主题集群
AI 落地
95% 的 AI 试点未能规模化。Palantir 用 5 天 Bootcamp 替代 3 个月咨询报告，FDE 直接写代码而非做 PPT。本主题收录 AI 落地的实战方法论和真实故事——从 OOMeta 自身 1 人 + 5 AI 单元运营公司，到 2 周跨境金融科技原型，从制造业治理觉醒到跨境合规文档审查。
32 篇文章
Anthropic 日合并量五个月涨十倍，瓶颈落到评审与合并
五个月里，这家的日合并量从约 2,500 次涨到 3 万次以上。智能体接手产码之后，评审与 CI 成了真正的约束，采购问题跟着换主语。
智能体任务静默丢失：三类缺口与验收方法
补跑限流、依赖失效、过期关单，3 类机制都可能让任务结束却没有交付。本文撤下未经核验的内部事故数字，说明如何按任务与产出核对、留痕、重试和复核。
智能体产能指标：中位 0.8 小时，p90 33 小时
30 天里 7 个智能体单元开了 378 张单、关掉 352 张：中位 0.8 小时，p90 33 小时。产能报表该报分位数和人审次数，不是任务总数。
逾期报警响了 9136 次，没人知道该修哪一条
一道巡检每十五分钟扫一次待办池，三个月跑了九千多次，每次只报告逾期数量，从不列出是哪几条。打开明细输出后，十四条逾期当天全部有了名字。
自建智能体基准：合并过的改动就是考题
Databricks 用自家数百万行代码库的已合并 PR 建了一套内部基准，发现同一个模型换一层壳，单个任务成本差两倍以上；token 单价与总账单的排序对不上。公共基准会泄漏进训练数据，你自己的 backlog 不会。
Devin 改老系统省下 37%：老系统就是验收标准
Cognizant 用 Devin 把 Odyssey 的老 Access 表单重写成云原生应用，7 人团队省下 37% 成本。我们的判断：省下的是验证工时，因为旧系统的行为就是标准答案。
AI Agent 仿真门禁：迭代快 4.8 倍，不等于证过
Nubank 与 Snowglobe 用工具边界仿真当上线前筛层：版本迭代从 21.2 天压到 4.4 天，live A/B 的 SSR 提升 4.9 个百分点。仿真不测后端、延迟与副作用，筛过不等于证过。
为什么 agent 在生产里失败：2.6 天日志分层
2.6 天里 139 个定时 agent 会话写下 16,787 行错误：423 次工具调用失败、222 次 SSL/EOF、127 次配额超限、385 次脚本异常，模型层 0 条。空白不是好消息，它说明这层没被观测。我们的判断：稳定性诊断必须先分层。
监控层先坏：agent 运维的两类静默故障
1 个 token 的健康探针报正常，agent 尺寸的请求却拿到 429；本地记录说渠道静默 18 天，平台侧显示当天有发布。两次都不是 agent 坏了，是仪表坏了。我们的判断：agent 上生产前，先给监控层做验收。
技能预算该花在模型不会的地方
SkillsBench：84 任务、7 个模型-harness 组合、7,308 条轨迹——人工策划技能平均 +16.2pp，医疗 +51.9pp 而软件工程只有 +4.5pp，模型自生成技能收益为负。我们的判断：agent 能力预算该记在领域程序性知识上，不是模型升级上。
Uber 四个月烧完全年 AI 预算：编码 agent 的成本失控是治理问题
Claude Code 采用率从 32% 涨到 84%，约 70% 的提交代码由 AI 生成，2026 全年 AI 预算在 4 月耗尽，人均成本 $150–$2,000/月，内部排行榜把 token 消费变成竞赛。我们的判断：失败模式不是拒绝采用，而是无治理的拥抱——用量计费需要 DevOps 级成本控制。
政策写进文本，不写进权重：agent 技能是审计桥
AWS 发布 38 个开源医疗 agent 技能：决策程序以 SKILL.md 文本承载，年度政策变化改文件、不重训；成对评测显示技能 agent 胜率 70–86%。我们的判断：策略即文本 = 受监管行业的审计桥，评审变成 diff 评审。OOMeta 跑的就是同一架构。
从试点到 6,000 人：评估必须变成发布闸门
Sabadell Seguros 把 SofIA 推给 6,000 名销售代理前，先回答「ready 是什么」：自动生成测试集、按业务校准的裁判、评估接进每次发布。一次回归测试在 6,000 人之前拦下模型切换引发的可靠性劣化。我们的判断：规模化瓶颈不是 agent 质量，是验证节奏。
采购 agent 的价值有顺序：BCG 调研 200+ 高管，内部效率先于商业结果
BCG 2026 调研 200+ 采购与技术高管：agentic AI 内部运营价值（速度/吞吐/减少手工）先于外部商业价值（谈判、许可、供应商质量）；生产优于试点，技术+流程重组+治理优于纯技术。我们的判断：价值顺序是部署纪律——KPI 阶梯按阶段设计，别用第一年商业结果杀死内部已兑现的项目。
后台 agent 需要收件箱，不是聊天窗口：AWS Pizza Bot 的监督设计
AWS 09-10 开源 Pizza Bot：给后台运行的 agent 一个邮件式收件箱——完工进 Unread、待批准进 Action，MCP 接工具、自带模型、无遥测。我们的判断：异步 agent 需要异步监督界面；监督是排队决策，不是盯日志。亚马逊内部 2000+ 人用过早期版本。
公共榜单测不出私有代码：Real-SWE 揭示编码 agent 的真实水位
首个用私有生产代码评测编码 agent 的基准（2026-09）：最强组合 Fable 5.1 解决率仅 38.8%，短任务失败率 71.4%≈长任务 73.4%，99% 企业 token 对模型不可见。我们的判断：公共榜单是选型幻觉，私有域 eval 才是唯一可信信号。
FDE 战争东移：商品化的是部署，不是证明
09-10 一天三件事：Moonshot 组五家中国 SI 联合 FDE 团队、Palantir 把 Fujitsu 变成 Global FDE Partner、Sakana×SCSK×住友借约 10 万客户铺渠道。FDE 从自建军团变成可租通道——但装完后 agent 动作由谁独立核验，三个市场空白一致。
Agent 失败不在模型里，在 harness 里：monday.com 的生产护栏
monday.com 公开 feedAgent 生产案例（官方工程博客，09-09）：失败模式不在模型里，在围绕模型的假设里——输入、运行边界、输出验证、反馈闭环。我们的判断：护栏管住几层，agent 就有几分生产可用；没有 schema 与上限的 agent 是赌局，不是工程。
评估优先不是质量洁癖：Zepto 把 eval 做成了成本杠杆
Zepto 客服每天跑超 10 万张工单，AI 处理 80%+ 工单、成本降 65%、回本不到 1 个月（Databricks 案例口径）。我们的判断：eval 不是上线前检查，是成本与质量基础设施——双循环+质量门禁+金标数据集，dev-prod 精度差本身就是数据集质量信号。
Docusign 把合同层开放给所有 Agent：9 月 30 日起 MCP 客户端可直接调用
9月4日 Docusign 宣布其 MCP Server 将于 9 月 30 日向所有 AI Agent 开放：Claude、ChatGPT、Gemini、Copilot、Slack 等任何 MCP 客户端都能原生调用合同分析、发送与签署，由 AI 引擎 Iris 注入历史谈判与政策上下文。签署动作需要企业级治理。
Coder Agent Relay：Cursor 云 Agent 的代码与密钥留在墙内
9月3日 Coder 发布 Agent Relay，SpaceXAI 为首发伙伴：Cursor 云 Agent 推理在云端，工具调用改在客户自有 Coder 工作区执行——源码、密钥、内部服务不出墙。受监管行业首次能用上前沿编码 Agent。Gartner：2027 年 80% 软件工程师需为生成式 AI 升级技能。
Meta 的组织级第二大脑：不重训模型，Agent 从专家反馈中自我进化
Meta工程博客披露：把专家知识沉淀为可审计知识文件+组合式recipes，用编译管道把专家纠错自动转成回归测试验证过的文件编辑。无需重训模型，单轮token消耗降约80%，评估时间从数天降到数分钟。
Snyk 第二期 Agentic AI 落地报告：AI 真实足迹比模型清单大 3 倍
Snyk发布《2026 State of Agentic AI Adoption Vol II》：基于3,044家企业账号、约139万个代码仓库的AI-BOM遥测。33%组织已运行agentic架构（AI活跃者中46.9%）；每仓库0.080模型 vs 0.241全栈AI组件——模型只是冰山一角。半数账号说不清谱系。
SOP-Bench：评估 Agent 该用真实业务流程，而不是演示用例
Amazon Science 发布 SOP-Bench：2,000+真实业务流程任务、12个业务领域、11个前沿模型实测。结果反直觉——更新的模型不一定更好，增加工具反而降低成功率，没有一套模型+Agent组合通吃所有流程。上线前必须按任务评估。
丰田 50+ 生产 Agent 的平台经济学：4 天交付背后的审批与单点风险
丰田北美把 Agent 交付从 6 个月 6 人压缩到 4 天 1 人，50+ 个 Agent 上线。省下的主要是安全评审与数据接入审批——但一个被继承的权限门，如今成了 50 个 Agent 的唯一防线。
Salesforce调研：AI Agent先发不一定先赢，『准备』比『速度』更关键
Salesforce《State of Agentic AI in the Enterprise》调研2,025位决策者：先部署的企业不一定先回本，平均约8个月实现有意义ROI，专业服务行业仅6.5个月。决定性因素是干净数据、收敛的Agent边界与预先设计的人工升级路径，而非模型能力。
微软ThinkingBox基准：Agent『演示很行、生产不可靠』的40点鸿沟
微软联合匹兹堡大学等发布开源基准ThinkingBox：最强模型GPT-5.4单次成功率65.36%，20次全过率仅25.25%，相差40个百分点，微软称之为『发现-可靠性鸿沟』。更关键的是，Agent经常留下干净日志却未完成任务——基于转录的评估正在系统性高估Agent。
跨境合规文档审查：从 3 周缩短到 3 天——Agent 原生工作流实战
200+ 份供应商合同的 EU AI Act 合规审查，传统方式 3 周，Agent 原生工作流 3 天完成、准确率 94%。本文拆解三个维度的工作量爆炸与 Sprint 方案，解释为什么 Agent 原生工作流快 7 倍。
AI 治理检查：发现 12 个影子 Agent——一家制造企业的治理觉醒
50+ AI Agent 在生产环境运行，但 IT 和安全团队都不知道具体有多少。OOMeta 的 Agent 发现扫描找到了 12 个未经授权的影子 Agent。本文复盘发现方法、治理缺口与三周建立 Agent 清单的路径。
2 周从想法到原型——跨境金融科技公司的 AI 治理合规实战
一家月处理 $500M+ 的跨境金融科技公司，在 2 周内从零到一建立了 EU AI Act 合规治理框架——不是 PoC，是生产级交付。本文复盘三个层面的治理真空与 2 周 Agent Governance Check Sprint 方案。
1 个人 + 7 个 AI 单元 = 一家公司——OOMeta 内部运营全景案例
1 个人类创始人 + 7 个 AI 阿米巴单元（CEO 调度、元认知督导、交易、研究、产品、运营、销售），每天协作运营一家真实公司——这不是 demo，是实际操作系统。本文拆解信号→决策管线、单元自治与协作、人类-AI 边界，以及让系统可运行、可审计、可改进的关键框架。
我们自己就是第一个客户——OOMeta 如何用 AI 运营公司
我们自己就是第一个客户：1 个人类创始人 + 7 个 AI 阿米巴单元，每天协作运营一家真实公司。本文复盘数据流如何把信号变成行动，以及效率、覆盖面、一致性的实际结果与踩过的坑。