Harness Engineering Paper Collection
https://academy.dair.ai/papers/collections/harness-engineering 这份文档是 DAIR.AI Academy 的 Harness Engineering 论文合集，梳理了从 GPT-2 的简单采样循环到 2026 年可自我改写的 harness 演进历史。主要包括：V0 基础循环（few-shot、CoT）、静态 harness（工具调用、ReAct、Reflexion、Voyager 技能库、MemGPT 内存管理、递归语言模型）、让 harness 学习（DSPy、GEPA、Darwin Godel Machine、Meta-Harness、Continual Harness）、2026 年发布的 Prime Agent 与 OpenJarvis，以及衡量长任务能力的论文。核心观点：同一模型权重在不同 harness 下基准分数差异巨大，harness 本身是重要的优化对象。
The Math Needed for AI Inference Engineering
https://x.com/TheVixhal/article/2097008871231672595 本文系统梳理了AI推理工程所需的数学知识，涵盖浮点数精度与舍入、量化原理、矩阵乘法成本、性能建模（如Roofline模型）、Transformer推理中的KV缓存和批处理、采样概率与解码，以及基准测试中的统计方法。作者强调从成本视角理解数学，并提供了从基础概念到实战测量的学习路线，指出推理领域更注重字节数与延迟的估算而非传统数学。适合工程师快速建立知识框架。
How We Built Safety Into Muse
https://research.meta.ai/blog/security-and-safety-for-ai-agents-our-approach-with-muse 本文介绍Meta个人AI代理Muse的安全设计：每个用户拥有独立云虚拟机，代理运行在隔离容器中；凭据存储于独立服务，模型只能使用替代令牌；所有外部操作和网络流量由Sentinel审批，支持用户随时人工确认。系统针对提示注入采用模型训练、数据标记、独立分类器等多层防御，并保护浏览器登录和支付（单次卡号）。Meta还开放最高30万美元漏洞赏金，并计划推出Confidential VM，加密防止Meta自身访问用户数据。