ACL 2026 精选论文分享：美团履约团队前沿技术专场
美团履约团队在ACL 2026会议上分享了多项前沿AI技术研究，聚焦于强化学习优化、大语言模型推理增强及多模态交互系统构建。GeoRA方法针对基于可验证奖励的强化学习场景，通过几何感知的低秩适配避免谱塌缩，提升模型在数学和代码任务上的泛化能力。CoT-Flow框架将离散推理步骤建模为连续概率流，量化每一步的信息增益，实现高效解码和训练加速。UserLM-R1提出具备推理能力的用户模拟器，使用多奖励强化学习模拟人类策略性思维，优化Agent训练环境。Fine-Mem系统通过块级步骤奖励和证据奖励归因，精细管理长期任务中的记忆操作，提高任务成功率。DuplexOmni模型支持全双工多模态交互，实现听、看、说、想并行处理，增强人机交互的自然性与实时性。这些技术突破推动了AI基础研究，并为业务智能化应用提供支撑。
科技爱好者周刊（第 402 期）：我在智念 AI 的日子（小说）
小说'我在智念 AI 的日子'通过虚构叙事，刻画了科技公司高度依赖AI的日常场景：员工使用编程代理如Claude自动生成代码与文档，Token消耗成为生产力指标，但代码审查缺失导致生产环境错误频发。故事中，开发者老张同时运行六个AI代理处理前后端任务，却无法解释幻灯片内容，会议沦为形式；代码合并链条涉及产品经理、开发者和代理，无人审查引发通知服务故障。周四主角尝试独立思考却感到困难，突显AI依赖对认知能力的侵蚀。科技动态部分提及AI生成虚假种子图片和特斯拉限制AI支出，反映AI应用的广泛性与成本挑战。文章列表涵盖设计模式、API设计等，显示开发者在效率与质量间寻求平衡。周刊以故事结合资讯，警示过度AI化可能带来效率假象与质量问题，强调在开发流程中需保持人类监督与批判性思维。
美团 LongCat-2.0 正式发布：在国产算力集群上完成全流程训练与推理的万亿参数模型
美团发布的LongCat-2.0是首个在五万卡国产算力集群上完成全流程训练与推理的万亿参数MoE模型，总参数1.6万亿，动态激活33B至56B。模型原生支持1M超长上下文，采用LongCat Sparse Attention（LSA）稀疏注意力机制，将计算量从平方级降至线性级，确保在超长文本中精准定位信息。训练方面，团队通过卡间通信异常处理、弹性扩缩卡和自动故障恢复，将月均日故障率降低70%以上；自研确定性算子和Bitwise一致性验证保障正确性；通过流水线调度和显存优化，训练MFU提升1.5倍，实现稳态日吞吐超1T tokens/day。推理阶段，利用大规模专家并行聚合访存带宽，引入零计算专家机制避免不必要传输与计算，优化核心算子调度以降低延迟。架构上，MOPD多专家融合技术集成Agent、Reasoning、Interaction三组专家，由门控网络动态调度，提升编程、推理和交互能力。评测显示，LongCat-2.0在SWE-bench Pro中获59.5分，领先多个前沿模型；在办公场景任务处理中表现均衡，如RWSearch得分78.8。应用案例包括AI SQL Agent搭建、代码库迁移、完整应用开发等，展示了其在真实工作场景中作为可靠工作伙伴的潜力。整体上，LongCat-2.0验证了国产算力进行大规模模型训练的能力，并在Agentic Coding任务中高效稳定。
LongCat 开源 VitaBench 2.0：长期动态智能体基准新标杆
美团Longcat团队推出的VitaBench 2.0是首个面向长期动态用户建模的智能体评测基准，旨在评估大语言模型在真实生活场景中理解用户偏好和主动交互的能力。该基准包含56名虚拟用户、819个复杂任务和超2000个动态偏好，平均时间跨度达1580天，模拟用户行为的演进与漂移。其核心设计围绕三维解构：搭建人生副本以构建多年互动轨迹、引入时间标尺强调持续理解、设立记忆擂台对比智能体记忆与RAG记忆。实验显示，现有模型在长期任务中性能随时间下降，记忆策略并非总是有效；开启思考模式不必然提升个性化任务表现；AI普遍缺乏主动提问意愿，导致在信息不足时决策失误；即使直接提供用户偏好，模型应用能力仍不足，揭示了个性化作为智能体发展的关键瓶颈。VitaBench 2.0通过量化数据为开发者提供优化方向，推动智能体评测从单任务向长期陪伴演进，助力AI从工具进化为有温度的伙伴。该基准已全面开源，促进研究关注智能体的记忆和主动性。
我把775篇收藏塞进4MB向量库：一个比Karpathy Wiki更能"翻箱底"的RAG skill
作者开发了chao-rag-wiki，一个基于RAG的个人知识库skill，将775篇文章索引到4MB向量库。采用turbovec实现高效向量检索，支持混合检索模式：稠密向量处理语义相似性，BM25关键词检索确保字面匹配，通过RRF融合结果，并可选LLM重排优化排序。建索引时按chunk文本哈希去重，避免重复内容干扰。与Karpathy的llm-wiki对比，chao-rag-wiki无需AI编译，直接检索原始素材，实现零编译延迟和全量召回，适合长尾查询和专有名词；而llm-wiki将素材编译成结构化wiki文章，提供知识沉淀。文章通过实战查询验证：对于“loop engineering”，llm-wiki输出整合文章；对于“grill skill”，chao-rag-wiki成功召回冷门内容。集成方面，结合Obsidian Web Clipper自动抓取网页内容存入raw目录，定时任务自动运行增量索引，确保新内容快速可搜。该方案互补使用，兼顾全面召回和知识提炼，提升个人知识管理效率。
Matt Pocock 的 Skills 系统：真正的工程，不是氛围编程
Matt Pocock的Skills系统是一个针对AI编码工具的工程化框架，旨在通过定义原子能力单元提升代码质量。系统基于四个设计原则：小而可组合，每个Skill专注单一功能；模型无关，可在不同Agent平台运行；可改造，用户可自由修改；通用性优先于平台绑定。它解决了AI Agent开发中的四个常见失败模式：需求不清、输出冗余、代码不可靠和架构混乱。针对这些问题，Skills提供了具体修复工具，如/grill-me用于结构化需求澄清，避免Agent误解；CONTEXT.md建立项目共享语言，减少冗余并固化领域术语；/tdd和/diagnose技能强化测试驱动开发和调试流程，确保代码可靠性，强调垂直切片而非水平切片；/zoom-out和架构分析工具如/improve-codebase-architecture持续维护设计质量，防止熵增。安装通过npx命令快速完成，将Markdown技能文件复制到Agent配置目录，并配置项目上下文。Pocock的Skills仓库获得近10万GitHub Stars，反映了开发者对AI编码质量控制的迫切需求。它将经典软件工程原则如测试驱动开发、领域驱动设计和调试流程重新编码到AI协作中，强调工程师对流程的控制权，而非依赖黑箱自动化方法，为AI时代的软件开发提供了实用且可扩展的解决方案。
规格驱动开发：人类与AI的合约
规格驱动开发（SDD）是一种通过明确定义的规格来指导AI编码助手的软件开发方法，强调规格是代码的真理来源。SDD的根源可追溯到测试驱动开发（TDD）、行为驱动开发（BDD）、契约式设计和形式化方法等传统实践，但在AI时代被催化为必需范式。随着AI编码工具如Claude Code、Copilot的普及，2025年“Vibe Coding”虽降低编程门槛，却导致代码质量失控，生成大量不可测试的代码浆糊。SDD通过将规格作为人与AI间的通信协议，显著降低LLM生成代码的错误率。文章分析了OpenSpec、GitHub Spec-Kit和AWS Kiro三个工具，重点介绍OpenSpec的设计哲学：流动而非僵化、迭代而非瀑布、简单而非复杂、适用于存量项目而非仅新项目、以及可伸缩性。OpenSpec采用增量规格（Delta Specs）支持渐进式引入，其核心工作流为propose → apply → archive三阶段，简化开发流程。此外，文章提供了OpenSpec的安装指南、目录结构示例和CLI命令，展示了如何在实际项目中应用SDD。SDD从独立工程线索被AI催化成完整范式，为AI辅助开发提供了结构化框架，提升代码质量和可维护性。
Ralph Loop：自主循环开发
Ralph Loop 是一种自主循环控制结构，旨在让 AI Agent 通过自指涉迭代完成任务。其核心理念源于 Geoffrey Huntley 对 AI 编码 Agent 行为的观察，这些 Agent 缺乏元认知但执着于尝试，类似《辛普森一家》中的 Ralph Wiggum。技术上，它基于 Bash while 循环，将固定 prompt 反复输入 AI，但每次迭代中 AI 读取自己上一轮修改的文件系统，形成自指涉反馈，从而持续改进代码。Anthropic 的 ralph-wiggum 插件实现了优雅的会话内循环，利用 Claude Code 的 Stop Hook 机制在 Agent 试图退出时拦截，并注入相同 prompt 继续迭代。循环状态仅由一个 Markdown 文件管理，包含迭代次数、最大迭代和完成承诺。退出条件分为两类：Completion Promise，通过语义匹配任务完成信号；以及 Max-Iterations，作为安全上限防止无限循环。相比外部进程循环，会话内设计保持了上下文连续性，支持实时人工干预。Ralph Loop 将 AI Agent 从一次性助手转变为循环迭代的初级工程师，提高了开发效率，但需谨慎设置参数以避免资源浪费。
gstack 方法论：虚拟工程团队
gstack方法论通过虚拟工程团队概念革新AI辅助软件开发。它将AI代理组织成结构化团队，定义23个专家角色，每个角色由Markdown文件指定认知模式和职责。核心设计基于角色化、流程化和自动化：角色化使代理以专业人格执行任务，如YC合伙人审查产品想法；流程化通过七阶段Sprint强制执行，包括Think、Plan、Build、Review、Test、Ship、Reflect，确保阶段间产出流转；自动化利用Claude Code的PreToolUse hooks实现质量门控，如未通过代码审查则阻止commit。系统安装便捷，通过git clone和setup脚本快速部署，支持团队模式和多代理宿主如Claude Code、OpenAI Codex CLI等，确保版本同步。gstack解决了单个AI代理的局限，通过多角色协作提升开发效率与代码质量，适用于从产品发现到发布监控的完整生命周期，代表AI软件工程的重要进展。
superpowers 技能框架：Agent 能力增强
superpowers是一个AI Agent技能框架，通过14种Skill增强Agent的自主开发能力。框架采用自动触发机制，Agent在任务前根据Skill描述匹配场景并自动激活相关技能，如brainstorming强制需求澄清。硬门控使用HARD-GATE标签在prompt中嵌入约束，确保质量门控。技能分组包括规划、开发、审查和元技能，强调测试驱动开发、系统化调试和子Agent驱动开发。子Agent模式通过为每个任务派生新Agent避免上下文膨胀，提高决策质量。文章对比了superpowers与gstack等方法论，突出其工具信任而非流程控制的理念。实战部分以贪吃蛇游戏为例，展示Agent自动完成设计、计划和子Agent实现。中文本地化版本superpowers-zh扩展了本土工具支持，增加六个原创Skill。框架体现了AI软件工程中自主性和工具化趋势，对开发者有较高参考价值。
autoresearch：全自动化软件开发
autoresearch 是一个全自动化软件开发工具，灵感源自 Andrej Karpathy 的 ML 研究自动化项目，但被适配为通用开发流程。核心思想是从 GitHub Issue 或本地文件等任务来源出发，由多个 AI 代理（如 Claude Code、Codex、OpenCode）自动轮转完成代码实现、审查、修复、测试和合并，全程无需人工干预。安装简单，只需克隆仓库并运行 bash 脚本 run.sh。支持多种平台，包括 GitHub、本地文件、百度 iCafe 和阿里云效 Codeup，通过检测 Git remote 自动切换模式。项目通过 .autoresearch/ 目录配置自定义规则，如 program.md 定义代码规范和测试要求，以及可覆盖的 Agent 提示模板。环境变量允许调整质量门槛（PASSING_SCORE）、模型选择（如使用 Sonnet 降低成本）和失败重试策略。工具设计强调自主循环和多代理协作，实现了从决策到执行的自动化，适用于内网或云项目，旨在提升开发效率并减少人为介入。
方法论对比与融合
文章系统性地比较并融合了七种AI辅助开发方法论，旨在解答在AI能编写代码的时代，开发者应如何定位自身角色。通过一个贪吃蛇开发案例，文章对比了Pocock Skills、OpenSpec、Ralph Loop、gstack、superpowers、autoresearch和Goal Workflow在覆盖范围、控制粒度、自动化程度及人类参与度上的差异。核心观点是这些方法论构成了一条光谱，从人完全控制每一步（如Pocock Skills）逐步过渡到人仅定义验收标准而中间过程全自动（如autoresearch）。文章进一步指出，实际项目中不应拘泥于单一方法论，而应根据任务风险、控制需求及个人/团队工作习惯进行组合。例如，高风险核心模块可采用Goal Workflow进行全流程精细化控制，而辅助性脚本则可交给Ralph Loop或autoresearch自动化处理。文章为开发者提供了一个基于场景和风险权衡，灵活选择与混搭AI开发流程的实用框架。
Harness Engineering：AI Agent 的工程实践
Harness Engineering 是 AI Agent 开发中的关键实践，专注于构建模型推理能力之外的控制基础设施，以确保 Agent 的安全性和可靠性。以 Anthropic 的 Claude Code 为例，其 Harness 系统通过 hooks 机制、权限模型和 Bash 沙箱，将大语言模型安全集成为可交付产品。系统包含 31 个生命周期事件、5 种 hook 类型（如 Command、HTTP、MCP Tool）和 4 层配置继承（Managed、User、Project、Local）。核心组件包括编排循环（控制 Agent 何时停止）、工具系统（管理工具调用权限）、安全护栏（权限模型和沙箱提供隔离）、上下文管理（通过 SessionStart hook 注入上下文）、配置管理（settings.json 多层继承）等。这些组件协同工作，覆盖从错误处理到子 Agent 编排的全方位工程需求。相比之下，OpenAI 的 Codex CLI 采用 Rust 内核设计，将安全约束编译进二进制文件，体现了不同技术路径。Harness Engineering 使 AI Agent 从对话模型转变为可靠产品，为开发生产级 Agent 提供了系统框架，涵盖安全、编排和可观测性等维度。
Kanban：用看板编排 AI Agent 项目
AI Agent项目的瓶颈已从代码编写转向多Agent并行管理。Kanban方法通过可视化工作流、限制WIP和拉式流动，精准匹配Agent场景。本文介绍三个专用工具：kanbots采用本地SQLite存储，每张卡片对应一个Agent运行实例，通过git worktree隔离代码变更，支持MCP集成和Autopilot模式；Vibe Kanban作为Web协作平台，引入Workspace抽象，提供Plan-Run-Review-Preview-Ship全流程，但已宣布逐步关闭并开源；kanban-code则侧重个人开发者驾驶舱，自动关联Claude会话、tmux终端和GitHub PR，实现卡片基于真实信号横移。工具差异体现在本地优先与云协作、人机协同与自主循环。核心设计围绕Agent隔离、权限边界和状态同步，为AI时代开发范式提供实践参考。
Loop Engineering：从提示 Agent 到设计循环
本文围绕“Loop Engineering”这一新兴概念，系统阐述了AI Agent工作模式从“人提示Agent”到“设计自动提示Agent的循环”的范式转变。其核心在于，工程师的角色从直接与Agent对话、下达指令，转变为设计和维护一套自动化运行系统（Loop），使Agent能够按时间或条件自主执行任务，例如代码修复、CI维护和功能开发。Loop由五个关键组件构成：用于定时触发的Automations、保障并行工作不冲突的Git Worktrees、提供可复用知识的Skills、连接外部工具的Connectors与Plugins、以及实现写-查分离以提升可信度的Sub-agents。此外，持久化的State文件解决了跨运行会话的记忆问题。文章进一步将Loop定位在Harness（运行环境）之上，并指出Dynamic Workflows提供了确定性的编排模式，如扇出聚合、分类执行等，将Loop的概念转化为可执行的脚本。最后，文章梳理了Loop Engineering从ReAct循环、AutoGPT、Ralph Loop到产品化/goal命令及当前编排式Loop的演进历程，强调其根本价值在于将工程师的智力投入从重复性提示提升到构建和优化自动生产系统本身。
GSD Core：对抗上下文腐化的阶段循环引擎
GSD Core 是一套轻量级的元提示、上下文工程与规格驱动开发系统，旨在解决 AI Agent 在大型项目中因上下文腐化导致输出质量下降的问题。上下文腐化指随着对话轮次增加，AI 模型输出质量退化，表现为忘记早期决策、混淆文件或重复无效方案。GSD Core 通过三根支柱应对：阶段循环、子智能体和持久化工件。系统将工作组织为里程碑，每个里程碑包含多个阶段，每阶段强制执行五步循环：Discuss 捕获实现决策，Plan 使用子智能体研究和分解任务并确保计划可装入单个上下文窗口，Execute 按依赖波次并行运行执行器，每个执行器从干净上下文起步，Verify 验证工作并生成修复计划，Ship 创建 PR 并归档工件。采用瘦编排者模式，主会话仅负责协调，重活下放给专门子智能体，每个子智能体在独立的 200k token 上下文中工作，避免污染。所有状态通过 STATE.md、CONTEXT.md 等文件持久化在 .planning/ 目录，实现会话间共享记忆。系统跨运行时支持 Claude Code、OpenCode 等，通过 npm 安装，并提供模型档位以优化成本和性能。整体上，GSD Core 将 AI 编程从提示工程提升为循环工程，增强了 Agent 的可靠性和可审计性。
improve：用强模型审计、让弱模型执行的"计划即产品"工作流
shadcn/improve 是一个开源的 AI 代理技能，通过模型分工优化代码审计和执行成本。其核心理念“计划即产品”强调强模型（如 Opus/GPT-4）专注于智能密集任务，包括理解代码库、识别问题和制定详细计划；弱模型（如 Haiku/GPT-4o-mini）则负责按计划执行编码和测试。这种分离基于任务智能密度，智能密集型工作交给昂贵模型，执行密集型工作交给廉价模型，以降低成本并维持质量。improve 的工作流包含五个阶段：Recon 阶段绘制仓库地图，理解技术栈和结构；Audit 阶段并行扫描九类问题（如正确性、安全、性能）；Vet 阶段独立验证发现，剔除误报；Prioritize 阶段按杠杆率排序问题；Plan 阶段生成自包含的可执行计划。该工具通过计划提供上下文，弥补弱模型不足，确保执行质量。它支持多种命令，如全面审计、安全审计和快速扫描，并集成到主流 AI 编程工具中。这种工作流不仅降低 API 成本，还提高代码质量，为 AI 辅助开发提供了经济高效的解决方案，体现了从决策到执行的自动化范式。
Compound Engineering：让每一份工作都让下一份更容易
Compound Engineering 是一种 AI 辅助开发方法论，旨在解决 AI 编程工具会话结束后知识丢失的核心问题。传统开发中，AI 代理在会话结束时上下文归零，导致重复错误和低效，如重新发现项目约定或踩坑。Compound Engineering 通过强制性知识沉淀环节，将每轮工作的学习成果如模式、根因分析和约束显式记录到仓库文件，例如 STRATEGY.md 和 docs/compound/ 目录，使得下一轮代理启动时能自动读取这些上下文，实现知识复用，起点更高。STRATEGY.md 作为项目级持久锚点，定义产品目标、用户画像和成功指标，指导下游决策，避免优化向随机需求倾斜。主循环包括 ideate、brainstorm、plan、work、code review 和 compound 六个步骤，其中 compound 是灵魂环节，强制将学到的东西写入知识库，对抗复杂度累积和知识散落。方法论强调 80% 规划与评审、20% 执行的投入结构，优化杠杆率，与传统开发依赖个人记忆不同，它将知识管理嵌入工作流。支持 Claude Code、Cursor 等 10 种以上 AI 编码工具，提供 37 个 skills 和 51 个 agents，覆盖代码审查、研究等维度。与传统 AI 工具只优化单次任务相比，Compound Engineering 注重长期知识资产，通过复利效应提升工程效率，适用于持续运行的团队级开发。
agent-skills：用生产级工程纪律武装 AI Agent
agent-skills是由Addy Osmani开发的开源框架，旨在为AI编码代理提供生产级工程纪律。它针对AI Agent常跳过规格编写、测试、代码审查等关键步骤的问题，通过结构化工作流强制执行流程。框架定义了七阶段开发生命周期：从/spec（需求规格）到/ship（安全部署），每个阶段配备专项技能，如interview-me进行需求访谈、test-driven-development强制红-绿-重构循环。核心创新是反合理化表，针对Agent可能提出的借口（如“太简单不需要spec”）预设反驳，制度性地阻止自我欺骗。agent-skills将Google工程文化原则如Hyrum's Law、Beyoncé Rule等编码为不可绕过的流程，确保代码质量、安全性和可维护性。通过Markdown格式工作流，它兼容Claude Code、Cursor等主流AI工具，使Agent从“能跑就行”转向遵循工程纪律，提升软件工程的整体效率和质量。
Anthropic 官方插件：AI Agent 的领域知识插件
Anthropic 为 Claude Code 开发的 13 个官方插件，通过将静态领域知识动态化来增强 AI Agent 的能力。插件系统基于 hooks、agents 和 skills 三层基础设施，实现从代码审查到安全监控的全流程自动化。code-review 插件利用 4 个并行 Agent 进行本地 diff 审查，支持信心评分过滤噪音；feature-dev 插件将功能开发分为 7 个阶段，通过专门 Agent 探索代码库、澄清需求和设计架构；security-guidance 插件通过 PreToolUse hook 静默监控 9 类安全风险。其他插件如 pr-review-toolkit 提供多维度细粒度审查，commit-commands 自动化 Git 工作流。设计模式强调专用 Agent 并行协作、结构化阶段门控和 hook 驱动自动触发，体现了全书方法论如 Skills 系统、Ralph Loop 和 Harness Engineering。插件组合使用可定制开发工作流，提升 AI Agent 的可靠性和效率，适应复杂工程场景。