20260706:新增一些文章

raw/articles/data-pie-vlm-semantic-cert-2026.md

@@ -0,0 +1,46 @@
+---
+title: "数据派THU：面向视觉语言模型的语义鲁棒性认证 (Raw)"
+created: 2026-07-04
+type: raw-article
+source: "数据派THU / 专知"
+url: "https://mp.weixin.qq.com/s/HupoMpofsk5Ltx2RoCdAGQ"
+---
+
+# ICML 2026 | 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
+
+来源：专知 / 数据派THU
+
+## 核心文章
+
+介绍 ICML 2026 论文 "Semantic Robustness Certification for Vision-Language Models" (arXiv:2606.18839)。
+
+### 研究背景
+
+VLM 已成为开放词表识别、图文检索、检测、分割和 VQA 的基础组件。但在真实应用中，输入图像经常发生语义层面的变化：物体形状、尺寸、风格、背景、视角、光照等。传统鲁棒性认证多关注像素扰动、几何变换或生成模型潜空间变化，难以回答"图像沿语义方向变化时，VLM 预测在多大范围内保持不变"。
+
+### 核心方法
+
+利用 VLM 开放词表能力，用文本 prompt 作为语义代理，一对 source/target prompt 在嵌入空间中定义语义方向；利用分类器决策边界的闭式几何结构，精确计算 prediction-invariant semantic extent intervals。
+
+### 三步框架
+
+1. 文本 prompt 对嵌入张成二维语义平面
+2. 在语义平面内构造参数化语义变换 γ(φ)
+3. 闭式 Voronoi 决策边界 → 解析求解类别翻转点 → 区间认证
+
+### 实验
+
+CLIP ViT-B/32，覆盖 8 个属性类型（color, shape, material, style, texture, background, viewpoint, illumination），合成 + 真实数据 8 个数据集。比基线 ExactLine 更稳定。
+
+### 限制
+
+- 依赖文本代理质量和跨模态对齐
+- 真实语义变化难以完全隔离
+
+### 论文
+
+- 论文: Semantic Robustness Certification for Vision-Language Models (ICML 2026)
+- arXiv: 2606.18839
+- 代码: https://github.com/ypeiyu/vlm-semantic-cert
+- 作者: Peiyu Yang, Paul Montague, Feng Liu, Andrew C. Cullen, Amardeep Kaur, Christopher Leckie, Sarah M. Erfani
+- 机构: University of Melbourne, Defence Science and Technology Group

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

@@ -0,0 +1,108 @@
+---
+title: "AI 开发范式演进：从 Prompt Engineering 到 Loop Engineering (Raw)"
+source: https://mp.weixin.qq.com/s/hcgKahtQRE2QqI6xplv2Rg
+author: 邱汉宸（东南大学、阿里淘天）
+platform: Datawhale
+date: 2026-06-29
+---
+
+# AI 开发范式演进：从 Prompt Engineering 到 Loop Engineering
+
+## 引言
+
+2023 年是大语言模型落地应用的早期阶段，"年薪百万的提示词工程师"刷屏。工业界核心精力投射于提示词工程，方法论侧经历系统化演进（Zero-shot → Few-shot → Chain-of-Thought → Tree-of-Thought）。
+
+转折在 2025–2026 年，三句话引爆 AI 社区：
+1. "I really like the term 'context engineering' over prompt engineering." — Tobi Lütke
+2. "You shouldn't be prompting coding agents anymore. You should be designing loops that prompt your agents." — Peter Steinberger
+3. "I don't prompt Claude anymore. I have loops running. My job is to write loops." — Boris Cherny
+
+核心命题：人类从 Agent 循环的内部走向外部，从执行者变成设计者。
+
+## 四次浪潮
+
+### 1. Prompt Engineering
+- 方法论：Zero-shot/Few-shot, Instruction Prompting, APE 自动 Prompt 搜索
+- Prompt Engineering ≠ Blind Prompting（trial-and-error 无测试）
+- 声明式框架：DSPy, APE — 开发者声明输入输出签名，优化器自动搜索最优 Prompt
+- 瓶颈：上下文窗口限制、缺乏记忆与工具调用、维护成百上千条模板的技术债务
+
+### 2. Context Engineering
+- 三套方法论：MVC（Minimum Viable Context）、GraphRAG、Just-in-Time 检索
+- 三种故障模式：Context Starvation / Context Overflow / Context Rot
+- 隐式维度：提示词缓存（Prompt Caching）+ 前缀匹配不变性（Prefix Matching Invariant）
+- "从静到动"分层排列：工具定义 → 系统提示 → 历史对话 → 动态消息
+- 缓存经济学：N>3 即可净收益（首次 100%，后续 20%）
+- Anthropic Skills 采用 Just-in-Time 设计哲学
+
+### 3. Harness Engineering
+- 公式：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
+- 信任边界：物理基础设施 → 安全沙箱 → Agent Harness → 运行时 → 模型
+- DataTalks.Club 事故：Claude Code 执行 terraform destroy 抹除生产数据库
+- 八条非妥协原则：
+  1. Model proposes — Harness executes
+  2. Every call returns a result
+  3. Risk changes the process
+  4. Draft 与 Commit 分离
+  5. Context is assembled, not dumped
+  6. Long tasks have budgets
+  7. Skills & Connectors 渐进式披露
+  8. Recurring failures become Harness features
+
+- CodeRabbit 分层拦截流水线：确定性规则层 → 策略网关层 → AI 审查层 → 人类终审
+- Skill Issue 框架：Agent 表现不佳 → 排查 Harness 代码
+- Terminal Bench 2.0：不改模型，仅改写 Harness → 排名 30 → 前五
+
+### 4. Loop Engineering
+- 公式：Loop = Cron + 决策器
+- 哲学：机制（Mechanism）与策略（Policy）分离
+- 三级成熟度：Open Loop → Closed Loop → Review Loop
+- 五件套 + 一个记忆：Automations / Worktrees / Skills / Connectors (MCP) / Sub-agents / State 文件
+- Loop Contract 六维约束：TRIGGER / SCOPE / ACTION / BUDGET / STOP / REPORT
+- 安全机制：熔断器（Circuit Breaker）+ 看门狗（Watchdog）
+- 自主闭环流水线：AI 编码 → 沙箱测试 → 日志回灌 → AI 修复 → CI 绿标 → 自动发起 PR
+
+## 嵌套关系
+
+Prompt ⊂ Context ⊂ Harness ⊂ Loop
+
+## 早期 vs 当前
+
+- 早期：Output = f(Prompt, Context) — 可靠性取决于输入质量
+- 当前：Success = g(Loop(State, Harness, Model)) — 取决于循环深度和验证器严密性
+
+## Loop Engineering 的影响
+
+1. 为缓解幻觉提供可工程化的收敛路径（Text → Code → Execute → Read Result → Self-correct）
+2. 自动化控制范式升级（容错、自愈、动态自适应）
+3. 基础设施产品原语化（HaaS）
+
+## Loop Designer 角色
+
+1. 定义终止边界（Goal & Verifier 设计）
+2. 维护工具链与领域资产（Tooling & Skill 配置）
+3. 设计安全断路器（Human-in-the-Loop & Budget Guard）
+
+## 参考资料
+
+[1] Lilian Weng. Prompt Engineering. 2023.
+[2] Mitchell Hashimoto. Prompt Engineering vs. Blind Prompting. 2023.
+[3] Lilian Weng. LLM Powered Autonomous Agents. 2023.
+[4] Tobi Lütke. Context engineering over prompt engineering. 2025.
+[5] Michael Hunger. Why AI teams are moving from prompt engineering to context engineering. 2026.
+[6] Tomás Murúa. Context engineering vs. prompt engineering. 2026.
+[7] Vivek Trivedy. The Anatomy of an Agent Harness. 2026.
+[8] Sergio Paniego & Aritra Roy Gosthipaty. Harness, Scaffold, and the AI Agent Terms Worth Getting Right. 2026.
+[9] Tort Mario. AI Agent Best Practices: Production-Ready Harness Engineering. 2026.
+[10] Addy Osmani. Agent Harness Engineering. 2026.
+[11] Peter Steinberger. You shouldn't be prompting coding agents anymore. 2026.
+[12] Yash Thakker. Loop Engineering: How to Design Coding Agent Loops That Run While You Sleep. 2026.
+[13] Addy Osmani. Loop Engineering. 2026.
+[14] Sydney Runkle. The Art of Loop Engineering. 2026.
+[15] Stanford NLP. DSPy: Programming not prompting Foundation Models. 2024.
+[16] Anthropic. Prompt Caching. 2024.
+[17] Gaurav Garg. Claude Code Deleted a 2.5-Year AWS Production Database: The Full Incident Report. 2025.
+[18] Brandon Gubitosa. What is harness engineering for AI code review & oversight. 2026.
+[19] Aliyun. Model Studio Context Cache. 2026.
+[20] Geoffrey Huntley. Cursed: The unintended consequences of AI code generation. 2025.

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

@@ -0,0 +1,41 @@
+---
+title: "真机RL安全探索均衡 (Raw)"
+source: https://mp.weixin.qq.com/s/nE9gq1bStIg1qhWpIRvQHQ
+author: 机器之心 / 数据派THU
+date: 2026-06-29
+platform: WeChat
+---
+
+# 真机强化学习的安全探索均衡
+
+## 背景
+
+具身智能爆发式演进，RL 是核心驱动算法。真机 RL 是终极考验——物理世界不允许无限试错。
+
+## 安全探索基本思想
+
+将探索严格限制在「可行区域」内 → 收集数据 → 降低模型误差 → 扩展可行区域 → 循环。
+
+## 前人工作
+
+- Andreas Krause (ETH): Lyapunov 函数 + 高斯过程
+- Claire Tomlin (Berkeley): HJ 可达性分析
+- 未解决问题：收敛性、收敛边界
+
+## 清华 SEE 论文
+
+首次证明安全探索必然收敛到「均衡」——可行域与不确定模型的不动点。
+
+SEE 算法：
+1. 固定模型 → 求解 Risky Bellman Equation → 最大可行域
+2. 固定区域 → Clique Decision Problem → 最小不确定模型
+
+理论性质：单调 + 收敛。
+
+## 实验
+
+双积分器、倒立摆、独轮车。零约束违反，10 次迭代内收敛。
+
+## 意义
+
+厘清"安全探索到底在探索什么"，为真机 RL 建立数学安全底座。

raw/articles/xinzhiyuan-agents-want-filesystems-2026.md

@@ -0,0 +1,41 @@
+---
+title: "新智元：Agents Want Filesystems (Raw)"
+created: 2026-07-04
+type: raw-article
+source: "新智元"
+url: "https://mp.weixin.qq.com/s/VdjhAzjmdAkL-aHRGiEUHw"
+---
+
+# Agents Want Filesystems：文件系统可以让Agent更高效地「找东西」
+
+来源：新智元 · 源博客：https://nokv.io/blog/agents-want-filesystems
+
+## 核心实验
+
+NoKV 团队 benchmark：同一份数据（875 run, 80.6 万行指标），文件系统形态接口 vs 原生 SQL：
+- -45% token
+- -39% 成本
+- 正确率略高
+
+## 关键发现
+
+1. LLM 天然顺着文件系统语义工作（ls → grep → read → 引用行号），训练数据中大量存在
+2. 文件系统提供 progressive disclosure：先低成本发现，再按需读取
+3. SQL 要求先理解整张地图 → 复合探索任务认知成本高
+4. 减少的不止 token，还有 Agent 的 reasoning token 消耗和 attention drifting
+5. 两层架构：底层数据库/对象存储 + 上层 Agent-friendly namespace
+
+## 外部佐证
+
+- Anthropic MCP code execution: TypeScript 文件树 → 150k → 2k token
+- OpenAI tool search: 建议延迟加载到 namespace/MCP server
+- Letta memory benchmark: 文件组织对话历史
+
+## 应用场景
+
+artifact-heavy agentic systems：实验追踪、法律咨询、数据分析、研发 Agent、多 Agent 协作等所有需要管理大量外部产物的 Agent 系统。
+
+## 项目
+
+- NoKV: CNCF Landscape (AI Native Infra / Storage)，CMU dbdb.io 收录（历史条目）
+- 博客: https://nokv.io/blog/agents-want-filesystems

raw/articles/zleap-workspace-harness-2026.md

@@ -0,0 +1,37 @@
+# Zleap-Agent: Workspace-first 的 Agent Harness 设计
+
+- **来源**: Datawhale 微信公众号
+- **作者**: 陈思州 (Datawhale 成员)
+- **日期**: 2026-07
+- **URL**: https://mp.weixin.qq.com/s/iiTmgbtrYHMMjQ7dn7CDrg
+- **代码仓库**: https://github.com/Zleap-AI/Zleap-Agent
+
+## 摘要
+
+文章从 Agent 圈从 Prompt Engineering → Loop Engineering → Harness Engineering 的演进出发，详细剖析了开源项目 Zleap-Agent 的 Workspace-first 架构设计。核心思想：不让 Agent 每一步加载全部工具、记忆和历史，而是先切工作区、再组装上下文。文章按 Context、Tools、Memory、Runtime、Boundary 五个维度拆解了这套设计。
+
+## 核心概念
+
+- **Workspace-first**: 先选工作区，再组装上下文 — 不同任务应运行在不同工作区中
+- **Context = System Prompt + Workspace Prompt + Tools + Memory + History**
+- **Context 加载方式**: Prefetch（提前带入）vs Agentic（按需读取）
+- **工具-工作区绑定**: 工具不再全局暴露，按工作区可见
+- **记忆三分区**: A 线 people notes（人）→ 用户偏好；B 线 core records（事/经验）→ 工作事件+可复用经验
+- **Memory Dream**: 离线记忆整理器，后台提取稳定画像和可复用经验
+- **快慢召回**: prefetch(fast, 不走 LLM) + 主动 recall(slow, 精排)
+- **Runtime Trace**: PostgreSQL 持久化运行轨迹，支持审计和回滚
+- **多模型路由**: 不同工作区可绑定不同模型
+- **边界设计**: 数据边界、工具边界、模型边界、记忆边界
+
+## 关键摘录
+
+> "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。"
+
+## 引用的项目/论文
+
+- Claude Code (Boris Cherny)
+- OpenClaw (Peter Steinberger)
+- Hermes Agent Channel Fracture 案例
+- WildClawBench
+- Agentic Harness Engineering 实验
+- Terminal-Bench 2