1. Agentic AI overwhelmed CI, and test selection cut queueing from hours to minutes

推荐理由： 这是一个很具体的 software factory scaling 案例：只有一个工程师，但 coding agents 已经能把约 50 万行代码项目的 change arrival rate 推高到让 CI 变成瓶颈。文章最有价值的地方不是“再加 runner”，而是提出更适合 agent 时代的原则：verification cost 应该跟 change scope 一起缩放，而不是每个 change 都支付全量测试成本。

核心要点：

  • Agent 生成改动的速度已经超过 CI 消化速度：一次完整 PR 验证约 20 分钟，多个 change 同时准备好后会不断产生等待、rebase 和再次验证，形成额外 CI 工作。作者最终没有继续堆 runner，而是先减少每个 change 触发的测试量。
  • Test selection 同时利用 scheduled full runs 的 runtime coverage 和 TypeScript dependency graph，只运行某次修改可能影响的测试；不确定时保持保守，完整 suite 仍然每晚运行，用来刷新 coverage 信息并兜底。
  • 最终普通 full-PR wall time 从约 21 分钟降到 13 分钟，p95 E2E 从约 23 分钟降到 6 分钟；计入排队后，p95 总 CI 时间从约 7 小时 35 分钟降到 35 分钟（-92%）。真正减少最多的是 queueing contention，而不仅是单测本身变快。

2. What is Missing from AI Post-Training AI: An Empirical Analysis

推荐理由： 这篇对长周期 Agent 有一个很重要的提醒：会持续执行，不等于会持续重新判断。 当前 agent 已经能写训练代码、跑实验、修 bug、评估 checkpoint，但一旦最初 strategy 定下来，后面往往只会在这个策略内部做局部优化。这个结论同样适用于 coding agent、research agent 和 autonomous workflow：replanning 不能只写在 prompt 里，而要成为 harness 中显式可触发的控制机制。

核心要点：

  • 作者分析了 1,338 条 PostTrainBench agent trajectories，覆盖 7 个 benchmark、4 个 base model、20 种 agent configuration。Agent 通常在第一次 planning 时就锁定 training strategy，随后整个预算主要花在调参、修代码、改数据格式等 execution-level adjustment 上。
  • Strategy lock-in 很明显：Claude Code 的轨迹中 80.7% 收敛到 full-parameter SFT，而 Codex CLI 有 89.6% 偏向 PEFT；这说明策略很大程度来自 agent 自身 prior，而不是随着任务和实验结果动态更新。
  • 增加 experiment journal、skill library、evaluator agent 后，GSM8K 提升 +12.6 points、HumanEval 提升 +40.8 points，但 strategy 仍几乎不变；甚至多花 2–8× inference tokens 也没有解决最难任务上的问题。核心缺口不是更多 memory 或 thinking，而是一个能在运行中主动触发 strategy reevaluation / reset 的机制。