《Agent Harness 技术蓝皮书》对内发布，并定量定性分析 RAG 当前研究趋势

社区对内发布《Agent Harness 技术蓝皮书》，全书 8 篇 33 章共 139 页，将 Agent Harness 定义为围绕大语言模型构建的确定性运行时。同期基于 arxiv API 检索 2026-08-01 至 10-05 的 66 天数据，去重后新增 930 篇 RAG 相关论文，约 14 篇/天，研究重心已从检索 pipeline 搭建转向系统层、质量层与形态层。

Gemini 4 Argon 价格与用途：和 GPT-6、Claude 怎么选

作者晚安code 梳理谷歌 9 月 30 日发布的 Gemini 4 Argon，指出其单次输出上限从上一代 6.4 万 token 提到 100 万，但上下文窗口、参数量和架构官方均未公布，不少报道把 100 万输出 token 误写成 100 万上下文。

Steve Yegge@Steve_YeggeAI 评分2222

使用 Opus 5.5 两周后，作者认为它是出色的模型，在解释和教学方面远优于 Fable。其评测显示，Opus 5.5 的精度在所有任务上与 Fable 5.1 相当，但召回不如后者：具体任务上两者持平，任务越开放，Fable 越能发现并处理重要问题，视角更好。作者仍将 Opus 5.5 用于大部分工作。

技术观察：2026年9月本体、Jev决策模型、自进化RSI与大模型发布月度总结

2026年9月共发布43款大模型，国产约占八成，1M上下文与全模态成标配，Intern-Decision、NeoHorse-1等"决策模型"与"自进化后训练"新品类首次进入开源清单。

Sebastian Raschka@rasbtAI 评分3636

Sebastian Raschka 用 Paint UI 复刻同一张图，对比 GPT-5.6 Astra 与 Qwen3.8 Max 的计算机使用（视觉）能力：Astra 默认用几何图形分层绘制，Qwen 则逐像素还原，后者结果天然更接近原图、得分会更高。但他认为不能据此断定 Qwen 的计算机使用或视觉理解更强，这恰恰说明只看最终结果的 benchmark 有多不可靠。

SWE-bench 分数到底测了什么：resolve rate 的生成过程与五篇论文的补充发现

SWE-bench 的百分比是智能体编程领域被引用最多的数字，但它比通常被引用的方式要窄得多。文章拆解了一次评测如何产出这个数字：提交是 JSONL 格式的补丁，在 Docker 容器中应用到 base_commit 并运行仓库测试，FAIL_TO_PASS 全部通过且 PASS_TO_PASS 不回归才算 resolved，默认是 pass@1。

OpenAI 承诺 Astra 每延迟一天就送一次 Codex Full reset

OpenAI 的 Codex 团队 Tibo Sottiaux 承诺，只要 Astra 未出现在用户的付费 ChatGPT 账号上，每等一天就补偿一次 banked reset，可完整刷新 Codex/ChatGPT Work 的五小时和每周用量。

Fable 5.1 在 SWE 任务中的细节：推理档位、基准表现与成本取舍

作者梳理 Anthropic Fable 5.1 系统卡（212 页）中与 SWE 任务相关的细节，指出推理档位并非越高越好：在 FrontierCode Main 子集上。

智能体循环里的 TDD 是形式还是真价值？Martin Fowler 的对比实验

Martin Fowler 用 Sonnet 4.6 生成、Opus 4.8 盲评的方式，对小型、中型和较大型三类业务逻辑任务分别跑 TDD 与非 TDD 方案，结论是两者质量没有明显差异，非 TDD 方案在设计和测试质量上还多次略高，变异分数也没有实质差别。

AI 预算该投在哪：工具、提示词与评测三层，避免被厂商绑定

作者认为把 AI 预算押在选当前跑分领先的模型上是错误下注，因为模型每半年就换一轮领先者，真正能积累的是公司独有的内部上下文。

论文评估 AGENTS.md 是否真的帮到编程智能体

一篇论文评估仓库级上下文文件（如 AGENTS.md、CLAUDE.md）对编程智能体的作用，在 SWE-bench Lite 和自建基准 AGENTBENCH（12 个仓库的 138 个 Python 任务）上对比无上下文文件、LLM 生成和开发者手写三种条件。

AI 生产力落差：季度汇报该点名的那个数字

作者指出 AI 工具在个体层面带来 21% 任务完成量和 98% PR 合并量提升，但组织交付指标持平、稳定性略降，METR 随机对照实验中 16 名开发者在 246 个真实 issue 上实测反而慢 19%。

Terminal-Bench 如何设计好的基准任务

Terminal-Bench 发布任务设计指南，提出好的基准任务应具备对抗性、难度和可读性：指令像给资深工程师那样清晰直接，测试只验证结果而非实现细节，允许替代解法并防止 reward hacking。难度应来自问题本身，而非苛刻的输出格式或隐藏假设。作者建议亲自运行任务、检查容器、执行 oracle 并观察真实智能体轨迹，失败运行尤其能揭示任务是否真正困难。

ETH Zurich 新研究重新评估 AGENTS.md 对 AI 编程智能体的价值

ETH Zurich 团队构建 AGENTbench，用 138 个来自小众仓库的真实 Python 任务，测试 Claude 3.5 Sonnet、Codex GPT-5.2、GPT-5.1 mini 和 Qwen Code 在无上下文文件、LLM 生成文件、人工编写文件三种场景下的表现。

哪些编程语言最省 token：用 RosettaCode 数据集实测 19 种语言

作者用 RosettaCode 数据集中 19 种语言都有的编程任务，配合 Hugging Face 上 Xenova/gpt-4 分词器，比较各语言的 token 效率。

作者认为我们正处在评测看不见的 GPT-4 式跃迁中

作者 Martin Alderson 认为当前模型进步是一次更微妙的 GPT-4 时刻，但现有基准测不出来。他指出 Gemini 3 Pro Preview 在设计网页和落地页上明显强于其他模型，并给出流程：上传产品 CSS 让模型提取设计系统，再结合产品截图生成 HTML 原型。

拆解 Spec-Driven Development：Kiro、spec-kit 与 Tessl 三种工具实测

Martin Fowler 试用 Kiro、spec-kit 和 Tessl 三款自称实现 spec-driven development（SDD）的工具，把 SDD 归纳为 spec-first、spec-anchored、spec-as-source 三个层次，并指出目前所有方案都停留在 spec-first。