| ~ |

背景

CAR-bench：车载语音 Agent 基准。

  • CAR-bench 简介
  • Challenge 最终排行榜

  • 技术报告原文

  • 254 个任务、58 个工具、19 条车载策略
  • 用户、环境、工具调用：评测器控制
  • 每题独立运行 3 次；Pass³ 要求 3 次全过
  • 一次错误调用、一次漏读前置状态、一次不合规回复：该 trial 归零

三类任务：

类型 额外困难 正确行为
Base 多轮工具操作、策略级联 先读状态，再按顺序执行
Hallucination 工具、参数或返回字段被移除 承认能力缺失；不盲调、不编造、不承诺完成
Disambiguation 用户没有给全取值 能内部消解则内部消解；需要时读取偏好；不猜

这个基准测的不是“偶尔能不能做成”，而是“能不能每次都守住边界”。

Read more »

| ~ |

做企业 RAG 时，最容易被默认接受的一套叙事是：语料大了要上 embedding，复杂问题要上 agent，结构复杂再上 graph RAG。

这篇论文把它们放到同一条、跨度约 450 倍的语料规模曲线上，结论很不客气：小语料时文件系统 Agent 略好；语料约过 1,000 万 token 后，BM25 反超并持续领先。

论文：

Read more »

| ~ |

Written by Codex with GPT-5.5 high

最近 AI coding 圈又出了一个新词: loop engineering.

如果只看 high level, 我现在会把它理解成一句话:

prompt engineering 是你怎么提示 agent; harness engineering 是你怎么给 agent 搭工作环境; loop engineering 是你怎么让一个系统代替你去提示 agent、检查结果、记录状态、决定下一步.

这不是说 prompt 没用了. 恰恰相反, loop 里面仍然到处都是 prompt, 只是你的工作重心从“一条一条写 prompt”挪到了“设计一个会不断产生 prompt 的系统”.

这篇主要想讲清楚四件事: goal 和 loop 到底差在哪, Codex / Claude Code / Cursor 各自怎么实现, 为什么最近大家说的 loop engineering 已经不只是一个 /loop 命令, 以及真正有用的 loop 应该留下些什么东西.

Read more »

| ~ |

Written by Codex with GPT-5.4 high

这版 Codex 的 memory, 如果只看 high level, 可以理解成一句话:

它不是“边聊边顺手记一些长期记忆”, 而是“先把旧会话离线蒸馏成 memory 仓库, 再在新会话里按需检索这个仓库”.

这点和 Claude Code 那种“session memory / auto memory”观感不太一样.

Codex 这套东西, 我会拆成 4 个关键词:

  • 读: 当前对话开始时, 把一个很短的 memory_summary.md 注入 prompt, 让模型知道该去哪里找旧经验
  • 召回: 真需要时, 先查 MEMORY.md, 再按需深入 skills/ 和 rollout_summaries/
  • 写: 后台异步跑两阶段 pipeline, 从历史 rollout 提炼 raw_memory, 再 consolidate 成正式 memory
  • 遗忘/降权: 通过 usage、diff、polluted 标记, 把不可靠或过时的记忆慢慢挤出去

所以它更像一个小型知识蒸馏系统, 而不是单纯的“长期笔记本”.

Read more »