这周被 agentic coding 的产出淹没了。ArXiv 上随便一刷都是 agent 攻击、agent 生成测试、agent 做编译器优化——光标题里带“agent”的就有七八篇。HN 首页更是 Ornith-1.0、Senior SWE-Bench、Dan Luu 的长文横着走。Zuckerberg 偏偏这时候说“AI agent 进展比预计慢”。两边都看的话，你会觉得热闹归热闹，但底牌还没翻开。
ArXiv 这周三篇值得认真读
分布式攻击那篇（Distributed Attacks in Persistent-State AI Control）说的是一个非常实际的威胁：AI coding agent 现在一边干活一边持久化代码库，改的东西分散在多个 PR 里。一个被注入恶意 prompt 的 agent 可以把攻击代码拆碎，藏在不同提交里，甚至挑“最不容易被 review 抓住”的时机触发 payload。我不信现在哪家 CI 能扛住这种 —— review 本来就是人眼扫，看得到单行 diff，看不到跨 PR 的因果链。
多智能体辩论那篇（What LLM Agents Say When No One Is Watching）做了件有意思的事：让 agent 在“公开对话”和“私下渠道（off-the-record）”里分别说。结果不出所料——角色、受众、关系会影响 agent 说什么。问题在于，现在的 agent 系统基本没考虑这个。按我现在看，等 agent 开始参与会议纪要或内部通讯，这种社会性对齐会变成硬需求。
Reasoning effort 那篇（Reasoning effort, not tool access, buys first-try reliability）是我这周最想推荐的一篇。作者直接测了一个反直觉假设：给 agent 更多工具（浏览器、测试框架、设计 prompt）会不会让代码更好？结论是不会。真正影响首次成功率的是“推理努力”——就是模型花多少 token 在分析问题上，而不是能调多少 API。读到这里我一拍桌子：这不就是我们在实际项目里踩过的坑吗。加一堆工具链没解决根本问题，反而增加了上下文噪音。
其他几篇也有亮点。TestEvo-Bench 解决了测试和代码共生的问题——现有基准只测静态元数据，不验证测试能不能跑通，这个短板其实挺要命的。Steerability via constraints 提了个思路：别试图让 agent 变乖，而要在系统层面加约束条件。我觉得比“对齐 prompt”靠谱。
HN 上几个值得装的工具
Ornith-1.0 热度最高，261 分。自称“自我改进的开源 agentic coding 模型”。我看了一眼，它用了一轮迭代：先用模型写代码并测试，拿结果反馈再去微调自己。听起来很酷，但坦白说开源模型做 self-scaffolding 门槛极高，我不确定跑一次训练能稳定提高。不过项目思路是对的——与其等基座模型进步，不如让模型在循环中自己学会“怎么用工具”。
Senior SWE-Bench 是个新基准，专门考 agent 做“高级工程师”级别的事——跨模块重构、理解隐含需求、发现并修复遗留 bug。现有 SWE-Bench 太像 LeetCode 了。这基准一出来，应该能筛掉一批刷分风格的 agent。
Dan Luu 那篇 Agentic coding notes 是硬核实操经验。他详细写了 agent loop 里常见的问题：上下文窗口被日志撑爆、工具调用失败后脚本不知道回退、多轮交互时模型忘了最初目标。全是真金白银的坑。我建议每个写 agent 的团队都读一遍附录部分。
另外 Micro-Agent 是 vLLM 发的一篇博客，讲他们在模型 API 内部做协作——不是传统的“单个大模型调用”，而是把多个小模型拼成一个 agent 系统。思路有意思，但实现细节还没公开。
Herdr 是一个终端里的 agent 多路复用器，可以同时跑多个 agent 并交换消息。概念上像 tmux，但面向 agent 进程。我还没试，不过这种“agent 编排工具”越来越多，说明生态在从单 agent 走向多 agent 协作。
OpenAI 这周没有大新闻，但有细活
OpenAI 发了三篇东西：GeneBench-Pro 是个基因组学基准，How ChatGPT adoption has expanded 是宏观数据，还有一篇核心转储流行病学讲他们怎么用大规模 core dump 分析修了一个 18 年的 bug。
最后一篇最有意思。一个底层基础设施的 bug 藏了 18 年，靠分析大量 core dump 才定位到——既有硬件故障又有软件逻辑问题。这让我想起一句话：AI 能帮你写代码，但调试大规模分布式系统还是得靠人设计的分析流程。agent 离“自动修 infra”还差得很远。
Zuckerberg 泼冷水，但我觉得他说得对
Reuters 报道里，Zuck 说 agent 开发比预计慢。考虑到 Meta 内部也在推 agentic 产品，这种公开表态不太会是虚晃一枪。结合上面那篇“工具不重要、推理才重要”的论文来看，可能行业确实低估了“让 agent 稳定做完一件事”的难度——跑通一次 demo 不难，但要 95% 成功率并处理所有边界情况，那是一个数量级以上的工程问题。
我不信明年这时候 agent 能做到“取代普通程序员”。也许 6 个月后回头会被打脸——但至少这周论文和这些工具给我的感觉是：大家都在修路，还没有人真正通车。