📄 Daily Digest

Agent Learning Daily Digest #38 — 2026-06-07

📊 原料：250 条（GitHub 98 / HN Algolia 73 / arXiv 35 / GitHub Trending 30 / Reddit 14 / HN RSS 2 FETCH ERROR）。采集质量优秀，仅 5 个 FETCH ERROR（HN RSS 502 × 2、GitHub 403 × 2、arXiv 429 × 1）。

今日高信号

1. Boxes.dev — 云端 Coding Agent 运行平台（HN 103 分）

在云端运行 Claude Code / Codex，无需 localhost。HN 当日最高分项目（103 pts），说明社区对"云端 agent 开发环境"的需求强烈。→ boxes.dev

2. Miasma Worm — 通过 GitHub Repos 注入 AI Coding Agent 配置

6 月 3 日 Miasma 蠕虫通过在 GitHub 仓库中植入恶意配置文件攻击 5 个开发者工具（Claude Code / Gemini CLI / Cursor / VS Code / npm），利用 SessionStart hooks 自动执行 4.3 MB payload，影响 120+ 仓库包括 Microsoft 的 durabletask。这是 coding agent 安全的标志性事件。→ SafeDep 分析

3. Nerfguard — 有意削弱 Coding Agent 以节省成本（HN 26 分）

构建分类器将 coding 任务路由到最低成本模型和推理深度，实现 ~3× 成本节省。核心洞察：不是所有任务都需要最强模型。与 Coding Agent 成本优化 直接相关。→ HN 讨论

4. Bad MCP Design Costs Your Agent 5x More Tokens（HN 11 分）

对比两个功能相同的 MCP Server：差的工具设计（返回数据不完整导致额外轮次、raw API dump 膨胀 context、47 个 vs 压缩后的 14 个工具）导致输入 token 消耗从 637K 飙升到 3.17M。MCP 设计质量直接影响 agent 成本。→ HN 讨论

5. claudectl — Claude Code Swarm 编排器（⭐ 176）

Rust 编写的 CLI 工具，用本地 LLM "大脑" 自动批准/拒绝工具调用，并随时间学习用户偏好。支持多会话编排（依赖排序）、健康监控（认知衰减、成本飙升、错误循环）和"蜂群思维"知识共享。→ GitHub

6. GSD Pi — 元提示 + Context Engineering + Spec-Driven 开发系统（⭐ 510）

本地优先的 coding agent，用于规划、实现、验证和追踪项目工作。将项目拆分为 milestones → slices → tasks，配备 worktree-aware Git 自动化、本地项目记忆和多 provider 模型路由。→ GitHub

7. Harness — Agent 团队架构工厂（⭐ 6.3k）

Meta-skill 自动生成 agent 定义（.claude/agents/）和 skills（.claude/skills/）。提供 6 种预定义团队架构模式：Pipeline / Fan-out-Fan-in / Expert Pool / Producer-Reviewer / Supervisor / Hierarchical Delegation。→ GitHub

8. Dawn — LangGraph 的 Next.js 式元框架（⭐ 84）

文件系统路由定义 LangGraph agent 和 workflow，自动生成 langgraph.json 部署包。包含本地 dev server、端到端 TypeScript 类型生成和部署前验证。LangGraph 开发体验的重要提升。→ GitHub

9. Sandfence — macOS 原生 Sandbox for Claude/Codex

用 macOS Seatbelt (sandbox-exec) 将 Claude Code / Codex 限制在当前仓库目录，防止意外操作。轻量方案，无额外依赖。→ GitHub

10. Microskill Architecture — 模块化 Skill-Driven AI 代码生成（arXiv）

提出 MicroSkill Architecture：受微服务启发的模块化设计范式，解决 LLM context window 中全量注入文档导致的中间信息丢失、token 成本膨胀和架构漂移问题。→ arXiv 2606.05720

11. ADK Arena — Agent Development Kit 评估基准（arXiv）

提出 "LLM-as-a-Developer" 方法论：用 LLM coding agent 学习各框架 API，编写 agent 代码，通过 validate-and-feedback 循环迭代修复。直接评估 LangGraph / CrewAI / OpenAI Agents SDK 等框架本身的质量。→ arXiv 2606.05548

12. LLM Agent Performance Is a Distributed Systems Problem

将 LLM agent 性能建模为分布式系统问题：token 数学（TTFT + output tokens × time/token）、10 分钟文件搜索瓶颈、分块并行化、streaming、队列和并发限制。→ FixBugs Blog

观察清单