标签
分享 yetone 高产出 AI 编码工作流的解析：核心是将任务拆解为最小可控闭环（写测试、写最小实现、修 bug 三条并行死循环），人类只负责审查与放行，充当严格的质量检查员。
这项基准测试在 Google 的 FRAMES 多跳问题上对比了 18 种 RAG 流水线变体与一个简单的智能体循环，结果发现最佳流水线得分为 78.9%，而一个可以重新搜索的智能体循环达到 92.7%。令人意外的是，重排序往往会降低准确率。作者还指出，尽管明确要求模型仅依据检索到的文档作答，模型有时仍会凭记忆填补信息空白。
作者从零实现了一个极简编码智能体，详细讲解了其架构：包含异步事件驱动的 ReAct 代理循环、带沙箱的 read/write/edit/bash 工具、支持分支与回溯的 JSONL 会话存储，以及用 TypeScript 编写并通过 stdin/stdout JSON 通信的 TUI。
一项实验显示，一个量化的Qwen 3.8 27B模型在单个RTX 3090 GPU上本地运行，自主优化CUDA推理超过三周，生成了功能性的内核和基准测试，同时保持了连贯的长期目标跟踪。
TypeSafe AI 发布了 Jev，这是一个 System One 模型，用于代理循环中的快速结构化决策，与传统 LLMs 相比，在分类任务中提供高达 200 倍更快的推理和 400 倍更低的成本。
OpenAI发布了一份名为‘Defense Factory’的案例研究，描述了它如何在全公司安全冲刺中使用Codex代理和网络模型来查找和修复数百个系统的漏洞，分享了构建基于代理的持续安全循环的实用手册。
Lux3D是Manycore Tech的新3D生成模型，支持基于API的批量创建具有PBR属性的3D资产，集成到智能体工作流中以实现高效生产。
作者描述了AI代理循环的验证步骤静默失败运行测试并导致误报的场景，并给出了改进开发工具以防止类似问题的指导。
OpenAI 开源了 Codex 的核心 Agent Harness，采用 Apache-2.0 许可证，提供 Rust 版本的实现，并通过 GitHub 公开。
一位开发者反思构建AI内容生成智能体循环的经历，发现真正的制约因素不是吞吐量，而是质量控制和相关性，于是采用人在回路的模式，产出数量更少但质量更高的内容。
作者推荐Pi Agent电子书及Learn Claude Code教程，剖析Pi Agent的极简设计、四层架构和核心原理，并提到自己基于其开发的MkAgent。
作者介绍了ARGO，这是一个面向Cursor、GitHub Copilot和OpenCode的开源Agent Loop框架，它将ArchiMate结构化的意图图与GraphRAG检索相结合，使AI编码交付可追踪。它分离了意图、架构和实现的责任，并通过两级验收测试来避免将每次失败都视为代码缺陷。
鼓励开发者通过允许AI代理自动合并代码来关闭代理循环，从而节省时间。
构建了一个代理循环，其中LLM编写Python代码以生成可动3D CAD模型，并可固定一个部件进行编辑。
一个无框架的手动构建简单AI代理的教程，专注于目标、工具调用、观察和决策的核心循环，并提供关于提示词设计、工具暴露、步骤限制和日志记录等实用技巧。
一个开发者用100行Common Lisp构建了一个AI agent，唯一的工具是eval，模型通过递归agent loop执行代码，并通过持久化transcript恢复技能，展示了Lisp作为AI语言的独特优势。
作者回顾了25年前学习Lisp用于符号人工智能的经历，并展示了如何仅用100行Common Lisp代码实现一个现代AI智能体循环，强调递归的优雅性。
Jerry Liu 发布了 LiteParse，这是一个快速且准确的文件解析器，用于代理循环，现已集成到 Vercel 的 Eve 框架中。
Aletheia是一个开源的代理循环，专为调查答案不易验证的问题而设计，例如供应商可信度或财务健康状况。它维护一个明确的信念状态，选择搜索以最大化信息增益，并在证据不足时可以停止而不强行得出结论。