本文基于GEPA（Genetic-Pareto，Reflective Prompt Evolution）[1]算法，设计并实现了一套Prompt 自进化系统，解决当前Prompt优化依赖人工经验导致的盲目性高、难以复制、缺乏权衡机制等痛点。该系统构建"推理→评分→反思→选择"的自动化闭环，通过数据驱动的反思式变异机制，让LLM自动分析Badcase、归因至Prompt具体规则、生成候选变体，并基于帕累托前沿进行多目标择优，避免单点优化引发的指标对抗性退化[1]。系统采用任务无关架构，支持二分类、多分类、评分等多种场景，通过零配置设计实现自动数据集分析与配置推断，同时提供可解释的优化过程。GEPA将Prompt优化从人工试错转变为有量化依据的自动化寻优，显著提升与人工标注及线上业务效果的对齐能力，为AI评估器提供可持续进化的技术底座。
AI 技术正在以前所未有的速度迭代，Agent、Loop-Engineering、Skills、Harness、LLM-Wiki、RAG、Memory等概念在短期内几乎同时涌入工程讨论，Demo 的构建门槛被持续压低——可视化编排加上 Vibe-Coding，一个过去需要数周才能搭起来的演示，如今往往几天或者在更短的时间内就能跑通。但进入企业生产环境之后，稳定性、可控性、可审计性和业务闭环能力，仍然是没有捷径的硬仗。我们从企业落地的视角，系统回答一个问题：在技术名词和概念永远追不完的时代，垂类业务如何抓住不变的本质，让 AI Agent 从「能跑」走向「能生产」？
近日，由莫斯科国立大学（Moscow State University，MSU）举办的第19届MSU世界视频编码器大赛（MSU 2025 FullHD赛道）结果正式揭晓。在这场汇聚了腾讯、快手、AOMedia及OpenVisualCloud等国内外顶尖团队、27款主流编码器同台竞技的权威评测中，淘天音视频技术团队自主研发的S266系列编码器表现出色，累计斩获6项世界冠军及1项季军。
HL-Mem 是一套旨在让 Agent 像人一样具备长期记忆能力的本地化记忆系统，其核心设计理念是将记忆视为受治理的认知系统而非简单的数据存储。该系统借鉴认知科学原理，采用事实与经验双通道架构，通过保留不可变的原始事件（Event）和可更新的结构化事实（Claim），实现了证据可追溯、时间可解释（区分有效时间与记录时间）以及记忆的动态修正与遗忘。在工程实现上，HL-Mem 坚持运行时独立和本地优先原则，默认仅依赖 SQLite 单文件部署，通过后台异步 Worker 处理去重、冲突消解和生命周期管理，有效平衡了记忆治理的完整性与部署复杂度，为个人 Agent 提供了低成本、高可控且支持中文环境的长期记忆基础设施。
本文介绍了针对 Agent 长程任务中断恢复需求的完整实践方案，旨在解决用户主动、工具执行及系统级中断带来的稳定性问题。该方案采用“框架层 Checkpoint + 上层任务调度”的两层架构，在不修改 Spring AI Alibaba 框架源码的前提下，通过扩展 InterruptableAction、利用 Hook 机制注入自定义逻辑（如关机信号检测、消息顺序修正、多工具调用 Mock 返回及子图会话 ID 记录）来实现进程内的状态保存与恢复；同时，上层调度通过 MQ 摘流防止关机机器消费新消息，并结合任务表与 MQ 消息队列协调跨进程的任务恢复，有效覆盖了包括人机协作、多 Agent 协同及系统重启在内的多种复杂中断场景，保障了 Agent 系统的稳定长期运行。
本文以天猫新品 MDI 项目为例，阐述了大型 AI 项目研发协同从“超级个体”到“全员赋能”的四个进化阶段：在单兵攻坚期，通过构建结构化知识库让 AI 深度理解项目上下文，打造“超级个体”；在加人提速期，借鉴站点地图思路进行物理隔离分工，利用 Spec 变更规则及上下文缝补机制（MCP）解决多人协作冲突与推理链断裂，实现效率横向复刻；在高速迭代期，部署独立“技术哨兵机”还原预发合并态，通过云端 Agent 检测隐形业务逻辑冲突并闭环告警，保障研发质量不劣化；在稳定运作期，推出 NekoCollar 云端协作平台，通过沙箱环境、所见即所得的真实页面代理及 Git 软硬双锁，让非研发角色也能安全、高效地基于代码上下文参与协同，最终实现 AI 研发能力从个人到团队再到组织全员的规模化放大。
bybt-data-analysis-assistant是一个数据分析智能体，它能将自然语言提问转化为完整的数据分析流程，实现"你问它答"的智能化数据服务。该系统解决了传统数据分析中取数慢、口径混乱、归因依赖人工和知识不沉淀等痛点，提供NL2SQL取数、波动归因、血缘溯源、Python分析等全方位能力。其核心技术采用多Agent协同架构，通过意图识别、调度路由和ReAct推理循环实现智能决策，摒弃了简单的Text-to-SQL模式，创新性地采用NL2MDL2SQL路径，确保SQL生成的准确性和口径统一。系统构建了六层知识体系，从表结构到会话记忆分层管理，结合WrenAI语义层和Hologres加速查询，实现了从找表、写SQL、执行到深度分析的全流程自动化，大幅提升了数据分析效率和质量，使业务人员能像对话一样获取数据洞察。
5 人 7 天干完 20 人数周的活：Spec-Driven Development 如何重新定义 AI 编程
本文总结了团队在 AI 驱动研发体系的实践探索，从 AI 辅助编程发展到完整的 AI 驱动研发体系。文章指出业务AI研发的真正瓶颈是上下文而非模型能力，提出"本地优先：Agent + 文件夹 + Git"理念，通过 Price360-KB 项目 Harness 将业务知识、源代码、项目规则和验证证据组织在同一工作空间。实践表明迭代过程本身就是知识飞轮，项目无需完美知识库即可启动，在真实产品迭代中持续完善。文章阐述了项目 Harness 的三层结构设计、机器可读的迭代协议以及人负责决策而 Agent 负责执行完整的工作模式。随着模型和通用 Agent 能力提升，项目 Harness 将收缩，但业务知识治理和质量责任不会消失，未来技术人员将更接近 FDE 角色，需深入理解业务、设计项目规则并对端到端交付结果负责。
