观察项 / 候选材料（不计入文章数）
2026-05 起各轮调研中已甄别、但暂不值得做成正式文章的材料。本段不参与
### N.编号，不计入 79 篇文章总数。 中文译文留在本地translate/（gitignored）作阅读辅助；下表只记上游链接与定性，方便下次快速复看。 去向标记： 🔵 待实测后入tools/（遵守 tools/「只收用过的工具」标准，未实测前不正式收录） ｜ ⚪ 长期观察 ｜ ⏭️ 暂存不收。升格阈值（2026-07-27 补写，解决"论文为什么有的进编号、有的只进这张表"的口径问题）： 早期本表只收产品页 / README / 短 bliki / 发布稿 / 工程随笔，但随着 arXiv 上 harness 论文的产出速度上来，论文同样会落到这张表——否则每月十几篇会把编号正文淹掉。判据不是体裁而是它是否改变你读既有条目的方式：
- 进编号正文：提出新的实验设计范式（如 #67 首次固定模型只变 harness），或对库内已有主线给出系统性反证（如 #68 对自演化那条线）。
- 只进本表：为已确立的结论再加一个数据点或做独立复现（Claw-SWE-Bench 复现 #35、Better Harnesses 复现 #57 的弱模型受益）、换一个测量轴但结论同向（StaminaBench）、地图式综述（Code as Agent Harness、Agent System and Harness Design）、或工具/工件本身尚未被实测。
这条阈值是可争的；争的时候请改这段文字，而不是在个案上临时松紧。
| 候选 | 类型 | 去向 | 角度 / 为何只做观察项 | 原文 |
|---|---|---|---|---|
| Caliper | 工具 | 🔵 | 把 CLAUDE.md 自然语言约定编译成确定性检查；三层 enforcement，论点反哺概念 3/6（机械化执行 / 熵管理）。实测后可升级 tools/ 或 works/ | getcaliper.dev |
| Context Mode | 工具 | 🔵 | "用代码思考"（让 LLM 写脚本统计而非读满上下文）+ FTS5/BM25 取回；90% 篇幅是安装矩阵 | github |
| OpenSPDD | 工具 | 🔵 | SPDD 的 CLI 落地（REASONS Canvas + spdd-sync）；README 体裁，配合 #20 SPDD 看 | github |
| CocoIndex | 工具/基建 | ⚪ | 增量索引引擎（Rust + 声明式 Python）；与 agent 关系较远，偏通用 context 基建 | github |
| grith | 工具 | ⚪ | syscall 级安全 Harness（<15ms 拦截/评分/决策）；落地页太薄，待其博客深度长文 | grith.ai |
| Running Codex safely | 文章 | ⚪ | OpenAI 官方·安全治理控制面；官宣口吻、无实测数据 | openai |
| Codex on Windows 沙箱 | 文章 | ⚪ | 沙箱边界 Windows 平台实现；高度平台特定，与已收录 Anthropic 沙箱重复 | openai |
| LangSmith Sandboxes GA | 产品 | ⚪ | microVM 隔离论证（Shai-Hulud / n8n CVE 那节有料），其余是 GA 公告 | langchain |
| OpenAI WebSockets | 文章 | ⚪ | 运行时性能·传输层（把整次 agent 执行建模为单条长响应）；可迁移性中等 | openai |
| Managed Deep Agents | 产品 | ⚪ | 托管 runtime 产业动态；private beta 发布稿，干货在 #22 / #27 | langchain |
| Genie Tarpit | 随笔 | ⚪ | Kent Beck 的 Features×Futures 坐标（AI 落"凑合区"）；依赖 5 张配图、含赞助段 | tidyfirst |
| Vibe Coding | bliki | ⚪ | Fowler 给 vibe coding 的权威定义锚点；可做术语引用 | martinfowler |
| Interrogatory LLM | bliki | ⚪ | 让 LLM 反向访谈人类生成上下文的 pattern；可做 prompts/ 引用 | martinfowler |
| Google Antigravity | 发布稿 | ⏭️ | I/O 2026 开发者亮点；产品罗列，与已收录 Managed Agents 重复 | blog.google |
| Claude Managed Agents 演进 | 产品文 | ⚪ | #7 的产品化续篇（Agent SDK → Managed Agents 的演进叙事 + /claude-api skill 入口）；发布稿口吻，2026-06-10 | claude.com |
| LangChain Deep Agents 上下文管理 | 工程文 | ⚪ | 压缩三技术（大结果落盘 / 阈值触发摘要 / 子智能体隔离）+ targeted evals（针对单个压缩机制的小型回归测试，可迁移的做法）；与 #22 互补 | langchain |
| LangChain 生产级 Deep Agents 的 Runtime | 工程文 | ⚪ | harness（prompts/tools/skills）与 runtime（durable execution/memory/multi-tenancy/HITL/观测）的分界陈述；与 #7、#21 重叠度高 | langchain |
| Arize：harness 为何取代 framework | 分析 | ⚪ | framework（人组装的抽象+绳子）vs harness（开箱即跑，人只给目标）的划界 + 一套 harness 运营指标（成功率/重试/工具效率/恢复/工具幻觉/单条成功轨迹成本）；2026-06-18 | arize.com |
| Code as Agent Harness 综述 | 论文 | ⚪ | "代码即 harness 基底"的三层大地图（接口/机制/多智能体扩展），横跨编码/GUI/具身/科研场景；综述体裁，检索地图价值大于论点价值 | arxiv 2605.18747 |
| NLAH：自然语言 Agent Harness | 论文 | ⚪ | 把 harness 控制逻辑外化为可执行自然语言工件 + 共享运行时（IHR），主张 "harness 表示科学"；与 #16 SPEC.md 模式互证，待更多后续工作 | arxiv 2603.25723 |
Microsoft Agent Framework HarnessAgent | 产品/文档 | ⚪ | 微软入场：batteries-included harness 作为一等 API（AsHarnessAgent）；微软视角此前仓库空白，暂只有文档无深度工程文 | learn.microsoft.com |
| OpenAI Core dump 流行病学 | 工程复盘 | ⚪ | "群体级诊断 > 逐例分析"修复 18 年 libunwind 老 bug，ChatGPT 参与写分析管线；可观测性方法论好文但与 harness 关系间接，2026-06-30 | openai |
| thedeepfeed：学科史梳理 | 编年 | ⚪ | "七个声音九个月汇流成一个学科"的传播史（含 Osmani 文收藏/点赞比 2:1 等传播数据）；二手史料，配 #31 看 | thedeepfeed.ai |
| Boris Cherny 工作流 | 实践 | ⚪ | Claude Code 作者本人"出奇原味"的用法（~100 行 CLAUDE.md、早期以 plan mode 纪律著称；站内 Part 15 已记录其 4.6+ 后放弃 plan mode 起手、改 auto mode 直跑——"新模型不再需要显式规划步骤"）；源头是其 X 帖，链接为社区维护的档案站（非 Anthropic 官方） | howborisusesclaudecode.com |
| Steering Claude Code 官方指南 | 产品文档 | ⚪ | 七种转向机制（CLAUDE.md/rules/skills/subagents/hooks/output styles/system prompt append）按"加载时机 × compaction 行为 × token 成本"三轴对照——#78 YDD"区别在加载机制"论的官方版说明书；参考手册体裁，2026-06-18 | claude.com |
| The Harness Effect 论文 | 论文/厂商评测 | ⚪ | "成本数据"缺口的首个系统数据：同 22 任务 × 6 模型只换编排层，成本 -41%、时延 -44%、token -38%；提出 token maxing 与 harness leverage（质量增益与基线能力 r=0.99）。注意 Writer Inc. 自评自家 harness，利益相关，方法论（frozen baseline + locked tasks）可取 | arxiv 2607.06906 |
| Harness Updating ≠ Harness Benefit 论文 | 论文 | ⚪ | 拆开两条能力轴：写 harness 编辑的能力各模型持平（9B 能写出与 Opus 同构的 skill），利用 harness 的能力非单调（中档模型受益最多）——跨模型可移植性缺口的机制侧证据；被 #45 Weng 综述引用 | arxiv 2605.30621 |
| ToFu 白盒研究 harness | 工具 | 🔵 | MIT 协议、面向研究者的白盒 harness：三层上下文压缩 + 多语言 + MCP 集成，可作为 research object 检查/修改编排逻辑；待实测后再定去向 | arxiv 2607.11423 |
| OpenAI：How agents are transforming work | 报告 | ⚪ | 内部采纳数据：Codex 从占员工 <10% token 到成为全部门（含法务/招聘）主力；99 分位用户日均 60+ 小时 agent turns、多智能体并行——脉络三的组织影响新数据点，2026-06-25 | openai |
| Fowler Fragments 2026-07-06 / 07-13 / 07-21 | 短评 | ⚪ | retreat 纪要三则：AGENTS.md <200 行、用 Rust 替代 Python 强化计算性传感器、property-based testing、"DX 与 AX 的维恩图是个圆"（Laura Tacho）、"harness 会否被模型进步淘汰"的现场辩论——#2 的口语化增量。07-13 篇另含 Kief Morris 的统一叙事（所有争论都是"交给智能体的工作单元怎么设定"：多大、覆盖多少、如何交接、如何验收、围什么栏）与 Sam Ruby "Bring me a Rock"（LLM 时代按目标管理而非按方法管理成为可辩护的工作方式）。07-21 篇收官第二届 FOSE 研讨会并给出 Thoughtworks Europe 官方报告五条结论：代码生成不再是瓶颈、验证才是；harness engineering 正成为一门可独立拥有的学科；学徒制危机；高管/工程师预期落差比技术限制更危险；遗留系统现代化是最稳的近期价值池 | 07-06 / 07-13 / 07-21（TW 报告 PDF） |
| Geoffrey Litt：Understand to participate | 演讲 | ⚪ | AIE 2026 演讲（经 Simon Willison 笔记）：cognitive debt——理解要深到"能继续参与创作"，否则参与能力实质受限；与 #42 Ronacher 的 comprehension 关切合流；2026-07-10 演讲视频已上线 YouTube（链接见 Willison 笔记的 update，另有作者的 X 线程版） | simonwillison.net |
| Simon Willison：Agentic Engineering Patterns | patterns 库 | ⚪ | 2026-02 起持续更新的模式集（红绿 TDD、hoard working examples、线性走查等）；附 Fable's judgement 笔记（2026-07-03：让模型自主选低阶模型跑子任务）——个体实践侧长期跟踪 | guides |
| Thoughtworks Technology Radar Vol.34 | 行业雷达 | ⚪ | Ralph loop 列为 Assess、Team of coding agents 列为 Assess、Coding agent swarms 列为 Caution（2026-04-15）——#28 Ralph 的行业采纳信号；雷达条目体裁，一行即可 | thoughtworks |
| OpenAI：ChatGPT Work + Codex 应用合并 | 产品动态 | ⚪ | 2026-07-09：Codex 独立应用并入 ChatGPT 桌面端（Chat/Work/Codex 三模式、全计划可用），GPT-5.6 同日 GA，Atlas 浏览器开始退役——"编码智能体 runtime 正在变成通用智能体 runtime"，#40 HaaS 线索的产品化里程碑；发布稿体裁 | digitalapplied 汇总 |
| LangChain：Prompt Caching with Deep Agents | 工程文 | ⚪ | 跨厂商缓存中间件：harness 自动按 provider 委派缓存策略、结构化提示词与显式缓存点收窄失效爆炸半径（记忆更新仍能命中前缀子集）；真实轨迹实测省 49–80% token——#39 Codex 缓存工程的框架侧对应，2026-06-26 | langchain |
| Osmani：Don't Outsource the Learning | 随笔 | ⚪ | 脉络三新数据点：Anthropic 技能形成 RCT——AI 组完成同速但理解测验 50% vs 67%，组内"问概念的 >65%、粘代码的 <40%（姿势决定结果）"；另引 MIT "Your Brain on ChatGPT"、CHI 2026 的 LLM 先行锚定效应，2026-07-06 | addyosmani.com |
| Fowler 站：The Archaeologist's Copilot | 实践文 | ⚪ | Java 1.5 遗留系统现代化：早期 LLM 给出"在代码库里站不住的貌似合理答案"，转机是把过程锚定在证据上——AI 辅助分析 + 稳定 Docker 环境验证 + 测试保护下渐进重构；"AI 被证据、清晰角色与分步策略约束时最有用"，2026-07-16 | martinfowler |
| Simon Willison：llm-coding-agent 0.1a0 | 实验 | ⚪ | 给 Fable 一份 spec.md 就造出 Claude Code 风格最小 harness（读/写/搜文件 + 执行命令 + --allow 权限模式 + Python API）——"最小 harness 有多小"的又一实证，配 #17 的 300 行工作坊说法看，2026-07-02 | simonwillison.net |
| donggeking/harness_engineering_guide | 中文教材/仓库 | 🔵 | 中文社区的体系化 Harness 教程书（GitBook + 从零实现的 MiniHarness：运行时→工具层→记忆→输出治理→编排→MCP→生产化加固→安全层），剖析 Codex/Claude Code/OpenClaw 真实实现；基于 2026-04 技术现状；待实测其 MiniHarness 后再定去向 | github |
| Osmani：Long-running Agents | 综述/定调 | ⚪ | 长时智能体三义拆分（长时推理 / 长时执行 / 持久代理）+ 三堵墙（有限上下文 / 无持久状态 / 无独立自验）；论据已被 #4/#7/#28/#48 覆盖，价值在地图与词汇；#41 曾反向引用本文，2026-07 | addyosmani.com |
| Iusztin：What's Harness Engineering | 科普 | ⚪ | "模型商品化 → harness 是你该拥有的那层" + build/buy/customize 三分与开源中间地带（Pydantic AI Harness / Pi / Deep Agents）；面向非工程读者的定调文，论点已被 #1/#3/#31 覆盖，2026-07-21 | read.technically.dev |
| Sparsh Agarwal：Control Surface | 工程随笔 | ⚪ | Scaffolding（首条消息前装配）vs Harness（会话中运行）二分 + "allowed claim / proof" 治理词汇 + 开工前六问清单；术语有用、无一手数据，2026-07-09 | medium |
| OpenAI Agents SDK 演进 | 产品文 | ⚪ | 官方 SDK 侧的"harness 与 compute 分离"定式：凭据不进模型代码执行环境 + snapshot/rehydration 断点续跑 + Manifest 工作区契约；与 #7 brain/hands、#40 HaaS、#50 遏制互证；发布稿体裁，2026-04-15（存量回扫补录），配套 Claude→OpenAI SDK 迁移指南 的两套架构对照表最清晰 | openai |
| What makes a harness a harness 论文 | 论文/概念分析 | ⚪ | 目前最认真的术语锚点：给 agent harness 下构成性定义（充分必要条件）并操作化成纳入/排除测试，划清它与 agent framework / SDK / IDE 插件 / eval harness / orchestrator 的边界，在 6 个真实 harness（Claude Code、Codex CLI、Aider、Cline、OpenHands、SWE-agent）加人造边界案例上一致通过；还梳了词源谱系（马具 → test harness → ML eval harness → agent harness）。单作者概念分析、无实验，故只作观察项；写中文词条时可引 | arxiv 2606.10106 |
| Claw-SWE-Bench 论文 | 论文/基准 | ⚪ | #35"harness 效应 ≈ 模型效应"的独立复现：固定模型时 harness 选择造成 27.4pp 差异、模型选择 29.4pp。更刺眼的是 adapter 决定论——同为 GLM 5.1 后端，minimal direct-diff adapter 只有 19.1% Pass@1，完整 adapter 达 73.4%。350 实例 / 8 语言 / 43 仓库 + 80 实例 Lite 子集 | arxiv 2606.12344 |
| Better Harnesses, Smaller Models 论文 | 论文 | ⚪ | "成本数据"缺口的学术侧样本，与 #65 的价格实证同向：7 个业务型 agentic 任务 × 3 个 SLM 家族，meta agent 从失败轨迹自动发现 harness 适配，21 个 task-SLM 组合中 16 个显著提升、7 个抹平 SLM-LLM 差距，最佳者以 4% 成本恢复 89.7% 的 LLM 性能；适配对重复性工作流与基础能力够格的 SLM 收益最大 | arxiv 2607.08938 |
| StaminaBench 论文 | 论文/基准 | ⚪ | 换一个测量轴：不问"解出几成任务"，问连续撑几轮。实现 REST API 服务器后连做 100 次程序化生成的变更请求（代码可达 6,000 行），测试全程序生成、黑盒 HTTP 交互。6 个 harness × 7 个开源模型 × 20 场景：所有模型 5–6 轮内失败；回灌测试反馈并允许重试把通过轮数提升最多 12 倍；强模型在最好与最差 harness 间差 6 倍，弱模型换哪个 harness 都不行 | arxiv 2606.19613 |
| Failure as a Process 论文 | 论文/实证 | ⚪ | 把失败当过程而非终局：7 个前沿模型 × 3 个脚手架（OpenHands / MiniSWE / Terminus2）在 Terminal-Bench 上的 3,843 条轨迹，筛出 1,794 条完整轨迹人工标注 6.3 万+ 执行步，得 14 条发现——失败主要由认知性错误驱动、通常在最初几步就已发生、且往往隐藏到无法挽回时才显形。结论直指 #47：只评最终结果的评测天然看不见这些 | arxiv 2607.09510 |
| Phantom Guardrails 论文 | 论文 | ⚪ | 自改进 harness 的新失效：修不存在的失败。构造一个正确动作是"什么都别做"的确定性微实验室，只喂合法轨迹并用逐字节 oracle 核验每一条被引用的违规——当合法输入里含有"像某条熟悉规则"的无害模式时，提议者在 15/60 次里启用了那条不存在的护栏并引用了 oracle 否定的违规（无特征输入下 0/60）。三条件同时成立才触发（规则形态的模式 + 开放规则集 + 预设存在失败的指令），去掉任一条即消失。既非 reward hacking 也非过度拒绝，是幻觉——与 #68 一起读 | arxiv 2607.13083 |
| HarnessFix 论文 | 论文 | ⚪ | 针对"自演化改动宽泛、间接、范围失当"的定位问题：把原始轨迹与 harness 工件编译成 HTIR（Harness-aware Trace Intermediate Representation），归一化碎片证据、捕捉步级数据流与控制流、把运行时步骤对齐到塑造其行为的工件，再归因→flaw record→scoped repair operator→回归验证。4 个基准上相对初始 harness 提升 6.3%–18.4%；与 #53 行为定位是同一瓶颈的两种解法 | arxiv 2606.06324 |
| Agent-Reactive Bugs 论文 | 论文/实证 | ⚪ | 首个聚焦 AR bug 的实证：只在某条 LLM 回复触发 harness 异常反应时才出现的缺陷，单看模型或单看 harness 都理解不了。人工分析 Codex / Gemini-CLI / LangChain / CrewAI 的 255 份 bug report，建"可观测症状 × 触发它的 LLM 行为"二维分类法；发现大量 AR bug 是无明确 test oracle 的静默错误，回复随机性又让复现困难。修复侧错位很有意思：用户普遍主张在 harness 侧加护栏，开发者却倾向归咎于 LLM | arxiv 2607.15684 |
| Agent System and Harness Design 综述 | 论文/综述 | ⚪ | 以 model-harness 视角问"瓶颈在模型、在 harness、还是在耦合"：梳理 prompt → workflow/context → harness → agent-native training with co-evolution 四范式，把执行 harness 拆成 6 项耦合运行时职责（observation / context / control / action / state / verification）。综述体裁，检索地图价值大于论点价值，配 #57 共演化看 | arxiv 2606.20683 |
| Recursive Agent Harnesses 论文 | 论文 | ⚪ | 给 #51（dynamic subagents）与 RLM 之间那个模式命名：递归单元不是模型调用而是完整的 agent harness（带文件系统工具、代码执行与规划）。固定 GPT-5 后端，Oolong-Synthetic 上把 Codex 基线从 71.75% 提到 81.36%（199 样本、13 个上下文长度分桶至 4M token），换 Claude Sonnet 4.5 达 89.77% | arxiv 2606.13643 |
| Stop Hand-Holding Your Coding Agent 论文 | 论文/概念 | ⚪ | 给 loop engineering 做学术化梳理：把"loop specification"定义成人类交给 harness 的有界可复用工件（trigger / goal / verification / stopping rule / memory），并把它与普通程序循环、与 harness 内建的感知-行动-观察循环区分开；含五级验证阶梯与终止状态命名法，以及对 50 个真实 loop 的公开语料的人工编码分析。反驳"loop 取代 prompt"的强口号。与 #41/#43 同题 | arxiv 2607.00038 |
| claude.com：用 skill 搭验证回路 | 产品文 | ⚪ | Claude Code 侧把"验证回路"沉淀成 skill 的官方做法，是 #66 把验证/代码评审移出系统提示词那一步的操作面；产品文体裁，2026-07-22 | claude.com |
| claude.com：Anthropic 如何跑大规模代码迁移 | 案例 | ⚪ | 官方口径的大规模迁移实践，与 #56 Bun 重写、#65 SQLite 蜂群构成"迁移/重写"三例对照；案例文体裁、无成本账本，2026-07-16 | claude.com |
| LangChain：Towards Automating Eval Engineering | 产品/方法 | ⚪ | Eval Engineering Skill 发布稿，但两处有料：verifier 的第一版几乎从不是最终版，要同时检查智能体轨迹与 verifier 轨迹；已观察到的四种作弊形态（过度引用无关来源骗满分 / 声称做过其实没做 / 利用暴露在环境里的答案材料 / 满足代理指标但没真正完成）。定调句"Evals are training data for agents"，2026-07-22 | langchain |
| LangChain：Agents need their own computer | 概念/产品 | ⚪ | 隔离论证与 #50 重复度高，值得单取的是注入防御那节：沙箱遏制执行爆炸半径但不消除提示词注入，因为沙箱输出会被读回上下文；给出具名模式 "non-agentic read"——由非模型进程去沙箱取成品（文件、diff、报告），而不是把原始输出灌进智能体上下文；并直言"别指望靠提示模型去识别或忽略注入"，2026-07-15 | langchain |
| Harrison Chase：Own your intelligence | 战略随笔 | ⚪ | "拥有智能"三层（model / harness / context）+ 拥有经济性、质量与风险 + 复利闭环（每一次改动配一条 eval 固化）；论点与 #3/#15/#21 高度重叠，唯一增量是结尾那份 10 问自评清单，可作 prompts/ 模板引用，2026-07-25 | langchain |
| Faros AI：AI acceleration whiplash | 行业报告 | ⚪ | #63 与 #78 共同引用的那份遥测报告：评审评论数 +25%、评论长度 +22.7%、+31.3% 的 PR 完全跳过评审；每 PR 事故 +242.7%、月度事故 +57.9%、人均 bug +54%。相关性信号而非因果铁证，但它是"熄灯工厂会失败"论证的经验底座；同站另有一篇 harness engineering 五层框架科普（tool orchestration / verification loops / context & memory / guardrails / observability）+ 一组可从现有系统拉出的基线指标（每合并 PR 成本、智能体 PR 的 time-to-merge、评审速度对 PR 体积、人均算力开销） | research / blog |
| StrongDM 熄灯工厂 + Dan Shapiro 五级 | 一手实验 / 分级 | ⚪ | #63/#64 讨论的"熄灯工厂"实物：StrongDM 公开运行的 lights-off factory（无人写码、无人读码，配 weather-report 更新页）与 Dan Shapiro 的"从辣味自动补全到软件工厂"五级分类。Dex 的批评是"没找到确定性的成效数据"；作为反方样本长期跟踪 | factory.strongdm.ai / danshapiro.com |
| Ronacher：The Tower Keeps Rising | 随笔 | ⚪ | #62 作者同月另一篇：vibecoding 与"共享语言可能崩塌"；哲学性论述、无一手数据，与 #42 The Coming Loop 同一关切的延伸，2026-07-13 | lucumr |
| Fowler / Giles Edwards-Alexander：重构的经济效益 | 实验 | ⚪ | Exploring Gen AI 系列少见的定量重构实验：一个 15 万行、纯智能体生成、作者从不 review 的应用里，数据访问层膨胀到单文件 17,155 行；用"智能体永远学不会"这一特性把它变成干净实验——每完成一步重构就派一个全新 sub-agent 跑同一个代表性变更并回报 token，无学习污染。14+ 步后同一变更的输入 token 从 159,564 降到 27,360（−83%），且是一次重构、此后每次触碰该层都更便宜的复利式节省。附带黑色幽默：机械重构用 Python+grep/sed 脚本执行，"经常被缩进搞晕"。给"熄灯工厂里到底还要不要重构"一个可迁移的算账方法，2026-07-30。升格候选（新实验范式） | martinfowler |
| Geoffrey Huntley：engineer away the slop | 随笔/立场 | ⚪ | Ralph 方法论源头（#28）本人宣布加入 Antithesis，并抛出直指**行为 harness（#2 最弱那维）**的假说：形式化验证 + 确定性系统测试即将跨越鸿沟；靠"模拟一台确定性计算机"逼出普通测试暴露不了的整类 bug；与对抗式 LLM 评审 + pre-commit 里的语言分析器合流，成为软件工厂交付可靠软件的关键件。定调句"创造已近乎免费，验证/理解还不是——是时候把 slop 工程掉了"；与 #63/#64 熄灯工厂、#33 安全审计对读，2026-07-24 | ghuntley |
| Fowler / Rachel Laycock：The Conductor Developer | 随笔 | ⚪ | Thoughtworks CTO 新开博客首批文之一："开发正越来越像指挥乐团"——她预期瓶颈会沿 SDLC 从编码逐段后移到设计规格、架构、验证，且已经在发生；领导者视角的定调文，与 #55 外环问责、#63 工厂失败同题，一手数据少、胜在措辞，2026-07-31 | martinfowler |
| claude.com：Datadog 的"通用机床"工具 | 案例 | ⚪ | 反 MCP 工具膨胀的一手做法：Datadog 不给 Claude Code 塞几十个细粒度工具，而是造一个"通用机床"式的单一工具让模型自行组合调用——工具设计即 harness 的具体案例，与 #62 工具 schema 论、#54 DSL 工具集互证；案例文体裁，2026-07-21 | claude.com |
| Simon Willison：smevals | 工具 | 🔵 | 作者自建的小型评测套件，明确定位"同时评 model、prompt 与 harness"三者——正好呼应 #35/#67 把三者拆开测的思路，可作轻量本地评测脚手架样本；待实测后再定去向，2026-07-31 | simonwillison.net |
| Simon Willison：Cat & Thariq 炉边对谈 | 笔记/访谈 | ⚪ | #66（Thariq 的 Claude 5 上下文工程新规则）的口语化续篇：Claude Code 团队两人谈系统提示词瘦身、验证/评审外移到 skill、以及"新模型让很多显式脚手架变得多余"的一手取舍；访谈笔记体裁，配 #66 与 steering 官方指南看，2026-07-21 | simonwillison.net |
| DeepSeek Harness 开发者预览 | 产品 | 🔵 | 头部实验室下场做 harness（HN 747 分，2026-08-13）；预览期无深度工程文，待实测/待其技术博客；与 #74 Pi 的开源中立主张构成反向信号 | deepseek |
| Ronacher：What Is Reasoning | 随笔 | ⚪ | reasoning trace 只是训练出的频道约定、reasoning effort 即系统提示一行字——harness×模型接口层（channel/KV cache/prefill）的一手拆解；与 #62 同作者同视角，2026-08-19 | lucumr |
| Osmani：Agentic Code Quality | 长文 | ⚪ | "质量取决于给 agent 的约束体系而非逐行把关"；论点与概念 3/6 重叠，价值在操作清单，2026-08-08 | addyosmani |
| Osmani：Human judgment relocates | 长文 | ⚪ | 软件工厂里人的判断只迁移不消失，"仍有主人"的工厂构建指南；#64 工厂系列续篇，2026-08-21 | addyosmani |
| Willison：Conceptual integrity | 长文 | ⚪ | 千行级日产出后概念完整性/团队认知力成质量上限；与 #42 comprehension 关切合流，2026-08-19 | simonwillison |
| Rachel Laycock：Citizens Build, Agents Execute, Experts Govern | 随笔 | ⚪ | 工程价值转向治理（护栏/平台/反馈环设计）；Conductor Developer（观察项）续篇，领导者视角定调文，2026-08-19 | martinfowler |
| Dan Luu：coding agent 最优语言 | 长文 | ⚪ | token 效率与反馈质量角度的语言选型实证；与 Fowler retreat"Rust 替代 Python 强化传感器"（观察项）互证，2026-08-10 | danluu |
| Fabien Sanglard 的 agent.md | 随笔 | ⚪ | 知名图形程序员公开的 agent.md 质量约束清单（HN 414 分）；个体实践样本，2026-08-23 | fabiensanglard |
| OpenAI 蜂群误攻击 Hugging Face 时间线 | 事件 | ⚪ | 多智能体隔离失效的标志性事故（Willison 整理时间线，2026-08-07）；与 #50 遏制、"non-agentic read"注入防御（观察项）对读 | simonwillison |
| Claude Code auto mode 转默认 + 生产实践 | 产品/案例 | ⚪ | 自主性/权限 harness 的产品拐点（2026-08-07 对 Pro/Max/Team 默认化）+ Nuro/Gusto/Garner 生产实录；两篇合一行 | 默认化 / 生产 |
| Claude Code 自托管执行环境 | 发布稿 | ⚪ | agent 运行环境自托管公测（自有算力/内网）；sandbox 基建层，发布稿体裁，2026-08-06 | claude.com |
| Anthropic：AI-Native SDLC playbook | 方法论 | ⚪ | 官方 SDLC 分阶段总纲（计划/设计/构建/测试/部署/维护）；组织级实践手册体裁，2026-08-21 | claude.com |
| Warp 自改进 agent 模式 | 案例 | ⚪ | 可复用的自改进 agent 开发模式；loop/反馈回路案例文体裁，2026-08-26 | claude.com |
| Claude Tag 做 CI/CD 第一响应者 | 工程/案例 | ⚪ | 检测→分诊→修复 CI 失败的内部 agent 闭环；验证回路+on-call 范本，2026-08-18 | claude.com |
| Cursor Router 模型路由 | 工程文 | ⚪ | 从真实开发者流量学习选模型，Auto 满意度超 Fable 级且成本 -68%；与 Switchyard 构成本窗口"路由"双证，2026-08-06 | cursor |
| LangChain×NVIDIA Switchyard 路由基准 | 工程文 | ⚪ | 145 个 agent 任务：仅 7% 轮次需前沿模型，路由省 74% 成本、损 6 点精度；成本缺口数据点，2026-08-11 | langchain |
| OpenAI 内部 data agent | 工程文 | ⚪ | 600PB/7 万数据集的自学习内部 agent，经 MCP 嵌入 Slack/IDE 工作流；官方站反爬、要点经外部佐证，2026-08-13 | openai |
| LangChain：Agent 环境与任务构造三步法 | 工程文 | ⚪ | 合成 evals 环境的方法论（spec 生成→spec 转任务→world spec）；#69 Harbor 评测栈续篇，2026-08-25 | langchain |
| LangChain OpenWiki 双篇（WikiBench + 自纠错记忆） | 工程文 | ⚪ | wiki+源码 > 纯源码的基准证据 + 证据锚定 claim 检测过期知识；上下文供给/记忆侧，两篇合一行，2026-08 下旬 | wikibench / memory |
| monday.com 双视角（Sidekick + agent-first 重构） | 案例 | ⚪ | 同一企业在 LangChain/Anthropic 两侧的实践叙述："有能力的 agent 光有工具不够"；两篇合一行，2026-08 | langchain / claude.com |
| Fowler Fragments 08-04/08-18/08-24 三则 | 短评 | ⚪ | 08-24 的 Zalando 引荐段（→ 已升格 #73）与 OpenAI 蜂群事件评述最有料；三则合一行 | 08-04 / 08-18 / 08-24 |
| claude-code#6235：AGENTS.md 支持之争 | 讨论 | ⚪ | AGENTS.md vs CLAUDE.md 标准化的高热社区讨论（HN 377 分）；生态信号，2026-08-19 | github |
| Jake Saunders：自建沙箱化软件工厂 | 实践 | ⚪ | 个人全自托管软件工厂实录（sandbox+factory）；个体侧工厂样本，配 #63/#64 看，2026-08-21 | blog.jakesaunders |
| One Recipe, Many Harnesses 论文 | 论文 | ⚪ | 固定演化配方跨 8 语言×3 基模型，拆"演化产物到底编码了什么"（基准过拟合 vs 语言知识 vs 模型补偿）；可移植性+失效模式+归因三缺口同中，UIUC+IBM，2026-08-10 | arxiv 2608.10178 |
| HarnessRisk 安全基准论文 | 论文/基准 | ⚪ | 首个按 harness 六运营阶段（配置/扩展/运行/状态持久化/动作控制/事故恢复）组织的安全基准，128 沙箱案例×3 harness×6 模型；#33 开辟方向的后续，2026-08-18 | arxiv 2608.17597 |
| Prompt-Induced Waste 论文 | 论文 | ⚪ | 控制实验证明提示语义×推理努力×harness 策略是交互因子而非独立控制项，效率应建模为"每成功任务成本"（token/缓存计数不是充分优化目标）；成本缺口正面数据，2026-08-02（v5 08-24） | arxiv 2608.01347 |
| Fragility of Self-Improving Agents 论文 | 论文 | ⚪ | 重评基于记忆的自改进：多次运行量化方差+打乱任务顺序——自改进闭环放大评估噪声、改进高度依赖任务顺序，现有报告可能是顺序运气；方法论警钟，Salesforce 系，2026-08-18 | arxiv 2608.18066 |
| 三 harness 架构收敛论文 | 论文/分析 | ⚪ | deepagents/pi/dsh 源码级对比：哲学对立的 harness 从相反方向（减法 vs 加法）收敛到同一五要素中间形态；与 #74 Pi 双篇对读，2026-08-25 | arxiv 2608.23953 |
| 编码代理可靠性综述（Jarmak） | 论文/综述 | ⚪ | 164 篇文献+100 条实践记录："按模型评估、按系统部署"，大量"模型失败"实为 harness/状态/权限/资源层失败；检索地图体裁，2026-08-14 | arxiv 2608.13867 |
| 自演化编码代理综述 | 论文/综述 | ⚪ | 首个结构化综述：按框架/记忆/技能工具/模型/工作流/环境六个演化对象分类；配 #45 Weng RSI 综述看，2026-08-04（v2 08-20） | arxiv 2608.03392 |
| 8 月自动 harness 演化方法群（6 篇合并） | 论文群 | ⚪ | JIT-Agent（2608.25593）/ AutoSaddler（2608.23041）/ Harness-R1（2608.02276，在线 RL 训 9B "harness 工程师"）/ HarnessCompass（2608.01918，直接命名三大失效并逐一治理）/ HELIX（2608.13951）/ Living-Harness（2607.26598 v2）——方法各异，共同点是把 harness 当可机器编辑工件；待出现独立复现或引用领先者再拆行 | （见左） |
| Ouroboros 自开发 harness 论文 | 论文 | ⚪ | "被评审的 commit"演化自身工具/提示/上下文组装，TB2.1 86.74%（Opus 5）/OSWorld-Verified 90.69%；演化安全阀（评审门控）样本，含 Yampolskiy，2026-08-08 | arxiv 2608.08311 |
| StateM harness scaling 论文 | 论文 | ⚪ | 不动权重纯 harness scaling（持久状态+阶段局部上下文+受检转移+runbook）：GPT-5.6 Sol 达 TB2.1 95.3%；runbook 免改跨模型迁移 + 标题给出 $15 前沿成本点，2026-08-15 | arxiv 2608.15089 |
| 技能污染与失效三篇（合并） | 论文群 | ⚪ | 技能池超临界后新技能反而降性能且结构不可逆+预提交门控（2608.05810）/ Demystifying Agent Skills 8,135 试验失效分类学（2608.14036）/ 联盟污染与跨域效用反转（2608.22610）——skills 机制的系统性失效证据 | （见左） |
| Evo-Bench + LoopsBench | 论文/基准 | ⚪ | 评"模型改进 harness 的内在能力"并隔离基模型强度（2608.09096）+ ByteDance 长程基准：可分测依赖 DAG+回归义务，最强配置仅 ~25%（2608.00267）；评测方法论双证 | （见左） |
| Working Set / Coherence Debt 论文 | 论文 | ⚪ | 耦合事实图+通道供给/扣留+故障注入，跨 7 模型×5 harness：事实可得性决定成败而距离无关、不同 harness 为同一事实付出不等代价；组件归因直接证据，2026-08-17 | arxiv 2608.16630 |
| Replay Gap 论文 | 论文 | ⚪ | 分叉实跑（~900 rollout）证伪"重放日志换模型"静态路由评估：换模型分叉重写 61-94% 后续动作、74-77% 首步即分歧；跨模型不可静态外推，2026-08-08 | arxiv 2608.08239 |
| Harness-IF + Feedback That Backfires | 论文 | ⚪ | 部署 harness 五个指令面的运维规则合规评测，Against-Prior Accuracy 区分"合规 vs 碰巧"（2608.11727）+ "失败进 transcript 即纠错"假设对指令微调小模型为负增益、失败后重复同一调用概率 0.06→0.54（2608.23653）；harness 设计假设的行为验证 | （见左） |
| 自演化安全攻击群（4 篇合并） | 论文群 | ⚪ | SkillJack 持久技能后门（2608.03509）/ 轨迹投毒 91.0% SER（2608.05563）/ harness 提取攻击——harness 视为 IP（2607.28147 v4）/ 金融 agent 自演化能力与风险同增（2608.17684）——自演化×安全攻防谱系，配 HarnessRisk 看 | （见左） |
| MCP vs CLI + DCAS | 论文 | ⚪ | 7 scaffold×5 模型可复现实验：主导效应是 scaffold 而非工具接口（2608.08654）+ 开源微调数据几乎全采自 OpenHands 导致模型 scaffold 锁定、基模型无此分歧（2608.06113，Queen's）；可移植性双证 | （见左） |
| LangChain harness/loop 核心系列（存量回扫，12 篇合并） | 信源级 | ⚪ | 2026-08-27 回扫发现的系统性缺口：improving-deep-agents-with-harness-engineering（02-17，TB Top30→Top5）、better-harness（04-08，evals 爬山）、the-art-of-loop-engineering（06-16）、how-to-build-a-custom-agent-harness（06-03）、middleware 两篇、frameworks-runtimes-harnesses（2025-10）、tuning-the-harness-not-the-model（07-08，开源模型 ~8x 低成本追平 Opus 4.8）、your-harness-your-memory（04-11）、deep-agents 开山文（2025-07）、tuning-deep-agents-different-models（04-29）、Candidly 案例（06-29）——完整清单见 translate/2026-08-27/candidates.md 留档；某篇被引用或需要时再单独升格 | 入口 |
| claude.com 机制文系列（存量回扫，合并） | 信源级 | ⚪ | 同批回扫缺口：skills 全系列（Introducing Agent Skills 2025-10-16 起 8 篇）、subagent/multi-agent 系列 4 篇、Lessons from building Claude Code 双篇（skills 06-03 / prompt caching 04-30）、dynamic workflows 发布文、hooks/plugins/CLAUDE.md/session 管理等机制文——完整清单见 translate/2026-08-27/candidates.md；同上处理 | 入口 |
三篇短 bliki / 随笔（Vibe Coding、Interrogatory LLM、Genie Tarpit）若日后要收，建议合并成一个「概念定义 / 上下文工程 pattern」小专题，别各开条目稀释精品信号。
本批（2026-08-03）暂扣的升格候选： Fowler / Rahul Garg《The Orchestrator's Tax》(2026-07-16) 提出"编排进程本身"是 Böckeler 三类 harness 之外的第四类 harness（subagent 的价值不在提速而在保护编排者工作记忆 + cognitive locality + "缺事实就补事实、别补流程"的 CLAUDE.md 启发式），完全够编号正文——但原文头部仍挂着"Draft，请勿分享或链接本 URL"的告示，故本轮遵嘱不建条目、不留链接，待其撤下草稿标记后再收。