Agent-Memory

GitHub intelligence 将跨会话的个人偏好、仓库事实、Dreaming 和跨仓代码搜索连接起来；Copilot Code Review Max 通过多模型独立审查与汇总机制扩展 PR 验证，同时将自动批准纳入分支保护规则。

今天关注 AI-native 系统规模化后的两道瓶颈：Letta 用 FrontierMemory 衡量 Agent 是否真正从过去任务中学到可迁移的经验；GitHub 则用按 Git 引用粒度并行写入和对象存储分离应对 Agent 驱动的代码流量。

MetaKernelBench 只传递文字经验，让同一模型在另一种 DSL 中重新解同一道 kernel 题。它提醒我们：源实现成功，不等于经验对接收者有益；经验也可能把一次搜索的局限带到下一次。

ChipMEM 只把通过 EDA 验证的轨迹提炼为程序性记忆，并用工具调用统计指导重试；实验显示它能改善部分 RTL 优化和未见测试平台任务，但迁移证据仍受样本量与单次评测限制。

今天关注 AI-native 软件工程从个人 Agent 到组织级系统的两个跃迁：OpenAI 用内部数据展示 coding agents 如何进入研究生产流水线；Mastra 则公开自己的 software factory，展示 staged automation、observational memory 和可配置 human gates 如何把 Agent 接入真实 issue/PR 工作流。

今天关注两个 AI-native 系统层问题：如何把知识工作 Agent 的搜索、编辑、review 和交付绑定到同一版本化 workspace，以及为什么 self-improving agent 的 memory loop 会放大随机性并依赖隐藏的任务顺序。

Coding agent 如何从历史反馈持续进化，以及如何识别 AI 生成的软件变更。

AI 生成代码评审与 coding agent 的历史经验复用。