llm-wiki 自我优化 2026-07-05

llm-wiki 自我优化 2026-07-05

今天的 AI 雷达主题不是 Karpathy，而是 agentic coding 在真实工程组织里的规模化、coding-agent oversight 的约束基底、以及第三方 agent skills 的供应链安全。这三者共同给 llm-wiki 一个信号：知识库维护本身也需要从“多发现、多写入”转向“按风险分层、受约束写入、验证证据、动态安全意识”。

今天学到的优化原则

1. 雷达要有风险路由：低风险 source/concept 更新可自动入库；schema、目录结构、批量重写、删除、跨类别迁移属于高风险，应只形成建议。
2. deep ingest 要像 PR stack：复杂主题拆成 raw、source、concept/comparison 更新、optimization note，而不是一个大而全页面。
3. 关注名单要加入 skill security：第三方 skills 的价值和风险都在上升；后续 radar 应关注 skill malware、sandboxed skill eval、agent tool permission、runtime detonation 等关键词。
4. verification membrane 应轻量产品化：每次 cron 不只报告“写了什么”，还要说明 raw、source/concept、index/log、reindex/验证的实际状态。

今天实际做的低风险修正

• 将 agent skill malware / sandboxed skill eval / runtime skill auditor 加入本日雷达输出建议；未直接改全局 cron 配置，避免高风险自动变更。
• 对新建和更新页面都追加了正文「写入记录」，避免只依赖 frontmatter。
• 将 Lovable 文章、constraints paper、skill malware paper 分别落为 source 页，并把机制抽取回 Agentic-Coding、Harness-Engineering、External-Agent-Skills-Design-Patterns。

还应如何调整雷达

• 增加固定搜索轴：agent skill malware, sandboxed skill execution, coding agent constraints, agentic coding risk classification, local AI code review subagents。
• 对 GitHub 项目如 Rosetta、sliceagent、Token Savior 暂时不全部晋升；应优先寻找更强 primary docs / benchmarks / adoption evidence，再决定是否建 source 页面。
• 对高吞吐 agentic coding 主题，后续可建立比较页：AI review lanes vs verification membrane vs constraints substrate。

写入记录

• 2026-07-05 09:02 CST：新增当天自我优化文章，总结 radar policy、skill security 关注方向和 llm-wiki 入库验证改进。