1. Introducing the Agents API

推荐理由： 这篇值得关注的不是“又多了一个 Agent API”，而是 OpenAI 开始把 Codex 的 harness 本身作为可复用基础设施提供。过去团队往往需要自己维护长会话、context compaction、tool selection、subagent orchestration、失败恢复和 sandbox；Agents API 把这部分变成托管 runtime，让开发者更多聚焦在 tools、knowledge、workflow 和业务约束上。

核心要点：

  • Harness 正在从应用内部实现变成独立平台层。 Agents API 直接运行 Codex harness，负责模型调用、tool loop、session persistence 和 recovery；开发者仍控制 instructions、tools、MCP server 与执行环境。这意味着“模型”和“harness/runtime”正在成为可以分别选择、分别演进的两个层。
  • Context engineering 被产品化成 runtime primitive。 长任务接近 context limit 时会自动 compaction；tool search 按需加载相关 tool definitions，避免把整个工具库长期塞入 context；programmatic tool calling 可以并行调用并在代码中筛选结果，只把必要信息带回模型。
  • Multi-agent 也被下沉到基础设施。 主 Agent 可以把任务拆给拥有独立 context 的 subagents 并行执行，再统一汇总结果；同时 execution environment 可以选择 OpenAI-hosted sandbox、自托管环境或第三方 sandbox。真正可移植的 Agent 架构越来越像 model + managed harness + environment + capabilities 的组合，而不是单个 prompt。

核心启示：AI-native 应用的竞争点正在从“自己写一套 Agent loop”转向“在成熟 harness 之上设计更好的 context、tools、skills、eval 和 workflow”。Harness 很可能逐步像数据库或容器 runtime 一样成为标准基础设施。

2. We’re bringing governed agent loops to the AI-Native SDLC

推荐理由： 这篇不是讨论单个 coding agent 如何写代码，而是在回答更重要的问题：当一个组织里有大量 Agent 持续处理 backlog、写代码、review 和更新知识时，怎么让它们共享 context、遵守统一 standards、持续执行，同时仍然可治理、可观测、可度量。 这已经非常接近 software factory 的组织级形态。

核心要点：

  • Shared context layer 同时也是 governance layer。 Atlassian 用 Teamwork Graph / Code Context 把 architecture、decision、standards、documentation 和多仓库代码提供给 Agent，并通过 Agent Context Controls 限制不同 Agent 能看到和操作的范围。Context 不再只是检索问题，而是权限和组织知识边界的一部分。
  • 从一次 prompt 变成 always-on governed loop。 Jira agent loops 会持续扫描定义清楚、无人认领的工作，交给 coding agent 实现和测试并创建 PR；组织级 Standards 被映射到仓库，独立 AI Review 再检查 PR。整体循环是 human defines intent/guardrails → agents execute in parallel → human approves merge → completed work updates shared context。
  • Software factory 必须有 measurement/control plane。 Atlassian 同时提供 throughput、quality、adoption、cost、tool/MCP usage 和 Agent Experience 等度量，而不是只统计 AI 生成代码量。文中引用其 2026 AI SDLC study：94% 的 engineering leaders 已在使用 AI，但只有 6% 认为自己拥有能把它扩展到完整 SDLC 的系统。

核心启示：真正的团队级 AI-native 建设不是要求每个人统一使用某个 coding agent，而是建设共享 context、standards、agent loops、review gates 和 observability。个人可以保留不同工具习惯，但组织需要一个共同的 control plane。