Coding-Agent

今天关注 AI-native Agent 的两个关键问题：Basis 把 context 当作生产输入，并用 behavior spec 对长周期 Agent 的过程行为进行可验证约束；HarnessDev 则把评测对象从任务输出推进到 harness 本身，研究模型能否创建并持续演化自己的执行基础设施。

今天关注 AI-native 软件工程的两个 runtime/control-plane 问题：GitHub HydraFusion 用动态多模型编排优化 coding agent 的质量-成本曲线；Cloudflare 则把代码、生产流量和安全证据接进同一个漏洞发现与修复 Agent workflow。

今天关注 AI-native 软件工程的两个关键层：O’Reilly 用实际 software factory 经验把 SDLC 拆成可控的 Agent 流水线；Repo-To-Skill 则尝试把 GitHub 仓库里的工程 know-how 蒸馏成可验证、可路由的 Agent Skills。

今天关注 AI-native 软件工程的两个控制面：Microsoft 用 living specification 保存业务意图并重构 SDLC；Oracle 则把 production agent harness 明确为身份、权限、状态和独立验证的运行时边界。

今天关注 coding-agent harness 的两个方向：GitHub 用端到端任务成本而不是单次 tool-call token 优化 Copilot；Harness-of-Harness 则在现有 coding agent 之上增加多轮规划、实现、验证与持续改进控制层。

今天关注 AI-native 工程基础设施的两个方向：Sonar 用代码依赖图减少 coding agent 的 context tax；AWS 则把 agents、tools、skills 做成可发现、可审批、可追踪的组织级 Registry。

今天关注 AI-native 软件基础设施的两个方向：GitLab 重构 SCM 以承受 agent-scale 的并发、上下文与 provenance；Linux Kernel 社区则尝试把 AI bug finding 变成可执行证据驱动的验证与修复流水线，减少模型输出直接淹没维护者。

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。

今天两篇分别看 AI-native 软件工程的两个关键层：GitLab 讨论代码生成趋于廉价后，软件平台的稀缺资源如何从 implementation 转向 context、verification、governance 和 evidence；Google Research 的 WikiSkill 则把 Agent 经验拆成 raw traces、persistent wiki 和 executable skills，让失败经验也能持续沉淀并推动 skill evolution。

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。