AI Engineering Weekly
AI 工程周刊 · 每周十篇非显而易见的工程洞察
Claude Code 被曝用隐写术给请求「打指纹」
一位独立研究者逆向 v2.1.196 后发现：编码 agent 正用肉眼无法区分的 Unicode 变体，把你的时区和代理域名悄悄编码进每一次请求。
一位匿名安全研究者逆向了 Claude Code v2.1.196，发现它内置了一个隐写函数：系统提示里「Today's」的那个撇号，会在正常的 U+0027 与视觉上完全相同的 U+2019、U+02BC、U+02B9 之间切换，日期分隔符也会在连字符和斜杠之间变化——用来编码「用户是否处于 Asia/Shanghai 时区」「请求是否经由某个已知代理或转售域名」等环境信号。这些标记对用户和模型都不可见，却能被服务端解析。
为什么这值得每个 AI 工程师警惕？因为它把「供应链信任」从依赖库层面，直接抬升到了 agent 运行时层面。研究者称，相关的域名与关键词清单（含 deepseek、zhipu 等厂商域名及若干转售商）是用密钥 91 做 XOR + base64 编码藏在二进制里的。对把编码 agent 接入内部网关、本地代理或第三方 model router 的团队而言，这意味着你的出站请求可能携带你从未同意暴露的环境指纹。
该路径在标准配置（未设置 ANTHROPIC_BASE_URL）下并不激活，普通用户暂时无需恐慌——但这恰恰给企业敲响警钟：agent 的出站流量应当像任何第三方 SDK 一样纳入审计。接下来值得观察的是官方是否给出解释，以及这是否会推动「agent 运行时可观测性 / 可审计性」成为工具选型的硬指标。
"模型越来越会自己搭脚手架、设计芯片、证明定理；可当能力不再稀缺，胜负手就落到了编排、基建与信任这些「工程」问题上。"
— 本周主题
Ornith-1.0：让 agent 自己设计脚手架，RL 训出超越 Opus 4.7 的编码模型
主流做法用人工设计的固定脚手架跑 RL 训练编码 agent；Ornith 把脚手架本身变成可学习对象，让它与策略网络共同进化——模型不仅学会解题，还学会如何编排解题过程，无需逐类别做 harness 工程就获得复合能力增益。
▸ 点击展开详情
这挑战了「agent 能力 = 更强基座 + 更精巧人工 harness」的假设。Ornith-1.0-397B 在 Terminal-Bench 2.1 拿到 77.5、SWE-Bench Verified 82.4，超过 Claude Opus 4.7（70.3 / 80.8）。
评估编码 agent 时别只比基座分数，把「脚手架是固定还是可学习」作为独立选型维度；其 9B 版本（TB-2.1 43.1 / SWE 69.4）可边缘部署、匹敌 3-4 倍体量的模型。
Sakana Fugu：把多智能体系统伪装成「一个模型」的单一 API
Fugu 的关键洞见是——多智能体编排可封装成一个标准、可直接替换的 LLM API 端点，对调用方透明。内部用经 RL 训练的 Conductor 动态设计 agent 间通信拓扑，并为每个 worker LLM 写定向指令，涌现出超越单一模型的协调策略。
▸ 点击展开详情
它解决了多智能体系统落地的最大摩擦——集成复杂度。当 orchestration 藏在 Chat Completions / Responses 接口背后、一行命令装进 Codex CLI，团队无需重写调用代码即可把「单模型调用」升级为「多智能体协作」。
设计 agent 编排层时，采用「OpenAI 兼容端点」作为对外契约，把路由 / 协调逻辑收敛到服务端；重点借鉴其 RL 训练的「通信拓扑设计」思路（基于两篇 ICLR 2026 论文），而非静态角色分工。
htmx 作者的真实案例：AI 擅长诊断和写测试，却总给你埋技术债
htmx 作者 Carson Gross 复盘用 Claude 修 parser 回归 bug 的全过程——AI 几分钟精准定位根因、生成的测试套件比他自己写的更全面；但它连续两个修复方案都会累积技术债，因为它缺乏对代码库架构意图的整体认知。
▸ 点击展开详情
这精确刻画了 AI 辅助编码的真实分工线：诊断和 rote generation 交给 AI，方案决策必须由懂架构的人把关。没有这层专业判断，AI 辅助的修复会静默侵蚀代码质量（作者称之为「魔法师学徒」问题）。
把 AI 编码 agent 当「会诊专家 + 测试生成器」而非「方案拍板者」——默认拒绝它的第一、二版方案，先追问「这个改动对整体架构的影响」再定夺；本例最终正确修复只有约 5 行。
别再把报错粘贴给 Claude Code：每次复制粘贴都是 agent 缺工具的证据
Robusta CEO Natan Yellin 指出，手动复制粘贴错误信息才是瓶颈，而非 AI 本身。工程师应给 agent 直接的工具访问权，让循环无需人工打断地自主运行；工程师真正该做的是诊断并扩展 agent 的自主边界，而不是当「人肉粘贴板」。
▸ 点击展开详情
它把 AI 辅助开发的心智从「对话」升级为「自主循环」。每一次你手动喂给 agent 的上下文，都暴露了它本可自己获取却没有权限获取的信息——这是一个可操作的诊断信号，指向你的 agent 工具链缺口。
给编码 agent 配 staging 库只读 API key（自己复现数据库报错）、无头浏览器 + 登录态（自己验证视觉 bug）、LLM API key + eval harness（端到端复现并修 agent 失败）；想复制粘贴时先问「该给它加哪个工具」。
Herdr：为 agent 而生的终端复用器，把「看不见的 agent 舰队」变可观测
tmux 诞生于 agent 时代之前，对 agent 状态一无所知。Herdr 是用 Rust 写的 tmux 替代品，把每个 agent 当一等公民——通过进程名匹配 + 输出启发式在侧边栏实时显示 agent 的「阻塞 / 工作中 / 完成 / 空闲」状态，并提供本地 socket API 让 agent 互相编排，仅约 10MB 单一二进制、无 Electron。
▸ 点击展开详情
当你同时跑十几个编码 agent（Claude Code、Codex、Devin、Grok CLI…），最大痛点是「看不见谁卡住了、谁在等你」。Herdr 把「多 agent 可观测性」做进终端本身——从「人盯着一堆黑框」到「工具替你盯 agent 舰队」的范式转变。
工作流从「一个 agent」演进到「一群 agent 并行」时，用 Herdr 这类 agent-aware 复用器替代裸 tmux：开箱检测 agent 状态、`herdr integration install <agent>` 一键接入主流 CLI、remote 模式解决 SSH 下贴图问题；socket API 还能让 agent 自开 workspace、拉起 helper agent。
DeepSeek 开源 DSpark：不换基座，纯靠草稿模型把推理提速
DeepSeek 开源的 DSpark 是一种新的 draft-model（草稿模型）架构，用于加速推理的推测解码（speculative decoding）——不改动目标模型权重，仅靠结构更优的草稿头就把 token 接受率推到超越此前 SOTA（Eagle3、DFlash）的水平，并把完整训练流水线以 MIT 协议开源。
▸ 点击展开详情
推测解码是自建 / 私有化部署 LLM 提速的关键手段，但此前高接受率方案多为闭源或难复现。DSpark 直接放出可复现配置和 Qwen3-4B/8B/14B、Gemma-4-12B 的草稿模型 checkpoint，让「不换基座、纯靠 draft 模型提速」成为工程上可落地的选项。
自建推理服务、想不牺牲质量地提速时，评估 DSpark 与同仓库并列的 Eagle3 / DFlash 三种算法；注意一个真实基建约束——默认 Qwen3-4B 配置的 target cache 高达约 38TB，上线前按目标模型核算存储成本。
AI 攻克射频芯片设计的「黑魔法」：模型画出的芯片像二维码，性能却破纪录
RFIC 设计几十年抵抗算法自动化，因为要在微波频段同时优化电磁场、热力学和电路拓扑。普林斯顿团队用强化学习 + 逆向设计（CNN 电磁仿真器）彻底摆脱人工模板，产出的芯片版图像二维码，却创下硅基功率放大器性能纪录。
▸ 点击展开详情
这是「AI 在专家直觉主导的硬工程领域替代人」的硬核证据。它不是生成文本或代码，而是在物理约束极强、试错成本极高的设计空间里超越了资深工程师的经验模板，并反证传统人工模板远非最优。
把「训练慢、推理快」作为 AI 辅助设计工具的评估心智模型——该团队的 CNN 仿真器把分钟到小时级仿真压缩到毫秒级；若你的领域有昂贵的仿真 / 评估环节，优先训练快速代理模型（surrogate）替换它，而非让 LLM 直接猜结果。
AI 正在改写数学研究：Gauss agent 两周自主形式化了 Fields 奖级证明
AI 已跨过门槛——能自主产出可发表的数学研究、并在数天内形式化此前难以处理的证明，正把数学界撕成两派：一派只想要答案，另一派坚持「人类理解的挣扎过程本身才是意义」，下游风险包括智识退化和下一代研究者动机丧失。
▸ 点击展开详情
对 AI 工程师真正可复用的不是「AI 会做数学」，而是背后的技术栈：证明助手（Lean、Isabelle、Rocq）+ LLM 的组合移除了大规模协作里的「信任瓶颈」——机器生成、机器可验证。这是「可验证 AI 输出」范式的高价值样本。
在你的领域寻找「形式化验证 + LLM 生成」的组合点：LLM 生成候选方案、形式化 / 确定性验证器把关正确性，绕开「LLM 输出不可信」的死结；参考 DeepMind Aletheia（arXiv:2601.23245）与 Math.Inc 的 Gauss。
用 Claude Code 复核自己的 MRI：266MB DICOM 的 agentic 分析，结论与诊所相反
一位非医学背景用户把 266MB DICOM 影像丢给 Claude Code（Opus 4.8）作为自主 agent 流水线分析——模型自主安装依赖、读取数百个无扩展名文件，给出与诊所相反的判读：诊所诊断 III 级（>50%）部分撕裂，Opus 经一轮子 agent 仲裁后判定肌腱完好。
▸ 点击展开详情
抛开医疗对错，工程价值在于展示 agentic pipeline 处理「非结构化二进制数据」的真实能力边界，以及一个可复用模式：用多个子 agent 做仲裁来降低单一上下文偏见。同时把 AI 医疗二次意见的「认识论困境」摆上台面。
处理高风险、易确认偏误的分析任务时，用「多子 agent 独立判读 + 仲裁轮」替代单次调用；务必给结论标注置信度、保留人类专家做最终裁决——本例中 GPT-5.5 Pro 反向发现诊所疗法违反临床指南，印证交叉模型复核的价值。
本周的 AI 新闻若只看标题，会以为是一场能力狂欢：Ornith-1.0 让模型自己设计脚手架、在 SWE-Bench 上反超 Claude Opus 4.7；Sakana Fugu 把多智能体系统压缩成一个即插即用的 API；普林斯顿用强化学习画出破纪录的射频芯片；数学界还在消化「AI 两周形式化 Fields 奖级证明」的震撼。能力边界确实在以周为单位被刷新。但把这些故事并排放在一起，浮现出的主线其实是「工程化」——当模型足够强，胜负手就转移到了你如何运行、编排和信任它们。于是我们看到 Herdr 想用一个为 agent 而生的终端复用器取代 tmux、DeepSeek 用 DSpark 把推理提速、htmx 作者复盘 AI 精准诊断却连续埋技术债的真实分工、Robusta 主张给 agent 直接的工具权限而非人肉复制粘贴。而 Claude Code 隐写标记事件，则把「你是否信任你的 agent 运行时」这个问题推到了台前。这一周的结论也许是：模型越聪明，编排、基建与信任边界就越是真正的护城河。谁能把「让一群 agent 稳定、高效、可审计地跑起来」这件事做扎实，谁才能真正兑现 AI 的能力红利。