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。
开放式 AI 研究自动化的能力边界，以及多维程序上下文驱动的漏洞修复。