这周帮其他团队电话面试了几个应聘垂直业务 agent 研发的候选人，基本上我开头一个问题就能初筛掉 90% 的面试者： /goal 命令是如何实现的？ 真正做过 harness 的人才知道 goal 有多难搞：完成判断、验收标准、状态持久化、异常兜底、预算控制、上下文压缩不丢任务、缓存命中不被打乱。。。

1/ New SDKs for background computer use. Use Cua Driver from Python or TypeScript, directly inside your app. Get started: cua.ai/docs/how-to-guides/dr…

We will give one banked reset for every day you don't have access to Astra on your paid ChatGPT plan, starting today. Team is moving mountains to give access as fast as we can. First one will land in ~ 3 hours. There is still time to create your account if you don't have one.

It used to be "use TS, not JS" Now, for backend, it's "use Effect, not just TS" Took a long time for me to drop my scepticism but I 100% agree with Dillon.

A good thing about having aged is that I feel that it’s been 20 years since I’ve pressed the reset button. Intrigued to see if I can find it tomorrow and dust it up

就在几个月前，我还会告诉 AI 在哪个文件、在哪一个组件中，你应该怎么去做。而现在，我们都是通过截图，然后红框标注，告诉 AI 怎么做。 也有更多时候，我直接跟 AI 说：“有个什么文案在这里，你帮我看看，这里要改成这样这样。”

Pi 的新架构 和 Maka 告诉我们 harness 的答案早就在数据库论文里了!! Maka的核心作者很多都是 database 背景出身的。 当Pi 的 harness v2 文档出来后，Maka内部群大家直接愣了，因为它和我们在 Maka 里做的架构几乎一致： 持久化事实 → 派生运行状态 → 派生模型上下文 → 派生 UI → 崩溃后重新归约。 连 tool 的边界都一样：先写执行意图，再做副作用，再写结果： Pi: tool_started intent → execute → tool-result entry Maka: T1 toolDispatch → execute → T2 function_response Pi V2 和 Maka从各自的路径出发，最后设计出几乎一样的架构,已经说明了很多问题了。 我已经感觉到 Agent harness 这一层正在形成一些共识。 这个共识其实就是 OS 和 db 那一套——预写日志、事件溯源、可恢复的持久化操作。 所以工程没有银弹，当我们最后做了很多工作之后，发现核心原理还是软件工程的那一些内容。 github.com/apache/maka

The banked reset will be there by 8pm PST. For all paid users of ChatGPT Work and Codex. Do with this information what you may.

github.com/yetone/cumora Cumora 已开源

LLMs have a limited context window. When conversations grow too long this affects output quality, performance and cost. New blog post from Earendil engineer @vegardstikbakke on how compaction addresses this and how we’ve implemented it in Pi. Read the full post below