今天关注 AI-native 软件工程进入规模化之后的两个核心问题：Spotify 发现 AI 带来的主要风险不是 AI 代码本身，而是变更吞吐增长快于 review、测试、发布和可观测性；GitHub 则用 Copilot 完成 80 万行级 agent runtime 的 Rust 重写，展示了增量迁移、agent fleet、独立 correctness oracle 和 human merge gate 如何让超大规模 agentic coding 变得可控。
今天关注 AI-native 工程里的两个实际瓶颈：Nous Research 用 1,393 个子 Agent 完成百万行 Python 仓库重构，展示了大规模并行 coding agent 的任务切片、worktree 隔离、基线验证与人工 review；Orbyt Labs 则用 35 个真实工作 session 的 token 数据说明，Agent 成本和行为主要由反复读取的 context 决定，因此 context 文件本身应像代码一样被预算、版本化和测试。
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 软件工程的两个新方向：Cursor Projects 把 coding agent 从单次会话推进为可持续数月、拥有共享上下文和 coordinator/subagent 架构的长期工作单元；Cognition 的 SWE-2 则直接把任务成功率与推理成本一起写进 RL 目标，说明 coding agent 的优化正在从单纯追求 benchmark 分数转向整条 cost-performance Pareto frontier。
今天关注 AI-native 软件工程从单个 Agent 走向平台化运行的两个方向：OpenAI 把 Codex harness 作为托管 Agents API 开放，直接提供长会话、context compaction、tool search 和 subagent orchestration；Atlassian 则把 shared context、organizational standards、always-on agent loops 和效果度量组合成 governed AI-native SDLC。
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。
异步多 Agent 协作与可执行 coding-agent 任务生成。