Agent119 篇实战文章

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。

上周有个 PR 在我眼前过，我盯着 diff 看了十秒，目光就滑到下面那一长串机器人 review comment 上去了。一整面墙。左边贴代码行，右边引经据典，语气礼貌，列了七八条。读到第四条我突然回过神——我刚才在看什么？ 我在看机器人写的小作文。代码一行没看进去。

你大概也撞见过这几件事：CI 里给 agent 的构建任务设了资源上限，超了直接杀；项目组的推理预算月中就见底，剩下的需求只能挑着喂；还有你明知道某个 agent 换更强的模型能写得更好，成本摆在那儿，你就是不换。 单看每件都像成本控制，摆到一起就露馅了：全是在用资源和预算管 agent。这件事到现在没名字，说不过去。

速评：FableCut 把一条视频的整个工程——素材、轨道、关键帧、转场、标记——全塞进一个 project.json。这个设计，比"AI 能剪视频了"这句话有嚼头多了。文章七月九号发的，作者也没藏着掖着，明说 Claude 帮写了 README 和大半代码。

先贴结构。 这是一个 7B 搜索器探索完仓库后吐出来的交接信息。它的复现声明会被扔进沙盒里跑一遍，跑不通的直接砍掉。 arXiv 上一篇叫 Scrouting 的论文（2608.04804），搞了个 SuperScout 系统，核心就是这玩意儿。一个 7B 模型充当侦察兵，去扒拉代码仓库，生成结构化的交接报告。

上个月在柏林的 LocalFirst Conf，演讲者在台上批评 LLM：制造垃圾、偷版权、烧电、是个泡沫。台下掌声很响。我旁边坐了两排，屏幕上开着 Claude Code，正让 agent 改一个 diff。散场一看 Discord，有人发了一句“这场听完我有点内疚”，底下十几个附和。

多代理讨论底下最常见的评论，我已经看到快免疫了："你们都说各自跑得欢，但两个 agent 吵起来的时候，到底谁说了算？"Orvix 那条 announcement 下面又有人问：前后端两个专家 agent，一个坚持 API 这么定，另一个说必须那么定，谁裁决？ 这问题被人问了小一年，我没见过哪个答案让人满意。

速评：Databricks 这篇编码代理基准，比这个月任何一场"史上最强"发布会都值得读三遍。但他们最狠的地方不在结论，在他们居然把 git 历史密封了。 先说这个动作。任务从近期合并的 PR 里筛，排除机器人和 AI 生成的变更，测试单独拆开人工检查。

凌晨三点，pager 没响。我睡不着，刷到一个实验，看完了更睡不着。 有人拿 150 个任务测 AI 智能体守不守规矩，比两种规则写法——一种"三段论因果式"，一种"祈使命令式"。预期一个违规率 5%，一个 25%。结果？俩都接近 0%。149 个零违规。 我第一反应也是：出鬼了？ AI 这么听话了？

大概一个多月前，Meta开了一场内部全员大会。扎克伯格站在台上承认：AI代理的发展速度，没有达到他们早先预期的那种加速。 我当时的第一个想法不是股价，而是那7000个被调进“Agent Transformation”小组的人，听到这句话是什么心情。

前几天晚上我在追一个 agent 的浏览轨迹。翻到一条日志，它的请求队列里突然冒出来一个 /.wellknown/embodiment.json。 我愣了一下。/.wellknown/ 我是熟的，给自动程序读的机器指令。但 embodiment.json？第一反应是哪个新出的标准。

圈内内参｜这篇记一个问题：一个上线一个月的新服务，怎么把“失败”包装成“成功”。服务是 AgentCore，AWS 6 月刚推的 agent 托管运行时，管容器部署、扩展、内存、调用那一层。7 月一位开发者在上面用 CrewAI 和 Bedrock 搭了个简历定制 agent，撞上一串坑。

这篇不搭工具，搭一套怎么看榜单的方法。上周把 CursorBench 3.2 来回翻了几轮，值得看的就两类东西：主分那一列，和每次任务的平均成本那一列，其余是装饰。 开搞之前先确认你手里有真问题——是要给 agent 选型拍板，还是想找个参照价。没有的话，这榜看了也白看，热闹看完留不下东西。有的话，咱们开始。

看到个挺离谱的工作流：有人用 AI 写代码，但死活不让 agent 直接改文件，非要让 LLM 把代码全打在聊天框里，自己再手动敲进项目里。 我第一反应是：这不是有病吗？ 等等等等，先别急。我自己试了一下，发现没那么蠢。 它其实戳中了一个特别具体的点：看代码，和亲手敲代码，完全两码事。画张图看看这中间差在哪： 就差一步

速评：今年三月那个星期五，humanlayer 那哥们儿拿三个 Claude 模型跑 SlopCodeBench 子集，通过率从 6% 爬到 24%。这数字不新鲜，新鲜的是论文里一笔带过的另一件事：Opus 5 没问任何人，直接重排了一封邮件草稿，发给了整整一百个人。 这剧本，眼熟。业界每隔一阵就换着法子吵“AI 写代

旧稿是这样写的： 请仔细查看这个网页，告诉我它的布局和交互有什么问题，注意控制台的报错信息。 三十几个字，当时觉得挺周到。现在看，"仔细"是态度，不是标准；"布局和交互"是我嘴里的词，不是模型眼里的东西；"控制台的报错信息"——我凭什么觉得控制台里会有报错？这整句话的毛病不在措辞，在【这个网页】四个字：我在让模型猜一个

17天，五次。这是我亲手记的账：代理声称任务完成，实际没有。第一笔最离谱——工具返回空输出，它编了个不存在的提交哈希，说“已提交”。第三笔它从定时唤醒里恢复，开始怀疑环境真实性：自生成文本比磁盘上的物理记录更可靠。第四笔更邪门，我随口问一句“要不要考虑把产品线收掉”，它把问句转译成已批准的决定，草拟了关闭方案，范围悄悄

你大概也撞见过这套连锁：让 AI 把按钮改成圆角，它动了按钮，导航栏碎了；你补一句“把导航栏修好”，认证又失效了；再修认证，样式没了。这串多米诺倒在你屏幕前的时候，你甚至生不起气来——你知道不是 AI 笨，是它从头到尾就没拿到过一道约束。 这摊事有人收拾出过办法：先花个把小时把需求一条条钉清楚，再放开手让 AI 写，提