iFeeling Daily
每天精选值得关注的 AI 动态
微软发布首个网络安全模型及Agent安全平台
微软发布首个网络安全专用模型和Agent安全平台，声称基准测试碾压竞品，漏洞修复从数小时缩短至几分钟。
Loop Engineering 从第一性原理：Kyle Mistele 的实战方法
Kyle Mistele 提出用控制理论设计智能体循环，每次只做一个小改动，产生可审查的 PR，而不是 40,000 行无人能读的代码。以迁移代码库为例，讲解如何用 ast-grep 传感器、CI 调度和反馈文件实现增量式工程。适合厌恶“盲扫”循环的工程师。
从LLM Judge到Agent Judge：AI评估的下一个进化
Arize AI 的 Aparna 认为，Agent 能力每提升一档，现有评估就报废一次。她提出从LLM Judge进化到Agent Judge，让一个Agent自动发现另一个Agent的失败模式，甚至直接开PR修复。这不是技术细节，是AI工程化方式的重构。
Agent 架构半衰期 6 个月：如何构建不被趋势淘汰的系统
Dan Farrelly 在演讲中犀利指出，你刚学会的 Agent 架构可能半年后就过时了。他分享了如何用核心原语构建持久化架构，避免被趋势牵着走。想看技术选型背后的真实思考吗？这个视频很有料。
微软AI知识团队负责人谈知识系统与Agent
微软 AI 知识团队负责人 Pablo Castro 聊了如何让 Agent 真正用对知识。他反对靠模型硬记，主张用 Azure AI Search 和 Foundry IQ 做外部检索，还批评了过度依赖 Prompt 的风气。全是实战经验，做 Agent 的值得看。
39 个 Agent 无框架：一家制造公司的数字大脑构建实录
Rushabh Doshi 分享了如何为一家传统机械制造公司构建 39 个 Agent 的 AI 操作系统 Ira，没有用任何现成框架。他详细拆解了从文件消化、Agent 编排、免疫系统护栏到夜间梦境周期的完整架构，并提出了“Fork My Brain”的企业 AI 交付模式。
AI on Lakehouse: 上下文形状而非查询
Zach Blumenfeld 在 Neo4j workshop 里现场演示了为什么 Agent 拿到数据还是答错——问题不在模型，而在上下文是平的。他用三种图结构（树、社区、路径）给 Lakehouse 数据搭出骨架，然后用 MCP 喂给 Agent，效果立竿见影。有代码可跑，适合正在做 Agent 数据对接的人。
以 Rollout 为中心的 AI Agent 评估框架
Alex Shaw 和 Ryan Marten 在 Laude Institute 分享了一个以 rollout 为中心的 Agent 评估框架，结合 Harbor、Terminal-Bench 和 OpenThoughts-Agent，演示了如何用沙盒环境不断迭代优化 Agent。不看会错过一个实用的工程视角。
Google团队分享Agent行为调教：Evals比Prompt更重要
Google 团队用真实广告素材案例告诉你，别迷信 prompt —— Agent 行为靠 eval 循环调教，trace 日志才是 debug 利器。