阅读笔记 - 2026-06-21
Cell 细胞：[译] Loop Engineering
要点
- 旧的用户输入 prompt 让 agent 去工作的模式已经过时了，现在利用 harness 把发现工作、分发工作、检查工作、记录完成情况、决定下一步的事情，打包了起来。而 loop engineering 是在 harness 之上，再形成循环，生成 helper 自己喂养自己。
- 一个 loop 需要5个东西：
- automations ，按计划自动触发，自己 discovery 和 triage
- worktrees 能在多 agent 之间并行开发
- skills 记录项目知识
- plugins / connectors 接入工具
- sub agents 分工执行
- 还有可能可以接 memory ，可以是外部的记录系统，比如 linear
方法
- codex app 里可以创建 automations , 定义运行环境，时机，还有某个 worktree， openai 内部会自动处理很多事情，都是天然的工程方法的总结，可以 scheduling 或 hooks 执行
- 利用
/loop 反复执行 cadence
- 利用
/goal 一直执行，直到我写下的条件成真，会由多角色独立判断完成情况
我的观点
- 价值：一个对 loop engineering 的快速介绍，其实也是我们在日常使用中的工作模式的总结，总的来说最大的收获是， codex 现在能自己去判断边界达成，或自动构建更灵活的 loop 了，而不需要像我们以前一样手动构建。
- 风险：对现有工作流是否能替换，替换后是否各项指标会下降
- 适用条件：适合在新项目或新流程中尝试
Kyrie：如何快速提升阅历？把老一辈口中烦人的“经验”拆解为可执行步骤
要点
- 在谈判时，要先看清项目约束，用压力状态等到他压力显露，再用品任职这遇到结构性阻力
- 要判断对方对项目理解的模型，看执行者的思考模式，帮他理顺问题结构，还是处理他的情绪问题
实践哥MinLi：Claude Code 动态工作流： 每个任务都可以有自己的 Harness【译】
要点
- cc 提供了 dynamic workflow 功能，自动的编排脚本，执行 harness 。默认的 cc 写代码不错，但做研究或代码审查等，还不是很合适。这篇文章将如何定制 workflow 达到更好的效果
- workflow 能解决 agent 自动停止、结论的偏好偏差，和目标漂移，通过独立 context + subagent 来做
- dynamic workflow 是 cc 自己根据具体场景量身定制 harness
- 自带 6 种组合模式：分类执行、 fanout 并综合、对抗验证、生成并筛选、锦标赛、循环到完成
- 使用场景：迁移重构、深度研究、深度验证、排序、记忆提取和规则遵守、大规模分类处理、探索、评估、智能路由
方法
- 使用提示词技巧
- 结合 goal 和 loop ，给 workflow 定目标
- 设置 token 预算
- 保存和分享 workflow
我的观点
- 价值：一个快速的对 dynamic workflow 的介绍，确实能自动化很多过去需要手动编排的模式，能极大的提升效率
- 风险：可能与静态的 workflow 的效果有冲突。另外调优 workflow 的成本也不低，对于重复性项目有价值，但实际工作中重复性项目其实也不算主流，所以需要多实践多沉淀。
- 适用条件：新项目，快速构建临时性的项目的 workflow 。
九原客：都在讲 Harness Engineer， 甚至说模型以外都是 Harness ，最近和客户/学员沟通，他们刚半知半解上下文工程，又来这个，而且没有实感，理解很混乱😵💫。 我说下我…
要点
- harness 是两件事： workflow 关注工作流，比如 autoresearch ，是方法论。另一个是 harness infra ，包含沙盒和 skills 等
- 两件事情分开看会更清晰
我的观点
- 价值：清晰的判断，我们工作中确实也遇到了 "harness 团队" 到底是做什么工作的问题，业务团队利用开源 harness infra 也能做 workflow ，那么 harness infra 团队的工作到底是帮业务团队做 workflow 还是做工具呢？还是说应该两者结合？我的认为应该是从实际的不可标准化的部分里生长出 infra 来，其他的都可以用开源构建。
0xMiko：Hermes + Polymarket：如何搭建一个能自学习的 BTC 交易代理，从 100 美元小资金开始跑自动化策略
要点
- 文章讲了如何利用 hermes 和 polymarket 的 btc 赌涨跌盘套利，基本原理都是马尔可夫链对下一个交易机会的 gap 判断，从而决定是否入场和下注概率
- 概率过滤、状态持续性过滤、 gap 过滤、利用 kelly sizing 控制仓位
- 利用 agent 的自学习循环，反复调整各项参数，更新策略
方法
- 进场公式： Δ⁽ʷ⁾ = p̂⁽ʷ⁾ − q⁽ʷ⁾ ≥ ε → ENTER , 其中：p̂ = 模型概率 q = 市场价格 ε = 最小 gap
- Markov persistence threshold: p(j*,j*) ≥ 0.87 ，需要某个状态保持超过 87% 以上才动手
- 仓位管理公式： Kelly f* = p − (1−p)/b ，不让 bot 无脑重仓
我的观点
- 价值：在交易市场中此类胜率是需要对比市场中其他人的策略而得到的，如果胜率不好的情况下，很可能活力都没手续费高。更多是一种方法分享，但是否能用于实践，还是要自己尝试。并不这个行当的，无法评论。
GitHub - yaojingang/yao-meta-skill: YAO = Yielding AI Outcomes. A rigorous engineering, evaluat…
要点
- skills 生成技能，能从开发过程中提取，识别这是一个重复 workflow ，并记录可能的输入输出，生成 skill ，并能进行评测和发布
- 可用于：内容工作流技能、团队审核技能、外部分发技能等
我的观点
- 价值：现在的 ai 工具一大问题，文档又臭又长，黑话又多，又没有重点，光首页的文档就“优势”这个话题反反复复说了好几章，真正重要的如何使用只有一点点内容。本身这个工具值得尝试，前提是调优的代价不高。
Kafka：OpenAI、Anthropic 都开始押注 FDE，FDE 才是 Agent 时代的 PMF 范式？
要点
- FDE 就是 ai 驻场工程师，帮客户在现场识别模式，应用 ai ，并交付 ai 能力
- 对 ai 厂商来说，是识别场景，发现问题，从而优化自己的产品，这和传统的 saas 有相似但又不同，因为客户的 ai 能力越强， ai 厂商的 token 才能卖的越多，而不是通过 fde 的一次性销售完成的收入
- 对客户厂商来说，通过这个过程获得 ai 能力，从而扩大自己的产能，或优化自己的工作流程，其实也是完成了一次咨询。能力转移后这样的模式就可以结束，和传统的外包 fde 也有点不同
- "如果一个问题能被需求文档解决，那它早就被解决了。"
我的观点
- 价值：也是一种对公司内 ai 团队困境的一种良好解答， ai 团队通过入住业务团队实现赋能。但这也要分团队，比如一个技术团队往往自己也有工程能力，谁的方案比谁的更好，其实很难说。对 ai 厂商来说是一种商业模式，但对 ai 团队来说到底如何，很难讲。
ginobefun：阿里这篇关于 AI Native 时代组织研发的思考非常值得一读。它在思路一个非常重要的底层问题：过去两千年的组织形态，都是围绕人的局限建立起来的。 https://t.…
要点
- ai可以替代很多组织功能，但人和人之间隐性的运转模式段时间内无法被 ai 弥补，比如很多口头约定，隐性修补，经验猜测等，在人类组织中都是可接受的复杂度，对 ai 来说就不友好。 ai native 转型的瓶颈，是组织信息形态太旧
- 所以资深工程师和架构师就更重要，可以用更高的杠杆来自定义系统如何解决问题。
- 人的管理会更多变成激励、辅导、冲突处理、身份安顿、文化建设等
- 这样的工作环境会把所有工作都推向透明，但创新工作也需要很多的保护空间，过早暴露很难被长期执行和优化
我的观点
- 价值：有一定道理，但这个是公司战略层面的思考，以及这里其实有很多的理想化的内容，认为 ai 是一种独立设施，或者 ai 能在垂直领域中贯通所有人的边界问题。但其实实际情况是， ai 只能是思维的延申，人会忽略的问题，遗漏的文档或 case 边界， ai 一样也会遗漏， ai 对执行判断的结果也是不融惯的， ai 也会形成一个个小的执行团体。我认为部分价值有道理，但整体还过于理想化。