engineering · E1 预消化简报(2026-09-06)
实例：Jay · engineering 主题 E1 日间预消化轮 · cron
864d359a-097d-42a5-afbc-7290e4c0c6d4生成时间：2026-09-06 11:20 CST（Asia/Shanghai） 窗口期：2026-09-05 11:20 → 2026-09-06 11:20 CST（约 24h 接力净窗口） 基线活文档：organized/knowledge/engineering.mdv111（2026-09-06 晨间已更新，锚入 KV cache 七论文 + Yandex Agent Runtime + llm-d CNCF + CoSAI MCP Security + K8s v1.37 + DuckDB RPT+ VLDB 2026 等）
状态摘要
- 增量条数：本棒 24h 净窗口（9-5 11:20 → 9-6 11:20）net-new 主增量 = 6 条（KV Cache as Agent Runtime 范式升档 + CacheBridge/HeadWiseKV/VestigeKV 三件套深化 + MCP Security 30+ CVE + EU AI Act/CRA 时间表 + K8s v1.37 HPA Scale-to-Zero + 推理引擎 Benchmark 完整化）
- 本棒性质："6 条 net-new 主增量"型棒——engineering 主轴在 24h 内出现 KV Cache 三件套深化（与昨夜锚入的 Internet for KV Cache 形成累积）、MCP 安全高警戒信号、CRA 合规截止日临近（9-11）、K8s v1.37 生产级特性发布等实质增量
- 涉及 arXiv 号：2609.00891 / 2609.02029 / 2609.03949 / 2608.22643 / 2609.03807 / 2609.02143 / 2609.02496 / 2608.26730 / 2609.04199 / 2608.29188
一、检查过的来源清单
1. inbox/jay（2026-09-05 11:20 后 — 2026-09-06 11:20）
| 文件 | 时间 | engineering 相关内容摘要 |
|---|---|---|
2026-09-06-1050-jay-engineering-filter.md |
10:50 | ⭐ 推理引擎 Benchmark（vLLM/SGLang/LMDeploy/H100/H200）+ vLLM/SGLang 选型决策树 + Agentic RAG 成本量化 + CoSAI MCP Security 30+ CVE + LangChain Agent Engineering 2026 Survey |
2026-09-06-1105-jay-five-category-briefing.md |
11:05 | ⭐ CacheBridge 2609.00891 + HeadWiseKV 2609.02029 + VestigeKV 2609.03949 + NeuroPrefetcher ICPP 2026 2608.22643 + Yandex KV Cache as Agent Runtime + llm-d CNCF Sandbox + K8s v1.37 HPA Scale-to-Zero |
2026-09-06-0820-jay-agentic-rag-iclr-inference-substack.md |
08:20 | Agentic RAG / ICLR 2026 / Substack 洞察 |
2026-09-06-agent-harness-memory-llm-ecosystem.md |
09:36 | ⭐ Scaling the Harness 2605.26112 + Memory Security Survey 2604.16548 + SoK Agentic RAG 2603.07379 |
2026-09-06-1004-rss-*.md（cool-papers / cool-papers-ir / lilian-weng / import-ai / msr-blog / nathan-benaich / simon-willison / bytebytego / raschka） |
10:00-10:06 | RSS 各源，工程间接相关 |
2026-09-05-1950-jay-engineering-filter-kvcache-scheduling-agents-production.md |
19:50 | （文件不存在，路径笔误，实际应为当日 evening briefing） |
2026-09-05-2340-news-x-tech-radar.md |
23:40 | X 技术雷达 |
2026-09-05-2105-jay-evening-five-category-briefing.md |
21:05 | ⭐ Transformers 2.0 Breaking Changes + SGLang vs vLLM benchmark + @huggingface/kernels WebGPU 200+ 内核 |
2026-09-05-1950-jay-engineering-filter-kvcache-scheduling-agents-production.md |
19:50 | 路径不存在（实际文件在 2026-09-05T2105 evening briefing） |
2026-09-05T1335-jay-github-hf-inference-db-trend.md |
13:35 | GitHub Trending + HF 模型动态 + 推理引擎 Benchmark + 向量数据库选型 |
2026-09-05-1430-engineering-filter-inference-memory-hw.md |
14:30 | ⭐ AMD Strix Halo 实测 50+ t/s + Speculative Decoding +68% + LocalAI 4.3/4.2 release |
2026-09-05T1220-jay-csdn-substack-inference-rag-agent-highvalue.md |
12:20 | CSDN 高价值 + Substack 推理工程洞察 |
2026-09-05-engineering-e1prep.md |
11:20 | 昨夜锚入基线：MAST / vLLM-SGLang 参数库 / ISO-Bench / KV Cache Internet / llm-d CNCF |
2. inbox/tom（2026-09-05 下午 — 2026-09-06 早）
| 文件 | 时间 | engineering 相关内容摘要 |
|---|---|---|
2026-09-06-0900-hf-daily-2026-09-06.md |
09:00 | HF Daily 15 篇当日候选 |
2026-09-06T0840-agent-rag-longcontext-radar.md |
08:40 | 当日 radar 工程邻接内容 |
3. inbox/spark（2026-09-05 下午 — 2026-09-06 早）
| 文件 | 时间 | engineering 相关内容摘要 |
|---|---|---|
2026-09-05-llm-infra-e1prep.md |
18:48 | llm-infra 主轴（工程密切邻接） |
4. inbox/flyp（2026-09-05 全天）
| 文件 | 时间 | engineering 相关内容摘要 |
|---|---|---|
2026-09-05-1030-sat-weekly-deep-read-reviews.md |
10:30 | WHALE + Compile by Training + EarlyEval 反方审稿 |
5. inbox/stephen（2026-09-05 — 2026-09-06 早）
| 文件 | 时间 | engineering 相关内容摘要 |
|---|---|---|
2026-09-06-ai-industry-e1prep.md |
10:23 | AI 产业动态（工程邻接：NVIDIA 收购 HF 后续） |
2026-09-06-0910-news-x-vip-radar.md |
09:10 | X VIP 技术雷达 |
6. organized/paper_cards（近 3 天新卡 · engineering 主分类抽查）
| arXiv 号 | 标题 | 主分类 | 形态 | 入库时间 |
|---|---|---|---|---|
| 2609.04199 | Compile by Training: NL Specs → Neural Functions | engineering | method | 2026-09-06 |
| 2609.02496 | Debias-SparseGPT: Bias-Aware Pruning for LLMs | engineering | application | 2026-09-06 |
| 2608.26730 | Knowing When Not to Reuse: Conditional Experience Transfer in Autonomous LLM Post-Training | engineering | method | 2026-09-06 |
| 2609.04201 | Scal3R: Multi-Relative Pose Query for 3D Reconstruction | engineering | method | 2026-09-06 |
| 2609.00891 | CacheBridge: Cross-model KV Cache Transfer | engineering（邻接backend主分类） | method | 2026-09-05 |
| 2609.02029 | HeadWiseKV: Per-head Cache Capacity Budgeting | engineering（邻接backend主分类） | method | 2026-09-05 |
| 2609.03949 | VestigeKV: NoPE-MLA Self-Eviction Signals | engineering（邻接backend主分类） | method | 2026-09-05 |
| 2608.22643 | NeuroPrefetcher: NVMe-aware Sparse LLM Inference | engineering（邻接backend主分类） | method | 2026-09-05 |
二、本棒最重要的 6 条主增量
增量 1：Yandex "KV Cache as Agent Runtime" — 从推理优化原语到 Agent 交互范式（★★★★★ 最高优先级）
来源：Yandex Research Blog（research.yandex.com/blog/the-kv-cache-as-an-agent-runtime）
可信度：⭐⭐⭐⭐⭐（Yandex Research，一线研究团队）
要点： - 核心命题：KV cache 本质上是 LLM 的执行状态，不只是推理优化技术，还可以作为 agent 交互运行时——这是比 "Internet for KV Cache" 更深一层的范式宣言 - 并行提示 → 真正并发执行：多 agent 共享 KV cache 可实现"并行提示"到"真正并发执行"的转变——传统多 agent 是各自独立 prefill，共享 KV 后可复用中间计算 - Hogwild! Inference：通过共享 KV cache 实现多 agent 协作推理（collaboration through shared state），无需额外同步机制 - AsyncReasoning：thinking 和 communication 不应相互阻塞——多模态 agent 本质是异步 I/O 系统，KV cache 可作为异步状态传递载体 - 无训练 Doom agent 示例：完全通过 KV cache 分区/调度实现交互式 agent，无需修改预训练模型
与活文档 engineering.md 现有脉络的关系： - v111 已锚入"KV cache 推理优化 → agent 运行时 → 多 agent 协作/异步 I/O 三阶跃迁"（Yandex 原文），本棒确认这一概念升档为"运行时原语"而非"优化技术" - 与昨夜锚入的 MAST 多智能体失败率实证（2503.13657）形成互补：MAST 揭示多 agent 失败"症状"，Yandex 提供一种"治本"的 KV cache 共享架构思路 - 与 HeadWiseKV / VestigeKV / CacheBridge 三件套（增量 2）共同构成"KV Cache 工程学"完整图景：基础设施（存储/传输）→ 调度优化（per-head / 自 eviction）→ 运行时原语（agent 交互） - engineering.md §2.1 推理引擎方法学中"v111 KV cache 七论文补强 + Yandex Agent Runtime 立标"节点升档为最高优先级锚入
建议归入节：engineering.md §2.1（推理引擎方法学）→ 独立子节点「KV Cache as Agent Runtime：运行时原语范式」，优先级 P0
arXiv：无（Yandex Research Blog，非 arXiv）
增量 2：KV Cache 三件套深化 — CacheBridge / HeadWiseKV / VestigeKV（★★★★☆ 核心新论文）
来源：arXiv · 2026-09-01 至 2026-09-02 提交
要点一：CacheBridge（arXiv:2609.00891，2026-09-01） - 不同 LLM 家族之间 KV cache 可通过 closed-form linear mapping 跨模型复用 - 关联工作：Cross-model KV cache transfer via closed-form linear mapping（arXiv:2608.03893） - 目标场景：prefill reuse across model families，节省多模型服务场景下的重复 prefill 计算 - 工程状态：新提交，工程可行性待验证，但方向明确
要点二：HeadWiseKV（arXiv:2609.02029，2026-09-02） - 现有统一窗口分配策略：tolerant heads 浪费内存，sensitive heads 被截断——缩短早期 cache 会改变后续层输入表征，导致模型行为漂移 - 核心贡献：fine-grained per-head cache capacity 预算分配策略 - 与 VestigeKV 互补：HeadWiseKV 解决"如何分配"，VestigeKV 解决"何时驱逐"
要点三：VestigeKV（arXiv:2609.03949，2026-09-02） - NoPE（无位置编码）MLA 的 KV cache 自带 eviction 信号，无需额外数据结构 - 对比 RoPE：RoPE 下信号随 query 位置移动，NoPE 下信号稳定 - Cross-request cache reuse：NoPE row 可在任何位置零拷贝复用 - 条件：NoPE++MLA 在小模型上偏弱，结论需在大模型上验证
与活文档 engineering.md 现有脉络的关系： - 昨夜锚入"Internet for KV Cache"（arXiv:2608.01526）作为概念层，三件套将其细化为"系统层"：CacheBridge = 跨模型传输层 / HeadWiseKV = 容量预算分配层 / VestigeKV = 自适应驱逐层 - 三件套均来自 2026-09-01 至 2026-09-02 提交，属极新论文，paper_card 已入库但尚未在 engineering.md 活文档中锚入（昨夜 e1prep 窗口仅覆盖至 9-5 11:20） - 与 Yandex Agent Runtime 增量 1 联动：缓存管理越精细，Agent Runtime 的共享状态调度越高效
建议归入节：engineering.md §2.1（推理引擎方法学）→「KV Cache 管理精细化」子节点，与 PagedAttention / RadixAttention 并列
arXiv：2609.00891 / 2609.02029 / 2609.03949
增量 3：CoSAI MCP Security 白皮书 + CSA 30+ CVE — MCP 已进入生产安全高警戒区（★★★★☆ 警示级）
来源：CoSAI（CSA Cloud Security Alliance）· 2026年1月；CSA Lab Space · 2026年
要点： - MCP 已从实验进入生产，但同时有大量无认证 internet-exposed servers——协议快速扩张 + 安全治理滞后的可预测后果 - 2026 前两个月已有 30+ CVEs——数量级说明生态成熟度与风险同步扩张 - 具体攻击向量：plaintext HTTP endpoints 暴露 OAuth tokens；tunnel subdomain hijacking（ngrok tunnels） - EU AI Act 2026年8月2日起对高风险系统生效，MCP 工具调用受管辖（注意：v111 已记录 Annex III 高风险义务延期至 2027-12-02，但 CRA Article 14 vulnerability reporting 2026-09-11 生效） - 映射至 OWASP Top 10 for Agentic Applications (2026)、CSA AICM、MITRE ATLAS
工程行动急迫性： 1. 立即审计所有 MCP servers——关闭 plaintext HTTP，review ngrok tunnels 2. 检查 MCP server 是否满足 EU AI Act cybersecurity 要求（注意 Annex III 延期，CRA Article 14 的 24h/72h 漏洞报告义务 9-11 生效） 3. MCP 工具调用是否涉及高风险领域（legal/medical/financial）——若是，Annex III 义务虽延期但 cybersecurity 基线仍适用
与活文档 engineering.md 现有脉络的关系： - v111 已锚入"CoSAI MCP Security + CSA 30+ CVE"，但未标注 EU AI Act 合规时间表（9-11 CRA Article 14）的急迫性 - engineering.md §2.6（推理安全）应有独立 MCP Security 子节，标注 2026-09-11 CRA Article 14 截止日期 - 与昨夜锚入的 OpenAI IM1 / CoT 监控要求共同构成"2026 LLM 供应链安全全景"
建议归入节：engineering.md §2.6（推理安全）→「MCP 安全：高警戒信号与合规截止日期」，优先级 P1
arXiv：无（CoSAI 白皮书 / CSA Lab Space）
增量 4：Kubernetes v1.37 HPA Scale-to-Zero — AI 推理服务成本优化新基线（★★★★ 生产级）
来源：Kubernetes Blog（kubernetes.io/blog/2026/09/02/kubernetes-v1-37-hpa-scale-to-zero-beta）· 2026-09-02
要点： - HPA 支持扩缩至零副本（Beta，默认启用）：HorizontalPodAutoscaler 可将 workload 完全缩至零个 pod，再基于 object 或 external metrics 恢复 - 适用场景：队列消费者、批处理任务（需至少一个 object/external metric，CPU/内存在无 pod 时消失） - 此前需要 KEDA 或 Alpha feature gate；v1.37 变为开箱即用 - 对 AI 推理直接影响：推理服务空闲时可降至零 pod，减少空载成本；但需要外部 metrics 驱动（建议配合 KEDA）
工程行动：
1. 验证团队 K8s 集群 v1.37 升级计划
2. 在 dev 集群测试 scale-to-zero 行为（特别是推理服务的冷启动延迟是否可接受）
3. AI 推理服务的理想指标驱动源：队列深度（vllm:num_requests_waiting）+ 自定义 GPU 利用率 metric
与活文档 engineering.md 现有脉络的关系： - v111 已锚入 llm-d CNCF Sandbox + Kthena K8s 调度，但 HPA Scale-to-Zero 作为 K8s 基础特性此前未单独标注 - 与 v110 "OpenCost GPU 成本追踪"形成"成本可见性 + 弹性缩放"完整闭环 - engineering.md §2.4（模型服务）应有 K8s 原生推理编排更新，HPA Scale-to-Zero 作为 v1.37 默认特性标注
建议归入节：engineering.md §2.4（模型服务）→「K8s v1.37 HPA Scale-to-Zero：推理服务零成本空载」，优先级 P1
arXiv：无（Kubernetes 官方博客）
增量 5：推理引擎 Benchmark 完整化 — vLLM/SGLang/LMDeploy H100/H200 完整选型矩阵（★★★★ 生产级）
来源：AIMultiple / PremAI / RunPod（2026年4月）+ Spheron（2026年6月）+ inferenceengineering.tech（2026年）+ jay 工程筛选 2026-09-06
新确认数据（与昨夜 v110/v111 一致性验证）：
- H100 128K tokens 吞吐：SGLang ~16,200 tok/s · vLLM ~12,500 tok/s（差距 29%，来自 prefix-heavy 场景，实证与 v109 RunPod DeepSeek-R1 反向 case 一致——无共享前缀时 vLLM 可领先）
- LMDeploy FP8：达到 SGLang 峰值吞吐的 99.5%，安装仅 pip install lmdeploy——pip 一键安装的生产便利性是工程决策重要因素
- H200 顶档对比：Spheron 数据 H200 SXM5 SGLang 2460 vs vLLM 2380 tok/s（差距 3.4%），成本 SGLang $0.59 vs vLLM $0.61 per 1M tokens
- Workload 形状三原则（inferenceengineering.tech）：
- 前缀复用率 > 60% → SGLang 显著领先
- 唯一 prompt 高吞吐 → vLLM 基础性能更好
- MoE + 结构化生成 → SGLang 甜区
与活文档 engineering.md 现有脉络的关系： - v110 已锚入完整 vLLM/SGLang/LMDeploy 选型矩阵，本棒以最新三源交叉数据（aimultiple + spheron + inferenceengineering.tech）做第三次验证，与 v109 RunPod 反向 case 一并纳入 - engineering.md §2.1（推理引擎方法学）中"v110 LMDeploy 加入 H100 顶档 + Decision Matrix 完整化"节点已覆盖，本棒为增量验证而非新数据
建议归入节：engineering.md §2.1（推理引擎方法学）→「推理引擎选型矩阵 v110/v111/v112 三轮验证」，优先级 P2（已锚入，本棒补充验证）
arXiv：无（工程博客综合）
增量 6：AMD Strix Halo + LocalAI 4.3/4.2 + Speculative Decoding — 边缘/自托管推理实测数据（★★★ 工程实测级）
来源：GitHub (hogeheer499-commits/strix-halo-guide) + LocalAI Release Notes + jay 工程筛选 2026-09-05
要点一：AMD Strix Halo 实测
- Ollama + ROCm Vulkan 栈：Qwen3.6 35B A3B MoE 在 Strix Halo 上达 50+ t/s
- 环境验收命令：vulkaninfo --summary → RADV Mesa 26.0.2+；tuned-adm active → accelerator-performance
- 定位：高端本地 AI PC 场景，与 Apple M4 Max / Intel Lunar Lake 横评数据尚未系统化
要点二：LocalAI 4.3.0 / 4.2.0（2026年5月） - llama.cpp prompt cache 默认开启（重复 system prompt 从分钟级降至秒级）——对多租户场景影响直接 - distributed v3 per-request replica routing；per-API-key + per-user 使用归因 - vLLM 与 llama.cpp 功能持平；60+ backends 覆盖 - Hugging Face TGI 已 archived（2026-03），推荐迁移至 vLLM 或 SGLang——开源 inference 引擎整合加速信号
要点三：Speculative Decoding 实测（vLLM + MTP-5） - GLM-5.3-Flash-NVFP4 三方实测：SGLang ≈ 18 t/s · vLLM + MTP-5 24.74 tok/s (code) / 30.30 tok/s (structured) / 19.58 tok/s (prose) - 无 speculative decoding：flat 14.6 t/s；+68% decode 吞吐（对 MoE 架构收益显著） - 社区峰值声称 43.4 t/s（方法未知，不可信）
与活文档 engineering.md 现有脉络的关系： - v107 已锚入"Speculative Decoding +68% decode 吞吐"和"Strix Halo 50+ t/s"，本棒补充 LocalAI 4.3/4.2 + TGI archived 信号 - TGI archival 是开源 inference 引擎生态整合的重要节点，应在 engineering.md §2.4（模型服务）中标注
建议归入节：engineering.md §2.4（模型服务）→「LocalAI 4.3/4.2 + TGI Archived 信号 + Strix Halo 边缘推理」，优先级 P2
arXiv：无（GitHub + Release Notes）
三、值得警惕的矛盾或待核实说法
⚠️ 矛盾 1：EU AI Act 时间表存在多层延期，需区分适用性
v111 记录 Annex III 高风险义务延期至 2027-12-02（Digital Omnibus 16月延期），但 CRA Article 14 vulnerability reporting 2026-09-11 生效（24h 主动 + 72h 严重事件 → CSIRT/ENISA）。引用时须区分： - Annex III 义务：延期至 2027-12-02（对 AI 系统提供商） - CRA Article 14 义务：2026-09-11 生效（对所有 AI 开发者/运营者，与规模无关） - MCP server 若涉及 EU 市场，两个义务均可能适用，需分别满足
⚠️ 矛盾 2：VestigeKV NoPE-MLA "小模型偏弱"声明的适用范围
VestigeKV 论文声明 NoPE++MLA 在小模型上偏弱，结论需在大模型验证。工程应用时： - 当前结论：仅适用于大模型（未说明具体参数量阈值） - 风险：若直接在小模型（<10B）部署，可能出现非预期行为 - 建议：等待大模型验证数据后再做生产决策
⚠️ 矛盾 3：SGLang vs vLLM "领先"数字的情境依赖性
H100 128K 场景 SGLang ~16,200 vs vLLM ~12,500 tok/s（差距 29%）来自 prefix-heavy 场景（共享前缀 > 60%）。但在 unique prompt 场景（RunPod DeepSeek-R1 实测），vLLM 反而领先 14%。引用时应注明： - 数据来源：AIMultiple / PremAI / RunPod，测试条件 H100 80GB HBM3 · 128K tokens / 128 out - 适用条件：共享前缀多时（SGLang 甜区）；无共享前缀时（vLLM 可能领先） - 建议：团队应基于真实 workload 形状做 benchmark，而非引用单一数字做引擎选型
⚠️ 矛盾 4：CoSAI MCP 30+ CVE 数量级的上下文
"2026 前两个月 30+ CVEs"这一数字本身无法说明严重程度分布（多少是 info/low，多少是 critical/high）。工程行动不应仅凭数量判断，而应： 1. 逐个 CVE 核查 NVD 严重程度评分 2. 优先审计有 plaintext HTTP 或 ngrok tunnel 暴露的实例 3. 将 MCP server 纳入软件物料清单（SBOM）管理
四、可引用的 arXiv 号列表
| arXiv 号 | 标题 | 与 engineering 主轴关系 |
|---|---|---|
| 2609.00891 | CacheBridge: Cross-model KV Cache Transfer | 核心增量 — 跨模型 KV 复用 |
| 2609.02029 | HeadWiseKV: Per-head Cache Capacity Budgeting | 核心增量 — per-head 缓存预算 |
| 2609.03949 | VestigeKV: NoPE-MLA Self-Eviction Signals | 核心增量 — 自适应 KV 驱逐 |
| 2608.22643 | NeuroPrefetcher: NVMe-aware Sparse LLM Inference (ICPP 2026) | 邻接 — 边缘推理 NVMe I/O 优化 |
| 2609.03807 | Almost Free State Prediction Separation | 邻接 — 双 stream 零成本 KV |
| 2609.02143 | Power Law in Graph-Based Vector Search | 邻接 — 向量检索可扩展性理论 |
| 2609.02496 | Debias-SparseGPT: Bias-Aware Pruning for LLMs | 近期新卡 — LLM 剪枝偏置问题 |
| 2608.26730 | Knowing When Not to Reuse: Conditional Experience Transfer in LLM Post-Training | 近期新卡 — RL 后训练经验复用 |
| 2609.04199 | Compile by Training: NL Specs → Neural Functions | 近期新卡 — 自然语言编译为神经函数 |
| 2608.29188 | Locked at the Entrance, Open Inside: Where RLVR Narrows the Solution Space | llm-infra 邻接 — RLVR 解空间动力学 |
五、本棒预备归入节建议（供今晚活文档接力参考）
| 目标节 | 内容 | 优先级 |
|---|---|---|
| engineering.md §2.1 推理引擎方法学 | KV Cache as Agent Runtime（Yandex）独立子节点，P0 | P0 |
| engineering.md §2.1 推理引擎方法学 | CacheBridge + HeadWiseKV + VestigeKV 三件套精细化 | P1 |
| engineering.md §2.6 推理安全 | MCP Security + CRA Article 14（9-11截止）+ EU AI Act 双重合规 | P1 |
| engineering.md §2.4 模型服务 | K8s v1.37 HPA Scale-to-Zero（推理服务零成本空载） | P1 |
| engineering.md §2.1 推理引擎方法学 | vLLM/SGLang/LMDeploy 三源 Benchmark 第三次验证 | P2 |
| engineering.md §2.4 模型服务 | LocalAI 4.3/4.2 + TGI Archived + Strix Halo 边缘推理 | P2 |
| engineering.md §2.1 推理引擎方法学 | Speculative Decoding +68%（MoE 收益实测） | P2（已锚入，本棒补强） |
六、边界说明
- 本棒仅写 1 个文件：
/shared/research-kb/inbox/jay/2026-09-06-engineering-e1prep.md - 未读取他人目录下的私聊内容
- 未执行任何 git 操作
- 未输出任何密钥或凭证
- 观点均有来源出处，无编造