how to build an agent that never forgets
https://x.com/rohit4verse/article/2012925228159295810
26 年 LLM 的主线感觉就是 Memory 或者说 continuous evolution 这条了
我觉得比较有意思的点：
- 架构上（原始日志、提炼原子信息、动态摘要）或混合（向量存储+知识图谱）结构
- 记忆必须衰减： 通过夜间合并、每周总结和每月重新索引等机制，主动管理记忆的生命周期
State of AI in 2026
https://lexfridman.com/ai-sota-2026-transcript
信息爆炸的访谈。我自己摘录了这几点
- 现在其实预训练不光有原始数据，也会丢进去很多合成数据（不仅是说 AI 合成，也有人工重述等）
- 讨论了关于预训练、中训练、后训练的定义，不过原文对于中训练的定义更像是预训练的拓展和增强（原文提到可能只是因为命名上觉得有预训练和后训练怎么没有训练本身🤣）
- “‘赢’是一个非常宽泛的词……我认为，在2026年的今天，不会有任何一家公司拥有其他公司无法获得的技术……我目前看不到赢家通吃的局面。” 对应访谈中提到大家对模型的使用习惯：“你一直使用它，直到它出现问题，然后你就会更换使用其他模型。”
AGENTS.md outperforms skills in our agent evals
https://vercel.com/blog/agents-md-outperforms-skills-in-our-agent-evals
挺有意思的研究，把 skills 的信息放到 AGENTS.md 表现就更好，即便强制声明了要用这个 Skills
迈向自动驾驶的代码库
https://cursor.com/cn/blog/self-driving-codebases
能通过大量 Agent 吃下浏览器内核这种级别任务的时候，基本上没什么做不了了。而且是全自动。有蛮多可以学习的经验