1. Project HydraFusion: Frontier quality via multi-model orchestration

推荐理由： 这篇很值得看，因为它把 coding agent 的优化对象从“选哪个最强模型”改成了 runtime 该如何动态组织多个模型。HydraFusion 不把所有请求都交给昂贵模型，而是根据任务选择 single、cascade 或 critique 三种执行模式，并把 cost、latency、review isolation、failure behavior 一起纳入 harness 设计。它展示的是一个很具体的方向：未来的 agent runtime 可能更像 query optimizer，而不是固定 ReAct loop。

核心要点：

  • 模型路由升级成 workflow routing。 HydraFusion 不只是把任务分类后选一个模型，而是动态决定执行结构：简单任务直接 Single；成本优先时先用便宜模型并通过 quality gate 决定是否 Cascade；需要独立检查时则让另一个模型家族做只读 Critique，再由原 solver 修订。也就是说，routing 的对象从 model 变成了 execution graph。
  • 多模型编排必须有明确的系统约束。 GitHub 给出的五条原则包括完整成本核算、每个 workflow leg 的 timeout/cancel、critic 与 workspace 隔离、失败时不应用 patch、执行前验证 routing/model/fallback 配置。这里最值得借鉴的是：orchestration 不是“多叫几个模型”，而是把每一条执行边都做成可预算、可回滚、可审计的 runtime primitive。
  • 质量-成本曲线开始成为 coding-agent 的一级指标。 在 GitHub 的离线评测中，HydraFusion 相对 Claude Opus 5：TerminalBench 2.1 在 estimated cost 降低 67% 的同时 verified quality +4.9 points；DeepSWE 成本降低 36%、质量 -1.5 points；基于真实 Copilot session 构建的 CheckpointBench 成本降低 65%、质量仅 -0.1 points。结果仍属于受控离线评测，但它说明 agent optimization 的目标应该是 task-level quality / cost frontier，而不是单模型 leaderboard。

核心启示：coding agent 的下一层竞争，很可能不是“默认模型更强”，而是 runtime 能否针对任务动态组合 solver、critic、gate 和 escalation，并把整条执行链的成本与失败模式一起优化。

2. Introducing context-aware vulnerability discovery and remediation with Cloudflare Managed Defense and OpenAI Daybreak models

推荐理由： 这是一个很完整的 evidence-first agentic workflow。传统漏洞扫描只看到静态代码，Cloudflare 把 source code、真实生产 route、流量、WAF/security event 和 remediation 验证接进同一条 Agent 流水线，让“发现漏洞”不再等于“生成一条 finding”，而是形成 recon → hunt → validate → prioritize → mitigate → human review 的闭环。对 software factory 很有价值，因为它展示了 生产 telemetry 如何反过来成为 coding/security agent 的 context。

核心要点：

  • Context 不只是 repository context，而是 production context。 系统先从 Web Assets、WAF、Workers Observability 收集 route、流量和安全事件，再让 Reconnaissance Agent 将请求路径映射到具体代码，随后把 Hunter Agents 派到相关区域。生产证据可以提升风险优先级，但不能替代源码证据；漏洞本身仍要求由代码中的 evidence 佐证。
  • LLM 推理与确定性验证严格分层。 Agent 可以提出漏洞、代码 patch 和 WAF mitigation，但 tool call 要经过 access policy，patch/rule 要通过模型外检查；WAF rule 还会先在 synthetic fixtures 上验证。任何检查失败，workflow 都会在进入客户 review 前停止。这个结构很接近可靠 Agent 的通用模式：model proposes → external verifier checks → human decides。
  • 把“修代码”和“临时降低生产风险”放进同一个闭环。 对已确认且暴露度高的漏洞，系统不仅建议 source patch，还可以生成范围受限的 WAF rule，在代码修复完成前降低攻击面。也就是说，Agent 不只优化 code state，还根据 production evidence 选择不同时间尺度的 remediation action。对 AI-native DevSecOps 来说，这比单纯自动生成 patch 更接近真正的 software factory control loop。

核心启示：最有价值的 context engineering 不一定发生在 prompt 里，而是把真实环境中的 runtime evidence 变成 Agent 可查询、可验证、可影响决策的结构化控制信号。