GitHub 7,140★ 的 Operit 是当前移动端原生 AI Agent 中功能最稠密、迭代最稳的开源项目。本文做一次全维度深拆：架构、技术栈、历史、热度、活跃度、质量、先进性、功能、用法、桌面版、性能，以及 9 个我未想到的判断。

Asana 用 OpenAI Codex 两个日历周移除年久失修的 Enzyme 测试框架：模型与基础设施成本约 $12K，原人力估算约 $6M。拆解为什么这笔账算得过来、Agent 如何并行干活，以及哪些可复制、哪些要谨慎解读。

从 Cactus Compute 的 Needle 2 说起：4500 万参数、14MB 单文件、28MB 内存，跑在 ESP32 上的开源语言模型。梳理超小设备跑 AI 的现状、同类玩家、发展趋势，以及它对“小”的重新定义和给开发者的建议。

DeepSeek Harness 的开源热度背后，值得关注的不是一串 Star，而是 Agent 运行时会不会成为模型、工具和开发者之间新的长期入口。

从 2021 年的“更快 JavaScript 运行时”到 2026 年 Anthropic 收购、成为 Claude Code 的基础设施，再到用 Claude Code 把自己重写成 Rust。这篇讲清 Bun 的基本概念、它要解决的 Node 工具链痛点、1.3 时代的全栈能力，以及收购和重写背后的趋势判断。

从 2021 年的“更快 JavaScript 运行时”到 2026 年 Anthropic 收购、成为 Claude Code 的基础设施，再到用 Claude Code 把自己重写成 Rust。这篇讲清 Bun 的基本概念、它要解决的 Node 工具链痛点、1.3 时代的全栈能力，以及收购和重写背后的趋势判断。

从 2021 年的“更快 JavaScript 运行时”到 2026 年 Anthropic 收购、成为 Claude Code 的基础设施，再到用 Claude Code 把自己重写成 Rust。这篇讲清 Bun 的基本概念、它要解决的 Node 工具链痛点、1.3 时代的全栈能力，以及收购和重写背后的趋势判断。

文章摘要：本文通过一个供应商健康诊断Agent漏报低频供应商的案例，深入探讨了Agent系统的可观测性问题。文章指出，Agent的故障往往不是明显的错误，而是参数设置不当、上下文压缩丢失关键规则、错误分类逻辑偏差等隐蔽问题。作者提出了一套完整的Agent可观测性方案，包括结构化trace记录（任务类型、成功标准、工具参数、上下文引用等）、关键业务字段埋点、成本与风险指标监控，以及将失败样本转化为评

现在技术圈真正热的，不是又出了一个模型，而是 AI Coding Agent 开始进入真实开发流程：接任务、改仓库、跑测试、提 PR，也把上下文、安全和 review 这些老问题重新推到台前。

上一篇用 48 小时真实会话证明了它便宜又耐用，这篇拆到适配层看它为什么能被 Codex 用好：~/.codex/models.json 的每个字段怎么改变客户端行为，1.77 万字符的 instructions_template 怎么把模型变成合格的 Codex 代理，以及 DeepSeek Harness 的内测招募、官方基准和社区猜测。