Mcp

今天关注 AI-native 系统里同一个规模化问题的两层解法：Uber 用统一 MCP Gateway 把数千个企业工具变成可发现、可治理的共享能力；Conversion 则用独立 decision model 做 tool search，把 114 个工具从全量 context 中按任务动态裁剪。

今天两篇都在回答同一个问题：当 Agent 从个人工具扩展成组织级软件生产系统，什么应该放在模型之外。JetBrains Air 把 agentic development 拆成开发者执行、团队协调、组织治理与共享上下文几个层级；Databricks Genie One MCP 则把统一业务语义、权限与审计做成跨 Agent 共享的 context service。

今天关注 AI-native 系统的两个工程化方向：AWS 用 Step Functions 把多 Agent 的 fan-out、validation、human gate 与副作用执行移到确定性 control plane 中，形成 agents propose、deterministic code validates 的生产模式；Google Cloud 则把 Skills、MCP 与 guardrails 打包成跨 Codex、Claude Code、Antigravity 可安装的 Agent Plugin，说明 Agent 能力分发正在从零散配置走向标准化 package。

今天关注 AI-native 软件工程的两个可靠性基础：AWS 把 agent evaluation 直接接进 GitHub Actions，让 Agent 行为回归像代码回归一样阻断合并；Scanning the Harness 则把 skills、MCP、hooks 和权限配置视为新的软件供应链，并量化真实仓库中的缺陷比例。

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。

今天关注 coding agent 的两个基础设施问题：如何让模型能力跨 agent scaffold 泛化，以及如何把高权限签名操作从‘相信 agent’改造成硬件隔离与确定性授权。