别把每条 Kafka 消息都扔给 Agent：高吞吐 AI 流水线真正省钱的地方，是先把 90% 的普通事件挡在模型外
昨天 Google Cloud 写了一篇很“工程”的文章：用 Dataflow + Agent Development Kit 做高吞吐生成式 AI 流水线。
两天找到 100+ 个 Critical 漏洞、已经拿到 12 个 CVE：Google/Mandiant 这套多 Agent 代码审计真正值得抄的是“怀疑链”
昨天 Google Threat Intelligence Group 公开了一套内部使用了 10 个月的系统：**Agentic Vulnerability Discovery Harness，AVDH**。
手搓生产级 AI Agent 系统（15）：Agent Control Plane——目录、运行、成本、审批与反馈统一治理
前十四篇已经把生产级 Agent 的大部分“局部能力”补齐了：模型路由、Tool Calling、Planner、Reviewer、Checkpoint、Human-in-the-Loop、多 Agent、代码与浏览器沙箱、评测发布、Agent as Code。
Claude 旧 Workbench 昨天正式退役：最麻烦的不是页面没了，而是 Prompt 和 Eval 资产可能跟着断档
这件事看起来像一次普通的产品界面升级，但如果之前把 Prompt、变量和 Eval 直接保存在旧 Console 里，影响并不只是“以后换个页面继续用”。
Claude 连续两天出故障以后，我重新看了一遍“多模型容灾”这件事
Anthropic Status Page 记录的范围包括 claude.ai、platform.claude.com、Claude API、Claude Code 和 Claude Cowork。
聊天窗口很适合告诉 Agent“我要什么”，但真的不适合看它“干到哪了”
昨天 GitHub 发了一篇挺有意思的文章，题目直接点出了一个越来越明显的问题：
OpenAI 昨天说“防守窗口正在收窄”：真正该紧张的不是零日，而是仓库里那堆没人管的旧东西
昨天 OpenAI 发了一篇安全文章，标题叫《The Defender’s Window》。
把 80 屏 Agent 日志变成一张图：Spring Boot SSE + React Flow 的 Run Canvas 实现
前一篇聊到一个我很认同的方向：复杂 Agent 不能只靠聊天窗口展示状态。
50+ 个 Agent 上线、310 人在用：ABC Legal 最值得抄的不是 Claude，而是把 Agent 当软件管理
昨天 Anthropic 公布了一个我觉得很值得企业团队认真看的案例。
手搓生产级 AI Agent 系统（14）：Agent as Code——Prompt、Tool、Schedule、Memory 全部进 Git
前面十三篇已经把生产级 Agent 的关键运行能力补得差不多了：任务规划、Tool Calling、状态管理、Checkpoint、Human-in-the-Loop、多 Agent 协作、安全沙箱、质量门禁、模型路由、预算和降级。
Gemini 3.7 Flash 刚发布：我更在意的不是跑分，而是 $0.75 输入价把 Agent 成本线往下压了一截
8 月 13 日，Google 发布了 Gemini 3.7 Flash。
8月26日 o3 从 ChatGPT 下线：别急着改 API，你真正要检查的是这 6 类使用习惯
OpenAI 已确认：**o3 将在 2026 年 8 月 26 日从 ChatGPT 退役**。这次变化只影响 ChatGPT 中的模型选择，OpenAI 官方同时明确说明，API 不受此次退役影响。
Kimi K3 权重放出来以后，国产大模型竞争开始变成另一场游戏
7 月底 Kimi K3 的完整权重公开后，我觉得国产大模型的竞争已经出现了一个明显变化。
GPT-5.6、Claude Opus 5、Gemini 3.7 Flash：我不会按总榜选模型
过去两个月，模型选型越来越像一件“看起来容易、实际上很容易选错”的事。
别再拿十道题测模型了：一个能真正比较三家 API 的 200 题评测脚手架
模型选型最常见的“伪严谨”，是准备十几道题，然后把 GPT、Claude、Gemini 各问一遍。
SWE-Bench 高就一定会写项目？一篇 GH200 实测给了三个反例
这两年选 Coding Model，SWE-Bench 几乎成了必看榜单。
手搓生产级 AI Agent 系统（13）：别让所有任务都上旗舰模型——路由、预算和降级
前十二篇把生产级 Agent 的执行链路基本补齐了：任务理解、Tool Calling、状态、Memory、Planner-Executor-Reviewer、Checkpoint、人工审批、多 Agent、安全沙箱和发布评测。
离线评测分数很高，线上用户为什么仍然不满意？数据分布与任务成功率排查
离线集可能过于干净、静态和均衡，无法覆盖线上噪声、权限、长对话、超时和真实业务结果。
离线Benchmark、影子流量与金丝雀评测怎么选？AI质量验证指南
AI发布前后可以使用离线数据集、影子真实流量和小比例金丝雀，本文比较风险与反馈真实性。
LLM-as-a-Judge评分忽高忽低？位置偏差、长度偏差与校准排查
评审模型会受答案顺序、长度、措辞、自身模型偏好和Rubric模糊影响。