一个被植入的 bug 交给 26 个 AI agent 修，测试全绿但代码依然是坏的——说明测试通过率不能当作修复成功的证据。

Palantir 靠几千人做到 400 万美元平均合同额，远超 ServiceNow 的 120 万，核心是客户买的不是软件也不是咨询，而是一个业务结果。

新模型还支持异步工具调用，定位是前沿价格与性能的实时音频模型。

作者的核心判断是：跑绿一次只是演示不是测试，所以刻意收集歪斜扫描、双语盖章文件等最差输入，并主动生成缺失的样本多样性。

把一本书的操作手册封装成 Claude Code 的 slash skills，属于把方法论直接变成可调用工具的思路。

Good Start Labs 用铁路游戏训练 AI，其中一个版本在金融研究任务上变强了，差异来自训练设计而非游戏本身。

xAI、OpenAI、Anthropic 共同签署了面向第三方评估者的 AEF-1 标准。

标题直指 agent 可复现性问题：单次成功不等于稳定表现（仅标题可判）。