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。
今天关注两个 AI-native 系统层问题：如何把知识工作 Agent 的搜索、编辑、review 和交付绑定到同一版本化 workspace，以及为什么 self-improving agent 的 memory loop 会放大随机性并依赖隐藏的任务顺序。