Anthropic 于 2026 年 10 月 13 日发布的工程博客披露，其核心单一代码库（monorepo）在五个月内由 git 迁移至自研版本控制系统 Scion：日均合并量由 5 月的约 2,500 次增至 9 月的 3 万次以上，浅克隆、稀疏检出、promisor 远程与内部镜像等既有缓解手段相继失效。Scion 据此确立六条设计原则，以变更集（changeset）为基本工作单元并递归计算派生数据，构建三层读路径与只表达所需的拉取协商；官方实测显示 status 耗时由 3.9 秒降至 19 毫秒。

将大语言模型用于结构化判定任务时，生成式输出会带来额外的解析成本。本文依据 Unsloth 官方文档与基准数据，梳理决策模型的机制要点：模型不生成文本，而是通过附加的决策头（decision head）读取各问题与选项位置上的表示，直接给出选项概率分布，单次前向即可回答多个问题。文中同时整理官方基准在准确率、显存占用与训练时长上的结果，概率校准（calibration）与模型持久化的接口，推理、评测与部署环节的工程约束，并说明该方案的适用范围与 GPU 依赖等限制。

阿里巴巴 MAI Team 与 Alibaba Token Hub 发布 Qwen-Planner-Agent 技术报告（arXiv:2609.29892），提出数据生产、训练与运行时支撑衔接的闭环 AI-for-AI 框架。训练以冷启动加在线强化学习为主，CARE 按组能力调整奖励，Harness 管理技能、记忆与执行反馈。报告称系统在自研 MobilePA-Bench 上取得 77.05% 的 Overall 分数，CARE 在精度相当时减少 32.5% 输出 token；对比成绩为报告自报，未见第三方复现。

以 coding agent 或规格驱动开发完成一轮开发后，仓库常沉积阶段标记、过程叙事与一次性报告，其与设计理由、协议约束等持久工程知识混杂，误删代价高于噪声留存。既有工具多基于引用图分析，diff 作用域的 AI slop 清理工具则以删除为主。RepoMeld 以审计与应用间的阶段屏障约束改动顺序，按语义边界分片，以 L0-L5 风险分级限定自动范围，迁移持久工程知识，注释补写列为一等动作，默认保留未完成 TODO，以独立上下文验证 diff，不绑定运行时。其范围限于元数据、注释、文档与非运行时产物，效果取决于宿主模型能力。

工程约束要生效，先要能被编码 Agent 正确消费。本文沿载体、协作与本地化三条线整理可执行做法。载体侧梳理 AGENTS.md 的就近优先规则与各编码工具的加载与注入机制，给出按对象区分的行数上限与写、不写的判据，并论证流程说明应避免 ASCII 字符图，改用拍平后语义仍可唯一还原的结构。协作侧以 Anthropic 的 token 倍数、子代理的上下文与描述告警、Cognition 的反方观点为坐标，给出结论进主对话、证据留在子代理的审查协议。本地化侧给出把工程原则转化为项目规则的提示词流程与验收方式。

本文考察以决策式模型替代生成式输出的重排序（rerank）思路，并在 TREC Deep Learning Track 2019 与 2020 段落数据上开展本地评测：一条路线使用 Qwen3.5-4B，以期望等级打分并经控制标签读取选项概率；另一条使用 Laya 的决策头。Qwen 在两套数据上均优于原始排序，而 Laya 各配置的改善有限；思维链与成对复核带来的边际收益很小，三问评分存在明显的概率单调性违例，批处理虽提升吞吐却伴随数值不一致。所有结果均为单次测量，结论仅适用于文中描述的实验条件。

Agent 运行时的多数判断，如路由、重试、证据是否支持某个结论，都能表达成一条 if，而生成式模型的输出需要软件再解析回结构化取值。SemIf 是独立开发者用冻结开放小模型复现 Jev 接口模式的开源项目，不采样答案 token，一次前向直接读取已声明选项的 logits。作者在单张 RTX 3090 上测得，21 个二元判断直接读取耗时 1.023 秒，自回归生成紧凑 JSON 数组耗时 5.332 秒；102 行可对齐子集的一致率为 0.845，官方数字为 0.883。

给模型一句模糊目标就动手，产出的代码通常与真实意图错位；先写 spec 再执行，也可能以最快速度实现无人需要的功能。两类失败的成因都是目标没有在动手之前对齐。本文把“对话-计划-分条-执行”整理为一条对齐路线：对话阶段用追问与反向访谈问出真实约束，计划阶段写定验收标准与执行顺序，分条阶段按依赖与接口切分，执行阶段交给模型自主循环。本文结合 Lost in the Middle、context rot、GitClear、DORA 等公开数据，说明对齐为何要发生在上下文预算最充裕的时候，并给出失效方式与不划算条件。

大语言模型对“不要 X”一类否定约束的遵循并不稳定，这类写法还会把被禁内容本身送进上下文；副词与套话则是机器文风里可指认的两类迹象。把模糊要求改写成可核验的具体约束，是两条线索共同的做法，指令层用正向表述、替代方案与可判定指标替换否定，文风层用一份成文的中文规范逐条约束。本文整理否定指令的失效机制与改写方法、副词与套话的证据边界，并以一份长期维护的中文文风提示词为样本，拆解其规则骨架与维护方式。文中的机制解释属工程观察与简化模型，证据边界处在原处标注，效果需以对比测试验收。

企业知识库的检索需求可以拆成四件事：资料能不能找全，关键内容能不能排到前面，答案能不能指回原文，不同权限的人看到的内容能不能严格分开。前半部分记录检索基座原型的设计与评测方法，链路覆盖查询理解与检索规划、多路召回、RRF 融合、可选重排、逐路权限校验与引用式回答，并给出四组对照与指标清单；后半部分分析公开项目 Uveriq 的架构，包括原始源、规范知识与派生投影三层数据模型、FAST/AUTO/DEEP 三档路由，以及引用与源文件的回溯链路。混合检索部分列出 RRF 与线性融合各有胜负的公开证据与适用条件。