Signal #23：同一个模型，为什么会变成完全不同的 Agent
我们过去习惯用“模型能力”解释 Agent 的表现：任务完成得好，是因为模型更强；执行失败，则归因于模型能力不足。但本周多项实践都在说明，同一个模型放进不同的 Harness，可能会表现得像完全不同的 Agent。
OpenAI 在 ARC-AGI-3 实验中没有更换模型，只是保留推理过程，并调整长任务中的上下文压缩方式，得分就从 13.3% 提高到 38.3%，输出 Token 同时减少约六倍。SIGIL 将自然语言 Skill 编译成可执行 Harness 后，Agent 对规定步骤的执行率也从 56% 提高到 86%。Cursor 的实践则进一步表明，持续增加 Prompt 和 Skills 带来的改善有限，最终仍需要统一 CLI、进程托管和环境恢复机制。
这意味着，我们观察到的 Agent 能力，已经不能简单等同于模型能力。上下文如何组织、工具如何暴露、状态如何保留、结果如何验证，都会直接改变 Agent 的能力、成本与安全表现。
未来评价一个 Agent，不能只问它用了什么模型，还要看这个模型运行在什么样的 Harness 中。
2026-07-29｜京东技术｜原文链接
京东海博通过双层规则目录、文件驱动机制、Skill 与审查 Agent、知识库以及双 Loop 质量保障，将 AI 编程从随机对话改造成可约束、可验证和可持续沉淀的工程流程。
海博研发 RoadMap 将团队通用规范与项目专属规则分层管理，并以 Preamble 自检和五阶段流水线约束执行过程。17 项 Skill 覆盖需求拆分、方案设计、编码、评审和上线检查，三类只读 Agent 负责独立复核；知识库按需加载，Skill 则基于运行数据持续评测和迭代。开发期 TDD 与部署后真实接口自测组成双重验证闭环。文章披露，“堂食判官”等案例显著缩短了审核时间并降低处理成本。
2026-07-31｜阿里云云原生｜原文链接
AgentLoop 将模型输入、回复、工具调用和执行结果组织成可回放的行为链，再通过上下文判断，将局部规则命中提升为具有完整证据的高保真风险事件。
系统先统一采集不同 Agent 的行为事实，产生“疑似密钥泄露”等低保真信号，再判断敏感信息停留在输入侧，还是已经进入模型回复、工具调用或外部系统。最终事件需要说明风险越过了什么边界、影响了哪些实体、证据位于哪里以及应如何处置。相比单纯减少告警，这种设计更强调保留底层事实，同时提高高危队列的可信度和可复核性。
2026-07-29｜阿里云云原生｜原文链接
OpsPilot Zero 用四个职责明确的 Agent 和七个可独立评测的 Skill 串起事故接入、根因分析、修复规划和恢复验证，并以 Guardrail、证据链和风险分级限制自动化边界。
文章认为，是否拆分 Agent 应取决于每一步能否产出可被下游独立消费的语义对象。任何根因结论至少需要两条独立证据，修复动作按 L0 至 L3 分级，只有只读诊断和可回滚的低风险操作可以自动执行。作者还强调 Mock 与真实工具应共用 Schema，报告必须记录缺失证据，生产系统则需要补齐评估集、幂等、Trace、Registry 和回滚能力。
2026-07-27｜阿里云云原生｜原文链接
AgentScope 2.0 将 Agent 的推理与状态管理和工具执行分离，使同一 Agent 定义能够在本地、云沙箱或客户 VPC 中运行。
平台划分为控制面、数据面和 Worker：控制面管理 Agent 版本、运行环境和权限，数据面承载会话状态、模型调用与事件日志，Worker 在具体环境中执行工具。系统还区分 Agent 定义、会话事件、推理状态和工作区文件的归属，为多租户、水平扩展和故障恢复提供基础，并支持 Harness 原生委派和平台级 fan-out 两种多 Agent 编排方式。
2026-07-30｜腾讯技术工程｜原文链接
QQ 浏览器团队将研发对话中的纠偏和隐性知识提炼成可被 Agent 召回的高置信团队经验，并通过审核、去重和历史合并治理自动抽取产生的噪声。
初版系统直接从对话中抽取经验，约九成结果缺少复用价值。迭代后的链路增加主题分组、源码事实核验、严格去重，以及 create、update、skip、contradict 四类合并动作，并用“召回后能否让 Agent 产生正向行为变化”判断经验价值。团队披露，该系统已覆盖 6 个仓库、50 余名研发人员，累计处理 1236 次对话，垃圾经验比例由约 90% 降至约 5%。
2026-07-28｜腾讯技术工程｜原文链接
文章将 Graph Engineering 概括为从设计单个 Agent 的循环行为，上移到设计多个 Agent、工具和人的组织关系，并通过节点、边、状态和策略提高系统的可观测性与可恢复性。
文章用上下文腐化、错误级联、工具过载和缺少控制粒度解释单一 Loop 的局限，并介绍提示链、路由、并行、主管—工人和评估—优化等常见拓扑。其核心判断并非所有任务都要改造成 Graph，而是将模型判断放在节点中，将格式校验、测试和状态转移等确定性逻辑放在边与验证器中。文章同时比较了 LangGraph、CrewAI、AutoGen 和 Google ADK。
2026-07-28｜蚂蚁技术 AntTech｜原文链接
Alipay-PIBench 将支付专家对于功能闭环和资金安全的判断转化为 459 条可执行 Rubric，用确定性测试、语义评审和红队攻击评估 Coding Agent 是否完成了安全的支付接入。
PIBench 基于 9 类支付产品和 9 个真实开源项目构造 18 个项目级任务，覆盖支付创建、验签、幂等、金额校验、异常状态、查单补偿和退款边界。其 Mock 网关能够稳定注入签名错误、金额篡改、重复通知和超额退款等异常，并同时检查接口是否拒绝以及数据库是否被污染。团队披露，在 108 组配对实验中，加入结构化接入 Skill 后有 101 组得分提升，平均提高 10.31 个百分点。
2026-07-29｜字节跳动技术团队｜原文链接
SearchCLI 将搜索专家的参数调优过程拆成 Agent 决策、Skill 知识和 CLI 确定性执行三层，使搜索策略能够通过自动实验、评测和比较持续迭代。
系统通过 validate、plan、run、report、compare 和 apply 等命令固化搜索实验流程，并使用检查点、标签缓存和结构化日志保证长任务可恢复、可审阅。SPA 算法将搜索参数编码为带领域含义的 Genome，再通过多保真评测、多视角 Elite 保留和退火机制分配有限的评测预算。团队披露，在三个业务数据集上，自动调优后的 NDCG@20 相较默认策略提高了 11.66% 至 13.50%。
2026-07-29｜得物技术｜原文链接
得物订单系统将 AI Coding 流程重构为需求澄清、技术方案、TDD 实施、门禁卡控和全流程埋点五道关口，让生成代码具备明确输入、验证出口和可追溯的质量责任。
需求阶段以 Gherkin 场景定义验收契约，方案阶段统一描述变更位置、处理逻辑和兜底行为，编码阶段则将工作拆成具有 RED 和 GREEN 验证点的原子任务。各阶段配置独立审核 Agent，最终由 gate-check 汇总结论，并通过增量代码扫描识别稳定性风险。过程看板持续观察知识覆盖、工具成功率、门禁通过率、定位时间和回退频率。
2026-07-31｜大淘宝技术｜原文链接
作者将 AB 实验查询、代码扫描和依赖版本升级分别封装为 Skill，再让 Coding Agent 组合这些能力完成状态核验、代码固化和提测报告生成。
整个过程先扫描代码中的实验 Key，再调用内部平台查询运行状态，筛选已经全量发布的实验，并生成报告供人工确认。为降低修改风险，Agent 没有直接删除分支逻辑，而是将实验 Key 置空并保留原值和下线日期，后续再逐步清理。文章规模不大，但具体展示了如何通过小型 Skill、中间报告和人工 Review 控制 Coding Agent 的执行过程。
2026-07-27｜大淘宝技术｜原文链接
百亿补贴团队以 Spec 作为需求、架构、任务和约束的统一事实来源，让开发者控制关键决策，AI 在明确边界内执行编码，并通过跨会话记忆和多层审查维持复杂业务开发的一致性。
其 SDD 流程分为 Specify、Plan、Implement 和 Validate，文档体系覆盖需求、架构、执行任务和工程约束。团队没有采用完全自动化的长链路 Agent，而是让开发者逐步审核 Spec、方案和架构，再由 Aone Copilot 完成单步实现。topic-open 和 topic-save 将技术决策按主题写入 Markdown，并通过索引按需加载。团队披露，一个具体项目产生了 4000 余行 AI 代码，开发阶段耗时 4 天，但不包含联调。
2026-07-29｜千问 AI 平台｜原文链接
公开榜单只能提供通用坐标，团队仍需要收集真实业务中的困难样本，建立自己的测试集，才能判断模型是否适合具体任务。
文章从 MMLU、LMArena、SWE-bench 到 Agent 全链路评测梳理了不同方法的局限：固定题集会被针对性优化，用户偏好评测容易受到表达风格影响，真实代码任务仍未必匹配企业场景，而完整 Agent 评测又成本较高。作者的实践是持续收集模型处理不好的真实问题，将 Prompt 和期望结果保存成 JSONL，既用于新模型横向比较，也可以作为 Few-shot 示例改善日常输出。
2026-07-31｜火山引擎｜原文链接
Seedance 2.5 试图将视频生成从内容制作延伸到训练数据合成、工业流程培训和智能驾驶仿真，使动态生成模型开始进入实体产业的生产环节。
火山引擎披露，徐工集团、小鹏汽车以及多家具身智能企业已达成合作意向。具身智能团队主要利用其生成不同光照、背景和长尾运动轨迹，工业企业则尝试将 SOP、维修手册和安全规范转化为培训视频，汽车企业还在探索极端天气和复杂交互场景的数据合成。当前材料主要展示合作方向，尚未提供系统性的生产效果或训练增益。
2026-07-27｜腾讯技术工程｜原文链接
文章将自进化 Agent 分为外部 Skill 存储、强化学习内化和零数据自学三条路线，并指出当前被普遍忽视的问题不是如何积累更多经验，而是如何训练负责筛选和整理经验的“总结者”。
第一类方法不修改模型权重，而是把成功轨迹保存成可检索 Skill；第二类通过强化学习将经验内化到模型；第三类让 Agent 自己出题、解题和验证，减少对人工数据的依赖。文章重点比较了 AutoSkill、EvoSkill、SkillRL、SkillOS、AgentEvolver 和 Absolute Zero 等工作，并注意到多数方案仍使用冻结的大模型总结经验。SkillOS 的实验说明，技能管理本身也可能成为需要独立训练的模型能力。
2026-07-27｜美团 Meituan｜原文链接
CatPaw 将目标拆解、多 Agent 并行执行、云端长任务和可复用 Skill 组合为面向商家的 Agent 平台，并通过数据隔离、凭证托管、分级权限和审计限制其操作范围。
商家可以提交经营分析、评价处理或营销内容等任务，系统自动拆解步骤并调度不同 Agent。“操作录制”功能还能将人工流程转化为团队共享的 Skill。美团披露，CatPaw 已在内部运行一年，覆盖 9 万名员工并搭建超过 3 万个 Agent；但文章主要是产品发布介绍，外部商家场景的实际效果仍需继续观察。
2026-07-31｜小红书技术 REDtech｜原文链接
VibeSearchBench 和 VibeLifeBench 分别用模糊需求交互和持续数周的动态世界，测试模型在澄清、主动执行、长期记忆和约束保持方面的真实能力。
VibeSearchBench 的任务从不完整 Query 开始，模型只有主动追问才能逐步获得真实需求；VibeLifeBench 则构造日历、邮件、银行、机票和天气等 22 个模拟服务，并持续注入通知和静默变化。团队披露，搜索评测中 8 个模型的最高 F1 仅为 31.14，生活评测中的最强模型平均分也只有 0.325。失败主要集中在主动性、持久化和跨阶段约束保持。
2026-07-28｜小红书技术 REDtech｜原文链接
Vision-OPD 通过让同一模型分别充当局部裁剪教师和全图学生，把放大区域后才能获得的细粒度视觉判断蒸馏到单次全图推理中。
团队观察到，多种前沿多模态模型在查看局部裁剪图时，准确率比直接查看完整图像高出约 18 至 22 个百分点。Vision-OPD 在学生自己的生成轨迹上进行 Token 级在线蒸馏，不依赖外部教师或人工答案，并通过自动流程合成约 6200 条训练数据。团队披露，9B 模型在六个细粒度视觉基准上的平均分达到 79.68，同时没有明显损伤通用视觉任务表现。
2026-07-27｜蚂蚁技术 AntTech｜原文链接
LLaDA2.2 将扩散语言模型的动作从等长替换扩展到插入、删除、修改和保持，使其能够根据环境反馈调整代码、工具调用和回答结构。
模型通过 L-EBPO 优化动态编辑轨迹，并以工具调用是否成功、输出格式是否有效和任务是否完成作为环境奖励。团队还引入 128K 持续预训练和块级专家路由机制。文章披露，启用 Levenshtein 编辑后，SWE-bench Verified 解决率由 35.8% 提高到 44.4%；模型在 7 个 Agent 基准上的平均分为 53.83，同时 BF16 解码吞吐量达到对照自回归模型的 1.64 倍。
2026-08-02｜梯度不陡｜原文链接
AI 降低了 UI 实现和框架迁移的机械成本，但组件资产的长期价值将更多来自保存业务语义、组织约束和验证证据，而不只是减少重复编码。
文章将前端资产拆分为不同形态：低风险的局部 UI 可以更多按需生成，复杂页面经验可以沉淀为 Pattern 和 Recipe，上传、地图等验证成本较高的能力仍适合保持为稳定组件，支付、审核等业务规则则需要沉淀为领域契约和测试。AI 也会降低 Vue、React 等框架迁移的代码修改成本，但无法替团队回答升级收益和行为一致性问题。传统组件库的代码边界可能收缩，广义组件资产体系则会继续扩展。
2026-08-02｜阿里云云原生｜原文链接
畅捷通先建立覆盖基础设施、应用、业务和用户体验的五层可观测体系，再引入运维数字孪生和 AI 分析，将故障发现、根因定位与自动化处置连接成闭环。
平台整合日志、指标、链路和事件数据，并以 UModel 图模型构建应用、资源和租户的关联拓扑。团队将能力建设分为体系、平台、方法论和 AI 四个阶段，逐步形成“0-2-5-10”应急目标，并在巡检、故障自愈和容量预测中引入自动化动作。团队披露，整体 SLA 从 99.9% 提高到 99.995%，故障定位时间从平均 10 分钟以上降到 30 秒以内。
2026-07-28｜阿里云云原生｜原文链接
SysOM 巡检 Skill 将四十余项系统检查和内存、磁盘等深度诊断工具封装为 Agent 可调用能力，使主机排查从指标告警延伸到具体进程、文件和处置建议。
当巡检命中高风险项后，Skill 会自动调用 memgraph、diskanalysis 等诊断工具，并生成包含异常等级、关键发现、根因和建议的结构化报告。其能力已在阿里云 Skills 平台开源，可供 Qoder、Claude Code 等 Agent 环境加载。团队披露，内部评测的异常识别准确率超过 80%，高风险项误判率为零；详细故障过程属于演示场景。
2026-07-31｜快手技术｜原文链接
快手围绕 Attention 与 MoE 并行、长上下文通信、投机解码、分级 KV Cache 和 PD 弹性调度优化 kLLM，在维持模型能力的同时降低 Token 成本与推理延迟。
团队采用 Request DP Attention 与 EP 组合减少 KV 重复保存，使用 Ring Attention 支持百万级上下文，并通过三级 KV Cache 和 Cache-Aware 路由提高跨请求复用。大 PD 架构则让 Prefill 和 Decode 资源池独立扩缩容。文章披露，8 卡节点有效 KV 容量提高约 7.3 倍，平均 TTFT 下降 25%，典型场景缓存命中率提高 20 个百分点，实例启动时间由约 10 分钟压缩至 10 秒以内。
2026-07-31｜群核科技质量技术｜原文链接
群核科技为缺少明确标准答案的 3DGS 重建建立了覆盖输入质量、图像指标、主观视觉、点云特征、异常检测和性能成本的六维质量体系。
团队首先在 COLMAP 阶段评估注册率、重投影误差、点云密度和相机覆盖度，避免低质量输入继续消耗训练资源；训练结果再结合 PSNR、SSIM、LPIPS、人眼视觉检查以及对 PLY 点云的无参考分析进行判断。回归体系同时提供本地快速验证和线上全量测试，通过固定视角自动渲染并比较不同算法版本。目前部分评分能力已接入自动化流程，后续还计划使用 AI 检测漂浮物、空洞和其他视觉异常。
