scaffold

这条推文介绍了一种用于AI开发的标准化技能脚手架模板，旨在确保一致的文件夹结构，减少CI中断，并通过关键组件如合同文件和测试夹具来加速审查流程。

介绍了信念校准优化（BCO），这是一种通过显式跟踪和修正对编辑环境响应的信念来维护持久世界模型以提高LLM智能体性能的方法。

本文表明，代理工具框架（脚手架）的选择可能导致每个已解决任务的令牌数差异高达40倍，而模型通过率变化很小，这表明在以人为本的编码代理评估中，应该比较工具框架-模型对，而非仅比较模型。

一项涵盖239篇论文的调研，分析AI智能体如何通过更新模型本身或框架（提示、记忆、工具）来自我提升。

这篇论文提出了一种自我改进智能体的新颖蓝图，通过元智能体和反馈智能体结合支架编辑和权重训练，在AlphaFold的CUDA内核上实现了14倍加速。

本文描述了一个脚手架（scaffold），它通过在 Qwen-3.6-27B 和 Gemma-4-31B 上使用迭代修正和分支探索来扩展测试时计算，从而在代码优化方面超越 Claude Mythos。文中附有论文链接和 GitHub 仓库地址。

作者提出，在多智能体AI系统中，持久化记忆应该归属于项目所有者，而不是任务专家，这一观点借鉴了咨询公司的实践和关于项目记忆的学术文献。他们提供了一个研究框架，包含模板和评估准则，用于进行现场试验。