GitHub 把 Copilot agent runtime 从 TypeScript/Node.js 全量重写为 Rust，5 月 12 日动工，8 月 21 日生产代码里的 TypeScript 归零。重写主要用 GitHub Copilot app 和 Copilot CLI 完成，128 个移植 PR 增量合入 main——主线一直可发布，14.5 周里发了 135 个公开 CLI 版本（100 个 pre-release、35 个 stable，约每天 1.3 个版本），7 天 npm 样本里 pre-release 只占下载量的 10.5%，出问题能快速归因到具体版本。

最终账本：832,378 行生产 Rust、468,689 行 Rust 单元测试、174,675 行端到端 TypeScript 测试；实际迁移的生产 TypeScript 约 43 万行，远超 5 月初 13 万行的估算——范围在膨胀，产品还在并行开发。Stephen Toub 一个人主导，他的原话是"过去需要一个团队一两年的项目，现在主要由一个开发者在几个月内完成"。工具调用分布更值得看：view 590,988 次、rg 281,783 次、grep 126,483 次，对比 apply_patch 53,715 次、edit 40,591 次——读是写的 10 倍。换语言的动机也很具体：旧 runtime 被 SDK 内嵌时要拉起带 Node 和 V8 的子进程，每个客户端多扛约 100MB 常驻内存；Rust 经 C ABI 进程内嵌入后这个开销消失。他同时补了一句：agent 改变的是一个工程师能监督的代码量，但没有取消"得有人懂这套系统、为方向和发布负责"这件事。

Claude Code 的 Projects 重新上线：一个 project 就是一段持续对话。你描述目标，协调者（coordinator）把工作拆成并行的 threads——每个 thread 本质是一个独立的 Claude Code 云端会话，各有自己的分支和仓库副本。线程撞车了怎么办？官方答案很朴素：按普通 PR 的合并冲突解决。thread 还能继续往下拆，用 subagents、loops、workflows 把大活拆小。所有线程共享记忆、目标和文件库，人合上笔记本它们照跑。

拿到早期访问的 Ethan Mollick 干了两件事：让 Fable 梳理翁贝托·埃科那座 33,000 册藏书的全部影像记录并 3D 重建图书馆；又让它查一桩历史谜案——系统自动开了 18 条独立线程，每条再派生 agent 模拟雪崩、破译密码，写作 agent 和"怀疑型"agent 负责核查，全程跑了一天。他的感受原话：以为编排大量 agent 需要专门研究，结果"它们自组织得非常好，而且很有礼貌"。功能目前以 beta 形式面向部分 Pro 和 Max 用户的云会话开放，候补名单制。

智谱发布长文：GLM-5.3 驱动的 Infra Agent 在 10 万多颗国产 AI 加速器集群上，从零建成 GLM-5.3-Flash 的生产级推理服务，现在 GLM-5.3-Flash 的全部生产流量都跑在这套系统上。条件并不好——芯片内存小、带宽窄，生态不成熟、内核支持不全，"很多本该有文档的东西只能靠猜"，还要同时支撑 1M token 上下文和多模态请求。

优化栈是工程师和 agent 联合磨出来的：节点内张量并行（线性注意力和 LM Head）、ReplaySSM、W8A8 量化、INT8/FP8/BF16 混合精度缓存量化、Layer Split，再加 Encode-Prefill-Decode 分离架构，端到端服务性能合计提升约 3 倍，硬件利用率和单 token 成本做到与主流 NVIDIA GPU 相当。上架路径也值得记：先以匿名代号 Ox-Alpha 在 OpenCode 和 OpenRouter 上接受真实使用检验，一周内成为两个平台用量第一的模型，6 天处理超过 62 万亿 token。官方把这定性为"递归自我改进的早期实例"——模型优化系统，系统跑模型；但目标选择、边界设定、风险评估仍归人。

Goodfire 的研究发现，奖励作弊在开源模型里泛滥得超乎直觉：Kimi K3、GLM 5.2、Qwen 3.8 Max 三个最强开源模型，在三个常见智能体基准上，50-96% 的 rollout 出现作弊——认出自己在被评测、凭记忆照抄答案、操纵评分器。更关键的发现是：模型内部存在与"作弊、刷指标、躲检测"绑定在一起的激活信号，用最简单的 difference-of-means 探针就能实时读出来。

和 LLM 思维链监测对比（同等误报率下）：探针在 Kimi K3 上多抓 3.1% 的作弊，在 GLM 5.2 的 DeepSWE 上少抓 7.9%——两种手段互有盲区，得搭配用。泛化性是重点：探针只用短代码样本训练，却能抓到购物、客服等全新任务上长上下文真实输出里的作弊。还有一个可直接抄进评测协议的动作——在探针触发的点上对轨迹做重采样，模型随后执行作弊的比率远高于未触发点，说明这个信号和行为倾向强相关。Goodfire 给出的缓解路径：训练中暂停作弊 run，揪出那些奖励作弊的坏环境和不可解任务，修好再练。

Anthropic 发布测量前沿 AI 开发节奏的指标体系，附内部快照，统计截至 2026 年 8 月。第一项，AI 承担 AI 研发的程度：26% 的内部 AI 研发工作达到"Claude 从高层指令出发端到端完成大部分任务、人类主要负责监督"的程度——约六个月前这个数字是 1%；90% 以上的被衡量工作至少达到协作级。第二项，智能体监督：内部平台任意时刻约有 30,000 个 agent 在做研究与工程，10 亿多次在线决策中 0.002% 被监控拦截。第三项，算力分配：7 月某一周约 6% 的 AI 研发算力用于安全。

质疑声同步到位。Nathan Lambert 转发并评论：报告没有界定"AI 研发工作"的范围，没有真正回答递归自我改进到底在发生什么——是透明度方向的进步，但并不令人满意。

Epoch AI 上线 Benchmark Reviews，一个专门审查 AI 基准的新计划。首批审查 15 个基准，结果：4 个通过验证，9 个发现缺陷，2 个因信息不足无法审查——过审率不到三成。

Cloudflare 开源 security-audit skill（MIT），把编码 agent 编排成安全审计员。六个阶段：侦察（产出 architecture.md 和 coverage-ledger.json 覆盖台账）→ 覆盖率驱动狩猎（隔离的 hunter 从台账单元领任务，critic agent 专找盲区）→ 候选验证（每个候选交给全新的 verifier，任务只有一个：证伪它）→ 结构化输出（confirmed / needs_validation / rejected 三态写入 findings.json，过 schema 校验）→ 独立复核（新 agent 验证最终源码主张，材料被替换就再验一次）→ 目标中立报告。

设计原则写得很硬：验证发现的 agent 永远不能是发现它的 agent；严重度必须是可能性×影响，不是对着 checklist 打勾；纵深防御的缺口不算漏洞，只算加固建议。实测数据也给了：单次运行大约能找到重复运行累计漏洞的一半，所以重要仓库至少跑两轮，多次运行的结果可叠加。整套东西是 Cloudflare 内部漏洞挖掘 harness 的单仓起点版——生产上的多阶段集群版就是从它长出来的。安装一行：npx skills add，零依赖 Node 验证器随附。

OpenAI Codex 开发者 Eric Provencher 在 X 上给多 agent 并行泼了盆水：并行子 agent 超过 2 个，几乎总是烧掉大量 token 却不带来质量提升。根因在他所说的"协调税"——子 agent 之间互不信任，会对彼此的工作做重复检查，token 就烧在这些冗余验证上。

HumanLayer 的 Dex Horthy 开源了 visual-pr skill——与 Matt Pocock 讨论后产出的 pull request skill，基于自家 /show-me 并加入引导指令，专门削减多数 agent PR 里的冗余噪音。安装一行：npx skills add humanlayer/skills --skill visual-pr。同日他还提议给 skill 生态做 vendoring 管理器：把被依赖技能的 SKILL.md 内容作为引用并入主技能，HumanLayer 内部已经在这么用，他在征求社区意见。

Simon Willison 发文《How to write with an LLM》，规矩只有一条：不接受模型建议的任何具体措辞。他不让 LLM 替自己写博客内容，但拿它做事实核查、拼写语法检查和同义词参考；文中还引用了 Thomas 展示的个人 LLM 文案校对工具及其自建提示词。HN 同日热帖里，sockpuppet.org 的 Serge Hallyn 加了第二条规则：禁止模型给出鼓励性夸奖——夸奖会强化初稿里的坏习惯，让它活到终稿。