今日概览
今天的候选集中在 AI Agent 工程落地、模型训练基础设施与数据架构演进三条主线上。Claude Code 的 CLAUDE.md—Skills—Subagents 分层上下文体系、爱奇艺的 Agentic Quality Engineering 框架，展示了 Agent 从"能用"到"工程化可维护"的推进路径；智谱开源 Slime RL 训练框架、阿里云零 ETL 实时入湖方案，则在训练效率和数据基础设施层面提供了扎实的技术输入。
今日重点
1. 深入理解 Claude Code：从 CLAUDE.md 到 Hooks、Skills、Subagents
文章系统介绍了 Claude Code 的多种上下文注入方法及其适用场景。CLAUDE.md 全程加载存放固定事实，Skills 按需加载处理步骤性指令，Hooks 绑定生命周期事件，Subagents 在独立上下文中完成复杂任务——合理组合这些机制才能构建稳定高效的 Agent 应用。
值得关注：
- CLAUDE.md 全程加载，适合存放构建命令、目录结构等固定事实，是上下文的基础层。
- Skills 按需加载，只在被调用时进入上下文，适合存放部署流程等步骤性指令。
- Subagents 在独立上下文中运行，完成复杂任务后返回摘要，不污染主会话。
这篇内容更值得关注的原因在于，它把 Agent 上下文管理从"一股脑塞 prompt"变成了分层架构——CLAUDE.md 做底座、Skills 做插件、Subagents 做隔离，这套思路和你日常用的 Hermes Agent 技能体系高度相通。
2. 太狠了，智谱把 GLM-5.2 的炼丹炉直接开源了
智谱开源了强化学习后训练框架 Slime。基于 Megatron 训练和 SGLang 推理的无缝连接，GLM-5.2 的后训练仅用约 2 天完成，评测水平接近 Opus 4.8。Slime 支持 Qwen、DeepSeek、Llama 等主流模型，经过多个顶尖模型验证。
值得关注：
- Slime 是深度优化的强化学习后训练框架，将 Megatron 训练与 SGLang 推理无缝连接，大幅降低工程复杂度。
- GLM-5.2 使用 Slime，仅 2 天完成 OPD 后训练，效率惊人。
- Slime 支持 Qwen、DeepSeek、Llama 等主流模型的强化学习后训练，通用性强。
这篇内容更值得关注的原因在于，Slime 不只是 GLM-5.2 的训练工具——它是一个通用化的 RL 训练框架开源出来，意味着任何团队都可以复现类似的训练管线，这才是真正的行业推动力。
3. AI 时代，实时入湖正在告别 ETL：从 Kafka 到 Iceberg 的架构减法
文章探讨实时入湖从传统 ETL 向零 ETL 架构演进的趋势。作者提出 Kafka×Table Bucket 方案，将通用入湖能力内聚为平台能力，通过将消息到表的转换前移到 Broker 链路，显著降低复杂度和运维成本。
值得关注：
- 实时入湖正从依赖 Flink/Spark 的外部 ETL 转向零 ETL 内建能力，这是架构层面的大方向变化。
- Kafka×Table Bucket 方案将消息到表的转换前移到 Broker 链路，减少中间处理环节。
- 方案支持 Schema 自适应演进、多层小文件治理和完整 CDC/Upsert，工程化程度高。
这篇内容更值得关注的原因在于，零 ETL 不是一个口号——Kafka×Table Bucket 给出了可落地的技术方案，对任何有实时数据管线的团队都有实际参考价值。
4. AI 时代的质量门禁左移：Agentic Quality Engineering 架构与落地模板
文章提出将质量门禁左移至开发活动内部，通过 AI Harness、Planner Agent、Subagents 和证据总线实现证据驱动的验证闭环。核心架构引入风险分级策略，将测试从人力后置活动升级为系统化能力。
值得关注：
- 质量门禁左移的本质是把验证能力前置到开发活动中，让 AI 生成的变更尽早进入可执行验证闭环。
- AI 在质量门禁中扮演 Quality Orchestrator 角色，通过 Harness 管理上下文，Agent 拆解任务，Subagent 专项验证。
- 面向 AI 的测试用例需写成可执行契约，明确输入、环境、步骤、断言和证据要求。
这篇内容更值得关注的原因在于，它把"AI 生成代码后的质量怎么保证"这个实际难题，从人肉审核升级成了 Agent 驱动的系统化验证——Harness + Agent + Subagent + 可执行契约的组合，可能是 AI 工程化的下一个关键基础设施。
5. DeepSeek 融资故事
文章披露了 DeepSeek 于 2025 年 5 月举办的线上投资人会议细节。创始人梁文锋强调追求 AGI、团队稳定和克制。融资条件独特——要求大额纯人民币出资，最终约 10 家机构参与，红杉和高瓴未入场。
值得关注：
- 梁文锋在会议上强调追求 AGI、团队稳定最重要，融资只是实现目标的手段。
- 融资初始要求额度不小于 50 亿、不能分拆份额、纯人民币结构，门槛极高。
- 最小出资额后下调至 15 亿，显示出机构对 DeepSeek 的认可度仍然很高。
这篇内容更值得关注的原因在于，DeepSeek 的融资方式很特别——高门槛、大额、纯人民币、拒绝美元基金，反映了创始人极强的控制欲和对团队独立的坚持，是 AI 行业融资生态中的独特样本。
趋势观察
- Agent 工程化正在从"怎么让 AI 干活"升级为"怎么让 AI 干活且可维护"。Claude Code 的分层上下文、爱奇艺的 Agentic Quality Engineering 都在回答同一个问题：AI 替人工作后，质量和可追溯性怎么保证。
- 模型训练基础设施开源化加速。Slime 框架开源意味着 RL 后训练不再是少数巨头的专属能力，中小团队也能借助现成工具复现顶尖模型的后训练管线。
- 数据基础设施正在做"减法"。零 ETL 架构体现出行业从堆组件到做整合的方向转变——不是引入更多工具，而是把能力内建到现有链路中。