Tessl 博客引用 Jellyfish 2026 年 9 月 AI Engineering Trends 数据指出，中位数公司已有 22% 的合并 PR 由自主编码 Agent 撰写（90 分位达 53%），但仅约 0.6% 的 PR 由 Agent 评审合并（前 10% 公司为 9%）。
推荐理由：基于 Jellyfish 平台数据指出 agent 写码占比与人工评审瓶颈的落差，并归纳领先团队用平台工程加速建立信任的做法。
a16z 图表周报指出智能体商务遇阻，Cloudflare 数据显示智能体与爬虫收到的 403 拒绝响应自夏季起明显增多，约为原先两倍。文章引用 NRF 数据称退货率与退货成本自 2019 年以来分别翻倍和增至三倍，并引用调查指 42% 消费者完全不信任 AI 代购，Similarweb 数据显示 AI 购物多发生在发现与购买之间的中间阶段，而非下单环节。
推荐理由：原文汇集 Cloudflare、Similarweb 等数据，指出智能体购物正遭遇电商封禁与消费者信任不足的双重阻力。
Pydantic AI 作者 Samuel Colvin 发文认为图库是错误方向，代码本身就是图：类型安全来自类型提示，并行来自 async，持久执行来自沙箱外的 Temporal 和沙箱内的 Monty。
推荐理由：作者以 pydantic-graph 作者身份论证图库与类型安全、并行、快照三者不可兼得，并给出用代码加 Monty 替代的方案。
Anthropic 发表对 Block AI capabilities 负责人 Bradley Axen 的访谈，介绍 Block 用 Claude Fable 5 编排大规模代码迁移：Fable 做数据模型、API 规格等高层设计，再调度数十个更小的 Opus 或 Sonnet 模型执行文件修改和测试，一次迁移可能合并上千个 pull request。
推荐理由：Block 负责 AI 能力的负责人详述 Fable 编排多模型跑大规模迁移的做法与双审批安全机制，读者可对照自身团队的智能体工程实践。
a16z 的 Ryan McEntush 分析德州电网暂停审批数据中心的原因：并网队列从 2024 年底的 63 GW 激增到今年 6 月的 474 GW，约 90% 是数据中心，开发商大量投机性申请且社区沟通不足。
推荐理由：原文用并网队列、自备电源和灵活性三条线索拆解德州数据中心限电的成因，帮助读者理解 AI 电力瓶颈的真实结构。
Prime Intellect 发表长文，提出模型的总上下文容量概念，指出 compaction、磁盘卸载、子智能体与持久化子智能体各有保留信息与重建理解的取舍，多智能体并非新的扩展维度而是更结构化的推理算力扩展。文章认为树状结构会把上下文问题压到根节点，规模大时应转向无根的网状群集，先借用人类组织结构再让智能体自行演化。
推荐理由：作者提出了总上下文容量框架，逐层分析压缩、磁盘、子智能体到持久化智能体的取舍，并借经济学解释无根网状结构。
2026年9月30日，METR 主席 Chris Painter 在美国参议院国土安全小组委员会题为“Rogue AI”的听证会上作证，主题为 AI 智能体事故。
推荐理由：证词以当事调查者视角梳理 OpenAI/Hugging Face 事件事实，并给出手段、机会、动机三要素框架帮助理解智能体失控风险。
Tibo@thsottiaux精选AI 评分6262你的下一场会议会有一位记笔记的助手，帮你处理后续跟进。 Meetings 插件会为你记笔记，并根据 ChatGPT 对你的了解以及你们一起完成的工作，在 ChatGPT Space 中保存个性化的摘要和后续步骤。 你可以将笔记设为私密，也可以与团队共享，然后让 ChatGPT 更新项目计划或起草后续跟进内容。 该功能以测试版形式面向 macOS 上 ChatGPT 桌面应用中的 Pro 和 Business 用户提供。Enterprise 版本即将推出。 下载桌面应用，然后在插件目录中搜索“Meetings”。 https://chatgpt.com/download/
推荐理由：原文给出了 Meetings 插件的使用入口和适用范围，还展示了把会议上下文接入 codex 的用法。
物理学家 Matt von Hippel 发起的挑战达成：Anthropic 的 Liam Fitzpatrick 与 Siddharth Mishra-Sharma 用 Claude Science（harness）让 Claude 直接算出 planar N=4 super Yang-Mills 六粒子振幅九圈结果。
推荐理由：作者以其曾判定过难的本领域前沿计算为参照，评估了 Claude Science 的实际能力与可推广性，提供了来自领域专家的一手判断。
Stripe CEO Patrick Collison 与 Boris 对谈 Stripe 如何使用 Claude Code。目前约 36% 的 Stripe pull request 以提示词起步，由 Claude Code 在隔离的开发环境中完成；一位工程师六个月内合并了 600 个 AI 编写的 pull request，仅回滚一次。
推荐理由：Stripe CEO 亲述工程一线数据，读者可以借此了解大型团队实际落地 Claude Code 的做法与结果。
Epoch AI 报告估算，2026 年华为总 AI 算力产出约为 Nvidia 的 1/25，Ascend 950 性能约为 B300 的 1/7、2022 年 H100 的一半。报告认为即便华为路线图全部兑现并计入走私 HBM 情景，到 2030 年其在芯片性能和算力产出上仍落后 Nvidia 约 4 年，出口管制是主要制约因素。
推荐理由：报告用量化估算比较双方芯片性能、产量和 HBM 供给，读者可以据此理解出口管制下差距的成因与走向。
Anthropic 工程师撰文分享如何在智能体编程压力下扩展测试影响分析服务。Claude 编写约 80% 的代码，测试数量增长 10x，六个月内 CI 任务增加 25x。文章复盘了三个临时补丁（扩容、按包分片、每日重启）分别只维持 70 天、29 天和不到一天，最终用三周重设计为无状态、内存存储加 journal 的可水平扩展架构，并建议团队按两季度内 25x 负载做容量规划。
推荐理由：作者复盘了智能体编程把 CI 推向 25x 负载的完整演进，给出可迁移的架构与容量规划经验。
Tessl 发文提出智能体转型的真正难点是上下文等要素的归属问题，而非 Agent 本身。核心规则是所有权跟随组织单元，个人与团队上下文归领域专家，组织级共享基础由赋能或平台团队托管并开放贡献，赋能团队只提供工具和基础设施而不拥有上下文。
推荐理由：文章把智能体转型的难点从模型转向上下文归属，给出按组织单元分层确权和赋能团队只供工具不拥有上下文的可迁移框架。
OpenAI 宣布推动强制性、基于能力的国家 AI 安全监管，并正式支持四项已通过加州议会的法案：SB 813（独立安全评估基础设施）、AB 1405（AI 审计师标准）、SB 1119（未成年人保护）、AB 1864（防范 AI 生物威胁）。
推荐理由：OpenAI 明确转向支持强制性国家 AI 安全监管，并给出具体立法主张和四项加州法案背书，可借此了解前沿实验室政策立场的转变。
OpenAI 发布长文《An Alien Mind》，回溯 2023 年 RLSlow 项目中确认推理模型可扩展训练的起点，并系统阐述目标对齐与价值对齐的区分。文章指出链式思维监控的效果正随着模型能力提升而逐步减弱，GPT‑6 Astra 在对齐上显著优于 GPT‑5.6 Sol；作者预期进展可能持续走向机器递归自我改进（RSI），呼吁自愿放缓扩展、建立第三方安全门槛并加强国际协调。
推荐理由：作者以内部视角回溯推理模型的起源，并给出对齐监测、CoT 监控弱化和 RSI 风险的一手判断。
Tessl 提出反馈回路工程这一实践，把围绕智能体的循环分为内循环（测试、类型、评审）、中循环（维护智能体修复项目本身的状态）和外循环（读取生产信号），认为常被忽略的中循环能改善未来大量变更的条件。
推荐理由：文章提出反馈回路工程的三层框架，并给出 Tessl 自身维护智能体的运行数据，可作为改进智能体开发环境的可迁移方法。
Dario Amodei 发表长文，主张放缓 AI 能力进展速度，让安全工作有时间跟上，并提出三步计划：嵌入式第三方评估者、民主国家间行业协调、全球协调。
推荐理由：Dario Amodei 本人提出放缓前沿能力进展的三步方案并宣布 Anthropic 单方面接受嵌入式评估者，读者可据此了解其安全主张的具体落地路径。
Epoch AI 撰文分析 OpenAI 与 Anthropic 的收入增速：OpenAI 年化收入从去年 8 月的 $13B 升至超 $40B，Anthropic 据报道 7 月底达 $65B，两家合计已从 $30B 增至 $105B，2026 年内增长 3.5 倍。
推荐理由：文章把两家前沿实验室的收入增速放到历史与行业规模坐标系中，给出一个判断 AI 轨迹的观察框架。
Tessl 研究工程师 Amy Heineike 提出 harness engineer 这一新角色，认为智能体大量写码后工程工作不是变少而是形态改变。其自建技能基准测试显示任务完成率高但平均只有约 70% 的技能指令被真正遵守；Tessl 近一周约 90% 代码经内部软件工厂生成，并给出从最近 50 个 PR 提炼不变量、转为 CI 门禁等三项可本周上手的练习。
推荐理由：作者基于自家软件工厂的实测数据，提出 harness engineer 角色和三个可上手的技能方向，适合想管理 AI 代码质量的工程师参考。
Answer.AI 工程师借鉴 Peter Naur 的《Programming as Theory building》，指出决定代码复杂度的关键信息存在于工程师头脑中的 Theory，而非代码本身，因此 LoC、圈复杂度等指标无法约束 LLM 造成的复杂度膨胀。
推荐理由：作者结合 Answer.AI 支付系统重构实例，说明决定代码复杂度的信息不在代码里，解释了为何 LoC 等指标约束不了 LLM 的复杂度膨胀。