今日概览
今日内容围绕 Agent 工程化的四大主题：自进化与记忆（四齿飞轮、个人五层记忆、企业四层记忆）、研发范式（Anthropic AI Native SDLC、循环工程）、安全（提示词注入、智能体安全图谱）、以及基础设施（Workspace 组织资产、AgentKit 云端沙箱、Harness 反馈控制）。
今日重点
1. 一篇讲透 Agent 自进化飞轮怎么搭：评测→记忆→落地→控制
腾讯基于 Anthropic 递归自改进报告、斯坦福 CS329A、EvoAgentX 等提炼四齿飞轮：评测是"眼睛"（感知问题）、记忆是"大脑"（积累经验）、Self-Improve 是"手脚"（把经验变成改进）、人机协作是"方向盘和刹车"。核心立场：自进化的瓶颈不是单个技术点，而是环节之间的衔接；评测可信度 > 系统复杂度；记忆系统核心是治理能力而非存储能力。
值得关注：
- 大多数团队把评测、记忆、Self-Improve 拆散做：分数去了周报、向量检索噪声太高被关掉、Skill 生成没有评测筛选——飞轮没转起来是因为环节间数据通路断了。
- 错误的正反馈会让 Agent 加速开往悬崖；一个手动评测+手动改 Skill 的简单闭环，好过评测失真但全自动的复杂系统。
- 记忆要版本控制、主动遗忘、冲突解决、来源溯源、晋升门控；存 100 条低质记忆不如治理好 10 条。
- 核心不是"让 Agent 自动变聪明"，而是搭一套工程闭环：每次执行不白费、每个教训不白吃、每次改进都经过验证。
来源：腾讯技术工程
2. 一文搞懂个人 AI 记忆系统构建全流程
作者把个人记忆拆成五层：identity（我是谁）、principles（我如何判断）、preferences（我希望 AI 怎样协作）、context（我正在做什么）、knowledge（可复用的经验）。用两级目录 + YAML 元数据 + 索引管理，两个跨平台 skill 实现按需调用与维护，切换 AI 工具摩擦极低。
值得关注：
- 目录有且只有两级、禁止无限嵌套：路径每深一层，AI 和自己定位记忆的选择就翻倍；扁平结构 + 文件名前缀（report-xxx、coding-xxx）替代嵌套。
- 核心诉求：上下文和判断经验不能绑在特定工具上，信息要属于自己、归自己管，还要自动更新同步。
- 故意不把记忆维护做成全自动——每条写入前都要确认，因为要维护"更好版本的我"而不是"现在版本的我"。
- 复利效应：以前经验散落在不同工具的对话里聊完就散，现在集中在同一套记忆库每次调用都在叠加。
来源：腾讯云开发者
3. 企业级 MultiAgent 的记忆系统：短期上下文与四层记忆架构实现
得物把记忆模块当作 Agent 执行链路的一部分而非独立外挂。四层记忆模型：Working Memory（当前一步推理）、Session Memory（会话内历史）、User Memory（跨 Agent 共享的偏好和稳定事实）、Agent Memory（单个 Agent 的任务经验）。短期记忆以 MySQL 持久化 + Redis 热点缓存，长期记忆以 MemOS 为主路径、按 scope 检索 + Token Budget 控制。
值得关注：
- 请求开始时短期会话历史和长期记忆并行加载，会话结束后 onSessionEndAsync 异步完成筛选、去重和长期沉淀。
- 选型 MemOS：1540 个问题、10 个测试用户评测综合得分 74.33%。
- Token Budget 分配策略控制注入内容；写入走 Redis 锁 + hash 幂等，MemOS 侧先写新记忆再尽力删除冲突旧记忆（先写后删）。
- 提供运行观测：记忆类型分布、时间趋势、Top Agents、按时间范围查长期记忆搜索趋势，支持日常巡检和异常定位。
来源：得物技术
4. Anthropic 官方指南：AI Native 开发手册
编译自 Anthropic 官方博客《The AI-Native SDLC Playbook》（2026-08-21，作者 Louis Claxton）。当代码不再是瓶颈、构建跑得比传统 SDLC 允许的速度还快时，瓶颈转移到构建两侧：规划、审查/测试、部署还在以人的速度运行；逐行审查跟不上 agent 产出的 diff；治理成本上升。
值得关注：
- 传统 SDLC 前提（写代码最耗时、每一步都是人在做）已不成立，PRD、估时会议、产品安全审查的意义被重估。
- AI 原生 SDLC 把线性流程改为循环，用 intent.md、spec.md、plan.md 等提交产物作交接物。
- CLAUDE.md、skills、hooks、eval 支撑 AI 协作；人在门禁中保留判断。
- 事故处理走 Slack/Teams 频道（Claude Tag）：请求、诊断、授权、修复全留在事故发生处，频道即审计链，复盘写入版本控制的经验文件。
来源：赛博禅心
5. 字节实践 | Agent 提示词注入攻击：一场需要长期应对的安全挑战
火山引擎基于内部 AI 安全治理实践，分析提示词注入攻击风险与成因：当 LLM 只负责回答时，注入最多影响输出；当 LLM 被放进 Agent Loop 并拥有工具权限时，注入可能影响系统行为、数据流向和权限边界——风险从"内容安全问题"升级为"系统安全问题"。
值得关注：
- MITRE ATLAS 分两类：直接注入（DPI，恶意指令在用户输入里）和间接注入（IPI，恶意指令植入 Agent 检索的外部数据源，如网页/文档/工具响应）。
- 与越狱攻击区分：注入针对 Agent 行为，越狱针对模型对齐。
- AgentSentry 四层纵深防护：归一化、来源隔离、检测分级、输出行为兜底。
- 结论：提示词注入无法一次性解决，必须持续建设基础安全能力。
来源：字节跳动技术团队
6. Workspace 实践：从个人提效到组织提效
个人提效不等于组织提效，一个人变成"超级兵"并不能提升团队需求交付。三类卡点：个人经验难以复制、跨角色背景对齐成本高、工具生态各自为政（Claude 上做的 skill 在 Comate/Codex 上没法用）。解法是把 Workspace 做成"面向 Agent 的组织资产基座"：分层文档、skill 沉淀、强制写回让经验流动。
值得关注：
- 换更强的模型不会解决这三个卡点，它们不是"模型不够强"造成的。
- 例子：iCafe 403 是后端限流不是权限问题——这种经验要低成本传播给团队，就得有共享的沉淀机制。
- 知识库维护累人之处在记账（更新交叉引用、保持摘要同步、发现冲突），Agent 不会觉得记账无聊，维护成本降到接近零知识库就能一直活着。
- 人的工作给方向、提好问题、判断意义，剩下的交给 Agent。
来源：豆包MarsCode
7. 场景营销互动＆体验 AI Coding — 构建 Agent 自主执行闭环
仅靠上下文工程无法保证长链路任务成功：上下文只能提高单轮执行正确的概率，无法保证复杂任务一次成功。核心是把过去由人隐式承担的目标维护、任务调度、过程记忆、结果验证和失败止损，逐一转化为系统能力（循环工程）。
值得关注：
- Coding Agent 能写代码、截图、跑测试，但长执行过程中仍需要人：提醒目标、判断完成声明是否成立、决定 Review 打回谁返修、把结论解释给下一轮、叫停无效尝试。
- 结构化 Task 作持久化目标锚点，Job 是最小执行单元且强制结构化结果与证据，执行账本实现状态外部化。
- 多 Agent 角色按工程责任划分 + 协作协议；Tarot Pixel 提供视觉修正小循环。
- 目标：输入需求即交付可发布代码的端到端闭环，人只做目标确认、关键边界决策和异常仲裁。
来源：大淘宝技术
8. 从 Prompt 到 Harness，给反馈分类装上方向盘
腾讯 AiSee 反馈分类平台重构：随着分类节点、判断条件和例外场景不断增加，业务经验被写进 Prompt、特殊情况靠定制链路处理，系统分支持续膨胀、规则散落、一次调整牵动多个环节。解法是重新划分职责：业务定义分类方向、Harness 组织稳定流程、模型专注语义判断。
值得关注：
- 模型侧的问题是行为难以控制，工程侧的问题是系统难以维护——不是靠更长的 Prompt 和更多定制逻辑解决。
- 业务通过分类树定义和配置规则决定方向，Harness 把这些业务定义组织成稳定分类流程，模型只做理解与判断。
- 某业务中该方法把分类准确率从 60%+ 提升并稳定在 90%+。
- 下一步做更智能的 Agent 平台，让业务不深入底层实现就能调整分类方向、验证案例、观察效果——“业务掌握方向盘”。
来源：腾讯云开发者
9. 用 AgentKit，5 分钟搭建云端安全隔离的 DeepSeek Harness
DSH 从个人工具走向团队和企业生产时，本地运行模式暴露局限：长任务依赖个人电脑（休眠/关机/断网即中断）、高权限 AK/SK 和代码散落本地有凭据泄露风险、部署管理成本高。AgentKit Sandbox 用 microVM 做云端隔离运行环境，5 分钟创建可跑 DSH 的沙箱，随用随建、用完即弃。
值得关注：
- 安全隔离：代码、命令、浏览器操作限制在受控空间；云端 7×24 持续运行，本地关机断网不影响。
- 按需创建与回收、会话状态管理、统一身份鉴权，减少敏感凭据硬编码和本地散落。
- 成本不是更高：按秒计费、按量付费，适合团队低成本试用。
- 与火山方舟 Coding Plan / Agent Plan 无缝打通；深入使用走 AgentKit 完整企业级能力（身份、工具、运行时、治理）。
来源：字节跳动技术团队
趋势观察
- 记忆成为 Agent 工程的核心战场 — 个人五层记忆、企业四层记忆、自进化飞轮里的"记忆齿轮"，三条线都指向同一个判断：记忆系统是治理问题不是存储问题。
- 从上下文工程走向循环工程 — 自进化飞轮、Agent 自主执行闭环、反馈分类 Harness 控制框架，都在把"人隐式承担的目标维护与结果验证"显式化、系统化。
- AI Native 研发范式全面铺开 — Anthropic 官方 SDLC 手册、Workspace 组织资产基座、提示词注入安全图谱，覆盖了流程、协作、安全三个维度——AI Coding 的竞争已经不在代码本身。