部署工程 最新动态

能拿走 glob/grep 优先、检索只返路径、子 Agent 读原文、共享同一 backend 这套组合，落到知识沉淀和软件工厂的检索层；代价是多一次模型调用，且 grep 只做字面量匹配。

能让编码 agent 收尾时输出结构化 review 文件，把改动画成图、流程和 diff 覆盖图，替代逐个开文件读 diff；代价是要先给 agent 装 skill 或写进 AGENTS.md，且只校验引用是否对得上 Git，不判断代码对错。

可把 Claude Code 里的大任务按约 5 次工具调用、多文件、改测循环判给便宜 worker，聊天侧读全量 diff 并跑测试复核；代价是省钱倍数只对 Opus 5.5 high 实测，小任务基本无收益。

自托管个人智能体把工具调用按策略拦截并等人工批准，步骤落盘支持崩溃后续跑，shell 与文件编辑放在不含密钥的沙箱容器里，代价是要自备 Docker Compose 和 Node.js 24 以上环境。

能拿走一套多轮 RL 流水线，Agent 与奖励函数同文件部署到 AgentCore，数据集只放任务不放轨迹，奖励按结果主导加小幅 shaping；代价是训练 token 费用约 339 美元、AgentCore 另计约 79 美元，且训练中不能重新部署 agent。

可借鉴其预算 governor、Landlock 沙箱、/undo 与崩溃重试的设计，把无人值守 agent 跑在 VPS 上；代价是依赖 dsh 0.2.0-rc.2，尚无他人生产验证。

同一 agent 跑 22 个任务各 12 份脏数据，对比过程式 PySpark 与声明式 SDP 的 dry run 拦截率、代码行数和 token 成本，可用来定数据管线的写法规范；代价是声明式前期 token 约 2.3 倍，且拦不住逻辑错误。

能拿走一套上下文压缩的落地做法，按最近一条 user 消息切分、只摘要更早轮次、摘要以不可信数据块回填，并保留磁盘完整记录；代价是每次压缩多一次模型调用并计入会话开销。

能拿走三套协作模式、按 handoff map 生成 delegate_to 工具、交接只传任务和上下文、先查预算再花钱、规则只收紧不放松、注入 runMember 便于测试；可落到软件工厂的多 agent 派单流程，代价是线程只在浏览器打开时运行，本地小模型建议从 pipeline 模式起步。

同一份代码同一张截图连打八次分，分数在 0.82 到 0.93 之间漂，说明用 LLM 打分当门禁会把噪声当回归；可拿走的是植入已知缺陷、多次重跑、再加一道 Clef 否决的做法，代价是要重跑一遍缺陷集且 Clef 会把大图缩到 30 万像素。

可拿走五条落地做法：LangGraph 检查点写 DynamoDB、按 agent 收窄工具目录、OpenAPI 注册成 MCP 工具、稳定前缀做 prompt 缓存省 20–30% 输入 token、按任务而非 HTTP 状态做告警；前提是已有 AgentCore 与 IAM 体系。

可借鉴其控制面加 worker 的调度方式，把多台机器上的 Claude Code、Codex 按仓库和空闲度派活，任务各走独立 worktree 分支；代价是要自建 Postgres 控制面，且订阅账号的无人值守使用需自行核对条款。

可借鉴其 harness 设计：会话日志持久化、steer 与 follow-up 区分、审批中断跨重启恢复，用来替换单次 chat() 撑不起的长任务流程；代价是 harness 仍是 0.x 实验 API，内存持久化不跨主机恢复。

可借鉴把 Agent loop 拆成 Memory/Planning/Capability/Action 四块分别替换评测，并用评测门控决定改动去留；代价是 Curator 仍属实验性、不在安装包内，性能数字均为项目自述。

能拿走 RedisAgentStateStore 的 builder 配置、key 结构设计和 compaction 两个参数，把本地 JSON 状态换成集中存储，代价是 Redis 客户端要自己建、改 keyPrefix 等于换库。

能拿走三个 GUC 参数的具体配法和 relaxed_order 与 strict_order 的取舍标准，落到知识沉淀的 RAG 召回线；前提是过滤列建了 B-tree 索引，且 langchain-postgres 把过滤放在 JSONB metadata 上时要绕开封装。

用 git 仓库做唯一实体层、各 Agent 目录 Junction 指入，配正向建链、反向收编、每周体检三个脚本；代价是 Junction 存绝对路径，仓库一改名全机断链，Node 建链在占用目录会 EBUSY 需 PowerShell 兜底。

能拿走 KWS 阈值三档、400ms 宽限期、预卷环形缓冲和 numThreads=1 这几个具体配置，换掉用 ASR 文本匹配做唤醒的链路；代价是 VAD 挡不住旁人真语音，还得另加声纹或文本过滤。

能拿走 CPU 跑 LoRA 的四个具体坑和修法，包括 device 与精度成对切换、qwen3_nothink 模板、8bit 量化、LFS 指针检查，落到本地模型部署这条线，代价是 2B 以下窄任务要等 11 倍时间。

可借鉴其确定性哨兵加门控唤醒 LLM 的分层结构，把高频检测留在内核与日志流、只在异常时调模型，代价是要自己写触发器和只读分类器，且需从 observe 模式起步。