AI 动态日报 · 2026-09-04（周五）

《AI 动态日报》是 Sway Lab 每天早上做的简报：抓取当天的 GitHub、Hacker News、arXiv、Hugging Face 等一手来源，筛出十条最值得读的，原样公开。它首先是写给 Sway 本人看的，所以文中的「你」指的是他。

这份日报写给一个人（下文的「你」指他）：一位在做 agent 基础设施和 skill 家族的工程师。 选条的标准不是「这条新闻大不大」，是「他会不会拿去改自己的 agent、会不会拿去写一篇」。

今天最该知道的一件事：同一个 GPT-6 Astra 跑同一个基准，只换外面那层壳，62.7% 变 99.9%。

Top 10

1. OpenAI 发 GPT-6 Astra，当天 HN 全站第一 · 产品 / 官方发布 · HN 1,326 pts / 1,052 条评论（id=49554643，今日全站第一），2026-09-03 发布，GPT-5.6 Sol 的继任者 官方发布页 openai.com/index/gpt-6-astra/ 对 curl 返回 HTTP 403，所以下面的数字分两类看：一手可核的是 ARC Prize 基金会同日发布的独立评测（见第 2 条）——ARC-AGI-3 半私有集最高 99.9%。只有二手来源的是定价与安全评级：多家报道与 HN 讨论口径一致地写成每百万 token 输入 $10 / 输出 $50（Sol 为 $4 / $20），缓存输入 $1；以及 OpenAI 首次把一个模型的网络安全风险评为 Critical——意思是它能在没有人一步步指挥的情况下，在加固过的系统里找到并利用未知漏洞。这两组数字本次没有拿到一手页面，按二手记。 为什么值得注意：真正会改变你日程的不是分数，是那条 Critical 评级和它背后的含义——「能自主找漏洞」和「能自主写代码」是同一种能力的两面。你给 agent 开的每一个沙箱、每一条文件系统白名单，面对的对手强度在今天变了一档。另外记一下输出比输入贵 5 倍这个结构：让 agent 少说话的收益，正在变得比让它少读东西更大（这条在第 7 条会有一个现成的数字）。 🔗 https://openai.com/index/gpt-6-astra/ ｜ HN 讨论 https://news.ycombinator.com/item?id=49554643

2. 同一个模型、同一个基准，只换 harness：62.7% → 99.9%，而且贵的那个反而分低 · 理念 / 方法论 · HN 164 pts / 99 条评论（id=49555691），ARC Prize 基金会官方评测，作者 Greg Kamradt，2026-09-03 发布 ARC Prize 用两种 harness 跑同一个 Astra。Standard harness（模型自己挑要带走的笔记）最高分 62.7%，花掉 $26,098；Provider Adapter harness（在请求之间保留模型不透明的推理状态，长对话用压缩）最高到 99.9%，只花 $18,817。也就是说更好的壳同时买到了 +37 个百分点和更低的账单。另外两个数字同样值得记：Astra 在 96.0% 的关卡里用的动作数少于人类基线（基线来自开跑前测的约 500 名普通人的中位数），平均每关少 51.7% 的动作；以及它会自己临时造一套代数速记来记状态，比如 L8: hub q2 (8↓)、extend8 to3; retract10 to2、Turn 5: P=(24,20), empty, facing west。 为什么值得注意：这是今天最能直接改你代码的一条，而且它把一个模糊直觉变成了可引用的数字——壳带来的差距（37 个点）比调 reasoning effort 带来的差距大得多（同一张表里 max 到 low 在 Provider Adapter 下只差 0.6 个点）。两个 harness 的区别只有一句话：一个让模型自己写笔记再带走，一个保留模型原始的推理状态。前者是你现在多数 skill 的做法。第二件可抄的是那套代数速记：模型在没人教的时候，自发选择把状态压成符号而不是散文——你手写的状态字段格式，可以直接换成让模型自己发明的那种密度。 🔗 https://arcprize.org/blog/astra ｜ HN 讨论 https://news.ycombinator.com/item?id=49555691

3. 16,893 次真实会话测出来：LangChain 被提到 194 次，只被选中 4 次 · 理念 / 研究 · HN 99 pts / 31 条评论（id=49557206），armature.tech，2026-09-03 发布 先说利益相关：Armature 自己卖的就是「帮开发者工具被 agent 选中」的增长服务，这一点写在文章第一行，读数字时要带着看。方法：16,893 次会话，1,163 种 prompt 变体、75 个仓库、3 个编码 agent（Claude Code / Codex / Cursor），并且是真的把方案实现出来而不是只给建议；用 Gemini 3.7 Flash 扮演「循环里的人类」，另一个实例当裁判；筛完发布 5,292 次有效会话，覆盖 51 个代码库、18 个行业。结论里最硬的几条：三个 agent 只在 42% 的格子里选同一个工具；Claude Code 只有约 30% 的会话会搜网（主要靠自己的先验；在先验薄弱的沙箱类目里升到约 80%），而 Codex 有 94% 会搜，且十次里九次带 site: 这类限定符；Claude Code 自己造轮子的比例是另外两家的近两倍（19% vs 10%）。最刺眼的是「被提到 ≠ 被选中」：LangChain 被提 194 次、只被选 4 次；PayPal 被提 139 次、一次都没被选；Adyen 175 次里选中 3 次；Netlify 152 次里 6 次。还有一条很实在——仓库语言决定选谁：同一个需求在四种语言的仓库里跑出四个不同的邮件服务赢家（TypeScript → Resend 55/89，Python → Sendgrid 22/24，Go → Postmark 20/24，Java → Azure ACS 22/23）。 为什么值得注意：这份数据的价值不在排行榜，在它暴露了三个 agent 的信息获取姿势根本不同——一个靠记忆、一个靠搜索、一个靠网页，而这决定了它们的知识新鲜度差多久。你要是在多个 harness 之间切换，同一份 skill 在「靠先验的那个」和「必搜网的那个」上表现会不一样，这是可以预期的，不是玄学。第二个能直接用的观察：agent 会因为供应商页面上一句「免费版保留 1 天」这种细节就把它淘汰掉——说明写给 agent 看的文档，减一句多余的捆绑功能介绍比加一段介绍更有用。 🔗 https://armature.tech/blog/which-tools-coding-agents-install ｜ HN 讨论 https://news.ycombinator.com/item?id=49557206

4. OpenAI、Claude、Grok 在同一个下午一起挂了 · 事故 / 安全 · HN 汇总帖 330 pts / 263 条评论（id=49551096，2026-09-03 15:07 UTC 发起），另外三个独立故障帖分别是 ChatGPT 315 条评论（id=49550614）、Claude 146 条（id=49549676）、Grok 142 条（id=49551589） 一个 Ask HN 直接把三家的状态页并排贴出来问「为什么同时挂」。讨论里被反复提到的一点是当时 status 页面还没反映故障，用户比状态页先知道；也有人指出这天正好是 Astra 发布日。本次没有拿到任何一家的官方事后复盘，所以下面只讲能确认的部分：三家主流推理服务在同一时段同时不可用，且社区先于状态页发现。 为什么值得注意：这条的价值不在原因，在它给了一个具体的日期去做一次演练。你的长时任务在三家全挂的那两个小时里会变成什么样？ 大多数 agent 编排的失败模式不是「报错退出」，是在重试循环里安静地烧掉额度，或者更糟——把一次 API 失败当成「工具返回了空结果」继续往下推理。今天可以确认的三件事：① 你的重试有没有上限和退避；② 失败和「返回为空」在你的工具层是不是同一种东西（应该不是）；③ 有没有一条「所有供应商都不可用就落盘当前状态并停下」的路径。顺带一提，三家同时挂说明多供应商冗余不等于不相关的冗余。 🔗 https://news.ycombinator.com/item?id=49551096

5. K2 Horizon：一次开六个模型，而且把整条训练流水线也一起开了 · 产品 / 官方发布 · HN 256 pts / 84 条评论（id=49551760），Institute of Foundation Models 发布，2026-09-03 六个尺寸一次给全：375B-A23B、36B-A4B、32B、7B、3.7B、0.9B，模型与代码 Apache-2.0，数据按各自许可（如 ODC-BY）发布、不能再分发的就公开构造与混合方法。真正少见的是开放的范围：从预训练到推理与 agentic 后训练的完整生命周期——中间检查点、训练数据或数据构造配方、架构、混合配比、训练代码、配置、细粒度日志、评测结果、最终权重，全部放出。官方的说法是这是第一个把 agentic 后训练全过程暴露出来的开放模型家族。0.9B 面向手表眼镜这类极受限环境，3.7B / 7B 面向手机端；36B-A4B 用了他们新的 Mixture-of-Value-Attention（MoVA）。 为什么值得注意：对你有用的不是权重，是中间检查点加训练日志这一组。它第一次让「工具调用、规划、agentic 能力是在训练的哪一步长出来的」这个问题变成可以实测的，而不是只能读论文猜。如果你想知道一个模型对 skill 描述的服从性到底是预训练来的还是后训练来的，这是目前唯一能自己动手验证的材料。另一面也要说清楚：六个尺寸横跨眼镜到企业服务器，意味着同一套 skill 要在 0.9B 和 375B 上都能跑这件事，从设想变成了具体的兼容性问题。 🔗 https://ifm.ai/blog/k2 ｜ HN 讨论 https://news.ycombinator.com/item?id=49551760

6. Repo-To-Skill：从 1,000 个 ML 仓库里蒸出 5,000 多个经过验证的 skill · 论文 · arXiv 2609.02749，2026-09-02 提交，cs.AI / cs.CL，11 位作者（Jianlyu Chen、Yuyang Hu、Hongjin Qian、Jiawei Liu、Wenqing Wei、Xiaolong Chen 等） 论文提出的概念叫 operational knowledge（操作性知识）——「知道一个方法」和「能把它跑通」之间差的那层东西。它的论点是：这层知识不是不存在，它就写在仓库和论文里，只是写成了给人读的形式，而且大到没法在任务执行时装进上下文。系统叫 DisCo，蒸馏分两种走法：任务无关的（把领域里常用的仓库预先压成可复用的 skill）和任务导向的（临场为一个具体任务产出它要的 skill）。前者跑完整个开放生态，产出 AREX-Skill Library：1,000 个常用 ML 仓库 → 5,000+ 条经过验证的 skill，组织成 20 个领域、178 个能力族。评测时把模型底座（GPT-5.5）、研究 harness、下游执行预算全部固定，只比有没有 skill。 为什么值得注意：两件事。第一，「组织成 20 个领域、178 个能力族」这个结构本身就值得看——skill 一多，检索就是真问题，而这是目前公开的、规模最大的一次分类实践。第二，也是更该动手的：「把一个仓库蒸成 skill」是一条可以自动化的流水线，不是只能手写。你现在的 skill 大概率是一条条手工攒出来的；这篇给的是「拿一个你依赖的仓库，自动产出它的操作性知识并验证」的做法。注意它强调的是 verified——蒸出来要能跑通才算数，这一条是它和满地的 awesome-list 的分界线。 🔗 https://arxiv.org/abs/2609.02749

7. caveman：让 agent 说话像穴居人，输出 token 砍掉 65%——以及一份罕见的「别拿这个数字去跟老板汇报」 · 开源仓库 · 103,132 stars / 5,995 forks，今日 +543（GitHub Trending 日榜），2026-04-04 建仓，2026-09-04 推送（今天还在改），Go，95 个 open issue 自述是 "why use many token when few token do trick"。做法很轻：一个 skill，让 agent 别写小作文。README 里的对照表是真跑出来的——同模型同问题，十条普通编码 prompt，输出 token 从平均 1,214 降到 294，省 65%；最好一条「实现 React error boundary」3,454 → 456（87%），最差一条「回调改 async/await」387 → 301（22%）。作者把最好和最差同时放在摘要表里，理由写在旁边：agent 本来要写小作文时它赢很多，答案本来就基本是代码时它几乎不赢。 为什么值得注意：真正值得学的是它的诚实度工程。README 里有一段加粗警告：这个 skill 只压缩输出，输入和推理 token 不变，而且 skill 自己的规则每轮要吃掉约 1–1.5k 输入 token，所以整场会话的实际节省远低于表格；在本来就简洁的活儿上你会亏钱。作者还专门写了一份 HONEST-NUMBERS 文档，起因是一个用户的 A/B 结果反着来而他复现不出来。你自己写 skill 时最该抄的就是这个形状：把「什么时候它不起作用」和「它自己的开销是多少」写进 README 的主干，而不是藏在 FAQ 里。顺带回到第 1 条——输出比输入贵 5 倍的定价结构下，压输出这件事的性价比刚刚变高了。 🔗 https://github.com/JuliusBrussee/caveman

8. hermes-agent：24 万星，4.9 万 fork，以及 39,169 个没关的 issue · 开源仓库 · 240,873 stars / 49,356 forks，今日 +774（GitHub Trending 日榜），2025-07-22 建仓，2026-09-04 推送，Python，MIT，39,169 个 open issue NousResearch 的个人 agent，自述一句话："The agent that grows with you"。星数和 fork 数都在头部区间，今天还在推代码。 为什么值得注意：把它放进来不是因为它星多，是因为 39,169 这个数字本身是今天最有信息量的一条。四万个未关闭 issue 配四点九万 fork，意味着这个项目的真实形态是一个巨大的分叉集合，而不是一个被维护的上游——大部分人拿走的是代码，不是发行版。你选依赖的时候，star 数几乎不携带信息，open_issues / forks 这个比值携带的信息多得多（这里约 0.79，即每 1.3 个 fork 就对应一个开着的 issue）。这条可以直接做成你自己的选型检查项：gh api repos/O/N --jq '.open_issues_count / .forks_count'，一秒钟就能算，比读 README 快。 🔗 https://github.com/NousResearch/hermes-agent

9. Zed：Xanadu 一直在等 agent 出现 · 理念 / 方法论 · HN 87 pts / 34 条评论（id=49526298），zed.dev，作者 Nathan Sobo，2026-09-01 发表 文章从 Ted Nelson 1965 年提出 hypertext 的那个项目 Project Xanadu 讲起。Nelson 想要的东西叫 docuverse，规矩只有两条：永不复制，永远引用（他自己造的词是 transclusion）；永不覆写，永远留版本。链接同时知道自己的源和目的地，引文按引用保存所以永远带着出处——精确到跨度级别的溯源。这套东西需要无限存储和一个永不过时的命名方案，两样在他工作的那几十年里都不存在，于是九十年代 web 用「链接就是一个字符串，目标一移动就断」的简化版赢了，维护成本从系统身上转嫁给了用户。作者的论点是：人类其实不需要能追溯每一条链接、比对每一个版本，所以扁平化「够用了」——直到 agent 出现。agent 能同时追踪比人脑装得下更多层的潜台词：一段引文背后的原始出处、围绕它的讨论、以及挂在那段确切代码上的调用栈。 为什么值得注意：这是今天唯一一条不给你东西装、只给你一个坐标系的条目，但它解释了一件你可能已经在实践中撞到的事——agent 的上下文问题，本质上是六十年前那个超文本问题。「永不复制，永远引用」翻译成今天的话就是：别把文件内容抄进上下文，给它一个能自己去取、并且带着出处的引用。「永不覆写，永远留版本」翻译过来就是：agent 改过的东西要保留改之前的样子。这两条你多半已经在做了一半（版本那半 git 帮你做了），另一半——跨度级别的出处——基本没人做。文章还有一个具体判断：这套东西正在版本控制里长出来，不是在浏览器里。 🔗 https://zed.dev/blog/agentic-xanadu ｜ HN 讨论 https://news.ycombinator.com/item?id=49526298

10. 三个中文插件仓库在同一天建仓，22 天攒了 4,722 星——一个围绕 DeepSeek Harness 长出来的生态 · 开源仓库 · 中文圈 · dsh-TUI 2,813★ / 153 forks；dsh-vision-router 1,059★ / 43 forks；dsh-vision-toolkit 850★ / 42 forks，合计 4,722★，三个仓库全部建于 2026-08-13，全部 MIT，其中两个 2026-09-03 推送、一个 2026-09-04 推送 三个仓库解决的是同一类问题的两个方向。dsh-TUI 是终端界面补位：实时状态栏、流式思考展示、双击 Esc 回滚、上下文进度条 + TPS，npm 一键装，README 写明被 DSH 官方公众号收录。另外两个都在给纯文本模型补眼睛——dsh-vision-router 提供免密钥的视觉链路加像素级工具（问答、grounding、裁剪、像素 diff、取色、OCR、SVG 描摹、抠图、截图），并强调「图像轮次表现得和普通工具调用轮次一样」；dsh-vision-toolkit 走同一路线，主打粘贴图片直接识别、多图问答、截图还原前端 UI。 为什么值得注意：同一天建三个仓库、三周后都还在推、加起来快五千星——这不是三个孤立项目，是一个 harness 的插件层在自组织，而且是在中文社区里。两个可操作的点：第一，dsh-vision-router 那句「让图像轮次表现得和普通工具调用轮次一样」是一个具体的接口设计主张，比「支持多模态」这种描述有用得多，值得对着读一遍它怎么把视觉封装成工具；第二，当一个 harness 的周边同时冒出「界面补位」和「能力补位」两类插件，说明它的扩展点位置定对了——你自己设计扩展接口时，可以拿「别人会不会自发来补这两类东西」当验收标准。 🔗 https://github.com/ccch1mneyyy/dsh-TUI ｜ https://github.com/ysr666/dsh-vision-router ｜ https://github.com/Anionex/dsh-vision-toolkit

快讯（5 条）

• Google Antigravity 服务条款：第三方方式使用可能导致 Google 账号被停，HN 280 pts / 194 条 🔗 https://news.ycombinator.com/item?id=49548452
• Qwen 3.8 27B 上 Cerebras，提交标题标称 1500 tokens/s，HN 453 pts / 132 条 🔗 https://inference-docs.cerebras.ai/models/overview
• archify：给 agent 画可验证架构图的 skill，45,957★，本周 +24,227（周榜最猛） 🔗 https://github.com/tt-a1i/archify
• Agent Flight Recorder：防篡改审计链，每事件多 48 微秒 / 512 字节，arXiv 2609.01931 🔗 https://arxiv.org/abs/2609.01931
• Speculative Macro Commit：预执行动作链，AppWorld 墙钟时间比串行少 44.9%，arXiv 2609.03236 🔗 https://arxiv.org/abs/2609.03236

今天可以亲手试的

1. 用第 2 条那张表，量一次你自己的 harness 值多少分（对应第 2 条）· 挑一个你手上跑得最久的 skill，做一次严格的 A/B：A 组照现状，让模型自己写笔记再带进下一轮；B 组改成把上一轮的原始推理状态整段带过去、只在超长时压缩。同任务同模型各跑三次，记通过率和 token 花费。ARC 的数字说这两种做法之间是 37 个百分点——你的活儿上不一定这么夸张，但只要差值大于你调 prompt 调出来的收益，你的优化重心就该换地方了 · 约 20 分钟

2. 装 caveman，但先读它的 HONEST-NUMBERS（对应第 7 条）· gh api repos/JuliusBrussee/caveman/readme -H "Accept: application/vnd.github.raw" | head -120 先看那张 87%/22% 的对照表和下面加粗的警告段，再决定装不装。装完做一次真实会话的 A/B，注意只有输出 token 会降，skill 自己每轮还要吃 1–1.5k 输入 token——在本来就简洁的活儿上是负收益。顺便把这个「写清楚什么时候我不起作用」的段落抄进你自己 skill 的 README · 约 15 分钟

3. 给你的仓库依赖算一个 issue/fork 比值（对应第 8 条）· gh api repos/<owner>/<name> --jq '{stars:.stargazers_count, forks:.forks_count, issues:.open_issues_count, ratio:(.open_issues_count/.forks_count), pushed:.pushed_at}' 挨个跑一遍你 agent 栈里在用的仓库。比值接近 1 的（今天第 8 条约 0.79）说明它更像一个被分叉的代码堆而不是被维护的上游，把这类依赖单独标出来，别指望上游修 bug · 约 8 分钟

本次未取到的源：

• openai.com/index/gpt-6-astra/ 正文 HTTP 403（按手册 openai.com 直连预期即为 403）。第 1 条因此拆成两半写：ARC-AGI-3 的 99.9% 来自 ARC Prize 官方评测页的一手抓取；定价（$10/$50 每百万 token）与「Critical」安全评级仅有二手来源（WebSearch 返回的多家报道与 HN 讨论口径一致），已在正文标注为二手，未按一手事实陈述。
• Hugging Face Papers 页面本次为 JS 渲染，/papers 与 /papers/date/2026-09-04、/papers/date/2026-09-03 解析后均只剩两个 arXiv id、无 upvote 数据，因此本期没有任何一条使用 HF Papers 的热度数字，论文条目改从 arXiv cs.MA / cs.AI 当日提交列表中直接选取并逐篇取回摘要。
• 三家推理服务同时故障（第 4 条）本次未取到任何一家的官方事后复盘，正文只写了 HN 上可核的部分（三个独立故障帖的评论数、状态页滞后于社区），未推测原因。
• inference-docs.cerebras.ai 的 Qwen 3.8 27B 单页解析后未含速度数字，快讯里的 1500 tokens/s 标注为「提交标题标称」，未作为一手事实。
• Google Antigravity 条款那条的原始载体是一条推文，本次未取到条款原文，因此只进快讯区且只给 HN 的分数与评论数。
• Brave News「AI agent」查询返回 10 条，多为企业营销稿与二手转载；其中关于「AI agent 十小时内攻破企业网络」的多家报道，与本报 2026-09-03 第 3 条为同一事件，按跨天去重规则不再上榜。
• anthropic.com/news 按要求不抓。Reddit / Product Hunt 直连按手册未尝试（403）。国内中文资讯源（几家科技媒体 RSS、一个问答站搜索接口、Brave 的 search_lang=zh）按手册全部跳过，此前实测均已失效；中文圈今日由第 10 条的三个仓库覆盖，均为一手链接与本次实际抓取的仓库元数据。