先让 Agent 把记忆睡后整理一遍

卷首：Agent 记忆要靠睡后整理

很多团队给 Agent 加记忆，第一步就是把对话日志和笔记塞进向量库。下一轮能搜到的东西变多了，写错过的旧笔记也会被反复读到。

跨会话的 Agent 不能指望上一轮上下文还在。窗口一关，模型下一轮只能看到你事先留下来的东西。

光把材料存下来还不够，还要在空闲时把它们整理成以后真用得上的笔记。

Anthropic 这周发了 The Components of Agent Memory。他们把记忆拆成两步：会话进行时当场记下要点，空闲时再离线整理，后一步叫 dreaming。

做法来自 Letta 和 UC Berkeley 提出的 sleep-time compute。模型利用两次交互之间的空档，回看日志、改正错误、写下新笔记。

他们用 Stainless 被收购前约 35 万份内部文件、约 4.2 亿 token 做评测，共 25 道题。用 dreaming 从 2 个会话做到 128 个会话，只靠 wiki 答题的得分从 13% 升到 48%。

wiki 和搜索一起用时，分数随 wiki 变厚从 54% 升到 61%，只用搜索是 53%。只靠 wiki 的最好成绩是 48%，每道题少用约 2 万 token。

整理本身也会写错。在一份法律简报任务里，多个 Agent 同时改同一张合同条款表，57 条事实一开始只写进了 41 条，漏了 28%。

后来改成每个合同由一个 Agent 负责、按原文摘录，57 条才全部写上。有一次 wiki 甚至写得比原始文件还长，等于没有抽象。

LoreKit 同周写了 呼吁统一 Agent 记忆格式。现在的 AGENTS.md、Anthropic 的 /memories、Copilot 记忆和 MCP 知识图谱互不相通，一条经验写在一个工具里，换一个工具就读不到。

Dreaming 要额外花计算。记错的规则如果不改，会被带进之后每一次会话。

Anthropic 也写了：注入的记忆会占上下文，错的笔记会被反复加载。Claude Code 的 MEMORY.md 只预加载前 200 行或 25 KB，就是为了把注入层压小。

我没跑过这组评测，但 13% 到 48% 的差距够说明：整理要单独做，不能指望只靠向量检索就得到结构清晰的记忆。

我赞成先加一个空闲时整理日志的任务，而不是一上来上向量库。整理时要能对照原始会话改错，不要只做摘要。

如果团队同时用 Claude Code、Cursor 和 CI Agent，先约定一个仓库内的记忆位置，比如 AGENTS.md，避免同一条经验散落在四处。错的记忆要能被覆盖或标记过期，不然睡后整理只会把错误写得更整齐。

本周快讯

• Claude Fable 5.2 / Mythos 5.2 发布 同一底座两个版本，Fable 带网安和生物防护、面向所有用户；输出比 5.1 快最多 30%，价格降到输入 $8 / 输出 $40 每百万 token。
• Gemini 4 Carbon 开放 API 付费开发者可用，首发价与 Gemini 4 Argon 相同（$2 / $10 每百万 token，11 月 30 日后涨到 $4 / $20），GitHub Copilot 同日接入。
• Meta Muse Ember Meta 最小的推理模型，主打工具调用、编码子任务、路由与抽取；已在 Meta Model API 上线，价格 $0.10 / $0.50 每百万 token，自称能追平 Claude Haiku 5.5 的最佳分数，每任务成本约三分之一。
• Inkling 2 Small Thinking Machines 发布 594B 总参、17B 激活的 MoE，支持图像输入与可调推理档位，目前先在 Tinker 上提供。
• Cursor 可直接构建并分享线上应用 云端 Agent 能建应用、配数据库和鉴权、跑安全检查并部署，再用链接分享给同事。
• Cursor 与 Agent 实时语音通话 在 Agents 窗口、IDE、网页和 iOS 上可以和 Agent 语音对话、听进度。
• Claude Code 2.1.321 把 Claude Fable 5.2 设为默认 Fable 模型，并修复 MCP OAuth 重定向时把 refresh token 发到别的主机、只读 Bash 命令绕开沙箱不提示等问题。
• GitHub 秘密扫描覆盖 Actions 日志 workflow 日志里泄漏的密钥也会被检出；目前是公测，需企业开启，默认关闭，开启前的旧日志不会回扫。
• Fireworks 安全事件波及 Notion Fireworks 10 月内部凭证被滥用后，Notion 称影响不到 1% 的工作区，并已断开该供应商。
• 社区测试：Opus 5.5 推理模式 11-03 后有变化 有用户对比发现，思考过程的样式在 11 月 3 日前后明显不同。
• Apple 被曝在做本地推理应用 Harbor 爆料称它能把一台或多台 Mac 变成私有推理服务器，尚未官宣。
• 美联航禁止 AI Agent 代订机票 航司开始在条款里拒绝 Agent 代用户下单。
• Val Town 宣布关停 即日起停止计费，12 月 10 日进入只读，2027 年 1 月 10 日关停其余服务，并提供迁到 Cloudflare、Vercel、Netlify、Render 的指南。

技术文章

Agent 记忆的组成：当场记录与睡后整理

Anthropic 把 Agent 记忆拆成当场记录和离线整理（dreaming）。卷首写过 dreaming 的主评测数字，这里补两点工程约束。

玩 Pokémon 时，Sonnet 3.7 写了 413 个记忆文件，Fable 5 只留 9 个文件加一份 global.md。Claude Code 的 MEMORY.md 也只预加载前 200 行或 25 KB，当作目录而不是全文灌入。

落地建议：给长期跑的 Agent 加一个空闲任务，对照原始会话日志改正已有笔记，而不是只追加新摘要。

呼吁统一 Agent 记忆格式

LoreKit 指出 AGENTS.md、/memories、Copilot 记忆和 MCP 知识图谱互不相通，并呼吁一份共用的记忆规格。

现有方案多在解决「从厂商 A 导出到厂商 B」。CI Agent、编辑器 Agent 和审查机器人要同时读写同一个地址，这一层还缺约定。

落地建议：先在仓库里定一个记忆落点（例如 AGENTS.md），新加工具写入前先读这个位置。

AWS Emulator 与 Agent 写代码时工程师干什么

Swaminathan Sivasubramanian 在 Werner Vogels 博客里介绍 AWS Emulator 怎么来的：给 Agent 一份服务该怎么表现的说明，再拿真服务做对照。

做法是按公开 API 模型写出 fidelity tests，先让测试对着真 AWS 通过，再让模拟器通过同一组测试。仓库里 200 多个服务、400 多份 API 模型的代码都由 Agent 编写，许可证是 CC0。

落地建议：给内部服务先写一组能对照真环境跑通的 fidelity tests，再让 Agent 按这组测试生成本地 mock。

Amazon 用 Strands Decider 替换 Sonnet 4.6 打工单标签

Amazon 内部工单系统把 Claude Sonnet 4.6 换成决策模型 Strands Decider，用来打 20 类标签。#62 讲过这类决策模型，这里只记生产数据。

平均每次调用从 4,215ms 降到 897ms，每单总 token 从 6,724 降到 2,010，按标价估算成本降 98%（约 $0.0222 对 $0.0005）。

落地建议：固定选项的工单分类，用现有标注集并跑决策模型，看校准度和每单耗时。

JS 框架的 AI 成本

Nolan Lawson 让 Claude Code（Opus 5.5）用不同框架各做 5 次同一款 Pokémon 应用，比较费用、耗时和 token。

中位费用最低的是 Hono+htmx（$2.67）、Astro（$2.76）和 Nuxt（$2.82），Angular 最高（$4.97）。这只是一个偏内容型站点的样本。

落地建议：新项目如果主要靠 Agent 写前端，把「同一任务下各框架的 token 账单」列进选型表，但不要只看这一个样本。

3.5 万个 Grok 生成的应用对任何人公开

Claroc 测试了 37,571 个仍在线的 Grok 生成应用，其中 35,578 个（94.7%）无需登录即可打开，里边有员工内部资料。

他们还写到，在所用账号里点击发布时，默认建议的访问范围是「有链接的人都能打开」。

落地建议：做「一句话生成并发布应用」的产品，把默认访问权限改成私有，发布前强制确认分享范围。

ChatGPT 后续调用被静默路由到另一个连接器

OpenAI 开发者社区有人报告：同一个对话开了两个连接器时，带一次性确认码的后续调用走了另一个连接器，用户不知情。

确认码如果只认码、不绑连接器身份，就可能把一个应用里的数据交到另一个 OAuth 客户端。报告者这边因为服务端做了绑定，调用被拒绝了。

落地建议：做 Apps SDK 连接器时，把一次性确认码绑到连接器的 OAuth 客户端身份上，不要只校验码本身。

Glasswing 七个月：发现多、修复少

VulnCheck 追踪 Anthropic Project Glasswing 七个月后的数字：报出 37,966 个问题，公开 7,349 个，标记修复仅 217 个；归因 CVE 442 个，在野利用 2 个。

curl 维护者公开的 34 份报告里，19 份被标成不是漏洞，6 份确认为低危。发现可以自动化，分诊和修复仍然要人来做。

落地建议：用 AI 扫开源漏洞时，先定分诊和去重流程，再决定要不要把未人工复核的报告发给维护者。

Cloudflare 的 Agent 信任委托框架

Cloudflare 讨论 Agent 代人上网时，网站往往只能看到 Agent，看不到背后的用户，因而难以识别、服务和追责。

他们把这件事拆成身份、信誉和问责，并开始在分析里单独列出个人助手流量，好把某个被滥用的账号和整个 Agent 服务分开处理。

落地建议：对 Agent 开放的网站，先设计「哪个用户委托了哪个 Agent」的识别方式，再谈限流和审计。

AI 让代码库变脆

前 Meta 工程师 Evan X. Merz 写到，他一度用 AI 生成至少 90% 的代码，但产出并没有翻倍，重度依赖者写出的问题更隐蔽。

他列出的常见毛病包括测试只覆盖表面路径、代码拆得过碎、人对代码库越来越不熟，以及 PR 太快导致 review 只能扫一眼。

落地建议：把 AI 生成代码的 review 清单写进仓库，除了测试是否通过，还要查错误处理、边界条件和权限路径。

工具推荐

Gemini Decisions API

Google 发布 Gemini Decisions API，由 Gemini Decision 1 一次前向打分，处理是非、选择和评分题。#62 讲过决策模型，这里记它的新接口。

官方数字是：上下文在 16K token 内时端到端 150–250ms，单次最多 1,000 个问题，输入 $0.10 / 百万 token，不收输出 token。

落地建议：已在用 OpenAI Decisions API 的分类或路由，用同一组标注并跑 Gemini Decision 1，对比校准误差和端到端延迟。

OpenRouter Auto / Auto Code 路由

OpenRouter 重写了 Auto 路由，并新加了面向编码工作的 Auto Code（openrouter/auto-code）。

他们给出的数字是：比旧版最高好 4 倍，p90 路由从 1.96s 降到 0.65s；beta 里无效工具调用降到四分之一。Auto Code 在五项评测上与 Claude Opus 5.5 接近，每任务成本低 74%。

落地建议：编码 Agent 把模型改成 openrouter/auto-code，用现有评测集对比固定 Opus 的每任务成本和通过率。

Antigravity /swarm

Google Antigravity 预览了 /swarm：协调者把任务拆给多个具名 worker，在共享消息板上协作，再由 verifier 审查测试。

Pro / Ultra 可用，配额消耗很快。

落地建议：只把能按文件或包干净拆开的任务交给 /swarm，并盯着配额消耗。

GitHub Next Ace

GitHub Next 的 Ace 让人在本地和队友、Agent 一起写代码。

每个工作单元是一个独立的 worktree 分支（lane），团队边界由 Tailscale 网络决定。

落地建议：多人多 Agent 并行改同一仓库时，先在一个小仓库里用 lane 试一轮冲突处理。

Devin Review 2.0

Cognition 发布 Devin Review 2.0，把自动审查一个 PR 的成本降到通常 $0.25–$0.75，比 8 月低 82%。

他们称每个 PR 找到的 bug 从 1.22 个升到 1.32 个，约 80% 的 PR（含多次推送）审查费用不到 1 美元。

落地建议：PR 量大、人工 review 成瓶颈的团队，按最近一个月的 PR 数乘 $0.25–$0.75 算一笔账，再决定是否默认跑自动审查。

ExecuTorch WebGPU

PyTorch 模型可以导出成 .pte，直接在支持 WebGPU 的浏览器里跑，不必先转成 GGUF 或 ONNX。

在 M1 Pro 的 Chrome 上，相比 ExecuTorch 的 Wasm（XNNPACK）路径，prefill 快 4–7 倍，decode 快 2–10 倍。

落地建议：要在浏览器本地跑 Whisper 或小 LLM 的，用同一模型各导出一条 Wasm 和 WebGPU 路径，对比 prefill 和 decode 耗时。

AWS Emulator

AWS Emulator 在本地模拟 AWS API，不需要 AWS 账号，可用于本地和 CI，代码以 CC0 发布。

仓库里有一个 things-that-do-not-work 目录，记录目前还对不齐真环境的行为。上文文章卡写了它怎么被造出来，这里只补怎么用。

落地建议：让编码 Agent 在 CI 里对 AWS Emulator 跑集成测试，先查 things-that-do-not-work，确认你用到的 API 已经覆盖。

Vercel Sandbox 快照提速 10 倍

Vercel Sandbox 创建快照的中位时间从 4.4s 降到 0.4s 以内，恢复的 p50 从 500ms 降到 250ms。

持久沙箱会在会话停止时自动打快照，新快照默认走新格式，旧快照仍用原格式。

落地建议：Agent 需要频繁回滚环境的流程，把「任务关键节点打快照」写进 harness，用新的 0.4s 中位耗时评估能否更密集地回滚。

Modern Web Guidance

Chrome 团队给编码 Agent 写了一组 skills，带上浏览器兼容数据，帮 Agent 少写过时的 JS 写法。

支持 Claude、Codex、Cursor、Gemini 等插件格式。

落地建议：在前端仓库装上这套 skills，抽查 Agent 新写的代码是否还在用已过时的 API 或多余 polyfill。

Stroq

Stroq 扫描 Claude Code、Codex、Cursor 会话记录里的已知密钥，并用本地 hook 把危险命令追溯到触发它的内容。

开源，无遥测。

落地建议：跑过大量 Agent 会话的机器，先用 Stroq 扫一遍历史记录里的密钥，再把 hook 接到日常命令拦截上。

Firenook

Firenook 是 Firebase 本地模拟器的替代品，保留 firebase.json、SDK 和端口，把启动命令换成它即可。

写入中位耗时 5.1ms 对 208.2ms，峰值内存 2.11 GiB 对 22.57 GiB。Realtime Database、Hosting 等服务尚未模拟。

落地建议：CI 里 Firebase 模拟器偏慢的项目，把 firebase emulators:start 换成 firenook emulators:start，用同一套测试看写入耗时和内存。