作者对比 Anthropic《When to fold subagents into your main agent loop》与 DeepSeek Harness 团队《Super-agent 设计探索》后认为两者并不矛盾，前者讲单任务内部把 subagent 折叠回单 loop 加 skills 和 tools，后者讲跨会话用常驻 Router 编排隔离的 Worker。
能拿走的是把脚手架分成能力型和机械型两类，再按单任务内、跨任务两层决定拆还是建；落到软件工厂的 agent 编排上，前提是先有端到端 eval，否则折叠和加 Router 都只能凭感觉。
dbreunig 在 AGNTCon 的演讲中梳理了上下文工程的演进，指出长上下文带来上下文投毒、分心、混淆和冲突四类失败模式，并给出六种修复手段。这些手段包括上下文增强、工具筛选、上下文隔离、裁剪、卸载和压缩，作者用 DSPy 演示约 16 行代码即可把四种修复装进 harness。
能拿走六种上下文修复手段的具体做法，包括工具筛选、子智能体隔离、按轮裁剪和先判相关性再压缩，落到软件工厂的 agent 编排上；代价是要自己写决策模型和 loadout 函数，还得留意 prompt 缓存。
文章分析 2026 年一线团队把 Agent 工具接入重心从 MCP 协议封装回摆到 CLI 命令执行的原因，指出大厂并未抛弃 MCP 而是在重新分层。
能拿走的是 CLI 优先、MCP 兜底的接入分层和 --json 输出、exit code 语义、--help 当文档这几条工具设计规则，可落到软件工厂的 Agent 工具链上，代价是自由生成 shell 命令要另加白名单与沙箱护栏。
作者结合 Anthropic 博客中让 Claude 分别盯单个组件的 superfans 做法，提出用智能体做系统监控，并已搭出原型：agent 依据服务代码提出监控方案，脚手架执行方案，再由 agent 调查触发的监控并升级给人类。
可借鉴其监控架构：让 agent 先写监控 spec，再由确定性系统执行，比纯 agent 循环 token 更省、信号更干净；前提是接好代码库与可观测栈，并自建降噪启发式和标注评测集。