1. NVIDIA AVO Reaches 100% on ARC-AGI-3, Demonstrating a Frontier-Level General-Purpose Architecture for Long-Horizon Autonomous Agents

推荐理由： 这篇真正把 harness engineering 讲到了长周期自治：模型不是主角，persistent memory、supervisor、tool use、execution feedback 和可恢复的 agent loop 才决定 Agent 能不能连续工作几天。更值得关注的是，它不是只跑 benchmark，而是先在 NVIDIA Blackwell B200 上做真实 attention kernel 优化，再把同一套 agent architecture 迁移到 ARC-AGI-3。

核心要点：

  • AVO 的核心不是一次生成 candidate，而是让 Agent 自己决定“看什么、改什么、测什么、何时提交”。它用 persistent memory 保留历史实现、compiler/profiler 输出与评测结果，再由 supervisor 在搜索停滞时切换策略，解决长上下文之外的状态连续性问题。
  • 在 B200 attention-kernel 优化中，Agent 连续运行 7 天、探索 500+ 个方向、提交 40 个 kernel 版本；结果在文中测试配置上相对 cuDNN 最高提升 3.5%、相对 FlashAttention-4 最高提升 10.5%，并能在约 30 分钟内把优化迁移到 GQA。
  • 同一 harness 接到 ARC-AGI-3 后，在 public set 的 25 个环境、183 个 level 上达到 100.00 RHAE，并比文中引用的 VISTA Claude Opus 5 配置少约 12% environment actions。NVIDIA 也明确提醒：这不是纯粹的“harness 增益”对照实验，而更说明 model score ≠ agent system capability。

2. How Databricks Uses AI to Accelerate Incident Investigation

推荐理由： 这是一个非常完整的 production agentic workflow 案例。Databricks 没有先做“AI SRE chatbot”，而是先观察工程师真实排障过程，发现 60–80% 的时间消耗在 context assembly，于是把 Agent 定位成“自动聚合证据 + 执行 runbook + 辅助判断”的基础设施，而不是替代 on-call 的黑盒决策器。

核心要点：

  • Incident 触发后，AI SRE 会并行启动 platform health、service-level analysis、runbook execution 三条调查轨道，把 metrics、logs、traces、deployments、dependencies 和团队知识组合成第一份诊断上下文；其覆盖规模已到 150+ 团队、1,500+ Kubernetes clusters、70+ regions、2,000+ daily investigations。
  • 架构刻意分成 primitives → controlled APIs → core orchestration engine → applications。先执行确定性的 health checks / runbook steps，再让 LLM 做关联和解释；每个诊断结论都链接回原始 metric、log 或 deploy diff，强调 evidence-first，而不是 black-box reasoning。
  • 团队知识不是集中写进一个超大 prompt，而是由各团队维护 composable agentic runbooks / skills。Databricks 的关键经验是：先建设 context layer、权限和限流，再优化模型；Agent 会并行、高频调用基础设施，因此 guardrail 必须作为平台能力，而不是 prompt 规则。