2026.10 期

10.30

• Pi 与 DSH 的收口权限：工具是建议权还是结束权——本轮结束这句话，只有一个人能说：华仔聊技术——按 request、step、turn、activity 四层拆解 Agent 的结束信号与裁决权限，对照 Pi 的集成方插口与 DSH 的运行时判定，强调集中收口决策，避免将模型停答或工具完成等同于任务达成。
• 从 AI Friendly 架构到可复制的 AI 迁移能力 - 淘宝直播搜推在线架构升级实践：凉一（大淘宝技术）——通过统一物料、声明式编排和结构化执行证据降低历史系统的理解成本，再将人工迁移基线沉淀为 Skill 与确定性工具，以静态契约校验、录制回放和灰度观察验证新旧链路等价性。

10.29

• 基于 RSI 架构的淘宝闪购店铺装修选品 Agent 实践：潘雯静（阿里技术）——以多岛进化、品槽评估和受限调度构建选品策略的反馈循环，区分参数变化、组合变化与真实业务收益；阶段性线上 AB 报告整店加购转化率 P2 相对提升 0.34%，跨轮经验积累的增益仍待验证。
• AI Infra进阶：3万字深入理解线性注意力机制：binnnliu（腾讯技术工程）——从 KV Cache 的容量与访存瓶颈出发，沿普通线性注意力、DeltaNet、GDN 到 KDA 推导残差写入、遗忘门和分块并行，解释固定状态容量、表达能力与硬件效率之间的取舍。
• 别学 subagent 了，已经要凉了。。。：cxuanAI（程序员追风转载）——解读将领域 subagent 转为按需加载的 Skills 与工具、并入单一 Agent Loop 的思路，以端到端评测检验质量和延迟，同时保留上下文隔离、独立并行任务等需要 subagent 的场景。

10.28

• Pi 与 DSH 的输入归属：一条消息到达时，它属于哪一层——一个没想清楚的归属问题，毁掉过整套并发设计：王江华（华仔聊技术）——按 Agent 循环位置把新消息分流到 steering 队列、follow-up 或空闲注入，明确归属裁决时机以避免消息丢失、延迟和并发竞态。
• 让Agent可评、可控、可迭代：业务效果导向的评测体系与场景实践：叱干、王菲（千问AI平台）——围绕 Prompt、经验召回、任务执行、业务效果和自动化回归构建五层评测，并以 Rubric、可信数据集、上线门禁、灰度监控与数据回流形成持续迭代闭环。

10.27

• 深度解析 Codex Harness 架构及其全新上下文压缩记忆体系的设计思路：飞樰（千问AI平台）——拆解 Codex 模块化 Harness、事件与协同机制，并聚焦以 Thread Hint、Notes、History 跨上下文窗口接续任务的 Token Budget 方案，区分短期任务状态与跨会话长期记忆。

10.26

• Personal Agent 落地思考：主动性从哪来，又卡在哪？：阿里技术——从目标与现状的差距解释 Agent 主动性，区分问题定义权与执行权限，主张通过明确目标、验收规则、逐项授权和持续校准，让主动发现逐步走向可靠执行。
• 你的Personal Agent 如何真正跑起来？Agent实战指南：spike（腾讯技术工程）——以个人分身实践说明如何分层管理背景、规则与历史材料，用 live 近期状态和同步约定接续跨设备工作，并通过真实任务反馈校准判断、保留推导过程与结论确认状态。

10.23

• 换模型效果归零？一文扒透Harness落地11个坑：茹炳晟（腾讯云开发者）——梳理 Harness 落地的 11 类误区，强调以真实失败模式驱动约束迭代，结合记忆治理、独立评估与过程可观测性建立可靠交付机制。
• 小红书推荐系统评测 Agent：上下文驱动的 LLM-as-Judge 实践：小红书技术REDtech——以用户状态、请求时间与有序内容列表构建推荐评测上下文，通过规则与 LLM 分工、人工校准及版本快照，让语义评测结果可比较、可回放并逐层下钻。

10.22

• 当我谈数据库高可用时我谈些什么：京东云开发者——沿单机崩溃恢复、主备复制、GTID、安全切换与 Orchestrator 自动容错串起 MySQL 高可用体系，强调通过 fencing 防脑裂，并由应用侧降级与补偿承接短暂不可用窗口。
• 从 Jev 范式决策模型接入，到参与 Team 协作的完整实践：濯光（阿里云 AgentCore）——以工单分诊助手串联 AgentScope Java、百炼决策模型和业务查询工具，演示 AgentCore 代码包部署、调用验证与日志排障，再通过协作 SDK 接入 Team 的任务分派和报告审核。
• “大家用AI胆子还不够大！”Claude工程负责人亲授顶级用法：Felix Rieseberg（Datawhale 编译）——从目标高度、研究深度与跨领域广度扩展 AI 用法，主张围绕最终结果设计任务，提供原始数据和专业工具，并用独立验证检验成果，避免只模仿专家语气。

10.21

• 给AI写了800行规则，它反而更不听话了：刘俊毅（腾讯云开发者）——用阶段化流水线、分层知识库和确定性工具替代不断堆叠的规则，通过按需加载、需求覆盖矩阵与原文核对控制 AI 交付偏移。
• 非算法工程师也能看懂，推理框架的来龙去脉：望宸（阿里云 AgentCore）——从请求处理链路解释 Prefill、Decode、KV Cache 与批处理，梳理推理框架如何通过前缀复用、PD 分离和集群调度平衡延迟、吞吐与成本。

10.20

• 从 BERT、GPT 到 Jev：一文看懂大模型架构的演进与分化：leonjia（腾讯技术工程）——沿注意力可见范围与输出方式梳理 Transformer 的架构分化，对照 BERT、GPT、Jev 与 Laya，解释文本生成和有限选项判断的差异，并区分 Jev 的公开能力与架构推断。
• AI工程化防翻车指南：徐鑫（腾讯云开发者）——将安全边界外置到 Harness，通过沙箱隔离、声明式授权、循环封顶、分级人工介入与确定性门禁分层兜底，再用回滚、审计和评测持续修正规约与护栏。

10.18

• 3个月用Harness重写90万行旧代码：踩过的坑都在这：胡皓（腾讯云开发者）——以90万行视频剪辑系统重构为例，拆解Harness如何通过需求与架构审查、独立AI审查、自动化及变异测试和人工验收守住质量，并报告3个月交付12万行代码、6000余个测试用例的实践结果。
• How to Build Wealth as a Career Person：Asher Adeniyi（Asher's Blog）——提出职业发展应同时积累技能、信誉、人脉与收入，并将薪资增长转化为储蓄和多元资产，避免生活方式膨胀吞噬长期财富。

10.15

• Agent 不能只记录调用了什么，还要记录为什么调用 | KDC 系列 03：Xiao Bo（vivo 互联网存储团队）——提出推理对象与推理运行时，将目标、证据、风险、授权和结果串成可追溯的行动治理链，区分 Tool、Skill、Capability 的职责，并强调 Agent 必须知道何时不该调用。
• 把逆向工程交给 Agent：一文拆解爆火的 REA 技术原理：stevenzuo（腾讯技术工程）——拆解 REA 如何用 MCP 桥接 Ghidra、IDA 等逆向工具，以可复用工作流编排调查过程，并要求分析结论附证据和局限说明；同时指出复杂加固与内核驱动等能力边界。
• Agent 缺的不是记忆，是“教训”：causal-memory 的设计与实战：贺璟轩（滴滴技术）——介绍 causal-memory 如何用决策—结果因果边和 prevented 负扩散保存可检索的教训，结合干预/反事实查询与记忆审计降低重复犯错，并报告重复踩坑率从 67% 降至 33% 及跨任务迁移等局限。

10.14

• 一文拆解Jev架构：一个判断模型是怎么被拼出来的：郝博阳（腾讯云开发者）——拆解 Jev 的概率式判断接口、后训练与并行架构，并结合复刻和评测指出其校准、准确率及泛化边界，建议用于规则清晰且可复核的分流环节。
• 手把手带工程同学从零实现一个完整的 LLM（CS336）——Transformer 篇：夏昊南（阿里技术）——跟随 Stanford CS336 Assignment 1 从 MLP、TinyGPT 入手，逐步手写 Transformer 的 Embedding、Attention、RoPE、RMSNorm 与 SwiGLU，并用参数量和 FLOPs 分析结构与计算开销。
• 动态规则的 Agent 实践：用确定性工程驾驭 LLM 的资产智能验收：星珀（得物技术）——以资产验收为例，将 LLM 限定在材料提取与规则判定，外围用确定性 Workflow 处理异步编排、隔离、反馈、试跑/回测和发布门禁，形成可追溯的规则迭代闭环。

10.13

• 三万字长文：大语言模型从零入门：flyflywang（腾讯技术工程）——从 next-token prediction、信息熵与神经网络讲起，逐步解释 Transformer 和 ChatGPT 的训练与生成机制，并梳理工具使用、能力边界和幻觉等局限。
• 深度解析 RSI：当 AI 开始实现自我迭代提升：飞樰（阿里技术）——辨析严格 RSI 与广义自进化，梳理 Harness、技能、记忆、模型权重及强化学习算法等自我改进路径，并分析实现条件与监督、对齐风险。

10.12

• 后端架构面试（一）：指标、缓存与容量估算：sharkchili（写代码的SharkChili）——从 RT、QPS、TPS 定义和成功请求吞吐量计算入手，结合 Redis 一致性与故障恢复、峰值 QPS 估算及机器选型，强调容量设计要基于流量假设、SLA、压测和故障验证。
• Agent、MCP、Skill、Cli、Model 一次讲透：老系统接入 AI 的概念地图与三条路径：robinji（腾讯技术工程）——用“数字化团队”厘清五个概念的关系，给出老系统通过 API、CLI、RPA 接入 AI 的三条路径及 MCP 传输选型，并结合请假系统和 PLM 案例说明企业落地方法。
• 淘宝AI购物助手在线评测落地实践：营销&交易技术（大淘宝技术）——围绕电商购后购物助手，拆解日级全量 LLM-as-a-Judge 的数据清洗、分布式评测、CNT 六层 Rubric 与 Prompt 稳定性设计，并通过多轮人机校验和四层归因把评测结果闭环到定点修复。

10.10

• 别只盯着AI Coding，真正的变化发生在整个研发流程：danteyang（腾讯技术工程）——基于 OK 平台运营数据，主张从零基思维重建需求到交付的研发流程，以结构化 Spec、前置质量门禁和知识沉淀减少信息衰减与跨角色等待；文中称 254 条需求中 172 条由 AI 端到端完成，51% 在 2 小时内完成。
• 淘宝直播数字人互动Harness-Aware Training实践：让Agent Model随Harness一起进化：语瀚（大淘宝技术）——提出 Harness-Aware Training（HAT），通过多样化 Harness 下的监督微调、通用指令蒸馏和强化学习，让轻量模型适应运行环境变化；Qwen3.6-35B-A3B 在直播问答达到 94.8 分、Harness 变化场景达到 94.6 分，P50 端到端延迟为 3.407 秒。

10.9

• 穿越分化带：SPIRAL 商业持续螺旋（6+2）——AI 时代企业战略六步推演框架：李鸿胜（腾讯研究院特约研究员）——提出以商业持续为起点的 SPIRAL 战略推演框架，依次分析企业定位、关键变量、竞争策略、组织行动与评估，并以感知和组织使能机制持续校准 AI 时代的决策。
• 别只盯着AI Coding，真正的变化发生在整个研发流程：danteyang（腾讯技术工程）——基于 OK 平台运营数据，主张从零基思维重建需求到交付的研发流程，以结构化 Spec、前置质量门禁和知识沉淀减少信息衰减与跨角色等待；文中称 254 条需求中 172 条由 AI 端到端完成，51% 在 2 小时内完成。

10.8

• 这是一篇把“Token”讲明白的科普级综述！：Datawhale——结合分词机制与研究综述，解释 Tokenizer 如何影响大模型的字符和算术能力、多语言成本及安全，并梳理字节级、动态切分和视觉化等替代方向。

10.6

• 还没放假吗？：腾讯云开发者——按 AI 技术、架构经典、WorkBuddy 实践与技术趣闻整理假期阅读清单，串联 RAG、Agent、上下文工程、Harness 与 AI 辅助研发等主题。

• AI Native 时代 —— 研发组织何去何从：许晓斌（阿里技术）——探讨研发组织从层级管理走向 Execution Graph 的变化，通过 Harness 沉淀隐性知识、打通系统与数据，并调整 Agent 治理、人才培养和激励机制，为人的判断与创新保留空间。