Signal #32：Coding Agent 正在接手研发流程的推进
GitHub 本周公开预览 Dynamic Workflows，让代码规定步骤顺序、结果交接和人工检查点。Kiro Workflows 则把需求、设计、实现和评审组织成可保存复用的执行计划：官方示例中，设计和代码各最多循环三轮，仍未获批准就停止，最后按原始需求验证结果。
这些更新指向一个具体变化：主流 Coding Agent 正把流程推进做成内置、可复用的执行能力。 下一步由谁做、需要带上什么结果、失败后怎样处理，都可以明确写进工作流；工程师也能在运行中暂停、调整和继续。团队跑通的一套研发做法，由此更容易保存下来，交给下一次任务重复使用。
流程自动推进后，团队仍需要定义业务验收标准，并保留关键决策与发布环节的人工判断。
2026-09-30｜小红书推荐系统的 Agentic 发布：跨昼夜任务 Harness 实践
小红书把持续十多个小时、需要等待次日流量验证的发布过程，交给持久化任务和执行引擎推进。
团队先将发布知识整理为 SKILL，但一次参数遗漏仍导致灰度版本直接推全。后续系统明确了流程模板、任务、引擎和提案四类对象：任务保存参数、进度与平台结果，引擎依据状态执行下一步，Agent 的调整方案经过确认才写入任务。版本号乐观锁、协调循环和 Transactional Outbox 用于处理并发与外部操作。文章重点展示了任务怎样脱离会话持续运行，以及人工确认如何嵌入发布过程。
2026-09-28｜高德联合鸿蒙 DevEco CLI：鸿蒙 AI Native 规模化交付实践
高德把鸿蒙适配中的编码、构建、签名、安装和真机验证串成可持续执行的研发流程。
DevEco CLI 将工程动作封装成 Agent 可调用的接口，Harness 连接工程约束、任务状态、执行工具和验收证据。团队通过 Spec 状态契约、可恢复状态机与失败信号推进修复，使任务能在较长周期中继续运行。这篇适合关注移动端 AI Coding 的工程交付：既要给 Agent 执行入口，也要提供可判断的构建与运行反馈。
2026-09-29｜AI Native 回忆录：稳定性前端 S1 实践复盘
阿里稳定性前端团队把项目规则整理为 Skills，并通过统一工作台和插件降低团队接入成本。
复盘从跨岗位生成前端代码后的质量问题展开，记录了补基础课、建知识库和接入平台时遇到的实际困难。最终规则以 When、What、Don’t/Why、How、Map 五个维度进入生成过程，Anchor 工作台再将 Skills、Commands、Agents、Hooks 和 MCP 组织为可安装单元。协作上，设计原型与交付代码分库维护，并提供版本隔离工具。文章的价值在于说明规范怎样进入日常研发，以及共用代码为什么会增加协作成本。
2026-09-23｜AI写得快 ≠ 真正提效：一文讲清Harness"记忆"和"验证闭环"
作者把工程知识、执行工具和验证步骤组织为一套可以反复使用的研发 Harness。
知识库采用两级索引，优先保存容易踩的坑、代码位置和隐含关联，再通过 Hooks 要求 Agent 动手前读取、结束后复盘。平台访问、提交、等待和本地验证被封装为 Skills，组合成从排查、编码到上线验证的流程。较大的任务拆分编码、审查与验证职责，并通过文件交接结果和设置循环上限。这篇同时给出了知识维护与任务收尾的具体做法。
2026-09-24｜拆解京东海博 AI-Native 落地保障：海博团队 AI 知识库能力建设
京东海博将项目与领域知识维护为可复用资产，再按角色和任务提供上下文。
底层按仓库与业务链路组织流程、接口和领域模型，中层为产品、测试、运营派生不同视图，上层通过 Skills 提供读取、跨仓依赖扫描和影响分析。知识按概念维护 Markdown 与元数据，研发过程产物再经蒸馏和人工确认回写。测试用例挂靠业务锚点，用代码变更定位回归范围。这篇适合研究知识如何生产、消费和更新，团队报告的效率数据应保留其对照条件。
2026-09-24｜云效工作项智能优化：先澄清，再开工
云效先识别工作项中缺少的信息，经用户确认后再整理需求、任务或缺陷描述。
需求澄清覆盖场景、规则、异常、验收标准与范围，尚未确定的信息保持“待确认”。内容优化按工作项类型使用不同模板，需求强调功能与验收，任务强调步骤与交付物，缺陷强调复现与验证。结果预览后由用户确认写回，保留原描述中的截图和日志。可参考其如何把需求澄清放到开工前，并避免自动整理时补造业务规则。
2026-09-29｜Android AI 开发，真正拉开差距的是工程闭环
Android 的 AI Coding 工程指南围绕环境准备、分层反馈、验证与独立审查建立任务闭环。
作者建议先标准化 SDK 与命令行环境，再以一个写入者、多个只读分析者组织协作。反馈按静态检查、构建、测试和真实运行分层，任务描述明确验收路径，审查过程与实现分开。团队经验再整理为可加载的规范。可参考其环境准备、协作分工与验收步骤，并用确定性检查确认探索式验证中的发现。
2026-09-23｜一文读懂什么是 Fork
TRAE 的 Fork 可以保留当前对话进度，再从选定位置尝试另一种方案。
文章介绍在 IDE 与 SOLO 模式中复制任务、分叉会话的操作，以及继续原任务、新建任务和 Fork 的适用场景。一个实用限制是：对话分叉后仍可能访问同一工作区的文件，比较方案时要明确是否允许修改，文件隔离需要另行处理。这是一篇工具使用指南，适合需要比较实现路线或回到某个讨论节点继续探索的开发者。
2026-09-28｜改变世界前先认识世界 : Ontology 决策结构化实践
商家财务团队将业务对象、系统位置、交付约束和决策规则组织为可查询、可执行的知识结构。
Ontology 分为业务、系统、交付和治理四层；decision_function 指定需要哪些证据、何时进入某条路径以及哪些路径应被拒绝。Agent 根据当前证据组织后续行动，证据不足时停止推进，结论限定在证据支持的范围内。可重点阅读决策函数的字段设计与知识积累方式：把专家判断拆成可独立维护的规则、反例和案例，便于需求开发、工单处理及数据订正复用。
2026-09-30｜构建稳定的 AI Agent：Harness 工程的核心机制与实践思考
货拉拉以恶意流量分析为例，将工具、数据准备、执行约束和记忆管理纳入 Agent 的运行环境。
团队通过 MCP 和 Skills 暴露原子工具，将大规模原始数据预计算为更小的分析快照，并把稳定查询与分析逻辑固化为脚本。运行过程结合事件触发、重试上限、熔断和版本化记忆，减少重复查询与失控循环。这篇可参考的重点是如何缩小每次推理处理的数据量、让失败有明确处理路径，以及怎样把反复验证过的分析步骤沉淀为工具。
2026-09-30｜高德本地生活分析 Agent 的 AI Native 实践全景（万字长文回顾）
高德经营分析 Agent 的三次返工，分别暴露了证据交接、知识复用和业务判断中的问题。
团队发现，归因计算正确仍可能产出浅薄报告，因此用关键证据清单核对成稿；文档收齐后仍难复用，就将知识拆为行业知识、分析框架和分析方法，并维护指标口径更新链路。质量检查进一步覆盖事实绑定、分析与业务审阅、成稿保真。文章说明经营分析需要同时管理数字依据、口径版本和解释过程。
2026-09-23｜AI 自迭代的小游戏 Agent：2周上线6款小游戏，3天迭代12款小游戏
大淘宝技术用制作人 Agent 协调玩法、策划、美术、代码和关卡生产，并将运营反馈接入后续迭代。
系统结合 LangGraph 与 Claude Agent SDK 组织多角色交接，关卡以算法、参数和 Seed 生成，再通过明确的验证策略检查。运营侧由主持人与专家角色共同分析，配合分层记忆、定时任务和关键方案审核。文章展示了从创意到生产、再到运营反馈的组织方式。标题中的上线数量与迭代周期属于团队案例，人仍负责目标、边界和关键方案判断。
2026-09-28｜从榜单走向真实业务负载：Kernel Agent 刷新 Qwen3.8-Max 核心推理算子性能
Atrex Kernel Agent 将 GPU 算子优化组织为编码、性能分析、正确性验证和版本回退的循环。
文章以真实业务负载中的算子为对象，介绍评测契约、GPU 知识、隔离执行环境和 Supervisor 的分工。正确性、性能验证与候选晋升由控制程序管理，未经验证的候选不能替换当前版本。可参考其如何把优化搜索与验收职责分开。算子加速效果取决于具体硬件、输入形状和对比基线，与整体模型推理收益需要分别衡量。
项目：Atrex Kernel Agent｜atrex-kernels
2026-09-30｜DeepSeek 开源昇腾基础组件
DeepSeek 发布面向昇腾平台的算子编程、计算与通信组件，扩展其开源基础设施。
文章介绍 TileLang 对 Ascend C 指令的封装，以及矩阵计算、跨设备通信、向量算子、稀疏注意力和数据筛选等组件。其中 DeepGEMM-Ascend 与 DeepEP-Ascend 分别提供昇腾上的矩阵计算与通信实现。选用时需要关注各组件支持的设备、软件版本和输入约束。
项目：DeepGEMM-Ascend｜DeepEP-Ascend
2026-09-28｜千问办公 × AgentBridge：连接企业数据，让智能分析触手可及
千问办公与 AgentBridge 将企业多源数据接入、语义理解和 SQL 复核组织为数据分析套件。
千问办公承接岗位任务与最终成果，套件规划分析步骤，AgentBridge 提供连接器、数据目录和查询能力。示例把退单事件、订单商品信息与客服记录关联起来，并引入售后政策等业务知识；口径不明确时先澄清，关键数字用 SQL 复核，生成报告前检查数据新鲜度与完整性。这是一篇产品能力与使用流程介绍，适合观察企业数据如何进入分析任务，实际分析质量仍需在自己的数据上验证。
2026-09-18｜微信AI团队开源WeKnora：给知识库装上"手脚"，AI 从能答到能做
WeKnora 将文档解析、检索和持久知识页面结合，并为 Agent 提供会话工作区与工具执行环境。
文章介绍文档版本、关键词与向量检索、GraphRAG 和 Wiki 模式，以及 Skill Sandbox Runtime：文件读写、命令执行和产物收集在同一工作区完成。Skill 访问范围、网络策略与文件操作边界由管理员配置。可重点看知识检索如何接入任务执行，以及会话工作区如何承接文件与交付产物。
2026-09-24｜Kafka 不止于消息：阿里云发布面向 AI 的流算湖一体化实时数据平台
阿里云将 Kafka 的实时采集、计算和入湖组织为一套平台能力，并区分不同任务的运行路径。
流层承接采集与分发，计算层提供 SQL、实时向量化和模型处理，湖层通过 Table Topic 管理数据到开放表格式的映射与提交。文章进一步说明存算分离以及切换时的单写边界。可重点参考计算任务如何与 Broker 热路径隔离，以及实时决策与历史数据沉淀如何共享底座、分别处理故障。它是产品技术说明，具体可用能力与限制需按部署环境判断。
2026-08-04｜文件上传即可检索｜实时多模态向量链路落地实践分享
火山引擎用 TOS-CDC、Flink 和 VikingDB 串联文件变化、内容处理、向量生成与检索更新。
文章给出两套实现：标准图文检索由 VikingDB 自动向量化；需要自主选择模型、融合图文或向量复用时，由 Flink AI SQL 调用 Embedding 再写入下游。两套方案共享对象存储的持续数据接入，区别在向量化职责和下游组织。它适合关注多模态 RAG 数据更新的开发者，也能帮助比较一条持续链路与多段定时脚本的维护成本。
2026-09-23｜别再只卷向量检索了，得物交易搜索如何用"生成式"实现召回范式跃迁？
得物交易搜索从文本与多模态表征出发，探索行为序列建模和语义 ID 驱动的生成式召回。
团队先用大模型补充商品语义与社区信息，再建立多模态向量表征；后续分别探索深度语义表征、生成式行为建模和语义 ID 召回。文章讨论量化后的离散索引如何连接商品语义与候选生成，以及冷启动、长尾查询、显存和实时更新等工程问题。召回与粗排进一步融合属于架构演进方向，应与已经落地的部分区分。
2026-09-23｜数据涅槃：Agentic 重塑搜推数据生产体系
京东将数据研发中的需求理解、DSL 生成、校验与提交分给 Agent、工具插件和执行平台。
Forge Agent 负责需求澄清和任务组织，Sindri Plugin/MCP 提供上下文查询、DSL 构造与校验等工具，后端生成执行计划，由 ADF 承担调度和生命周期管理。提交前先生成预览，再经用户确认执行。质量核对、数据血缘和监控贯穿生产链路。这篇值得看的是模型与确定性平台的职责划分；进一步的自愈能力仍是后续规划。
2026-09-27｜从页面渲染到智能体：ARMS Node.js 探针解锁 SSR + AI 全链路可观测
ARMS Node.js 探针用同一条 Trace 关联 SSR、Agent、模型、MCP 工具和下游业务服务。
文章以 Next.js 售后页面和 Mastra Agent 为例，让排查从页面入口一路下钻到模型调用、订单接口与 Redis。Agent 视图还记录执行步骤、输入输出、Token 用量与首 Token 时间，帮助区分页面渲染、模型生成和工具背后服务的耗时。这篇适合服务端渲染与 AI 应用开发者，重点是跨层追踪怎样接通；演示中的请求耗时只用于解释定位过程。
2026-09-28｜【世界杯专题02】直播的三套技术底座，如何实现 3 周交付 40+ 需求、千万级 PCU 零事故
小红书直播团队以组件化和动态化缩短交付周期，再用分层降级与多道防线控制大流量风险。
组件按业务模块和数据/UI 层拆分，框架明确初始化与服务注册顺序；二级面板使用 RN，常驻卡片采用轻量 DSL。性能优化优先削减他人特效、弹幕等累计渲染成本，压力进一步升高时仅保留核心链路。接口控制、客户端开关、限流和容量推演共同构成稳定性保障。标题中的交付量与“零事故”为团队赛事复盘结果，不能解释为通用可靠性保证。
2026-09-23｜从"治已病"到"治未病"：浩瀚能源与阿里云共建充电补能异地双活高可用体系实践
浩瀚能源分阶段推进同城多活、异地应用多活和单元化，围绕充电业务建设容灾体系。
文章覆盖流量入口、应用与多种数据库、缓存、消息中间件的双活方案，记录了数据同步限流、锁竞争、网关串流以及 WAF、DNS 配置等落地问题。团队还通过生产演练检查切流与验证过程。可重点参考不同中间件的处理差异，以及架构改造、应急流程和常态演练如何配合；文中的 SLA 99.99% 是治理目标，不能直接写为已达到的全年结果。
2026-09-23｜阿里云日志服务 SLS 全新升级，打造 Agent 时代的智能数据引擎
SLS 将 Agent 运行记录组织为会话资产，并通过语义层、MCP 和 Skills 提供查询与分析能力。
SessionStore 从原始记录中整理消息、模型调用、工具步骤和任务结果，形成轨迹、会话与特征视图。语义层进一步维护实体、指标口径和业务关系，供 DataAgent 或企业自己的 Agent 使用。可参考的工程问题包括如何统一运行事件、管理分析口径，以及让工具返回状态与证据。
2026-09-23｜技术深探：高并发实时服务中，基于源码与架构分析 Lettuce 如何超越 Jedis
文章从命令分发、连接复用和异常恢复入手，对比 Jedis 与 Lettuce，并记录一次渐进迁移。
源码分析围绕 Lettuce 的异步命令、Netty Channel 与响应处理展开，迁移过程则保留上层语义，隔离特殊命令并逐步灰度。它适合关注 Redis 客户端选型与高并发服务的后端开发者。文中吞吐和延迟变化是该迁移场景的观测，不能据此认定 Lettuce 在所有负载下都优于 Jedis；客户端版本、阻塞操作和连接使用方式也会影响判断。
2026-09-30｜发一张图，它居然"跃"出屏幕了？一文读懂得物 3D 空间图片技术实践
得物用端云协同将单张图片生成的三维高斯场景压缩后分发，并在手机上随姿态变化实时渲染。
服务端负责模型生成、质量评估与压缩，客户端解码后用 GPU 绘制。文章讨论 LPIPS、DISTS 等感知指标与传统图像指标的差异，并从减少高斯基元、属性量化、GPU 稳定 Radix Sort 和实例化绘制几方面降低体积与渲染开销。可重点看模型规模、渲染帧率与画质之间的取舍，以及端云协同如何分配生成和渲染工作。
2026-09-30｜81.8 秒、15 个版本：一次纯 Codex 驱动的 AI-native 视频实践
京东工程师用 Codex 串联分镜、动效、配音和混音，制作了一条 81.8 秒的视频。
实现采用 HyperFrames、GSAP、WebGL/Shader 与 FFmpeg，并记录 15 个主要版本的迭代。一个值得前端开发者注意的细节是离线渲染：每帧动画状态应由时间确定，避免依赖此前播放历史，便于任意帧重现与检查。文末将规划、参考拆解、制作和审片沉淀为 ai-video-director Skill。文章展示的是一次有人选方向、持续反馈的制作实践，“纯 Codex 驱动”仍包含人的创意与审阅判断。
