成按需加载的 skill。
- 用 hooks 做确定性检查:编辑后自动 lint、格式化,禁止的命令直接拦截。
- 一个仓库多个 worktree、每个 agent 一个分支;PR 维护交给每 10 分钟一次的 /loop。
- 任务开始前多花 10–30 分钟写清楚目标、约束、原型还是生产、能花多少算力。
- 换模型那天做一次消融:删掉旧补丁,只把仍然需要的加回来。
- 高风险代码(数据库、权限、计费)逐行读,样式与数据搬运代码看测试和演示即可。
代表演讲
分歧与边界
Steinberger 不读「无聊的代码」,Boris 已不写代码;Mario Zechner(pi)则提醒大家慢下来、关键代码逐行读,Geoffrey Litt 认为理解决定你下一轮能想到什么。共识是按风险分配阅读精力,而不是一刀切。
Thariq 认为在极限情况下会,新项目甚至可以先不写;Codex 团队与 OpenAI 的 Ryan Lopopolo 仍主张把规范写进仓库。两者并不矛盾:规范属于代码库(lint、类型、目录约定),而不是越写越长的提示。
Chapter B
构建 agent:harness、循环与软件工厂
这一章回答自己构建 agent 时,什么该交给模型,什么该留在 harness 里?
Harness 是包在模型外面的一切:工具、上下文管理、权限、循环和验证。2026 年的主流做法越来越「薄」:Thariq 把 Claude Agent SDK 概括为「Bash 是通用组合层,文件系统就是上下文」;Vercel 的数据 agent 重写了四次,最后变成「沙箱文件系统 + bash 探索语义层」;一个 400 行提示、12 个工具、3 个子 agent 的库存 agent,改成 15 行提示、5 个按需加载的 skill 和 Bash/Read/Write 后,评测从 71% 升到 92%,成本降 84%。Tejas Kumar 展示了反方向的证据:不改一个字的提示,只靠工具注册表、护栏、确定性验证和程序化登录,就能让 GPT-3.5 的浏览器 agent 从「谎称成功」变成可靠完成任务。
薄不等于没有。前 Cursor harness 负责人 Jediah Katz 说编码专用的提示正被模型吸收,但运行时、权限与安全、成本效率不会进权重;OpenAI 的 Codex 演讲则展示了 harness 里真正难的部分:延迟加载工具以保持提示小而可缓存、子 agent 和后台终端的生命周期、按训练习惯设计的文件工具、分平台沙箱、服务端压缩,以及模型被训练成「知道自己会被压缩」。模型和 harness 是一起设计、一起训练的。
第二个主题是循环。Kyle Mistele 用控制论设计编码循环:设定点(代码库应满足的属性)、传感器(ast-grep 等确定性规则)、控制器(挑出最小的一处偏差)、执行器(CLI agent + 手写的黄金范例 skill),每天在现有 CI 里产出一个小 PR,开放 PR 太多就自动停产。OpenAI 把「循环工程」做进了 Codex 的 /goal——目标存在上下文之外、不会被压缩——GPT-5.6 又把「坚持做完」训练进模型本身。长任务的通用做法是:计划和进度写在文件里,每轮从文件恢复。
第三个主题是多 agent 与软件工厂。Factory 的 Missions 是目前讲得最完整的架构:编排者先写「验证契约」定义什么算完成,worker 顺序执行、每次交接获得干净上下文,独立的验证者既跑 lint/类型/测试,又操作虚拟电脑真的点一遍应用,验证约占 40% 的时间;改代码串行,只读研究才并行。但「熄灯工厂」也有清醒的反对者:Dex Horthy 认为编码模型的 RL 奖励只看测试过没过、不看几个月后改起来疼不疼,所以工厂会把代码库越做越糟,人的判断要前移到产品评审、架构和切片计划;Maggie Appleton 则指出一个人开二十几个 agent 解决不了团队对齐问题。
可以直接照做的
- 从 Bash + 读写编辑 + 少量脚本起步,不要一开始就造十几个专用工具。
- 工具和 skill 的细节延迟加载,系统提示保持小而稳定,以命中缓存。
- 长任务把目标、计划、进度写进文件(或 /goal),每轮从文件恢复而不是依赖对话记忆。
- 定义完成条件(验证契约)再动手;验证者不能是写代码的那个 agent。
- 改代码的 worker 串行、只读研究可以并行;多 agent 要明确归属和通信边界。
- 循环要有背压:开放 PR 堆积、失败率升高时自动停下。
- 让 agent 维护一份简洁的工作日志:总目标、进行中的工作、最新指示与两者的关系。
代表演讲
分歧与边界
Factory、Warp 和 Codex 团队在构建越来越自主的工厂;Dex Horthy 认为训练信号决定了熄灯工厂会累积难以维护的代码,Maggie Appleton 认为瓶颈在团队对齐。实际做法是:自动化执行和验证,把人放在需求、架构和最终签字的位置。
OpenAI 的 Ultra 和 agent 团队展示了上万 agent 并行的潜力,但同一场演讲也提醒每个 agent 都显著增加 token、不一定更快更好。只在任务明显可分解或需要多方向探索时才分派。
Chapter C
上下文、skills、MCP 与数据
这一章回答怎样把团队的知识、工具和数据交给 agent,而不把上下文塞爆?
Patrick Debois 的说法概括了这一章:指令、skills、文档和组织知识正在取代函数成为可复用产物,需要「上下文开发生命周期」——生成、评测、分发、观测。Garry Tan 把它推到组织层面:skill 是一个岗位的一项能力,解析器按任务加载对应指令,测试就是 agent 的绩效考核,「公司大脑」是图书馆加图书管理员。
Skills 是 2026 年增长最快、也最容易写坏的东西。几场演讲给出了互相印证的经验:Matt Pocock 的检查清单是触发准确、步骤与参考分开、分支内容放在指针后面、持续修剪;Nick Nisi 把上万行文档派生的 skill 砍到 553 行「产品坑点」,并发现某项任务带 skill 成功率 77%、不带反而 97%;Nikolay Petrov 把 skill 拆成 25–30 条可检验断言,测出约 70% 是模型本来就知道的;Philipp Schmid 要求在干净工作区里每个用例跑 3–6 次,一定做「有/无 skill」对照。结论是:skill 应该写模型不知道的东西,而且要被评测证明有用。
MCP 已经是事实标准(每月约 1.1 亿次下载),但工具太多会挤爆上下文。MCP 维护者 David Soria Parra 的答案是在客户端做渐进式发现(按需加载工具)、用代码模式把多步编排写进脚本、服务端按工作流而不是逐个 REST 端点设计,并用 MCP Apps 让服务端同时交付界面。Composio 补充了另一半:MCP 打开了门,agent 还需要地图——工具要附带前置依赖和推荐调用顺序,大结果集用 ID 在工具之间传递,而不是灌进上下文。
检索和数据也在回归简单。Jo Kristian Bergum 解释了为什么 30 年历史的 BM25 在 agent 搜索里重新好用:现在的「用户」是会写长查询、会反复改写的模型,字面匹配正好对付专有名词和编号;更好的结构是「全库检索 → 文件系统工作区 → agent 用 grep 精读」。需要强规则的场景则把逻辑放到数据旁边:Neo4j 把成功运行编译成图结构的 skill,硬性政策在模型之前用脚本直接判定;Frank Coyle 用本体(实体、关系、约束)做语义护栏,副作用要通过语义校验才提交。
可以直接照做的
- 把 skills、AGENTS.md 和提示词放进版本控制,像库一样有负责人、版本和变更记录。
- skill 描述写成一段明确的触发条件;正文只写模型不知道的坑点、流程和约束。
- 每个 skill 做「有/无」对照评测,每个用例多跑几次;没有收益就删。
- MCP 工具数量受控,或使用工具搜索;为常用外部系统写一个说明调用顺序的 skill。
- 大结果用文件、ID 或保存的查询在工具间传递,不把原始行塞进上下文。
- 检索先试 BM25 + 文件系统 + grep,再决定是否需要向量库。
- 合规规则放进脚本、决策图或本体校验,让模型只处理需要判断的部分。
代表演讲
分歧与边界
Garry Tan 主张把组织写成大量 skill;Nisi、Petrov 和 Schmid 的数据显示多数 skill 内容是冗余甚至有害的。两者可以兼容:skill 的数量可以多,但每一个都要短、准、被评测证明有用。
不少演讲者偏爱让 agent 直接调用 CLI 和 Bash;MCP 团队的回答是按场景组合 skills、MCP、CLI 和 computer use,并承认上下文膨胀要在客户端解决。没有 shell 的客户端(如手机、浏览器)仍需要 MCP。
Chapter D
评测与验证:质量回路
这一章回答当代码几乎免费,怎样知道 agent 真的做对了?
「状态来自记录,而不是模型的话」——WorkOS 的工作坊用一个只在页面上显示成功、刷新后就消失的注册功能说明了这一点。Warp 的 Ben Holmes 发现编码 agent 很会绕过失败的工具调用,最终报告里只说成功;只有看工具轨迹才知道它绕了多少弯。验证因此成为 2026 年被讲得最多的主题:给 agent 一个应用专属的 CLI 去观察真实状态,让它自己证明完成;评审 agent 时看轨迹而不只看总结。
评审是第一个被挤爆的环节。Laurie Voss 引用的数据是代码量多 741%、交付只多 30%;人工评审有注意力上限,机器评审要靠多轮检查、一致性过滤和工具辅助调查。Anthropic 的做法是让 Claude 做首轮评审,并用测试和浏览器操作产出验证证据,人只看证据,确定性分析、agent 评审、供应链检查各抓不同类型的问题,但每个 PR 永远有一个具名的人负责。Addy Osmani 把它总结为「agent 跑内循环,人跑外循环,交接物是证据包」。Sonar 的 CEO 则提醒,能跑的代码仍有缺陷,初期的速度红利会在约三个月内消散,需要多层、零信任、多模型的验证和持续维护。
最有效的质量手段,是把每次纠正变成确定性约束。Grok Bot 的 Lauren Tan 个人 3–10 月合并了 10,732 个 PR、回滚率约 0.5%,靠的是把纠正写进 API 设计、lint 和目录约定,再加上运行时和形式化验证;Matt Pocock 讲如何识破「绿色 CI 证明了错的东西」、用深模块让 agent 写出有意义的测试;Duolingo 用确定性规则拦截「改应用代码让测试通过」,回填了 22.5 万行测试。
评测本身也在自动化。Uber Eats 的多模态 agent 用人工标注做路由的混淆矩阵、用「原图 vs 新图」成对比较评估生成质量;Basis 先写「行为规格」(可识别的触发 + 可观察的动作),只在触发了的运行上打分,出错时在坏决策前后分叉复现;Lance Martin 让 Claude 在留出测试集的前提下爬坡优化 skill(66% → 88%);GEPA 让模型读完整执行轨迹来改写提示和程序。共同前提是:评估器要给出「为什么失败」,而不只是一个分数。
可以直接照做的
- 为应用写一个给 agent 用的验证 CLI:环境自检、关键操作、读取数据库/存储/日志。
- 完成标准写成可检查的结果(「刷新后条目仍在」),而不是「功能已实现」。
- PR 附证据包:测试结果、截图或录屏、它验证了什么、没验证什么。
- 把重复出现的评审意见变成 lint、类型或结构测试;同一条意见不写第二遍。
- 评审 agent 时看工具轨迹;抽样会话用 rubric 打分,每天汇总失败去改 skills。
- 拦截「为了让测试通过而改应用代码」这类作弊模式。
- 定期注入 bug 检验你的验证体系本身是否可靠。
- 生产中的重要失败转成回归评测;优化提示或 skill 时保留留出集。
代表演讲
分歧与边界
Laurie Voss 认为逐条审批会消失,人的判断转移到 harness 里,最后的评审者是生产环境;Anthropic、OpenAI 和 Amazon 仍坚持每段合并代码有具名的人负责。现实是评审对象从 diff 变成证据。
Geoffrey Litt 认为即使 agent 能证明正确,人仍需要理解代码;Addy Osmani 警惕「认知投降」。在速度与理解之间,多数演讲者选择把理解投资在架构、接口和高风险路径上。
Chapter E
工程基础设施:沙箱、算力、CI/CD 与安全
这一章回答agent 要在哪里运行、用什么权限、怎样接入 CI/CD 和预算?
隔离是第一原则。OpenHands 的 Robert Brennan 现场问谁在用「dangerously skip permissions」,举手的人比用本地 agent 的人还多——跳过权限的本地 agent 继承你账号的全部触达。他比较了四种方案:本地 Docker、GitHub Actions、专用机器、每会话一个 Kubernetes pod,结论是关键不在跑在哪,而在访问权限是否随任务收窄。OpenAI 的 Abhishek Bhardwaj 从第一性原理讲了沙箱云:容器共享内核,gVisor 在用户态实现内核接口,microVM 给来宾独立内核;再用写时复制的增量快照让「保存/回溯」成为 agent 的日常操作。
安全的威胁模型是 Simon Willison 的「致命三角」:私有数据、不可信内容、对外通信三者同时具备时,提示注入就会致命。Coder 给出三道护栏:在预先配置的远程工作区运行 agent、用模型代理检查/脱敏/记录 LLM 流量、用 agent 防火墙在执行前拒绝命令。OpenClaw 五个月收到 1,142 份安全通告,Steinberger 的经验是:只听主人、群聊进沙箱、团队 agent 只知道团队可见的信息。
CI/CD 正在被重新设计。Namespace 与 NEA 认为 PR + CI 是为人类设计的工作单元:agent 产出改动的速度远超验证,15 或 45 分钟的测试会拖住整个循环;先加速构建(缓存成为编排层),再把验证搬进持久工作环境、用预合并队列调和并行改动。Spotify 的经验是先补测试自动化——因为多数改动要在团队不看的情况下自动合并——然后每天约 4,500 次生产部署。OpenAI 和 Anthropic 都把长任务搬到了云端(Codex Cloud、Claude Code 网页版与 routines),因为大家已经在用 Mac mini 和 VPS 搭自己的机群。
成本是最后一块。Revolut 把自托管 GLM 设为 2,000 名工程师的默认编码模型,约 56 张 GPU,账单约为此前的十分之一,关键在按工作负载调服务参数(首 token 小于 3 秒、上下文长度、量化、KV cache)。Lance Martin 测出默认 harness 最多有 72% 的缓存节省空间。Reiner Pope 的黑板讲座解释了背后的物理:每个 token 的时间是访存与计算的较大者,长上下文主要吃内存带宽。
可以直接照做的
- 每个任务列出它需要的仓库、密钥和工具,只给这些;长任务用每会话一次性环境。
- 运行模型生成的不可信代码时优先 gVisor 或 microVM;把快照/回溯设计成日常操作。
- 检查每个 agent 的致命三角,至少切断一条边(数据、不可信输入或外发)。
- 模型流量经过组织网关;破坏性命令在执行前拦截,而不只是事后记录。
- 把「agent 改完到拿到测试结果」的时间压到分钟级:增量构建、远程缓存、测试选择。
- 并行 agent 多了以后用合并队列调和冲突。
- 监控缓存命中率和每任务成本;规模化后评估自托管开源模型与路由。
代表演讲
分歧与边界
本地 agent 反馈快、能用你的登录态;云端环境可以并行、长跑、隔离。两家大厂都在把长任务推向云端,同时保留远程控制本地机器的能力。
Chapter F
模型:训练、微调、小模型与推理
这一章回答什么时候值得训练或微调自己的模型?
2026 年模型层最实用的信号是:窄任务上的专用模型已经可以打赢前沿模型。Ramp 让 Opus 继续做规划,把它反复提出的财务问答交给后训练的 35B Qwen 3.5,准确率 66.25% 高于 Opus 4.6 的 61.88%,延迟接近 Haiku;Google AI Edge 用合成数据微调 2.7 亿参数的 FunctionGemma,把应用函数调用成功率从约 46% 提到多数函数超过 90%;Liquid AI 用 28 万亿 token 训练一个 3.5 亿参数的端侧模型,并用偏好训练和 n-gram 重复惩罚压制「死循环」。
训练数据从哪里来?Will Brown(Prime Intellect)的答案是你已经有了:agent 今天被纠正、明天又犯同样的错,把纠正和情境一起保存,就是测试用例和训练样本;公司可以只训练系统里窄的一部分(路由、审批),用夜间空闲的推理算力训练。Modal 展示了 agent RL 的工程细节:把失败的生产轨迹变成可重试的任务,用带修正的异步 GRPO 容忍落后的采样器,只传稀疏权重增量实现跨云采样,混合 GPU 让 rollout 成本降 15%。不训练权重也能优化:GEPA 读执行轨迹改写提示和程序,ARC-AGI 上把 4 行程序进化成 6 步 agent。
更大的图景属于前沿实验室。Simon Willison 记录了「Fable 级」模型:只要定义好可实现的目标并提供工具,模型能连续工作十几个小时把问题解决;Diogo Almeida 认为 RLHF 让模型擅长「辅助」而不是「自动化」,下一步要为可校准的决策重新设计训练目标;Dwarkesh 认为 AI 研发高度模块化、可验证,递归自我改进已经开始。对多数团队,这意味着:围绕「能力会持续变强、变便宜」来设计系统,把评测做好,让每次升级都便宜。
可以直接照做的
- 先找到规划 agent 反复问的那一类问题,单独度量准确率与延迟,再决定是否训练小模型。
- 保存「纠正 + 情境」:先变成评测,积累够了再做微调或 RL。
- 端侧或高频窄任务:用强模型生成合成数据,微调数亿参数的函数调用模型。
- 评估小模型时专门测重复与死循环率,尤其是开启推理模式时。
- 训练前先试反思式优化(GEPA/DSPy)改提示和 skills。
- 自托管时按真实负载压测首 token 延迟和 KV cache,而不是看参数量。
代表演讲
分歧与边界
Karpathy 和 Boris 的经验是很多 harness 技巧会被下一代模型吸收;Ramp 和 Will Brown 则证明窄任务上的专用模型在成本和准确率上都有持久优势。判断标准是任务是否稳定、可验证、量大。
Chapter G
机器人与物理 AI
这一章回答机器人是否正在迎来自己的「GPT 时刻」?
机器人缺少「动作数据的互联网」。Deepak Pathak(Skild AI)把可用的数据来源按三个标准衡量:可扩展、环境多样、贴近真实动作——遥操作贴近动作但昂贵且单一,仿真易扩展但场景要人造,人类视频多样但离机器人的动作空间远。他的配方是仿真和人类视频预训练求广度、少量高质量遥操作后训练求精度、部署经验回流形成飞轮。
NVIDIA 的 Jim Fan 把它叫作「大平行」:机器人照抄 LLM 的路线——世界模型预训练(预测下一个物理状态)、动作微调、物理 RL。他认为视频模型在规模上自发学到了重力和光照,VLA 会让位于「世界动作模型」;EgoScale 用 2.1 万小时第一人称人类视频加 4 小时遥操作,就能控制 22 自由度的灵巧手;「算力 = 环境 = 数据」。
Physical Intelligence 的 Chelsea Finn 关注的是可用性:机器人已经能叠衣服、做咖啡,难的是长时间可靠。她用人工介入纠正死路、跨任务的通用价值函数做 RL,让吞吐量提高约 2 倍、连续 13 小时做拿铁;π0.7 在所有多样数据上训练单一模型,开箱即可媲美微调专家,并出现组合泛化。对创业团队,她的建议是直接从开源的通用策略开始微调。
可以直接照做的
- 用「吞吐量」(成功率 × 速度)和长时间无人值守运行衡量,而不是演示视频。
- 从开源通用策略(π0 / π0.5、GR00T)微调起步。
- 采集数据时优先多样性;关注手套、外骨骼等可扩展的人类数据采集方式。
- 尽早部署以启动数据飞轮,不要等完美模型。
代表演讲
分歧与边界
Jim Fan 宣布「遥操作安息」,主张第一人称人类数据;Chelsea Finn 和 Deepak Pathak 仍把少量高质量遥操作用于后训练和纠错。分歧在比例,不在有无。
Chapter H
产品、团队与创业
这一章回答团队和公司要怎样改变,才能把个人效率变成组织产出?
组织数据比个人故事冷静得多。DX 约 20 万工程师的数据里,部署频率上升,但感知交付速度一年只提升约 4.5%,PR 平均从 44 行涨到 72 行;即使代码生成完美且瞬时,也只覆盖价值流的 14–16%。McKinsey 看到前 20–25% 的大企业端到端约快 2 倍,差别来自一两天的 agent 驱动周期(agent 上夜班、人第二天验证)、2–4 人的小组、策划过的共享 skills 和超越试点的变革管理。Amazon 的 Clare Liguori 给出五个习惯:维护 agent 上下文、投资代码库就绪度、给完成标准、动手前澄清意图、测试左移。
「全员」是关键词。Dan Shipper 说 90% 工程师用 AI 和 100% 用 AI 的组织有十倍差别——只要还有人用旧方式,整个流程就得迁就旧世界;Every 15 人运营 4 个产品、99% 的代码由 agent 写,靠的是「复利工程」:计划、委托、评估、固化,把学到的写回 CLAUDE.md、子 agent 和命令。Spotify 的建议是为 agent 做标准化:同一件事有 10 种写法,agent 就会更困惑。Claude Code 团队 70–80% 的工作通过 Slack 里的 Claude Tag 完成,委托在同事之间可见,大家互相学到更有野心的用法。
角色也在变化。Laurie Voss 认为最后留给人的是弄清用户要什么、定义什么是「好」——产品工程师;Natalie Meurer 讲前线部署工程师的职责一路演变到「对客户结果负责」,当产品按结果定价时,谁来保证结果成了核心问题;Ryan Carson 一个人用一个「工程经理」agent 管理约 20 个 builder,他慢下来的地方是看功能演示视频。Mike Krieger 讲 Anthropic Labs 每两周「坚持或转向」,几乎每轮都砍项目;他对创业的乐观在于:模型不会自动解决选题、品味、理解用户和触达用户。
可以直接照做的
- 推动全员采用,并围绕 agent 重新设计流程、评审和规范,而不是「大多数人用」。
- 统一代码库约定、框架和工具;把团队的关键方法(文档解析、对账规则)定在团队层面。
- 试一两天的循环:agent 夜里实现,人白天验证并送回。
- 用交付周期、按 PR 的缺陷率和每任务成本度量,而不是代码量或 token 数。
- 每次修完 bug 或评审完 PR,问一句「能写进 skill、lint 或命令里吗」。
- 公开委托(例如在频道里 @agent),让团队互相学习。
- 小团队实验用固定节奏的「坚持或转向」,敢于频繁砍项目。
代表演讲
分歧与边界
Every 和 Ryan Carson 展示了极小团队的产出;McKinsey 和 Amazon 的数据则显示收益来自组织重构而非简单裁员——小组规模减半,可以让同样的人做更多并行工作。
Greg Brockman 认为人的注意力正在成为最稀缺的资源;Geoffrey Litt 和 Maggie Appleton 的回答是把理解与对齐做成团队的共同空间,而不是让每个人各自盯着二十个 agent。
开源项目、skills 与插件清单
从 2026 年全部官方演讲页的 2,481 个资源链接与 89 篇深读笔记中挑选;「引用」是在多少场演讲的资源列表里出现过。
编码 agent 与 harness
可以直接用、也值得读源码的 agent 实现。
- OpenClaw 21 场演讲引用
开源个人 agent(多渠道网关 + Codex/Claude 等 harness),2026 年被引用最多的项目;安全通告、沙箱与基金会治理也是公开学习材料。
- pi 6 场演讲引用
Mario Zechner 的极简编码 agent:极短系统提示、read/write/edit/bash 四个工具、可热重载的 TypeScript 扩展。
- Codex CLI 4 场演讲引用
OpenAI 开源的 Codex harness(Rust),可读到上下文构建、沙箱、压缩与 /goal 循环的实现。
- Cline 2 场演讲引用
开源编码 agent(IDE、CLI、SDK);其「让强模型读失败轨迹、改 harness」实验把 Terminal-Bench 从 69/89 提到 79/89。
- OpenCode 2 场演讲引用
开源终端编码 agent,多模型可切换。
- Goose 2 场演讲引用
开源桌面/命令行 agent,基于 MCP 扩展,现由 Agentic AI Foundation 托管。
- OpenHands 1 场演讲引用
开源编码 agent 平台,默认每个会话一个隔离环境。
- Hermes Agent 8 场演讲引用
Nous Research 的 agent:持久记忆、从经验沉淀 skills、对话搜索与子 agent 委托。
- Deep Agents 2 场演讲引用
LangChain 的 agent harness:子 agent 委托、文件系统工具与上下文管理。
- Paperclip 3 场演讲引用
开源 agent 编排平台:任务归属、执行锁、审批与预算。
- acpx 2 场演讲引用
持久 ACP agent 会话的命令行工具,支持结构化输出与可执行工作流。
- Claude Agent SDK(TypeScript) 1 场演讲引用
把 Claude Code 的 harness 作为库使用:Bash、文件系统、子 agent、hooks。
- Claude Agent SDK(Python) 1 场演讲引用
同上,Python 版本。
Skills、规范与插件
把团队知识打包给 agent 的格式与现成合集。
- Agent Skills 规范 9 场演讲引用
SKILL.md 的开放规范:描述常驻、正文按需加载、可附脚本与资源。
- AGENTS.md 7 场演讲引用
给编码 agent 的仓库说明约定,Codex、Cursor 等多家工具支持。
- anthropics/skills 2 场演讲引用
Anthropic 的示例 skills 与模板。
- mattpocock/skills 4 场演讲引用
Matt Pocock 的工作流 skills:grill-me、to-prd、to-issues、tdd、triage 等。
- Vercel Skills CLI 4 场演讲引用
安装与管理 skills 的命令行工具,可从一个仓库挑选多个 skill。
- Hugging Face Skills 3 场演讲引用
Hugging Face 工作流的 agent skills(含 hf-cli)。
- Gemini API skills 4 场演讲引用
面向 Gemini API 的编码 agent 指南(实时音视频、工具调用、会话管理)。
- Compound Engineering 插件 2 场演讲引用
Every 的「复利工程」插件:计划、委托、评估、固化的命令与子 agent。
- Bright Data skills 2 场演讲引用
网页数据采集与 MCP 编排的 agent skills。
MCP、工具与生成式界面
让 agent 触达外部系统、并把结果呈现为界面。
- MCP Apps(ext-apps) 8 场演讲引用
MCP 的界面扩展:服务端同时交付工具与可交互界面,带沙箱与消息通道。
- GitHub MCP Server 3 场演讲引用
GitHub 官方 MCP 服务器。
- Playwright MCP 5 场演讲引用
微软官方浏览器自动化 MCP:可访问性快照、截图,常用于让 agent 自己验证前端。
- Chrome DevTools MCP 2 场演讲引用
让 agent 调试真实 Chrome:控制台、网络、性能。
- FastMCP 2 场演讲引用
Python 的 MCP 服务端框架。
- Context7 2 场演讲引用
给编码 agent 拉取最新库文档与示例代码。
- WebMCP 3 场演讲引用
让网页把操作暴露成结构化工具的浏览器提案,而不是让 agent 点像素。
- Excalidraw MCP App 2 场演讲引用
MCP App 示例:人与 agent 共同编辑的图。
- AG-UI 协议 1 场演讲引用
agent 与前端之间的事件协议。
- json-render 2 场演讲引用
声明式生成 UI:模型输出 JSON,由应用自己的组件目录渲染。
- Composio 1 场演讲引用
把常用 SaaS 变成 agent 工具,并返回推荐调用顺序。
- Cloudflare Agents SDK 2 场演讲引用
在 Cloudflare 上构建有状态 agent 的 SDK。
上下文、记忆与检索
压缩、组织和检索 agent 需要的知识。
- Neo4j Agent Memory 3 场演讲引用
把对话、领域知识与推理轨迹存成图,可从成功运行蒸馏 skill。
- Headroom 2 场演讲引用
压缩工具输出、文件与检索内容,减轻上下文负担(库、代理与 MCP 三种接入)。
- RLM(Recursive Language Models) 2 场演讲引用
把长输入放进外部 REPL 环境、递归调用模型处理的参考实现。
- Engineering Social Graph 3 场演讲引用
从 PR 与 Git 历史构建「谁懂什么」的协作图,给 agent 找对人。
- Karpathy:LLM Wiki 4 场演讲引用
让 LLM 维护个人知识库(Markdown wiki)的做法说明。
评测、优化与基准
衡量 agent 是否变好,并自动优化提示与程序。
- GEPA 10 场演讲引用
反思式提示/程序优化:读完整轨迹改文本,帕累托候选池;Optimize Anything 可优化 skills 与 agent 程序。
- DSPy 4 场演讲引用
用程序而非提示词构建 LLM 系统,内置 GEPA 等优化器。
- Verifiers 5 场演讲引用
同一任务既能做评测又能做 RL 训练的环境库。
- τ-bench 3 场演讲引用
带用户模拟器的工具使用 agent 基准。
- Harbor 2 场演讲引用
在沙箱中运行 agent 评测的开源框架。
- Arize Phoenix 3 场演讲引用
可本地运行的 LLM 观测与评测平台:追踪、数据集、实验。
- SWE-bench 2 场演讲引用
真实 GitHub issue 修复基准。
- Terminal-Bench 4 场演讲引用
终端任务 agent 基准(89 个隔离任务)。
- OSWorld 2 场演讲引用
桌面电脑使用 agent 基准。
- METR 任务时长视野 8 场演讲引用
按人类专家完成时间衡量 agent 能完成多长的任务。
沙箱、算力与推理
隔离执行、远程工作区与自托管推理。
- Firecracker 2 场演讲引用
AWS 开源的 microVM,常用于 agent 沙箱与快照。
- gVisor 1 场演讲引用
用户态应用内核,在容器与 VM 之间提供更强隔离。
- Cloud Hypervisor 1 场演讲引用
Rust 编写、设备精简的 VMM。
- Arrakis 1 场演讲引用
自托管 microVM agent 沙箱:回溯快照、computer use、Python SDK。
- Coder 1 场演讲引用
开源云开发环境(Terraform 配置),把 agent 放进受控的远程工作区。
- vLLM 2 场演讲引用
高吞吐推理引擎,自托管开源模型的常见选择。
- Docker Sandboxes 4 场演讲引用
在本地用容器隔离编码 agent。
模型训练、小模型与端侧
从自动研究循环到端侧函数调用模型。
- autoresearch 7 场演讲引用
Karpathy 的单 GPU 自动研究循环:agent 改训练代码、按验证指标保留改动。
- prime-rl 3 场演讲引用
开源 RL 训练框架,支持 agent 式多轮 RL。
- LiteRT-LM 5 场演讲引用
在手机等端侧运行语言模型的运行时。
- Google AI Edge Gallery 7 场演讲引用
在 Android/iOS 本地运行模型与 skills 的试验场。
- FunctionGemma 270M 1 场演讲引用
2.7 亿参数的函数调用模型,适合微调成应用专用 agent。
- LFM2.5-350M 1 场演讲引用
Liquid AI 的 3.5 亿参数端侧模型(28 万亿 token 训练)。
- OpenEnv 2 场演讲引用
容器化的 agent 训练/评测环境集合。
- parameter-golf 2 场演讲引用
OpenAI 的小模型训练竞赛:在极小参数预算下比拼。
- MLX-VLM 2 场演讲引用
在 Mac 上本地推理与微调多模态模型。
- Whisper 2 场演讲引用
语音识别模型;本研究的转录用其 MLX 版本完成。
机器人、视觉与语音
物理 AI 与多模态 agent 的开源基础。
- openpi(π0 / π0.5) 1 场演讲引用
Physical Intelligence 开源的通用机器人策略,可直接微调。
- Isaac GR00T 1 场演讲引用
NVIDIA 的人形机器人基础模型。
- SAM 3 2 场演讲引用
文本/视觉提示的图像分割与视频跟踪。
- Pipecat 2 场演讲引用
实时语音与多模态 agent 的 Python 框架。
- RF-DETR 2 场演讲引用
实时目标检测与分割模型。
延伸资源:AIE 之外的高质量材料
下面 20 场外部演讲与 AIE 演讲同等深度阅读(点进去看要点与截图);再往下是值得长期订阅的频道与作者。
20 场外部深读
第一手:会议与官方频道
- AI Engineer(YouTube @aidotengineer)
本研究的主资料源;2026 年上传 942 个视频,涵盖 Europe、World’s Fair、NYC、Paris、CODE Summit 等场次。
- ai.engineer 官方演讲页
每场演讲都有校对过的转录、摘要、关键结论与资源列表,适合逐场核对。
- Claude(YouTube @claude)
Code with Claude 大会与 Claude Code 团队的工作方式分享。
- Anthropic Engineering
Building effective agents、Managed Agents、agent 评测等工程文章。
- OpenAI Codex 文档
Codex CLI、云端环境、AGENTS.md 与插件的官方说明。
- YC Library
Startup School 与 Lightcone 等访谈,含 Chelsea Finn、Boris Cherny。
长访谈与播客
- Latent Space
swyx 主持,AI 工程最密集的长访谈(本研究收录 Thariq 谈 Claude Code 的苦涩教训)。
- Dwarkesh Podcast
前沿实验室与研究者的深度访谈;Reiner Pope 的推理经济学黑板讲座尤其值得反复看。
- Lex Fridman Podcast
与 OpenClaw 作者 Peter Steinberger 的三小时访谈(附完整文字稿)。
值得长期订阅的个人写作
- Simon Willison
每天记录 LLM 进展、提示注入与工具实践;「致命三角」的出处。
- Andrej Karpathy
vibe coding、agentic engineering 与 AutoResearch 的提出者。
- Peter Steinberger
「Just Talk To It」等 agentic engineering 工作流文章。
- Every · Chain of Thought
Dan Shipper 的复利工程与 AI 原生公司实践。
- Interconnects(Nathan Lambert)
后训练、RL 与开源模型的深度分析,补足本研究模型章节。
- Lilian Weng
agent、强化学习、幻觉等主题的长篇综述。
- Hamel Husain
LLM 评测与误差分析的实践指南,与 D 章互补。
- Chip Huyen
AI 工程系统设计与生产实践。
- METR
任务时长视野等 agent 能力度量,演讲中被反复引用。
全部 942 场演讲目录
每个视频都读了字幕:有中文一句话、主题标签,以及 2–3 条「可以学到 / 用在工作里」的做法。可按主题筛选,搜索也会匹配这些要点;深读过的演讲链接到站内详情页。
主题分布(一个视频可属于多个主题)
方法与局限
范围:AI Engineer 频道 2026 年 1 月 1 日至 11 月 17 日上传的 942 个视频(用 yt-dlp 读取频道列表与元数据并逐个确认上传日期)。
逐个读字幕:深读之外的 876 个视频,851 个用 ai.engineer 官方校对字幕,25 个没有官方稿的用 MLX Whisper 本地转录(合计约 2,100 万字符)。每个视频生成一份阅读包——官方摘要、章节标题、官方要点,以及按信息量从字幕里挑出的 3–4 句原话——再逐个写出一句话摘要和 2–3 条「可以学到 / 用在工作里」的做法,放在目录页每一条下面。
深读:按播放量、主题覆盖和用户关心的方向(Claude Code、Codex、harness、软件工厂、评测、训练、机器人、团队)选出 69 场 AIE 演讲,加上 20 场外部演讲。每场都用 MLX Whisper 本地转录;有幻灯片的演讲每 4 秒抽帧,用 macOS Vision 做 OCR 并按文字相似度去重,保留关键页;再对照 ai.engineer 官方校对稿与资源列表,写成带时间戳的要点、可落地的做法和资源。
开源清单:汇总 2026 年全部官方演讲页的资源列表(2,481 个链接、446 个 GitHub 仓库)与深读笔记,按引用次数和相关性挑选 71 项,并逐一检查链接可访问。
局限
- 演讲中的数字、模型名与强论断(例如某实验室宣称解决了长期数学问题)归属于演讲者,未经独立验证。
- 外部长播客(Lex Fridman、Latent Space、Dwarkesh 讲座)为按章节节选阅读,详情页已标注。
- ASR 可能把人名和产品名听错;已用幻灯片 OCR 与官方稿校正主要名称,仍可能有遗漏。
- 目录要点基于字幕抽取句与官方章节,不是逐字精读;逐字转录、截图与 OCR 核对只针对 89 场深读。
- 截图每场最多 3 张、缩小到 800px,仅用于评论与学习,版权归原演讲者与主办方;完整内容请看原视频。
- 快照日期 2026-11-17,之后上传的视频未纳入。
更新于 2026-11-18 · Steven Guan