2026年2月27日,Replit 介绍其视频渲染引擎的实现方式。该引擎向页面注入约1200行 JavaScript,替换 setTimeout、setInterval、requestAnimationFrame、Date 和 performance.now() 等时间 API,让时间只在渲染时按 1000/fps 毫秒推进,从而把任意网页逐帧渲染成 MP4。由于页面内容不受控且视频由 AI 智能体生成,团队没有采用 Remotion,而是从外部对任意网页施加确定性。音频方面通过 monkey-patch Web Audio API 和 HTMLMediaElement 拦截播放意图,再由服务端 FFmpeg 混音;视频元素则经服务端转码为 fragmented MP4、mp4box.js 解复用、WebCodecs 解码后绘制到 canvas。该实现受开源项目 WebVideoCreator 启发,团队计划将其开源。
匹配字段摘要
2025年8月20日,vLLM 官方介绍了 torch.compile 的工作原理及其与 vLLM 的集成方式。该方案结合编译缓存、动态批量大小、分段 CUDA Graphs 和自定义编译器 pass 优化大语言模型推理,并已在 vLLM V1 的在线与离线推理中默认启用。部分融合优化最高可带来15%的性能提升。后续方向包括缩短启动时间、采用更稳定的 API,以及探索与 MPK、Mirage 编译器的集成。
匹配字段摘要
2024年9月19日,Anthropic提出Contextual Retrieval方法,用于改进RAG检索。该方法包含Contextual Embeddings和Contextual BM25两项子技术,据Anthropic介绍,可将top-20检索失败率降低49%,从5.7%降至2.9%;叠加reranking后降低67%,从5.7%降至1.9%。其做法是用Claude 3 Haiku为每个分块生成50-100 token的上下文说明,再拼接到分块前进行嵌入和建立BM25索引。配合prompt caching时,生成上下文化分块的一次性成本为每百万文档token 1.02美元。Anthropic同时提供了可直接部署的cookbook。目前尚无后续发展事实。
匹配字段摘要
DeepLearning.AI 新推出一门 Context Engineering 课程，由 Chroma CEO Jeff Huber 与 CMPND CEO Drew Breunig 主讲，把上下文工程作为让 Agent 在复杂多步任务中保持可靠、省 token 的主线。课程用 Python 从零搭建 harness，并用 trace 和 eval 量化每次改动，覆盖 Agentic Search、Context Management、Agentic Memory 三条能力，分四个模块，实验多为约 1 小时的代码练习。课程预设中级 Python、熟悉 LLM 应用与工具调用和基本检索。
ent：用剪枝、压缩、草稿本整理任务所需信息。 · Agentic Memory：把用户反馈等存成可复用记忆，任务需要时取回，跨会话按变化增改。 适合谁 做 AI Agent、希望复杂多步任务更稳、更省的人。预设：中级 Python（函数与类）、熟悉 LLM 应用、工具调用和基本检索。页面建议可先刷 @DeepLearningAI 的 Agentic AI、RAG 课作热身。 课程结构（四模块） 模块 1｜Context Engineering 导论 Andrew Ng 与 Jeff Huber 对谈开场。讲清上下文由什么组成、常见失效方式、什么是 Context Rot，以及如何用 harness 的 hooks 与 traces 发现并预防问题。实验包括：上下文失效模式、拆解一个客服 Agent、动手塑造其上下文。Drew Breunig 第一段客座约 7 分钟。 模块 2｜Agentic Search 以编码 Agent 为例。覆盖词法、语义、混合与结构化检索；写好工具描述、用 tool registry 按需加载工具；用切块、代码解析、元数据改进检索，并用精确率 / 召回率衡量
匹配字段正文
Browser Use 发布教程，介绍在没有 API 的供应商门户上自动登录并每日下载发票的三种方案：Playwright 脚本、UiPath 或 Power Automate 等 RPA 工具，以及带保存配置的浏览器智能体。文章给出 Playwright 与 Browser Use Cloud 的完整代码，涵盖复用登录会话、用 1Password 填入 TOTP 验证码、通过 GitHub Actions 定时运行，以及会话过期、2FA 拦截、页面改版和空下载等失败场景的处理方式。作者建议先向供应商索取导出、API 或邮件发票，并提醒先确认门户条款是否允许自动化访问。
tions 的事实来自它们各自的文档和定价页面，核查于 2026 年 10 月 26 日，并在使用时附上链接。 自动化门户的三种方式 方案设置网站变更时会失效吗？2FA调度下载成本 1. Playwright（或 Selenium）脚本 + cron你用代码编写登录和下载步骤会。选择器一旦改变，运行就会失败，直到你修复它保存的会话在有效期内可跳过它： storageState 或使用 持久化上下文. TOTP 需要你自己的代码；认证指南中没有提供由你负责：cron、GitHub Actions、任务计划程序等待 下载事件, 然后 saveAs免费， Apache-2.0, 加上运行它的机器 2. RPA：UiPath、Power Automate在供应商的设计器中构建流程，设置一台机器人机器会，当其选择器不再匹配时。Power Automate 会尝试 回退选择器；UiPath Enterprise 列出了 自愈 UI 自动化UiPath 记录了 TOTP 代码示例UiPath 时间触发器；Power Automate：一个 重复 云流 触发桌面流在运行流程的机器上；Power Aut
匹配字段正文
AWS 发布教程，介绍在 Amazon Bedrock 上调用 OpenAI 模型时如何用提示词缓存降低智能体重复读取上下文的成本，区分隐式缓存与显式 prompt_cache_breakpoint 两种方式并建议组合使用。文中给出工具与指令缓存、多轮历史滚动断点、会话中途新增工具、子智能体共享前缀等代码示例，并称在 GPT-6 Astra 的六轮工作负载中隐式缓存降低约 62% 输入成本，显式滚动断点降低约 61%。可缓存前缀需至少 1024 token，缓存写入按正常输入价格的 1.25 倍计费。
LS][INSTRUCTIONS] | [task] Cache starts at the beginning; the marker below chooses its end. resp = client.responses.create( model="us.openai.gpt-6-astra", store=False, Response storage; prompt caching still works. include=["reasoning.encrypted content"], prompt cache key=KEY, prompt cache options={"mode": "explicit", "ttl": "30m"}, tools=TOOLS, Rendered before instructions; keep order stable. input=[ { "role": "developer", "content": [{ "type": "input text", "text": INSTRUCTIONS, Save through th
匹配字段正文
Browser Use 发布指南，介绍让编码智能体在已登录的真实 Chrome 中工作的多种方式，包括 Claude in Chrome、Playwright MCP 扩展模式、Chrome DevTools MCP 自动连接模式、Gemini CLI 内置浏览器智能体、ChatGPT 桌面版浏览器扩展和 Browser Harness。文中按 Claude Code、Codex、Gemini CLI、Cursor 等智能体分别给出配置命令与限制，并说明从 Chrome 136 起默认数据目录上的 --remote-debugging-port 和 --remote-debugging-pipe 会被忽略，因此复制 cookie 到新浏览器的旧做法在设备绑定会话等场景下会失效。
把你选中的标签页交给智能体。 Chrome DevTools MCP 在自动连接模式下，或我们的 Browser Harness ，会把整个正在运行的 Chrome 交给它。 为什么不把你的 cookie 复制到一个全新的浏览器？ 因为全新的自动化浏览器是另一台设备。你可以导出 cookie 并加载它们，例如使用 Playwright MCP 的 --storage-state，它会从文件把 cookie 和本地存储加载到一个隔离的浏览器上下文中（README）。它在某些网站上有效，但在把会话绑定到你的设备或要求你重新登录的网站上可能失败： 绑定到你设备的会话。 借助 Device Bound Session Credentials, Chrome 在 TPM 等安全硬件中保存一个私钥，当网站的短期会话 cookie 过期时，Chrome 只有证明自己持有该密钥才会刷新它们。在使用该机制的网站上，复制的 cookie 会过期，且无法在另一台机器上续期。 重新登录。 全新的配置文件一开始未登录任何账号，因此你需要在其中重做每一次登录和双重验证。Chrome DevTools MCP 文档
匹配字段正文
AWS 发布在 Amazon SageMaker AI 上做多轮强化学习（MTRL）的实操指南，以 Wordle 为例，把智能体与奖励函数部署到 Amazon Bedrock AgentCore，训练作业通过 GRPO 更新 LoRA 适配器。示例中 gpt-oss-20b 在默认推理强度下对留出单词的解题率从 61% 提升到 84%，训练 token 花费约 339 美元，AgentCore 运行时约 79 美元。文章还给出奖励设计的两处反转错误、并发下 token 失效、工具调用退化为纯文本等失败细节，并建议在最终服务的解码设置下做评测。
hes the job. This is the first version that includes the AgentRFT CreateJob operation. Two AWS Identity and Access Management (IAM) roles, described in Step 1. An Amazon Simple Storage Service (Amazon S3) bucket in the same Region as the agent. The training job must also run in that Region, because CreateJob rejects a cross-Region runtime ARN. Step 1: Create the IAM roles MTRL uses two roles, and one of them has a trust policy that the general SageMaker AI documentation doesn’t mention. Agent ru
匹配字段正文
TinyFish 发布两份技术指南，一份定义生产级智能体搜索架构，一份总结深度研究系统的构建经验。架构基于 TinySearch、TinyFetch、TinyBrowser 和 TinyAgent 四个网页原语，围绕基础模型运行七阶段控制循环，涵盖任务定义、检索规划、工具路由、证据评估与失败重试。在固定 gpt-5.6-sol 模型和 100 个任务的 OpenBenchmarks 测试中，TinyFish 搜索加抓取完成率 79.0%，中位任务成本 0.050 美元、耗时 24 秒；纯搜索配置下完成率为 59.3%。
。依赖查询会等待先前的答案。 选择第一条路径：根据系统对证据的了解选择工具。 发现、选择、检索：在页面内容到达之前，将搜索结果视为候选。 评估：将证据标记为充分、不完整、冲突、无法访问或预算耗尽。 恢复或升级：修改查询、重试、更换来源或更换访问方式。 停止并验证：返回已完成、不完整、失败、已取消或需要人工审核。 第二阶段解决的是一个已知的失败问题。ChainRAG（ACL 2025）将其称为“检索中丢失”问题，即在多跳问题分解过程中关键实体消失。第六阶段借鉴了 Search-R1，它展示了模型如何在推理过程中学习生成额外的搜索查询，以应对先前检索不足的情况。在 7 个问答数据集上，其学习到的多轮搜索比 RAG 基线分别高出 41%（Qwen2.5-7B）和 20%（Qwen2.5-3B）。 搜索智能体应如何路由工具？ 路由应遵循信息缺口，而非固定阶梯。 起始条件原语应用仍负责的事项 来源位置未知SearchQuery 规划、来源策略、停止 URL 已知且可读Fetch完整性检查、声明验证 应用必须控制页面操作Browser每个操作、重试和检查点 跨多个页面的决策Web Agent业务规
匹配字段正文
AWS 解决方案架构团队构建并开源了多智能体系统 Deep Insight，可将 CSV 数据与自然语言提示转化为带引用的 .docx 分析报告。系统由 Coordinator、Planner、Supervisor、Coder、Validator、Reporter、Tracker 等八个智能体分层协作，基于 Strands Agents SDK 的 Graph 与 Agents-as-Tools 模式控制执行流，并按角色分别选用 Claude Haiku、Opus 和 Sonnet。生产部署依托 Amazon Bedrock AgentCore 运行时，LLM 生成的代码在 AWS Fargate 的按会话临时容器中隔离执行，配套 Web UI 与 Ops 仪表盘。
don’t run in isolation. As shown in Figure 1, AgentCore runtime, the ALB, and the Fargate tasks all run inside the same private VPC. VPC endpoints connect them to Amazon Simple Storage Service (Amazon S3), Amazon Bedrock, and Amazon Elastic Container Registry (Amazon ECR) without traversing the public internet. Security groups restrict which components can reach the Code Interpreter containers. AWS Identity and Access Management (IAM) roles scope each component to only the AWS resources it needs
匹配字段正文
TechSpot 实测 NVIDIA 十月更新的 DLSS 5 模型，在 RTX 50 系列上 4K 渲染速度平均提升 83%、1440p 提升 94%，未达到官方宣称的两倍。以 NBA 2K27 为例，RTX 5080 在 4K 下帧率从 53 FPS 升至 78 FPS，但相比关闭 DLSS 5 仍有 58% 的性能损失。作者指出画质与初版基本持平，光照闪烁、远距离肤色异常和角色边缘光晕等问题依然存在。
that 1% low performance didn't really improve with the new DLSS 5 model. In some cases, it actually went backwards. It could simply be a testing quirk, but at 1080p, an 82 FPS average with 1% lows still in the 30s doesn't make for the smoothest experience. Lastly, here's a look at Nvidia's RTX 5090. This was clearly the best GPU to use with DLSS 5, as even with the old model, it delivered playable frame rates at all resolutions. The new model works quite well here. At 4K, frame rates increased
匹配字段正文
Artificial Analysis 用 Claude Opus 5.5（max）加 GPT-6 Luna（high）副手测试 Cognition 的 Devin Fusion CLI，在 Coding Agent Index 上得 68.1 分，略高于 Claude Code 配 Claude Opus 5.5（max）的 66.0 分。每任务成本为 9.01 美元对 13.04 美元，平均耗时 55 分钟对 65 分钟。三项基准中，DeepSWE v1.1 为 72.6% 对 68.4%，SWE-Atlas-QnA 为 69.6% 对 66.4%，Terminal-Bench 4.0 为 62.1% 对 63.1%。成本按 API 逐 token 计费，不含订阅价格。
laude Sonnet 5.5 (max) at 68.4 and Muse Code with Muse Wonder Full (max) at 68.0. Against Claude Code with Claude Opus 5.5 (max) at 66.0, it costs $9.01 vs. $13.04 per task and averages 55 vs. 65 minutes per task. Across the three benchmarks, the Fusion configuration scores higher on DeepSWE v1.1 (72.6% vs. 68.4%) and SWE-Atlas-QnA (69.6% vs. 66.4%) and slightly lower on Terminal-Bench 4.0 (62.1% vs. 63.1%). Its results reflect both models working together, including their combined API cost. Cos
匹配字段正文
MIT 课程 MAS.S62「How to AI an AI」的 Lecture 4-5 聚焦 Harness evolution，分别讲 harness 组件、记忆、工具与技能演化，以及规划、任务分解与多 agent 系统演化。记忆部分用三轴分类法串起 MemGPT、mem0、MEM1、Reflexion/ExpeL，并以 CLM 把上下文管理统一为文件操作；工具部分从 Toolformer、ToolLLM、CodeAct 讲到 Meta-Harness，后者把整个 harness 表示为文件系统，反馈信息量约为此前方法的 400 倍。多 agent 部分给出五条实证发现，包括 MAS 在可分解任务上赢 81%、在顺序依赖任务上输 70%，以及 CORAL 在 8 个任务上取得新 SOTA、多 agent 演化比单 agent 提升 4%–20%。
选”，而 harness 复杂得多。Meta-Harness 把整个 harness 表示为文件系统，完整源代码、分数、全部执行轨迹都放在里面，让 proposer（Claude Code，用 grep/cat 阅读）把失败回溯到具体的 harness 决策上，反馈信息量是 prior 方法的近 400 倍（1000 万 token 对 2.6 万）。提示、RAG、Skills、工具、记忆、程序循环全部统一为文件系统中可优化的对象。 共同点：简单、无手工设计、端到端；可自主优化的对象沿“记忆 → 上下文 → harness”不断升维；且同一范式在 zero-shot、上下文学习、微调三种模式下都可扩展。这是整门课“自演化”思想最凝练的表达：不让 AI 在某一点上变强，不断扩大“什么是可以被 AI 自己改写的”边界。 Lecture 5：从规划到多 Agent，把玄学变成实证科学 https://t.co/9MfFAfLJV3 规划部分：三个关键问题 讲义先明确规划的核心问题：规划何时有用、何时有害？计划如何表示？何时该改计划？ 结论清晰：基于提示的规划（CoT、Least-to-Mos
匹配字段正文
Browser Use 在 100 个 BU Bench V2.1 任务上对比了 Browser Harness、Playwright MCP、Chrome DevTools MCP 和 agent-browser，四者得分在噪声范围内打平，Browser Harness 以 2.1M 中位输入 token 和 42 次工具调用成为每任务成本最低（$0.042）。作者同时给出选型建议：需要干净会话或 Firefox、WebKit 用 Playwright MCP，调试自家应用性能与网络用 Chrome DevTools MCP，需要域名白名单和加密凭据库用 agent-browser。文章披露作者所在公司开发 Browser Use 和 Browser Harness，竞品信息取自各自仓库与文档。
ree, and actions target element refs from it. Coordinate clicks only come with --caps=vision. About two dozen tools are on by default, with more behind --caps: network mocking, storage, tracing, PDFs, test assertions. By default it starts its own browser with a persistent profile per workspace, so logins stick between sessions. For a clean start every time, add --isolated. To use the Chrome or Edge you already have open, add --extension and install the Playwright Extension. --browser also gets y
匹配字段正文
Google 开发者博客发布分步教程，介绍如何用 ADK 和 gemini-3.8-live 构建不会长时间静默的语音智能体。核心做法是把工具函数从 return 改为 yield 变成流式工具，或使用 FunctionTool 的 response_scheduling 在空闲时交付结果；在销售报表基准流程中，智能体首次开口时间从 14.4 秒降到 1.2 秒。教程还给出 stop_streaming 取消机制、防止重复调用以及 WHEN_IDLE、INTERRUPT、SILENT 三种调度模式的取舍，要求 google-adk >= 2.10.0 并使用 run_live 双向会话。
员工开发者布道师 Facebook Twitter LinkedIn 邮件 使用 ADK 和 Gemini 3.8 Live 构建一个永不沉默的语音智能体 一份关于 流式工具、非阻塞函数调用和响应调度的指南，适用于 Agent Development Kit（ADK）Gemini Live API 工具包. 在文本聊天中，一次耗时 13 秒的数据库查询或 RAG 流水线会显示一个加载中的旋转图标。而在实时语音对话中，13 秒的阻塞式工具执行会产生 13 秒的死寂，导致用户以为通话已断开而挂断。 你无法总是让后端查询做到亚秒级，因此解决方案必须从架构层面入手：在慢速工具于后台运行的同时，让智能体保持对话。开源 ADK 和 gemini-3.8-live 让你无需自行编写客户端 WebSocket 事件循环来管理异步工具状态，而是可以直接用 Python 原生实现非阻塞语音工具。在我们基于 gemini-3.8-live 的销售报表基准工作流中，从阻塞式工具切换为流式工具后，智能体首次开口的时间从 14.4 秒缩短到了 1.2 秒。 本指南介绍如何使用流式工具、非阻塞的 Function
匹配字段正文
n8n 博客发布教程，介绍如何在一台 NVIDIA DGX Spark 上本地部署完整模型栈，让 n8n 工作流在不调用云 API 的情况下完成转录、OCR、文档问答和图像生成。整套栈通过 LiteLLM 暴露一个 OpenAI 兼容端点，主模型为 Qwen3.6-35B-A3B 的 NVFP4 版本，单用户生成速度 120 tokens/s，八用户合计 359 tokens/s。作者实测发现图像生成会让对话速度降到约三分之一，建议小团队把图像任务排队或放到非工作时间。
NFER TRTLLM', 'FLASHINFER CUTEDSL', ...] Your GPU does not have native support for FP4 computation but FP4 quantization is being used. Weight-only FP4 compression will be used leveraging the Marlin kernel. 最后那条警告关系到如何理解 DGX Spark 上的“NVFP4”。在这个 vLLM 构建中，权重以 4 位存储，但计算以 16 位进行。你仍能获得大部分收益，因为生成 token 受限于从内存读取权重，而 4 位权重的体积只有四分之一。针对 GB10 的更快的 FP4 内核可能会在后续构建中提升这些数字。 第 3 步：把其余部分装进共享内存 在 DGX Spark 上，GPU 和操作系统共享同一个 128GB 内存池。在我的机器上，Linux 报告其中 121GB 为总内存。这改变了两件你在独立 GPU 上可能视为理所当然的事。 第一，--gpu-memory-utilizati
匹配字段正文
The New Stack 用代码审查、账单规格和长上下文三项自建任务对比 Gemini 4 Argon 与 Claude Opus 5.5，Argon 总成本 4.98 美元、Opus 为 8.75 美元。两者在 14 个植入 bug 的审查与修复上打平，但账单规格测试中 Opus 通过 80/80、Argon 仅 11/80，作者手动修正一行代码后 Argon 才达到 80/80。长上下文依赖题中 Opus 在 500K 规模答对全部 33 个服务，Argon 只答对 20 个并答错 8 个，且输出 token 仅 243 至 425，未展示推理过程。Argon 目前每百万输入/输出 token 收费 2/10 美元，12 月 1 日起涨至 4/20 美元与 Opus 持平。
across three or more files. Neither flagged a decoy. In the follow-up, both fixed all 14 bugs without breaking any of the 93 existing tests. Argon was cheaper. Its review cost averaged 1 cent per bug found, compared to Opus’s 2.4 cents, an average I calculated from the per-call total rather than measured per bug. Argon would still come out cheaper at its full Dec. 1 price, because it used fewer tokens. The numbers: Review Argon 53,031 in, 3,964 out, $0.15, 43.0 s. Opus 64,572 in, 4,053 out, $0.
匹配字段正文
腾讯云开发者社区发布《Agent 工程实战八讲》导读，围绕如何把能调用模型与工具的原型升级为可完成业务任务、解释失败、控制成本并持续迭代的系统。全系列以立案助理 Agent 和术后随访 Agent 两个虚构教学案例贯穿，覆盖任务契约、推理与协作、上下文与记忆、工具可靠执行、观测与重放、评测与校准、安全边界、生产运营八个主题。文中强调模型能给出下一步不等于系统能兑现业务结果，示例字段、预算与数字均为教学演算，不构成法律意见。
。 这套文章的表格、契约和验收项可以直接转为设计评审材料，但示例字段属于本系列建议，不是行业统一标准；预算与门槛应由实际工作量、故障损失和评测证据确定，不能照抄文中的演算数字。 七、证据边界与使用方式 八篇文章的论证建立在三类材料上，读者应当知道每一类能支持什么。 一手技术来源：原始论文（ReAct、Tree of Thoughts、Self-Refine、RAG、Lost in the Middle、Judging the Judges）、协议规范（MCP 固定到 2025-11-25 版本、W3C Trace Context、OpenTelemetry、RFC 8693 与 RFC 9700）、厂商与标准组织的工程文档（Anthropic 的 Agent 与上下文工程文章、LangGraph、Temporal、Stripe、AWS、PostgreSQL、Google SRE、OWASP、NIST）。论文结果只在原研究任务、模型和预算下成立；厂商文档用于确认机制，不代表跨产品的能力保证；动态 API、模型价格和产品套餐不作为长期前提。 法律、司法解释与部门规范性文件：民事诉讼法、登记
匹配字段正文
The Verge 三位作者用一周时间实测五款搭载 Nvidia RTX Spark N1X 芯片的笔记本，包括 128GB 版 Surface Laptop Ultra、Asus ProArt P16、Lenovo Yoga 9n 和 HP OmniBook Ultra，售价从 3199.99 美元到 6999.99 美元。游戏方面，中画质加 DLSS 性能模式在多数游戏中可稳定 60fps，但 Helldivers 2 等 CPU 受限场景难以达标，作者认为其图形性能大致介于 RTX 5070 与 RTX 5060 Laptop GPU 之间。本地 AI 体验仍偏开发者测试阶段，用 Qwen3.8-27B 生成新闻简报耗时 10 分钟并消耗 10% 电池，续航在网页办公下约 5 小时左右。
而是我们三位作者使用五款笔记本一周后的印象和想法。 Nvidia 的“超级芯片”真的有那么超级吗？Apple、Intel、AMD 和 Qualcomm 是否该正式警惕起来了？我们当中有人睡过觉吗？ Antonio Di Benedetto：Windows on Arm 已经不再是几年前那种完全不堪的体验了。这在很大程度上要归功于 Qualcomm Snapdragon X 芯片的推动，大量开发工作投入到了 Windows 的原生 Arm 应用上。而且许多 x86 应用通过微软的 Prism 模拟层也能正常运行。 Adobe 推出原生 Arm 版 Photoshop 和 Premiere 已经有一段时间了，尽管我心爱的 Lightroom Classic 仍是 x86 应用，但我在 Arm 上使用它并没有发现任何问题。到了这个阶段，除非你依赖的是仅限 x86 的专用软件，否则 Windows on Arm 不会让你无法使用——或者你想毫无兼容性顾虑地畅玩市面上的任何游戏。 Sean Hollister：时不时会有那么一刻，某个应用加载的时间比它该有的长，我就会怀疑它到底能不能加载出来。即
匹配字段正文
作者用 30 个 scope、20 个任务、160 次运行对比四种权限模型，发现任务级授权在完成率与宽泛授权相同的情况下只持有十五分之一的凭证，且调用开销可忽略。角色授权表现最差，凭证是任务级的 8.5 倍却只完成一半任务，因为它按岗位而非实际工作分配权限。作者据此提出按任务而非按主体发放凭证、凭证随运行生命周期过期、用 JIT 升级替代静态上限，并把允许与拒绝的调用都写入审计日志。
s 20 tasks, each ending in a state change verifiable mechanically rather than by evaluating the agent’s prose (e.g., closing a ticket, refunding an invoice, or calculating seat overages and commenting the total). Before running any agent, I authored a reference solution for every task to serve two functions: It confirms the task is solvable via the CLI, ensuring a run failure stems from the agent rather than an impossible environment. It establishes the minimum required scope set by observing th
匹配字段正文