1. How we make AI coding more cost efficient without sacrificing task quality

推荐理由： 这篇很适合作为 coding-agent harness 成本优化的工程实践。GitHub 的核心结论不是“尽量减少每次 tool call 的 token”，而是优化整个任务从请求到完成的总成本：如果压缩掉了 Agent 后面还会重新读取的信息，局部 token 下降反而会让总 turns、总 context 和 latency 上升。

核心要点：

  • 不要优化单次 tool call，要优化完整任务。 GitHub 测试 RTK 类 shell-output 压缩时发现，过度删减会导致 Agent 重新打开原始输出或重跑命令，最终平均 token 和耗时反而增加。上线方案因此只压缩 install/build/test/lint 等可预测噪声，cat、git diff、git show 等 source-like 输出保持完整，并保留原始输出的直接恢复路径。
  • 先删无意义格式，再删信息。 Copilot view tool 过去会给每行源码加行号，但当前编辑工具已经不依赖这些行号。删除它们后，离线 agentic coding benchmark 的 model-inference cost 约下降 5%，线上 Copilot CLI 用户的平均 daily model-inference cost 约下降 3%，未检测到实质质量回退。
  • Prompt 和 orchestration 都应该有 regression eval。 GitHub 用 meta-prompting 将 task-tool prompt 缩短约一半，但首次线上实验意外把可并行 sub-agent 串行化，于是先补 behavior regression test 再改 prompt。最终每轮减少约 1,300 prompt tokens、normalized cost per active hour 降约 2.9%；同时把后台任务完成结果直接随通知返回，减少纯 retrieval model turn，又降低约 2.3% token-related usage。

核心启示：context compression、prompt compression 和 orchestration optimization 都必须按 end-to-end task outcome 做 eval，而不是看某个局部 token 指标。

2. Harness-of-Harness: Multi-Day Autonomous Software Development with Continual Improvement

推荐理由： 这篇直接研究“Agent 如何连续开发几天，而不是完成一次任务”。它没有替换 Codex、OpenCode、Pi 等现有 harness，而是在它们上面增加一层 meta-harness，把长期开发组织成反复的 plan → code → test → evaluate → next loop，很接近真正 software factory 的控制层。

核心要点：

  • HoH 不规定 Agent 每一步怎么做，而是约束可验证的输出和迭代边界：把需求切成小而可验证的增量，平衡 bug repair 与 capability growth，并逐步暴露 deliverables、role-specific tools 和 skills，减少一次性塞入过多 context。
  • 它明确分离 implementation-time testing 与 independent evaluation，同时保存 versioned project history、issue/evidence 轨迹并鼓励复用已有产物。这个结构的意义是：写代码的 Agent 不再同时拥有最终“宣布自己完成”的权力。
  • 在 GameCraft-Bench、FrontierSWE、ProgramBench 和三组 harness-model pairing 上，HoH 相比 standalone harness 平均相对提升 52.25%，三轮后最高提升 82.86%；作者还运行了 70+ iterations 的 multi-day case，从空 workspace 自主开发出一个可玩的 FPS。这个结果仍属于论文 benchmark + 单个长周期案例，但验证了一个重要方向：长期自治更像需要一个持续迭代的工程控制系统，而不是单次更强的 coding agent。