Hyacehila's Blog

真正让 Agent 变成可交付系统的，不是核心 loop，而是围绕 LLM 不确定性搭出来的外围工程：把语言请求进一步下沉成工具契约、知识路由、生命周期验证、隔离恢复与自治治理。

语义嵌入不只是用来做检索。LSH 初筛、Faiss 语义去重和 K-center-greedy 样本筛选，都在利用同一个表示空间处理冗余、覆盖与召回问题。

梳理 reward 如何从偏好对、可验证结果、过程监督、rubric 到开放 agent 排序，逐步把“好回答”改写成更稳的监督对象。

Model 已经跨过够用阈值。2026 年更稀缺的，不是下一个更大的基模，而是那些能进入工作流与生活、并反过来生产数据与反馈的应用。

按技术演进梳理医疗 AI 如何从黑盒预测器走向可追溯医疗 Agent。

Reward 负责把目标写进优化器，但它不负责证明模型真的学会了正确目标。本文从初学者视角重写行为审计与行为解码：为什么 reward 之后还需要后验校验，Anthropic 与 Transluce 两条路线分别在补什么空白。

SWE-bench、SWE-agent 和 Tau-bench 都在提醒一件事：Agent Dev 不能只盯模型和框架。任务、工具、用户、状态、规则和验证器怎样被组织成环境，会直接影响 agent 能不能工作。

从 reward、baseline、advantage 与 normalization 这条信号链出发，解释为什么 LLM 对齐中的 RL 算法总在重写奖励信号。

更好的 simulator 往往来自明确分工：把守恒、几何、因果、边界条件与渲染/求解结构当作归纳偏置，再让 learning 去补昂贵、模糊或难解析的部分。

Agent Skills 的流行主要来自低摩擦的能力封装。它是上下文工程中有价值的一层，但不是新的统一协议，也不是 Agent 的终局。