agent · E1 预消化简报(2026-10-31)

批次：宿主机增量清单 work-guard job 8958350c-dd9b-4339-a8a5-e6ba09fc70cf（item e1_prep:agent，score 8，清单材料 8 件）。 对照基线：organized/knowledge/agent.md v126（cutoff 2026-10-31 10:30 CST，负责人 spark）。 本轮结论：净增 2 条（其余 6 件为 v126 已实质处理的重覆盖件，非新增观点）。未做全库扫描、未做网页搜索补料。 证据等级：本轮 L0（库内既有资产交叉比对） 为主 + L1（repo_card / paper_card 字段级）；未安装、未运行、未实测；L3 全文级 0 件。

0. 先说最重要的：清单 8 件里只有 2 件是新的

清单里的材料与今天 10:30 的 v126 批次高度重合。逐件比对 knowledge/agent.md 正文（排除 §9.4 锚点区行）后：

清单材料 v126 正文覆盖情况 本轮判定
note-links inbox/stephen/2026-10-31-1000-news-tldr-ai.md §1 已展开（DeepMind 经济学框架 / Raindrop swarm / Altman"一万亿小群体" / Droid 1.0 / Mistral Large 4 列入 §6 未展开条目） 重覆盖，非新增
note-links inbox/stephen/2026-10-31-0910-news-x-vip-radar.md 8 条原帖全部有落点：Mollick 协调论→§1；Mollick 协调论→§1 论证结构级；Anthropic self-assessment→§1+T317；Artificial Analysis 换基准 / 专家锚定效应→§1 邻接条目；药物发现 / AI for Science / HuggingFace 入门 / GPT-6 Pro 犯罪研究→§6 未展开条目 重覆盖，非新增
paper_cards 714-2608-01678.md（Skill-α） §1 正文已按 arXiv 摘要页 v3 + ejhshen/skill-alpha README 双源核实展开（T312 / 脉络二 / Q105.599 / 争议②） 重覆盖，且 v126 深度已超本清单卡片
repo_cards 4681-anthropics-single-agent-loop-kit.md §1 + T315 + 脉络三 + Q105.600 重覆盖
repo_cards 4577-zapier-automationbench.md §1 + T314 + 脉络四 重覆盖
repo_cards 4575-opendatabox-workspace-bench.md §1 + T314 + 脉络四 + §3 争议⑤ + Q105.597 重覆盖
repo_cards 4602-typesafe-ai-skills.md 仅 §9.4 URL 锚点，正文无实质条目 🟢 净增 1
repo_cards 4576-stanford-iris-lab-meta-harness.md 仅 §9.4 URL 锚点，正文无实质条目 🟢 净增 2

这两条为什么算净增：它们在 v123 轮曾作为 "repo_card 立标" 出现在 knowledge/archive/agent-changelog.md（该轮记为 "7 件 repo_card 构成能力封装+交付协议+本地适配三通道实体化(T283)：typesafe-ai/skills(2778★)· meta-harness(2603.28052 官方仓)…"），但只是立标式一句话，随后被移出活文档正文——当前 v126 正文对二者零实质描述。二者在库内另有独立攻略文件（organized/guides/typesafe-ai-skills.md、organized/guides/stanford-iris-lab-meta-harness.md），故本轮可在不外网检索、不凑字数的前提下给出可核查的实质增量。

1. 今日该主题最重要的增量

增量 1 · stanford-iris-lab/meta-harness — harness 优化从"手工调"变成"用 coding agent 自动搜"

  • 来源：organized/repo_cards/4576-stanford-iris-lab-meta-harness.md（仓库 https://github.com/stanford-iris-lab/meta-harness · 1,730★ · +21/周 · Python · MIT · 最近提交 2026-10-02 · 成熟度 research · 采集于 2026-10-31）；实质内容取自库内攻略 organized/guides/stanford-iris-lab-meta-harness.md（作者 Jay，更新 2026-08-20），其核验链已含 GitHub README + arXiv 摘要页 + 作者主页三方交叉。
  • 要点：论文 arXiv:2603.28052《Meta-Harness: End-to-End Optimization of Model Harnesses》，COLM 2026，来自斯坦福 IRIS Lab + Cornell + MIT。机制：把 coding agent（默认 Claude Code）作为外层搜索器，自动搜索/演化 harness 代码——把历史候选的源代码 + 执行轨迹 + 评估分数放进文件系统，让 proposer 用 grep/cat 自由读取。每次迭代最多利用 10M tokens 诊断上下文，远超此前方法的 26K 上限。已核实数值：文本分类（GPT-OSS-120B）48.6% vs ACE 40.9%，上下文 203K → 45.5K 字符；检索增强数学推理（200 道 IMO 级题）5 个未见模型平均 +4.7 分（34.1% → 38.8%）；TerminalBench-2（Claude Opus 4.6）76.4% pass rate，排名第 2。⚠ 攻略已显式判定原帖声称的 "Qwen3-8B ALFWorld 96.9%" 在论文/README/作者主页三处均无出处，属原帖单方面主张，已从攻略删除——不可引用。
  • 与活文档 knowledge/agent.md 现有脉络的关系：直接补强 v126 §2 脉络三（harness 成为一等工程对象），且补上该脉络目前唯一的缺口。v126 脉络三靠 Droid 1.0 的"跨模型调优才可泛化"判据（T313） + v125 Anthropic kit + v124 wmux 立住"harness 是可被独立工程化、独立测量的对象"这一主张层；但 v126 全文没有任何一条材料回答"harness 本身如何被搜索出来"。Meta-Harness 恰好提供该缺失的一环：Droid 1.0 说"要跨模型调优才泛化"，Meta-Harness 说"而且调优这一步本身可以自动化"。两条同向且互补，不冲突。
  • 建议归入哪一节：
  • §1 现状全景：新增一条以 ⚠⚬⚬⚬ 标注的要点条目（与 T309/T310 同级），明确写清 "COLM 2026 顶会论文、10M tokens/步、方法边界"。
  • §2 脉络三：改写为「harness 成为一等工程对象，且其优化过程本身可被自动化搜索」，把 Droid 1.0 → Meta-Harness 排成一条证据链。
  • §5 趋势：新增 T319（见 §5 建议）。
  • §8 跨主文档边界：meta-harness → coding-agents(主) + agent(邻接)，并与 guides/x-tip-20261010-harness-engineering-performance-gap.md 已记的 "6× 性能差距" 做同源互引（⚠ 二者口径不同：6× 来自该 x-tip 攻略所引 Meta-Harness 论文的数字，本轮未核该 6× 出处，不得与上列 48.6%/+4.7 分/76.4% 相加或相减）。
  • ⚠ 必须保留的边界：① 论文实验用 Claude Code 作 proposer，换其他 coding agent 需自行适配 wrapper 且效果可能不同；② 搜索集与 held-out 测试集必须严格区分，存在搜索集过拟合风险；③ 演化出的 harness 可能难以解释；④ 每次迭代 10M tokens → 成本高，攻略明确提示需关注预算；⑤ 适用于"模型固定、优化点在 harness 层 + 有稳定评估循环 + 有可观察失败模式"，不适用于增益须来自换权重、一次性工作流、搜索空间过小或评估噪声过高的场景。

增量 2 · typesafe-ai/skills — skill 的第二类形态：不是"怎么做"，而是"怎么判断"

  • 来源：organized/repo_cards/4602-typesafe-ai-skills.md（仓库 https://github.com/typesafe-ai/skills · 2,855★ · +7/周 · MIT · 最近提交 2026-10-23 · 成熟度 research · 采集于 2026-10-31）；实质内容取自库内攻略 organized/guides/typesafe-ai-skills.md（作者 spark，更新 2026-10-24），核验链含 README + SKILL.md 全文 + docs.typesafe.ai 的 llms.txt/api.md/quickstart.md/sdk-python.md/jev-1.13.md/agent-skill.md 共 8 份一手来源。
  • 要点：这是一个几乎只有一个 SKILL.md（约 10 KB）的极简 skill 仓库，让编码 Agent 掌握 TypeSafe System One API。底层模型是 Jev——路线与 GPT/Claude 的"生成文本"完全不同：接收自然语言与结构化状态，吐出带类型、带概率的判断结果，四种原语：Choice（选一个 + 各选项 probabilities + confidence）、Score（有序档位打分）、Noul（陈述真假的 0–1 概率）、Box（图片目标定位）。核心命题：不是所有 AI 任务都需要"生成"，很多任务需要的是"判断"；准则一句话——"Keep known rules, calculations, exact lookups, and execution in code." 落地场景：工单路由、RAG 段落筛选、引用核查、LLM 护栏、合规分类、抽取级联、实体对齐。⚠ 官方 "Jev 1.13 jaggedness" 页列出的失败模式中，最值得注意的一条是 Choice 的选项顺序会影响答案（官方观察到偏向靠前选项）。
  • 与活文档 knowledge/agent.md 现有脉络的关系：给 v126 §2 脉络二（技能从"人工产物"升级为"可优化对象"）补上一个此前缺失的维度——skill 的"用途分类"。v126 脉络二的时间线是：v124 KalarisLabs/research-agent-skills 280+ 学科化技能（广度）→ v125 Anthropic kit 把子 agent 折叠为"挣得自己上下文的 skill"（压缩）→ v126 Skill-α 用 RL 学渐进式生成策略（如何产生）。typesafe-ai/skills 落在另一个正交轴上：它证明skill 不只是"如何做事"的操作手册，还可以是"如何产出可编程的判断结果"的方法论——且它的安装形态（claude plugin marketplace add / npx skills add / 手动拷目录）本身就是"skill 作为可分发交付单元"的又一例证，与 v126 §5 T315 的"可插拔、可本地运行"判断同向。
  • 建议归入哪一节：
  • §1 现状全景：新增一条 ⚠⚬ 标注条目（成熟度 research；⚠ 攻略明确 未调用 TypeSafe API，所有代码为文档转录）。
  • §2 脉络二：补一句区分——"技能的两条独立轴：v124/v125/v126 处理的是『技能如何被组织/被折叠/被生成』，本条处理的是『技能承载何种原语』"。
  • §5 趋势：不单独立 T（证据强度不足以单列），建议作为脉络二内的旁证并入 T312 的注解。
  • §8 跨主文档边界：typesafe-ai/skills → llm-application(主/邻接) + agent(邻接)，与 v119 Anchor A-EVO-Lab/a-evolve、v125 Anchor JayLZhou/Awesome-Agent-Skills、addyosmani/agent-skills、mattpocock/skills 同族（v126 §7 已列过这一族，可直接挂靠）。
  • ⚠ 必须保留的边界（攻略已逐条列出，本轮只取其中最硬的 5 条）：① Jev 不是计算器——数字符、统计出现次数、长列表数条目都会错，且规模越大误差越大；② 日期当文本读，不是有序量——"哪个在前/相隔多久"不可靠；③ 不要用 score 做数值插值；④ state 会按每个问题各算一次上下文额度；⑤ "Typed output guarantees the interface, not truth"（官方原话）——类型化输出保证的是接口，不是真理。⚠ 另有：仓库最近提交 2026-09-12（库内攻略记"距今约一个半月没动"），但 SKILL.md 指向 docs.typesafe.ai 实时文档（官方称 live docs 才是 source of truth），故文档层新鲜度不依赖仓库更新，SKILL.md 内无硬编码版本号。⚠ 别名 jev-latest 当前指向哪个具体版本未核（需 GET /v1/models 实查）；定价未查。

2. 值得警惕的矛盾或待核实说法

（1）★ 最重要：2603.28052 的"6× 性能差距"与本轮核实的三个数值口径不同，不可混用。 organized/guides/x-tip-20261010-harness-engineering-performance-gap.md 记载 "固定模型，换 harness 最高产生 6× 性能差距"，并归因于 Meta-Harness arXiv:2603.28052；而本轮从 guides/stanford-iris-lab-meta-harness.md（作者主页核验）核到的三个数是 48.6% vs ACE 40.9%、+4.7 分、TerminalBench-2 76.4%——均非 6×。⚠ 本轮未核 "6×" 的出处（未读该论文 PDF 主表）。"6×" 与 "48.6% vs 40.9%" 是否同源、是否不同任务/不同基线口径，不得相减、不得并列成同一结论，须留待核对论文主表后统一表述。建议今晚在活文档中把 "6×" 降级为"某攻略所记、待核"。

（2）★ "Option 顺序影响答案"与 Raindrop "姓名顺序决定领导地位"——两条独立材料指向同一现象，但证据强度差一个量级。 Raindrop 的姓名顺序实验（v126 T309）是厂商博客单一实验、无显著性检验；Jev 的选项顺序偏好是官方自陈的已知毛刺、但攻略未给出效应量。二者不是同一研究，不可互为佐证；但合看指向一个可操作的共同命题：agent 行为对语义无关的排列顺序敏感（对应 v126 Q105.596）。⚠ 建议单独立一问，明确标注"两条材料证据等级不同、机制不同、仅在现象层同向"。

（3）待核实：Meta-Harness 与 AutoSaddler 的横向对比。 archive/agent-changelog.md v54 段记 "AutoSaddler arXiv:2608.23041 · 46.9% avg vs SWE-agent 37.3% / GEPA 42.5% / Meta-Harness 35.3%"——即在同一基准上 Meta-Harness 得 35.3%，低于 AutoSaddler 的 46.9%。⚠ 这与本轮 Meta-Harness 攻略所述 "TerminalBench-2 上 Claude Opus 4.6 达 76.4%" 不是同一基准/同一口径（changelog 段未注明 35.3% 对应哪个任务集）。⚠ 本轮无法判定二者关系，且 changelog 中的旧对比数字不在 v126 正文。若今晚要写 Meta-Harness，必须避免"最强 harness"式表述——库内至少存在两个方向相反的数据点（35.3% 偏低 vs 76.4% 偏高），口径待核。

（4）采集态数值变化，不作趋势论据。 single-agent-loop-kit 本清单卡片为 456★ / +21/周，v126 正文记 453★ / +140/周（v125 曾记 213★ / +0/周）。⚠ 星数/周增是采集态快照，不是新观点；v126 已把 kit 星数跃升登记为 T315 的弱信号/旁证，本轮不重复登记、不改写 T315。typesafe-ai/skills 2,855★、meta-harness 1,730★ 同理——数值只用于定位，不用于论证。

（5）元数据不一致（如实登记，不静默修正）。 typesafe-ai/skills 的库内攻略记 2,771★ / 最近提交 2026-09-12，而清单 repo_card 记 2,855★ / 最近提交 2026-10-23——两者均为采集态且采集时点不同（攻略 2026-10-24，卡片 2026-10-31）。⚠ 近一月提交差异需以仓库实际提交历史为准，本轮未运行 git log 核实。⚠ 攻略本身亦标注 "stars 2771 与周增 +0：卡片采集于 2026-10-24，本次未独立用 GitHub API 核对"。

（6）"未展开条目"不等于"不相关"。 v126 §6 已把 Anthropic 药物发现 / AI for Science 扩容 / HuggingFace 入门资源 / Mollick GPT-6 Pro 犯罪研究 / Mistral Large 4 OSS 五类登记为"已读、不入正文"。本轮沿用该判定（清单材料里它们仍以同一批原帖形式出现，不重复引入、不凑篇幅）。⚠ 提示：HuggingFace 那条（https://x.com/huggingface/status/2115507199623803084）链接指向内容自 v126 起持续"未核验"，若今晚要凑进 agent 主轴需先解除未核状态。

（7）本轮材料仍全为"非直接同行评审"形态。 Skill-α（被引 2 / OpenAlex 0）虽为 arXiv 论文，但 PDF 分数表未取到；Meta-Harness 虽有 COLM 2026 顶会论文背书，但本轮未读 PDF 主表；其余为 repo_card 字段级与厂商公告。本轮 L3 全文级 0 件。

3. 可引用的 arXiv 号列表

本轮新增（正文尚无实质条目者） - arXiv:2603.28052 — Meta-Harness: End-to-End Optimization of Model Harnesses（COLM 2026）⚠ 已在 v126 §9.1 arXiv 锚点区，本轮不重复计入锚点净增；⚠ "6× 性能差距"未核。

本轮重覆盖（v126 正文已实质处理，仅复核不出新观点） - arXiv:2608.01678 — Progressive Agent Skill Generation via Reinforcement Learning（Skill-α · 被引 2 · OpenAlex 0）⚠ PDF 分数表未取到。

与本轮材料相关、v126 锚点区已有登记（引用时须与 §9.1 口径一致，勿重复计数） - arXiv:2608.24569 — 约束弱化失效曲线（v125 T298）

本轮净增 arXiv = 0；净增 DOI = 0；净增 URL = 0（两条新条目 typesafe-ai/skills 与 stanford-iris-lab/meta-harness 的 GitHub URL 均已在 v126 §9.4 锚点区；2603.28052 亦已在 §9.1）。今晚若要落盘，需新增的是"正文条目"，而非锚点。

4. 今晚落盘建议（最小改动，不重写综述）

  1. §1 增 2 条：Meta-Harness（⚠⚬⚬⚬）、typesafe-ai/skills（⚠⚬），各带完整出处与边界。
  2. §2 脉络三改写一句：把 Droid 1.0 → Meta-Harness 排成 "harness 可工程化 → harness 优化可自动化" 链。
  3. §2 脉络二补一句：区分 skill 的"生成轴"与"原语轴"。
  4. §5 增 T319 一条（harness 优化过程本身可被 coding agent 自动搜索；⚠ 顶会论文但主表未核；⚠ 库内存在口径相反的 35.3% 对比待核）。
  5. §3 争议区增一条："6×" 与 48.6%/+4.7 分/76.4% 的口径冲突；"Option 顺序"与"姓名顺序"现象同向但证据等级不同。
  6. §8 跨主文档边界：两条分别锚 coding-agents(主)+agent(邻接)、llm-application(主)+agent(邻接)。
  7. 不新增锚点条目（§9 保持 v126 全量不变）。

5. 本轮已检查的来源（全部清单内材料，无清单外补料）

清单 8 件材料（全部读取） 1. inbox/stephen/2026-10-31-1000-news-tldr-ai.md（TLDR AI · 标题级一行） 2. inbox/stephen/2026-10-31-0910-news-x-vip-radar.md（X 名人雷达 · 8 条原帖全文转述） 3. organized/paper_cards/714-2608-01678.md 4. organized/repo_cards/4681-anthropics-single-agent-loop-kit.md 5. organized/repo_cards/4602-typesafe-ai-skills.md 6. organized/repo_cards/4577-zapier-automationbench.md 7. organized/repo_cards/4576-stanford-iris-lab-meta-harness.md 8. organized/repo_cards/4575-opendatabox-workspace-bench.md

活文档与既有资产（读取用于比对，不改写） - organized/knowledge/agent.md（v126 全篇，用于逐件覆盖比对） - organized/knowledge/archive/agent-changelog.md（v123 / v54 段，用于确认两件的"立标但未入正文"状态） - organized/guides/typesafe-ai-skills.md（库内攻略 · spark · 2026-10-24） - organized/guides/stanford-iris-lab-meta-harness.md（库内攻略 · Jay · 2026-08-20） - organized/guides/x-tip-20261010-harness-engineering-performance-gap.md（用于定位 "6×" 待核项） - organized/queue/work-queue.md（2026-10-31 12:00 生成） - organized/knowledge/lessons/lessons-2026-W42.md 目录（未逐条展开，未产出可引用增量）

未做：未全库扫描；未网页搜索；未修改清单 / 基线 / 认领记录 / 其他任务文件 / 定时配置；未 git；未写他人 inbox；未读取或输出任何密钥、Token、凭证。

字数说明：本轮按"材料不足则简明处理、不强行达到旧提示词字数"执行——清单 8 件中 6 件为同日 v126 已实质处理的重覆盖件，故只对 2 条真净增给出完整增量条目，而非以重述旧内容凑满篇幅。