AWS 官方博客演示如何通过 code-based evaluator 把 Jev 和 Strands Decider 2B 两个决策模型接入 Amazon Bedrock AgentCore Evaluations，把 OpenTelemetry span 转成决策模型请求，再把概率分布映射回评估结果。
能把决策模型包进 Lambda 注册成 code-based evaluator，用校准概率做阈值筛选，再让内置 LLM 评估器只跑低分轮次；代价是要自备标注样本验证阈值，Jev 还需 TypeSafe API key。
Together AI 发布 Together Compiler（TKCC），用高吞吐智能体循环为推理引擎持续生成优化，在不到 24 小时内对 Kimi K3、GLM 5.3、MiniMax M3.1-Flash、DeepSeek v4.1-Flash 等前沿开源模型实现最高 2.6x 的 TPS 提升。
可借鉴持久化引擎加热重载替代反复启停、快慢双层引擎平衡吞吐与保真、成本模型选并行策略；前提是自建推理服务并有稳定流量可测。
Property Finder 发现其评测标签有 96.8% 直接沿用现有 VLM 的预测而非人工核验，导致任何替代模型在比较中天然吃亏。
可拿走一套做法，先人工重标几百张图做无偏基准，再用 Micro F1 加错误分析迭代提示词，最后用 MIPROv2 自动优化；能落到本地模型部署的选型评测线，代价是要有领域专家标注，356 张只够测中等差异。
Databricks 介绍一套文档抽取的可重复改进流程，用 ai_extract 的 schema 描述承载字段规则、全局指令承载文档级逻辑、precision mode 处理复杂表格，并用 MLflow Prompt Registry 对 prompt 和 schema 一起做版本与别名管理。
把字段规则写进 schema、文档级逻辑放全局指令、结构难题开 precision mode，再用 MLflow Prompt Registry 的别名做灰度与回滚，前提是先攒出几百份人工审核过的固定评测集，否则改动好坏分不清。
IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve，它用 GPT-4.1 分析智能体在训练任务上的轨迹，把成功与失败蒸馏成简短行为规则追加到 system prompt，不更新模型权重。
能从智能体自己的任务轨迹里自动提炼行为规则追加到 system prompt，不更新权重；代价是输入 token 涨 32%–65%，规则数量要按领域调。
AWS 的 SMGS 团队基于 Amazon Bedrock AgentCore Evaluations 搭建了一套覆盖智能体全生命周期的九阶段评估框架，从定义质量标准、版本对比、CI 回归门禁、CD 质量门、金丝雀监控、安全防护、漂移检测、实时可观测到自动优化闭环。
可拿走九阶段评估闭环的具体配置，包括哨兵集15例、30分钟批量评估窗口、连续三窗才告警、工具调用冻结回放；落到软件工厂的 CI/CD 回归门禁，代价是要先建金标集和六类失败分类器。
Google 发布前沿模型 Gemini 4 Argon，面向开发者、企业、科研人员和消费者全球开放，API 介绍价每百万输入 token 2 美元、输出 10 美元，缓存输入享 95% 折扣。
可借鉴的是把 .agents/skills 规则本加一段目标交给模型夜间自主跑优化，ADK 会话准备时间降 40%、冷导入快 21%；前提是已有可跑的基准和测试兜底。
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，现已开放研究预览版。基准包含 19 种语言、187 个开源仓库的 219 个 PR，其语言与仓库规模分布对齐对 103.9M 个 GitHub PR 的分析结果，PR 规模则刻意向可审查的中长尾加权。
可借鉴其多源金标集构建法：人工评审、后续提交推断、静态分析、多个前沿 LLM 汇总去重，再用统一 rubric 判分；代价是 219 条 PR 的标注与专家复核成本高，且依赖 Claude Sonnet 5 作 judge。