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。
今天关注两个 AI-native 软件工程问题：Sinatra 用 19 周、306 个 Agent PR 的真实数据说明，高合并率主要来自任务规格、sandbox 测试、自审和人工 merge gate，而不是模型单独变强；The Router Within 则研究如何让 Agent 利用自身 hidden states 在大规模 Skill 库中做动态路由，避免把所有 Skill metadata 塞进 context。
今天关注 AI-native 软件工程的两个底层设计问题：Yad Konrad 用 program synthesis / CEGIS 重新解释 prompt、context、harness、eval 与 software factory，指出它们其实是在重新发现 specification、search space、search technique 和 verifier；另一篇新论文则直接比较 Agent Skills 与 Subagents，证明可复用知识该放进主 context 还是隔离到独立 subagent，关键取决于技能是否具有清晰的输入输出契约。
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 软件工程从个人 Agent 到组织级系统的两个跃迁：OpenAI 用内部数据展示 coding agents 如何进入研究生产流水线；Mastra 则公开自己的 software factory，展示 staged automation、observational memory 和可配置 human gates 如何把 Agent 接入真实 issue/PR 工作流。
今天关注 AI-native 系统的两个基础问题：Microsoft 把 context engineering 从 prompt 技巧提升为持续优化 knowledge、tools、skills 与 memory 的系统工程；Intuit 则展示了生产级 Agent 如何在灾备场景中把模型决策与确定性执行严格分离。
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。