Agentic-Workflow

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。

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 AI-native 软件工程里的两条更硬核路径：用 specification-first + verification loop 推进超大规模重构，以及让 coding agent 同时生成实现与机器可检查证明。

今天关注 AI-native 软件工程的两个现实问题：如何把多 Agent 从一次性编码任务推进到持续维护整个软件生态，以及 coding agent 的个性化 skills 是否真的比通用工程经验更有效。

今天关注 agent 工程从‘更自治’转向‘可约束、可生产’：OpenCodeReview 用确定性边界降低代码审查 agent 的随机性与 token 成本，SiriusDeliver 则把 agent 推进到真实 DataOps 交付闭环。

今天关注 coding agent 可靠性的两个关键层：如何在长轨迹中实时发现偏航并低成本纠偏，以及如何用 chaos engineering 系统测试 agent 对 LLM API 故障的韧性。

今天关注 AI-native agent 的两个底层问题：工具调用是否应该从 JSON 升级为可编程代码，以及如何低成本生成可验证、可递归变难的长周期 terminal-agent 训练任务。

工业级测试生成工作流与 AI 代码审查中的可解释性。