architecture

PostHog 决定将数据仓库从 DuckDB/DuckLake 迁出，原因是单节点引擎和 DuckLake 的目录设计难以支撑云端大规模、复杂的工作负载。文章详述了容量预估、S3 异步抓取、目录统计膨胀以及 Postgres 连接扩展等实际瓶颈。

作者认为 agent harness 本质上是一个分布式系统问题，并引用了 DeepSeek 的 Super-agent 技术文章，该文章表明两级 Router/Worker 设计在延迟和委派可靠性方面优于单一 chat session，同时提出了长期记忆这一关键开放问题。

Matt Pocock 认为，应用状态天然存在于多个地方——例如 URL 和服务器——因此开发者需要一个能够在这些边界之间协调状态的 Effect 系统。

德米斯·哈萨比斯在9月初接受汉娜·弗莱采访时谈到，人工智能数据中心应该设计得美观，而且应当认真对待它们对周边实体环境的影响。

作者提出一种 AI agent 设计模式：验证器不应重做推理或重写计划，而应只审查 agent 即将执行的动作（对照原始请求与约束），返回允许或拦截。文章还讨论了两个失败模式——过于严格与流于形式——并强调验证器必须对 agent 的理由保持盲视。

作者探讨当 AI 编码智能体的代码产出速度超越团队理解速度时，如何通过编译器硬约束、架构骨架、只读契约、重构循环与可抛弃实现等五层治理手段，对抗系统熵增与人类认知破产，守住软件的可维护性。

一条推广 60 分钟技术分享的推文，介绍如何搭建 AI Agent，涵盖架构设计、规则建立、技能配置、验证机制，以及从单个 Agent 到多智能体协作的完整方法。

Snaptrude 正式推出 Snaptrude Agent，一款面向建筑设计的 AI 代理，可从场地或设计简报直接生成含结构、MEP 管线及完整图纸的施工级 LOD 400 模型，同时允许建筑师全程主导设计流程。

本文介绍了 Iris，这是一种多模态 System One 架构，通过对每个候选项进行独立编码，将针对文本候选项的类型化决策扩展到图像候选项，在保持顺序不变性和精确缓存复用的同时，在基于 Multimodal-Mind2Web 构建的视觉候选项基准上取得了较高的准确率。此外，候选项复用将延迟降低了 37–191 倍，并修复了 Qwen3.5 视觉塔在 bf16 cuDNN 下的 Conv3d 性能瓶颈。

提出了名为 Nestor 的嵌套稀疏机制，将条件计算从 MoE 扩展到注意力算子，使稀疏性层级组合，在同等计算与稀疏度下优于传统 MoE，并在长上下文与领域持续预训练中表现更佳。

解析 memt-1.0 的记忆原生架构：该架构采用门控 DeltaNet-2 和混合存储层，将程序性经验内化为模型状态。在 128k 上下文长度下，与完整 KV 缓存相比，推理速度提升至 1.86 倍，存储占用缩减至 1/66。

一位开发者分享了构建 AI 智能体的架构和经验教训。该智能体研究体育赛事对阵，将自身预测与市场赔率进行比较，并在默认需要人工批准的情况下建立链上头寸。该技术栈使用 Claude 进行推理，并使用 Circle Agent Wallets 在以 USDC 支持的结果市场上执行链上操作。

作者讨论了自MTP以来，本地稠密模型缺乏架构层面的速度突破，指出近期的加速主要来自MoE稀疏化，但代价是稳定性下降，并询问是否会有Qwen4-27B这类更快的稠密模型出现。文章对比了稠密模型与MoE模型的可靠性，并指出社区微调主要集中在减少推理token上。

开发者提出在项目增长过程中如何设计 monorepo 结构与开发工作流，以让 Claude Code 持续遵守架构规则并减少上下文消耗，涵盖指令管理、上下文优化与验证方法等系统性问题。

一篇讨论文章，主张 AI 智能体的能力并不等于权限，并围绕五项原则——发现、能力、授权、人在回路中与验证——阐述有边界的智能体自主性，探讨在生产部署中自主性应当止于何处。

Meta 分享其“薄编排器”架构实践：用一个 1300 行、零领域逻辑的路由器把 20+ 工作流分发给 14 个专业化子代理，显著提升了数据管线代理在生产环境中的准确性与效率。

一张面向中文读者的大模型学习地铁图：以 Transformer→GPT-2→预训练→ChatGPT→LLaMA→MoE→推理模型为主干，并分出推理、训练、对齐、架构、应用五条支线，强调亲手实现 GPT-2 作为理解所有后续模型的锚点。

一篇关于软件设计哲学的工程博客，论述优雅的系统设计往往来自于主动放弃某些需求（如一致性、并发写、低延迟等），并探讨了在业务与技术之间权衡取舍为何困难。

Harry Stebbings 分享了一段观点，认为 AI 智能体运行框架（harness）应当与模型解耦以避免厂商锁定，因为框架负责处理数据、API 和记忆。他还称赞了 Benchmark 投资人 Miles Grimshaw 早期押注 LangChain 的眼光。

文章论述检索型智能体不应将所有数据压平为文本块，而应暴露 KB、DB、Graph、Skills、Memory 等多类型数据界面，由检索代理按需选择最小充分集合，并已在 OpenDCAI/DataMind 中实现。