Verification

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。

今天关注 coding-agent harness 的两个方向：GitHub 用端到端任务成本而不是单次 tool-call token 优化 Copilot；Harness-of-Harness 则在现有 coding agent 之上增加多轮规划、实现、验证与持续改进控制层。

今天关注 AI-native 软件基础设施的两个方向：GitLab 重构 SCM 以承受 agent-scale 的并发、上下文与 provenance；Linux Kernel 社区则尝试把 AI bug finding 变成可执行证据驱动的验证与修复流水线，减少模型输出直接淹没维护者。

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 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。