这篇综述把 memory、skills、protocols 和 harness engineering 统一到一个视角里：Agent 的进步越来越像是在模型外部重写任务，而不只是让模型权重更强。

AutoCodeBench 论文里，为什么 Elixir 这一语言列值得注意，以及它如何引出自动生成多语言代码 benchmark 的难度等价讨论

Kimi 团队 Attention Residuals 技术报告：为什么残差连接也该“注意力化”，以及 Full AttnRes / Block AttnRes 如何把这个想法做成可训练、可部署的系统

Chinchilla 论文：为什么 2022 年的大模型全都「喂少了」，以及算力预算到底该怎么分配，附真实 Python 核心代码

规模的数学：为什么更大的模型可预测地更强，附真实 Python 核心代码

基于 v2026.3.8 源码，拆解一个自托管 AI 助手的工程骨架

更大的模型，更善于从上下文中诱发能力，附真实 Python 代码

重新看 OpenClaw：星标不是生态，能持续降低供给和使用摩擦的结构才是生态。

预训练范式的确立，附真实 Python 代码

编码器-解码器范式的确立，附真实 Python 代码

从 Clawdbot 看自托管 AI Agent 的真正问题：不是模型有多聪明，而是控制权、上下文和执行权限归谁。

注意力机制的起源，附真实 Python 代码

拆解 Transformer 论文，附真实 Python 代码

一个个人技术博客：拆论文、看系统、追问 AI 与软件工程背后的因果链。