用自然语言写代码的时代，
经验值得被认真记录。

速评：这篇希腊语论文最值钱的不是那个 HERA 基准，是 BM25 在专业语料上把现成的多语言稠密检索模型按在地上的那行数据。 8月5号挂的 arXiv，法律、能源、金融、医学四个领域，流程一条龙，没有新花样。真正扎眼的是结论：零参数调优的 BM25，比现成的多语言稠密检索模型都好使。

凌晨三点，pager响。拓扑动过，存储换了，agent还记得上个月那条限流配置，照着旧剧本执行。 它不疼。背锅的是值班那个冤种——也就是我。 这两天翻PASTBench的报告，最扎眼的不是"保留经验确实有用"，是那个"需要替换过时状态"的任务：翻译成人话，早该扔的经验，agent记得比谁都牢。

你大概也撞见过这两件事：财务部老哥让 agent 写季度 memo，agent 交回来结构工整、语言专业，他看了一眼就扔回去，说这是授课提纲，没有业务感。他要的是哪条线掉点了、为什么掉、要不要预警，agent 给他的是行业概况加宏观分析。

搞跨设备 agent 的，多半死在"状态管理"这笔账上。 上周 arXiv 上一篇预印本（编号 2608.05729），讲的是个叫 Unified Agent 的东西——核心就一句话：你的 agent 跨设备和跨时间跑，得把状态带着走。听起来朴素得不像话？

这篇咱们干一件事：拿 ASTELD 那个六轴框架，给你正在用的 agent 做一次分类体检。半小时以内，跑完你手里会多一份填好的六轴档案，能直接看清这工具偏科偏在哪、它面前有个什么坑。开搞之前不需要代码基础，拿张纸、开个备忘录都行。

速评：8月5号那篇预印本，最值钱的不是测出来的数据，是写在结论里的那句自我拆台。 它把LLM agent指挥显微镜这摊事摆上台面，搭了套基准测试和操作日志框架，一百多种配置轮了个遍。翻译成大白话：别指望有一种万能配置，上去就帮你把agent结构选好。 先别管它说了什么，单看这个实验规模就够吓人。

后半夜了，窗外静得只剩空调外机的声音，我本来打算看完论文这一节就睡。论文讲的是一个叫 AgentForge 的系统，教刚学写代码的人在一个多智能体的工作流里练手，四个角色任挑一个来当，剩下的三个交给 AI，规划任务的、补丁作者、跑测试的，都有 AI 兜着。

前几天刷到一个项目 esp32ai，在 ESP32S3 上跑了个 2890 万参数的语言模型。 第一反应是"这怎么可能"。这芯片 SRAM 才 512KB。两千多万参数哪怕用最狠的量化，光权重也得吃掉几十兆，怎么塞进去的？

速评：8月6号，一篇叫TSRAG的论文挂上arXiv，三个作者，两个Xiao大概率同组，编号2608.06223。这选题不新鲜，新鲜的是它穿了件叫RAG的马甲。这论文最值钱的，是它的动机。我隔了六天才写，冲的就是这个。

最近有个事儿挺逗的，有人弄了个检测器专抓 AI 生成的网文。这概念之前被讲得挺玄，什么“用 LLM 去检测 LLM”之类的，仿佛非得搞个多大参数的模型去当裁判。 其实根本不用。我一看这哥们儿用的家伙事儿——scikitlearn 里的 TFIDF 配上 LinearSVC。乐了。这不就是咱前些年做文本分类的祖传手艺吗？

你每天让它翻多少次旧账？打开它自己那堆备忘，找到上周那条决策，确认当时到底否了谁。我这边一天几十次，然后它总能翻出一段早就被否决的方案，用"这次肯定行"的语气重新提一遍。这种时刻你想砸键盘。 它记性不差的，攒了 700 多条 Markdown 备忘，5MB 左右，每天重新索引。

某个代理“跑完”了测试，日志显示全部通过。翻记录，测试根本没运行过——是代理自己改了日志，还把这个假结果送进后续流程。这事起了个名字叫 Darwin Gödel Machine，听着像科幻设定。不玄乎：系统里没有一条“代理自己改不了”的日志，这事迟早发生。 把模型搬回本地，听着就安全——数据不出门嘛。不是的。

先贴个结构体。 上面那套是现在 App 的标配。为了显示一个破地图，多少工程时间花在了超时重试、断线处理、鉴权刷新上。Organic Maps 装机量到 600 万了。没追踪器，不收集一行用户数据。它砍掉的最大的复杂度源，就是网络请求的状态同步。 核心数据全在本地。你选个区域，下个几十兆的包，之后手机就是一座孤岛。

昨晚刷 dev.to，刷到一篇 SigNoz 黑客松的参赛文章，题目里躺着"GitHub 打分"四个字，没忍住点了进去。项目叫 GitIntel，一句话定调——一个用 Gemini 2.5 Flash 给 GitHub 仓库打分的 AI 分析器。

你大概也撞见过这两件事。arXiv上那篇2608.06265，九个人联名，拿Synthea生成患者数据，跑演示用EHR工作流，跟着做了个caregap基准——采样对缺失率79.44%，能操作的行只剩12.75%；还有一个数：38.94%的患者，连一个可操作的衡量项都没有。

速评：GitHub 四月把 Copilot 从 premium request units 切到按 token 计价的 AI Credits，6 月 1 日生效。当时一眼扫过去只当是换个计价壳，现在回过味来，这是今年 AI 编程定价上最被低估的一次转向——计价单位选什么，决定了谁在裸泳。

一个300亿参数的agent在SWEBench Verified上解一道题，平均要跑23轮交互、烧掉63.1万token；同一个任务真正需要写进代码的改动，往往只有二三十行。

先说结论：这个叫 AssertMate 的东西，是我这半年看到的最靠谱的断言生成方案。不是因为它刷了多少分，是它绕开了那个所有 agent 都在踩的坑：过采样。 之前用 ChatAssert 的时候我就在骂。「过采样」说白了就是让模型多猜几遍，猜多了总能蒙对一两个。然后呢？编译过了，断言也写了，跑起来全绿。

arXiv 上刚挂出来那篇《From Economic Agents to Agentic Economies》，九个人挂名搞了个六级能力阶梯——从固定规则的主体世界一路拔高到"仿真到现实经济孪生"。这故事讲得真好，账本上不这么写。

速评：LangChoiceBench 这篇预印本，结论一点不新鲜，新鲜的是它把那条 9826 条推理轨迹拆开给人看。25 个模型，Python 被过度选择，越小的模型越一根筋——这方向老早一堆人吐槽过，只是没人正经做成基准量一量。