这期的题目叫「控制论解释一切」。把今天的 agent 工程放回那条老线上看——18 世纪的调速器、容器编排里的控制器、维纳那本书——你会发现底层范式一直没变，变的只是忽视它的代价。
核心的读法是：把 agent 的外壳工程理解成控制论。往前可以一路类比到 18 世纪的调速器、容器编排里的控制器，再到维纳的那套东西。
真正的瓶颈不在模型，而在于「怎么把人类的高层判断外化成可校准的规则和反馈」。
对应到工作方式的变化就很具体：工程师不再直接写代码，而是设计环境和反馈回路——让 agent 自己去写，人负责把约束和行为准则校准对。
结论那句话很重：软件工程的底层真理一条都没变，但 AI 把「忽视它们」的代价，从慢性病变成了急性爆破。
有一套内部工作流方法论把角色变化说得很清楚：工程师从「编写代码」变成「定义任务、验证结果、管理 agent 的工作队列」的协调者。
这跟上一条是同一件事的两个说法：你的产出不再是代码，而是一套能让别人（或别的东西）产出正确代码的机制。
同一栏里还有很实用的一条经验：bash 这个工具被严重低估，而验证步骤应该贯穿整个循环，而不是等到最后才做。
基础设施这边有一条结构性矛盾被摆到台面上：放弃一个已在建的数据中心，因为里面规划的芯片已经落后一代了。
数字很直白：基础设施的建设周期是 12–24 个月，芯片的更新周期是 12 个月。
后者永远比前者快，这意味着「按今天的芯片规划明天的机房」在结构上就是错的。
有人系统梳理了这条线的历史：从早年纯粹的使用和消费，到今天真正产出世界级的开源项目。
这不是一次事件，是一条走了很多年的曲线，中间的转折点是可以指出来的。
放在同一周的其他条目旁边看更有意思：开源模型的排行、开源 agent 平台、开放权重的语音模型——「谁在创造」这件事的答案，几年之内换了一遍。
「模型能不能改进自己」这件事，现在有了专门的基准来追踪。
同期还有一条更直接的：某个模型在自身的创建过程中发挥了关键作用。还有人做了让 agent 通过记忆文件和技能进行强化学习、实时调整权重的尝试——补的正是「标准做法里权重不变」这个缺口。
递归自我改进从口号变成了可测量的东西，这一步的意义比任何单次跑分都大。
用一个连接组把果蝇「复活」在虚拟世界里——十二万五千条真实神经连接。这是通往智能的另一条历史路径，跟今天这条完全不同。
一个 agent 组成的两院制政府上线了：自主注册、审议、投票，并控制一个共同财库。
商业模式侧：有产品彻底转成让用户自带密钥直连模型，绕开了中间的计费层。这种模式对上游意味着什么，值得单独想一想。
主讲当期备课笔记的分类整理，共 8 个类别、99 条链接。类别、顺序和笔记里的批注保持原样，链接标题取自原文页面。
宏观趋势、战略判断与关键事件。聚焦"为什么重要"而非"发生了什么"
底层技术动态：算力芯片、分布式训练、推理优化、存储网络架构与成本效率
LLM最新进展：新模型发布、架构创新、上下文扩展、后训练优化、开源vs闭源生态。
跨模态理解与生成：视觉-语言、视频生成、语音交互、认知可控生成、原生多模态架构
AI与物理世界交互：机器人基础模型、自动驾驶、空间智能、动力学感知、Sim2Real迁移
如世界模型，机器视觉模型等
数据燃料：合成数据、数据清洗、长上下文工程、RAG、知识图谱、领域数据集
可控性与透明度：RLHF/RLAIF、语义可控性、幻觉抑制、可解释性、隐私保护、AI对齐
能力衡量标尺：新基准测试、认知属性评估、评测集污染、人类对齐评估、模型排名
C端与B端产品落地：生产力工具、内容创作、搜索重构、企业SaaS、垂直方案、商业模式验证
AI驱动科研突破：药物发现、材料科学、气象预测、数学证明、科学计算融合
界面范式迁移：对话式UI、生成式界面、自适应界面、多模态交互设计
真实场景机器人部署：杂乱场景操作、零售物流自动化、家庭服务、工业制造
工程化基础设施：模型标准、API协议、提示词框架、MLOps/LLMOps、开源协同标准
自主智能体架构：规划推理（ReAct/CoT）、记忆机制、工具使用、多Agent协作
Agent可调用的外部能力与接口：MCP协议、Skills技能库、工具生态（搜索/计算/数据库/API）、函数调用（Function Calling）标准、工具链集成方案。关注Agent与外部世界的交互手段
专业开发者工具：代码生成、重构、调试、代码审查、架构设计辅助
低门槛应用构建：无代码/低代码工具、Text-to-App、可视化编程、非技术人员创作民主化
人才与组织变革：研究团队动向、人才流动、AI原生组织、人机协作模式，以及新涌现的高亮组织（Highlighted Organizations）与个体专家（Individual Experts）
教育资源：顶级课程、动手实验、开源教程、认证体系、学习路径
早期信号探测：小众论文突破、跨学科融合、边缘技术交叉、反常数据趋势
可落地的实践指南：技术问题解决、模型调优、Prompt模板、性能优化、实战教程