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 Slack Code 把 coding agent 从个人私有会话搬进团队共享的 code channel，让 plan、diff、preview、审批和历史上下文都变成多人可见的协作状态；二是研究如何在有限 context budget 下选择一组互补而不冗余的 Agent Skills，把 skill routing 从 top-k 检索问题变成显式的组合优化问题。
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 AI-native 系统开始进入规模化后会遇到的问题：coding agent 把单人项目的变更速率推到足以压垮 CI，此时应该优先让 verification cost 随 change scope 缩放；以及 autonomous agent 虽然已经很会执行长流程，却会长期锁死在最初策略里，真正缺的是运行中的 strategy reevaluation。
今天关注两个很具体的 AI-native 工程方向：Anthropic 如何把整个 SDLC 改造成由版本化 artifact 和自动 gate 驱动的循环，以及 SemaPLC 如何用 specification、compile 和 live-runtime verification 把 coding agent 的完成条件从‘模型觉得好了’变成‘外部证据确认可运行’。
今天关注两个已经进入生产环境的 AI-native 模式：monday.com 如何从给旧产品撒 AI 功能转向真正的 agent-first 产品，以及 Anthropic 如何把 CI/CD on-call 做成可持续学习、可人工接管的 agentic incident-response loop。
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。