今天两篇都落在 coding-agent harness 的边界上：The Handoff Tax 量化长任务中途切换模型时，继承他人 trajectory 带来的质量与成本损失；When Context Gets Root 则指出 harness 在重建 context 时如果丢失 provenance，可能把低权限 tool content 升格成 user/system 指令，直接破坏 instruction hierarchy 与自动权限审查。
今天两篇都在回答 Agent 如何持续变强：JIT-Agent 把 harness 从人工维护的固定脚手架变成按任务动态生成、可修复、可演化的机器生成程序；Warp 则给出一个非常简单的生产实践，用 base skill + improver skill + human feedback，把 code review、spec 和 issue triage 的反馈持续折叠回可版本化的 Agent Skills。
今天两篇都在谈 AI software factory 的单位经济学：Uber 已经把 70%+ PR、3,600+ skills 和 30K+ daily skill executions 推到生产规模，并把 agent 成本拆成可优化的工程指标；一篇新 arXiv 研究则量化了 task specification 对 coding-agent token spend 的影响，说明更完整、更具体的任务说明往往能直接减少 Agent 自己的搜索与推理成本。
今天两篇都在回答同一个问题：当 Agent 写代码已经很快，真正该建设的是什么。Prisma 把软件工厂落到统一运行环境，让 Agent 能从代码一路运行、观察、修复并验证；Strike 则从生产工程角度拆解 Agent 环境，强调 deterministic gate、skill eval、corpus hygiene 和 review burden 才是长期可复用的资产。
今天两篇都偏生产级 Agent 系统：NVIDIA AVO 展示 persistent memory、supervisor 和 grounded feedback 如何把 frontier model 变成长周期自治 harness，并已用于 Blackwell GPU kernel 优化；Databricks AI SRE 则展示如何把 incident debugging 拆成可组合的 agentic runbook、确定性检查和证据可追溯的 context layer。
今天关注两个互补的 AI-native 方向：一是把 Codex 这样的 agent harness 作为可复用 runtime 嵌进业务产品，而不是继续把所有 Agent 都做成聊天框；二是让 coding agent 在真正接到 issue 之前，通过合成项目内问题主动学习仓库并沉淀 entity-grounded skills。
今天关注两个很实用的 AI-native 工程问题：repo-scale coding agent 为什么会在上下文里产生 coherence debt，以及 Asana 如何用并行 Codex agents 把一个预计五年的测试基础设施迁移压缩到两周。
今天关注 coding agent 从“会改代码”走向“可负责的软件系统”：一篇把用户意图、虚拟用户反馈、测试和发布责任串成可追踪闭环；另一篇系统梳理模型之外的 harness、状态、检索、权限、验证和可观测性如何决定可靠性。
今天关注 agent harness 的两类工程问题：指令究竟通过哪些 surface 被可靠执行，以及 GUI agent 从能力 demo 走向可维护软件系统还缺什么。
今天关注 agent harness 的两层工程问题：同样能力的工具，接口架构本身就会改变 coding agent 的稳定性、探索方式和成本；而当 agent 系统进入生产环境后，prompt、tool、model、skill、workflow 也需要像软件配置一样被版本化、审计和治理。