📄 Daily Digest

Agent Learning Daily Digest #40 — 2026-06-09

原始数据：271 unique items (95 GitHub + 85 HN + 46 arXiv + Reddit)，仅 3 个 FETCH ERROR（GitHub 403 rate limit）。HN Algolia 补充 coding agent / Claude Code / agent LLM 关键词查询。

今日高信号

1. Headroom：LLM 上下文压缩利器（⭐ 18.8k）

GitHub Trending 第一。将 tool 输出、日志、文件、RAG chunks 压缩 60-95% 后再送入 LLM，答案质量不变。提供 library、proxy、MCP server 三种接入方式。对 vibe coding agent 项目的 token 成本优化有直接参考价值。

2. CodeGraph：预索引代码知识图谱（⭐ 44.8k）

为 Claude Code、Codex、Gemini、Cursor、OpenCode、AntiGravity、Kiro、Hermes Agent 提供本地预索引的代码知识图谱。大幅减少 token 消耗和 tool call 次数。核心思路是将代码结构预先索引为图谱，agent 只需查询图谱而非反复读取源文件。

3. Lathe：用 LLM 学习新领域，而非跳过它（HN 377 points）

HN 本周爆款。不是让 AI 替你完成工作，而是让你通过 AI 深入理解一个新领域。理念与 Claude Code 的 "See-Act-Correct" 三阶段模型高度契合。

4. Harness Engineering：OpenAI 官方长文（HN 295 points）

OpenAI 发布的 Harness Engineering 长文，阐述在 agent-first 世界中如何利用 Codex。讨论 agent harness（技能、工具、工作流）的工程方法论。与 Hermes 的 skill 系统理念高度一致。

5. Jane Street：用 Claude Code 设计，超越 Figma（HN 307 points）

Jane Street 技术博客，作者分享已从 Figma 切换到 Claude Code 做设计。实际案例展示了 AI 辅助设计工作流的成熟度。对 agent 项目 UI 原型制作有启发。

6. MalSkillBench：首个恶意 Agent Skill 基准（arXiv）

第一个 runtime-verified 的恶意 agent skill 基准。3,944 个恶意 skill，覆盖 108 个攻击类型。发现代码注入验证率 94.5%，prompt 注入仅 75.8%。对 coding agent 安全有直接指导意义。

7. Socratic-SWE：自进化 Coding Agent（arXiv）

闭环自进化框架：复用 agent 自身失败轨迹生成训练任务。三轮迭代后在 SWE-bench Verified 上达到 50.40%。核心贡献是将任务分布与 agent 弱点对齐，而非随机生成。

8. RHO：回顾性 Harness 优化（arXiv）

仅用历史轨迹自监督优化 agent harness（skill + tool + workflow），无需标注数据。单轮优化将 SWE-Bench Pro 从 59% 提升到 78%。对 Hermes 的 skill 迭代机制有参考价值。

9. ECC：Agent Harness 性能优化系统（⭐ 211k）

为 Claude Code、Codex、OpenCode、Cursor 等提供 skill、instinct、memory、security 优化。GitHub 星标数极高的 agent harness 生态项目。

10. Perplexity 研究：AI Agent 重塑知识工作（arXiv）

基于 Perplexity 搜索与计算机产品的生产数据。Computer 模式每会话自主工作 26 分钟 vs Search 模式 33 秒；任务完成时间从 269 分钟降至 36 分钟（87% 缩短）；用户开始尝试更高阶、跨职能的复合任务。

11. Miasma Worm 再次攻击微软：AI Coding Agent 供应链安全

Miasma 蠕虫通过 GitHub 仓库注入恶意配置攻击 AI coding agent，导致 72+ 仓库被禁用。包括 Azure Functions 在内的微软项目受到影响。对 agent 安全防护有警示意义。

12. Declarative Skills 论文：自然语言 Skill 文件的实证研究（arXiv）

对比 declarative agent（skill file + LLM 自主决策）vs imperative state machine vs 无脚手架基线。发现检索质量是关键瓶颈；在高质量检索下，declarative skill 在流程任务上持续提升准确率。直接验证了 Hermes skill 系统的设计方向。

观察清单