AGENTS.md 完整指南：越小越好
A complete guide to AGENTS.md 这篇指南把 AGENTS.md 定义成系统提示之下、代码之上的仓库配置层，并警告它会因“模型做错→再加一条”膨胀成泥球。作者借用 instruction budget：前沿模型大约稳定遵循 150–200 条指令，且该文件每次请求都整份加载。建议根文件只留一句话项目描述、包管理器和非常规构建命令，其余用渐进披露拆到 TYPESCRIPT.md、测试文档或子目录 AGENTS.md。不要用初始化脚本自动生成，也不要写易过期的文件路径。Claude Code 读的是 CLAUDE.md，可用符号链接对齐。核心原则：理想的 AGENTS.md 小、尖、指向别处。
前沿模型训练方法
frontier model training methodologies 本文梳理前沿模型训练全流程，涵盖架构选择（GQA/RoPE/MoE等）、稳定性技术（logit softcapping等）、优化器与数据配比、多阶段预训练、中训与后训练（SFT/偏好优化/RLVR）、安全评估及基础设施常见问题，强调以强基线做快速可靠消融并优先保障数据质量与训练稳定性。
Linear 拆解 Linear Agent 的提示、工具与 Harness 设计
How we built Linear Agent 讲解 Linear Agent 背后的 prompt、工具集与 harness 设计。文章从「优秀软件通常追求行为一致性」出发，讨论在为 Agent 设计时如何平衡确定性与灵活性
两则方法论
怎样在 agent 加速下继续思考
How to keep thinking Sean Goedecke 2026 年的工程日常：schema 对不对、测试描述是否真发生过、新实现好不好，都要在扫读 LLM 输出后几秒内裁决。他不建议放慢去细嚼这些文字，因为公司给了“快十倍”按钮，不用就会被同侪卷过；但他担心自己的心智被推向“扫和判”，远离能产生新想法的 hammock time。他的对策很具体：必须用自己的句子写，读稠密非虚构，并把读书笔记写下来——因为想法是在落笔时才被构造出来的。这是一篇承认加速不可逆、又拒绝把思考外包的工作方法。
要教 Agent，你得先懂架构
O’Reilly Radar 为了把架构知识教给 agent，你必须自己先理解架构。“看情况（it depends）”之所以是最面向未来的回答，正因为它建立在对架构权衡的深刻理解之上，而非死记答案。这把“教 agent”与“人自身的理解深度”绑定在一起。意义在于：在 agent 接管越来越多执行的时代，人类专家的价值越来越体现为“可被传递的判断与权衡”，而非具体编码。