20260706:新增一些文章

articles/agents-want-filesystems-nokv-2026.md

@@ -0,0 +1,89 @@
+---
+title: "Agents Want Filesystems：为什么文件系统形态的接口让 Agent 更高效"
+created: 2026-07-04
+updated: 2026-07-04
+type: article
+tags: [agent, filesystem, interface, token-efficiency, workspace, nokv]
+source: "新智元"
+url: "https://mp.weixin.qq.com/s/VdjhAzjmdAkL-aHRGiEUHw"
+---
+
+# Agents Want Filesystems：为什么文件系统形态的接口让 Agent 更高效
+
+> 新智元 · 2026-07 · [原始存档](raw/articles/xinzhiyuan-agents-want-filesystems-2026.md) · [源博客](https://nokv.io/blog/agents-want-filesystems)
+
+## 核心观点
+
+NoKV 团队通过 100 次独立运行的 benchmark 证明：**给 Agent 提供文件系统形态的 namespace 接口（而非原生 SQL），可减少 45% token 消耗、39% 成本，且正确率略高。**
+
+核心洞察：决定 Agent 效率的变量不只有模型和提示词，还包括 Agent 面对的操作界面（Interface/Surface）。
+
+## 为什么文件系统语义对 LLM 友好
+
+LLM 在训练中被反复暴露于 shell、Unix 工具、Git、日志排查等语料中，学到一套稳定模式：**进入目录 → 列文件 → 搜关键词 → 打开局部内容 → 引用行号**。
+
+文件系统提供 **progressive disclosure**（[[progressive-disclosure|渐进式披露]]）交互方式：
+1. 先低成本发现：`ls` 看有什么，`stat` 看对象卡片，`catalog` 看可查询字段
+2. 再按需读取：只有找到目标后才 `read` 打开内容
+3. 搜索可限定范围：全局 `grep` 发现 + 目录内 `grep` 提取证据
+4. 路径是稳定句柄：`/runs/abc/stdout.log` 既是名字也是地址
+
+## 实验设计
+
+- **数据**：875 个 Yanex 训练 run，80.6 万行指标，包含元数据、参数、artifact、git 状态、stdout/stderr
+- **模型**：GPT-5.4-mini，100 次独立 stateless 运行
+- **两种接口**：
+  - `sqlite_raw_v1`：原生 SQL + blob 读取 + `grep_blob`
+  - `nokv_native_v1`：NoKV namespace（`ls`/`stat`/`catalog`/`find`/`aggregate`/`read`/`grep`）
+
+## 三类任务的结果
+
+| 任务类型 | SQL Token | NoKV Token | 关键差异 |
+|---------|-----------|------------|---------|
+| 简单结构化查询 | **4.8k** | 9.3k | SQL 仍然更强 |
+| 复合探索（扫参/溯源/分诊） | 127.4k | **53.3k** | NoKV 2.39× 更低 |
+| 总体 | — | — | **-45% token, -39% cost** |
+
+SQL 在简单结构化聚合上更强；NoKV 在需要「先定位 cohort → 再查日志 → 再引用证据」的复合探索任务上大幅领先。
+
+## 减少的不只是 token，也是「心智负担」
+
+更深层次：NoKV 减少了 Agent 的内部 reasoning token——模型不需要在每轮工具调用中重建「数据在哪」的临时地图。
+
+- **[[attention-drifting|注意力偏移]]**：上下文塞进太多 schema 和无关日志时，模型容易被早期错误线索带偏
+- **[[pushdown-in-agent-interface|下推]]**：过滤、排序、limit、投影放进一次调用，减少对话轮数和上下文回灌
+
+## 架构定位
+
+不是「文件系统替代数据库」，而是**两层架构**：
+- **底层**：数据库、对象存储、API（可靠性、事务、持久化）
+- **上层**：元数据控制层（路径、版本、权限、索引 → Agent-friendly namespace）
+
+NoKV（[[nokv]]）就是这层上层。
+
+## 应用场景：artifact-heavy agentic 系统
+
+任何 Agent 系统高度依赖大量文件、日志、报告、模型、checkpoint 等外部产物时，都会遇到这个问题：
+- 实验追踪与观测
+- 法律咨询（合同、判例、尽调材料）
+- 数据分析（notebook、CSV、图表交叉引用）
+- 研发 Agent（issue、PR、日志、CI 结果）
+- 多 Agent 协作（共享中间产物、锁定版本、监听更新）
+
+## 外部佐证
+
+- **Anthropic MCP code execution**：工具呈现为 TypeScript 文件树，代表性负载从 150k token → 2k token
+- **OpenAI tool search**：建议把延迟加载工具组织到 namespace 或 MCP server
+- **Letta memory benchmark**：对话历史保存为文件的 Agent 在 LoCoMo 上取得有竞争力结果
+
+## 核心概念
+
+- [[agent-workspace-filesystem|Agent 工作空间文件系统]]
+- [[progressive-disclosure|渐进式披露]]
+- [[attention-drifting|注意力偏移]]
+- [[pushdown-in-agent-interface|Agent 接口下推]]
+- [[artifact-heavy-agentic-systems|产物密集型 Agent 系统]]
+- [[agent-interface-design|Agent 接口设计]]
+- [[nokv|NoKV]]
+- [[token-efficiency|Token 效率]]
+- [[workspace-first-architecture|Workspace-first 架构]]

articles/prompt-to-loop-engineering-2026.md

@@ -0,0 +1,83 @@
+---
+title: "AI 开发范式演进：从 Prompt Engineering 到 Loop Engineering"
+created: 2026-06-29
+updated: 2026-06-29
+type: article
+tags: [prompt-engineering, context-engineering, harness-engineering, loop-engineering, agent, paradigm-evolution]
+sources: [https://mp.weixin.qq.com/s/hcgKahtQRE2QqI6xplv2Rg]
+authors: ["邱汉宸（东南大学、阿里淘天）"]
+platform: Datawhale
+---
+
+# AI 开发范式演进：从 Prompt Engineering 到 Loop Engineering
+
+> 来源：[Datawhale 公众号](https://mp.weixin.qq.com/s/hcgKahtQRE2QqI6xplv2Rg)，作者：邱汉宸
+
+## 一句话
+
+系统性复盘 AI 开发范式的四次浪潮：**Prompt Engineering → Context Engineering → Harness Engineering → Loop Engineering**，揭示人类从 Agent 循环内部走向外部、从执行者变为设计者的范式迁移。
+
+## 核心命题
+
+2025–2026 年三句话引爆 AI 社区：
+- "I really like the term 'context engineering' over prompt engineering." — Tobi Lütke, Shopify CEO
+- "You shouldn't be prompting coding agents anymore. You should be designing loops that prompt your agents." — Peter Steinberger, OpenClaw
+- "I don't prompt Claude anymore. I have loops running. My job is to write loops." — Boris Cherny, Claude Code
+
+## 四次浪潮
+
+### 1. [[prompt-engineering|Prompt Engineering]]（2022–2024）
+"如何跟 AI 沟通"。核心方法论：Zero-shot/Few-shot、Instruction Prompting、[[dspy|DSPy]] 声明式自动编译。瓶颈：上下文窗口限制、缺乏记忆/工具调用、[[blind-prompting|盲提示]] 带来的技术债务。
+
+### 2. [[context-engineering|Context Engineering]]（2025）
+"信息怎么喂给模型"。三大方法论：
+- [[minimum-viable-context|轻量化装配 (MVC)]]
+- [[graphrag|知识图谱增强检索 (GraphRAG)]]
+- [[just-in-time-retrieval|即时检索 (JIT Retrieval)]]
+
+三种故障模式：[[context-failure-modes|信息匮乏 / 信息过载 / 上下文腐烂]]。关键隐性维度：[[prefix-matching-invariant|前缀匹配不变性]] 与 [[prompt-caching|提示词缓存]] 的成本经济学。
+
+### 3. [[harness-engineering|Harness Engineering]]（2026–）
+"Agent = Model + Harness"。四大支柱：环境资产与工具集、控制与编排逻辑、规则中间件（Hooks）、运行时可观测性。八条[[model-proposes-harness-executes|非妥协原则]]。DataTalks.Club 事故案例：Claude Code 执行 `terraform destroy` 抹除生产数据库 — 问题不在模型，在 Harness 缺位。
+
+### 4. [[loop-engineering|Loop Engineering]]（2026–）
+"Loop = Cron + 决策器"。系统从人类单次触发的工具演进为具备独立运行周期的自主工程。[[loop-maturity-levels|三级成熟度]]：Open Loop → Closed Loop → Review Loop。核心组件 "五件套 + 一个记忆"：Automations / Worktrees / Skills / Connectors ([[mcp|MCP]]) / Sub-agents / State 文件。
+
+## 核心框架
+
+### Loop Contract（[[loop-contract|循环协议]]）
+六维约束：TRIGGER / SCOPE / ACTION / BUDGET / STOP / REPORT。BUDGET 和 STOP 固化为 [[circuit-breaker-pattern|熔断器]] 和 [[watchdog-pattern|看门狗]] 两道硬约束。
+
+### 嵌套关系
+> Prompt ⊂ Context ⊂ Harness ⊂ Loop
+
+### 架构哲学
+[[mechanism-policy-separation|机制与策略分离]] — 底层平台提供机制（定时器、工作区隔离），控制策略由架构师独立配置。
+
+## 工程实践
+
+- **[[harness-as-a-service|HaaS（脚手架即服务）]]**：Worktree + Skills + Connector + Subagent + State 封装为标准底座
+- **[[skill-issue-framework|Skill Issue 框架]]**（CodeRabbit）：当 Agent 表现不佳，排查 Harness 代码而非责怪模型
+- **分层拦截流水线**：确定性规则层（Semgrep）→ 策略网关层（OPA）→ AI 审查层 → 人类终审（80%/15%/5%）
+
+## 人类角色转变
+
+开发者进化为 **[[loop-designer|Loop Designer（循环设计师）]]**，聚焦三件事：
+1. 定义终止边界（Goal & Verifier）
+2. 维护工具链与领域资产（Tooling & Skill）
+3. 设计安全断路器（Human-in-the-Loop & Budget Guard）
+
+## 关键引用
+
+- Terminal Bench 2.0 实证：不改模型权重，仅改写 Harness 约束使排名从 30 → 前五
+- 缓存经济学：同一前缀命中第 3 次即可净收益（首次 100% 计费，后续 20%）
+
+## 相关概念
+
+- [[prompt-to-harness-evolution|三阶段工程演进]] — 需扩展为四阶段
+- [[agent-harness|Agent Harness (Claw)]]
+- [[harness-engineering]]
+- [[context-engineering]]
+- [[prompt-caching]]
+- [[human-in-the-loop]]
+- [[mcp]]

articles/real-world-safe-exploration-see-2026.md

@@ -0,0 +1,61 @@
+---
+title: "真机强化学习的安全探索均衡 — 机器之心报道"
+created: 2026-06-29
+updated: 2026-06-29
+type: article
+tags: [safe-reinforcement-learning, safe-exploration, real-world-rl, embodied-intelligence]
+sources: [https://mp.weixin.qq.com/s/nE9gq1bStIg1qhWpIRvQHQ]
+authors: ["机器之心 / 数据派THU"]
+platform: 数据派THU
+---
+
+# 真机强化学习的安全探索均衡
+
+> 来源：[机器之心 / 数据派THU](https://mp.weixin.qq.com/s/nE9gq1bStIg1qhWpIRvQHQ)，论文原文：[[safe-equilibrium-exploration|IEEE TPAMI 2026]]
+
+## 一句话
+
+对清华大学李升波教授团队 SEE 论文的中文科普解读：首次揭示 [[safe-exploration|安全探索]] 的理论收敛边界——可行域与不确定模型的[[equilibrium-safe-exploration|均衡]]，并给出单调收敛的严格证明。
+
+## 核心故事
+
+### 问题：真机 RL 没有"重来"按钮
+
+[[real-world-rl|真机强化学习]] 与仿真训练的本质区别：物理世界不允许无限试错。无限制探索 → 机器损坏 / 人员伤亡。
+
+### 主流思路：步步为营
+
+将探索限制在 [[feasible-zone|可行区域]] 内 → 收集数据 → 降低[[uncertain-model|模型不确定性]] → 扩展可行区域 → 循环。
+
+### 悬而未决的问题
+
+这个"滚雪球"过程**会不会收敛？收敛到哪里？理论上能探索多大？**
+
+- Andreas Krause (ETH): Lyapunov 函数 + 高斯过程
+- Claire Tomlin (Berkeley): HJ 可达性分析
+
+但收敛性始终未解决。
+
+### 清华的答案：安全探索均衡
+
+[[safe-equilibrium-exploration|SEE 算法]] 两步交替：
+
+1. **求区域**：固定模型，求解 [[risky-bellman-equation|风险贝尔曼方程]]，得最大可行域
+2. **求模型**：固定区域，将最小不确定模型问题转化为 [[clique-decision-problem|团判定问题]]
+
+理论保证：模型误差**单调减小**，可行域**单调扩展**，必然收敛到均衡。
+
+### 实验结果
+
+- 双积分器、倒立摆、独轮车三类任务
+- **零约束违反**
+- 独轮车仅 10 次迭代即达 95.78% 区域召回率
+
+## 相关概念
+
+- [[safe-equilibrium-exploration|SEE 论文]]
+- [[safe-exploration|安全探索]]
+- [[feasible-zone|可行域]]
+- [[equilibrium-safe-exploration|安全探索均衡]]
+- [[real-world-rl|真机强化学习]]
+- [[risky-bellman-equation|风险贝尔曼方程]]

articles/semantic-robustness-cert-vlm-report-2026.md

@@ -0,0 +1,66 @@
+---
+title: "面向视觉语言模型的语义鲁棒性认证：用文本提示刻画可证的语义变化区间"
+created: 2026-07-04
+updated: 2026-07-04
+type: article
+tags: [vlm, certification, semantics, robustness, icml-2026, chinese-report]
+source: "数据派THU / 专知"
+url: "https://mp.weixin.qq.com/s/HupoMpofsk5Ltx2RoCdAGQ"
+---
+
+# 面向视觉语言模型的语义鲁棒性认证
+
+> 数据派THU · 2026-07 · [原始存档](raw/articles/data-pie-vlm-semantic-cert-2026.md)
+
+## 核心概述
+
+ICML 2026 论文 [[semantic-robustness-certification-vlm-2026|Semantic Robustness Certification for Vision-Language Models]] 的中文科普报道。核心思想：利用 VLM 的开放词表能力，把文本提示作为语义代理，用一对 source/target prompt 在图文共享嵌入空间中定义语义变化方向；再利用 VLM 分类器决策边界的闭式几何结构，精确计算预测类别保持不变的 semantic extent interval。
+
+## 方法直觉
+
+- **问题**：图像发生语义变化（形状、风格、背景等）时，VLM 预测何时翻转？
+- **传统方法局限**：像素扰动不能表达"更圆""更暗""像素描风"等语义变化
+- **本文方案**：不采样图像，而是在 VLM **嵌入几何**中解析计算预测不变区间
+
+## 三步框架
+
+1. **语义平面**：一对文本 prompt 的嵌入 $u_a, u_{a'}$ 张成二维子空间 $P_{a,a'}$
+2. **语义变换**：图像嵌入分解为 $z_\parallel$（语义相关）+ $z_\perp$（语义无关），只变 $\varphi$ 控制语义强度
+3. **闭式认证**：VLM 的 Voronoi 决策边界给出闭式的类别翻转方程 → 排序 → 区间切分
+
+## 应用场景
+
+- 鲁棒性审计：指定语义方向，检查 VLM 稳定性
+- Failure mode 诊断：证书区间短 → 模型对该语义敏感
+- Prompt engineering：不同 prompt 产生不同稳定区间，证书长度可作为选择标准
+- 下游任务复用：检索、检测、分割等共享同一 scoring mechanism
+
+## 限制
+
+- 证书依赖文本代理质量和跨模态对齐程度
+- 真实世界语义变化难以完全隔离（非目标因素可能混杂）
+
+## 核心概念
+
+- [[semantic-robustness-certification|语义鲁棒性认证]]
+- [[semantic-extent|语义 extent]]
+- [[text-proxy-for-semantics|文本语义代理]]
+- [[semantic-plane|语义平面]]
+- [[prediction-invariant-intervals|预测不变区间]]
+- [[voronoi-decision-regions|Voronoi 决策区域]]
+- [[misalignment-budget|不对齐预算]]
+- [[additive-semantics|加性语义]]
+
+## 基底概念
+
+- [[vision-language-models|VLM]]
+- [[robustness-certification|鲁棒性认证]]
+- [[dual-encoder-vlm|双编码器 VLM]]
+- [[clip|CLIP]]
+- [[cosine-similarity-geometry|余弦相似度几何]]
+- [[randomized-smoothing|随机平滑]]
+- [[exactline|ExactLine]]
+
+## 论文原文
+
+- [[semantic-robustness-certification-vlm-2026|Semantic Robustness Certification for Vision-Language Models (ICML 2026)]]

articles/zleap-workspace-harness-2026.md

@@ -0,0 +1,83 @@
+---
+title: "Zleap-Agent：Workspace-first 的 Agent Harness 设计"
+created: 2026-07-03
+updated: 2026-07-03
+type: article
+tags: ["agent", "harness", "workspace", "memory", "context-management", "local-model"]
+sources: ["https://mp.weixin.qq.com/s/iiTmgbtrYHMMjQ7dn7CDrg"]
+---
+
+# Zleap-Agent：Workspace-first 的 Agent Harness 设计
+
+> 作者：陈思州 (Datawhale) | 来源：[原始存档](raw/articles/zleap-workspace-harness-2026.md) | 代码仓库：[Zleap-AI/Zleap-Agent](https://github.com/Zleap-AI/Zleap-Agent)
+
+## 核心命题
+
+Agent 圈正经历从 **Prompt Engineering** → **Loop Engineering** → **Harness Engineering** 的范式演进。单轮提示词已不够用，接下来要处理的是「循环怎么跑、系统怎么撑住这些循环」。Zleap-Agent 提供了一套以 **[[workspace-first-architecture|Workspace-first]]** 为核心的 Harness 设计方案——专为本地小模型设计的 Agent 执行骨架。
+
+## 核心思想：Workspace-first
+
+```
+不要先问 Agent 能接多少工具，而是先问当前任务应该发生在哪个工作区。
+```
+
+写代码、查资料、处理文件、做销售复盘——本来就不应该共享同一个上下文空间。Zleap 的解法是把 Agent 运行环境切成不同工作区，每个工作区有自己的 prompt、tools、memory、history、model 和 permission。Agent 进入哪个 Workspace，就只加载当前工作区需要的内容。
+
+**Workspace vs 子 Agent vs 工具分组**：子 Agent 是临时找人帮忙（有独立角色和上下文），Workspace 是同一个人切换工作台（软件、资料、工具变了，但人没变），工具分组只是工具层面的归类。
+
+## 五维度 Harness 设计
+
+### 1. Context：上下文装配
+
+Context = System Prompt + Workspace Prompt + Tools + Memory + History
+
+Main Workspace 只做调度，不承载所有上下文。进入具体 Workspace 后，模型只看到当前工作区的 prompt、工具、记忆和历史。Harness 提前把信息范围收窄，而非靠模型在长上下文里自行筛选。
+
+加载方式分两层：[[context-prefetch-vs-agentic|Prefetch（提前带入）vs Agentic（按需读取）]]。Prefetch 要短、准、可控（用户偏好、工作区最新事件、常用经验）；Agentic 是模型看到摘要后追问详情时再读取完整内容。
+
+### 2. Tools：工具-工作区绑定
+
+[[tool-workspace-binding|工具不再全局暴露]]——Main Workspace 只保留调度/记忆/交付工具，CLI Workspace 才能读写文件、执行命令，Web Search Workspace 才能搜索网页。模型在每个空间里只面对一组更小、更明确的动作集合，tool schema 成本、误调用概率和权限审计压力都下降。
+
+### 3. Memory：记忆三分区
+
+记忆被分成两条线：A 线 **people notes**（用户偏好、稳定画像）和 B 线 **core records**（工作事件 + 可复用经验）。本质上是一种 [[memory-tripartite-partition|人/事/经验三分区]]——用户偏好绑定人，项目事实绑定工作区和客户，可复用方法脱敏后共享。
+
+- **[[memory-dream|Memory Dream]]**：离线记忆整理器，不在实时对话里抢上下文，而是在后台从会话材料中提取稳定画像和可复用经验
+- **[[memory-recall-fast-slow|快慢召回]]**：prefetch 用 fast 模式（不走 LLM），主动 recall 走精细检索和 rerank
+- 经验记忆准入规则：只记录可复用流程、失败模式、验证习惯和恢复策略；业务隐私和临时事实不入经验库
+- **reconcile 机制**：新记忆入库时与旧记忆比对，判断跳过 / 并存 / 替换 / 保留旧记忆
+
+引用了 [[channel-fracture|Hermes Agent Channel Fracture]] 案例——记忆写入需验证完整通道，不能只看"有没有存储"。
+
+### 4. Runtime：运行轨迹持久化
+
+[[agent-runtime-trace|每次循环都留下可复盘的轨迹]]——运行状态和记忆共用 PostgreSQL 持久化。出问题时可以倒回去看某一步读了什么、调了什么工具、拿到什么结果。对应的实验证据：WildClawBench 中同一模型切换 harness 表现差 18 个百分点，Agentic Harness Engineering 实验通过 harness 演化使 Terminal-Bench 2 pass@1 从 69.7% 提升到 77.0%。
+
+### 5. Boundary：边界控制
+
+[[agent-boundary-design|数据边界、工具边界、模型边界、记忆边界]]——企业场景中数据不能随便出内网，记忆不能在用户之间串。Zleap 的 Workspace 设计天然支持 [[multi-model-routing|多模型路由]]：不同工作区可绑定不同模型，敏感数据走本地模型，复杂分析走强模型，同时控制成本、延迟和数据边界。
+
+## 关键洞察
+
+> 「模型层做稀疏注意力，是为了让模型不要看所有 token；Harness 层做 Workspace，是为了让 Agent 不要加载所有上下文。」
+
+Workspace-first 是一个可以脱离 Zleap-Agent 单独使用的设计范式：不管用什么模型、什么框架，先切工作区、再组装上下文，都是一个值得参考的起点。
+
+## 相关概念
+
+- [[harness-engineering|Harness Engineering]] — 学科定位
+- [[agent-harness-engineering|Agent Harness Engineering]] — 七维度框架
+- [[loop-engineering|Loop Engineering]] — 循环工程
+- [[prompt-engineering|Prompt Engineering]] — 提示工程
+- [[context-management|上下文管理]]
+- [[workspace-first-architecture|Workspace-first 架构]]
+- [[tool-workspace-binding|工具-工作区绑定]]
+- [[memory-tripartite-partition|记忆三分区]]
+- [[memory-dream|Memory Dream]]
+- [[memory-recall-fast-slow|快慢召回]]
+- [[agent-runtime-trace|Agent 运行时追踪]]
+- [[agent-boundary-design|Agent 边界设计]]
+- [[multi-model-routing|多模型路由]]
+- [[context-prefetch-vs-agentic|上下文预取 vs 按需]]
+- [[channel-fracture|Channel Fracture]]