Linear 撰文談產品靈魂：agent 分散產出正在稀釋產品個性
Linear 官方部落格發布文章《Someone Behind the Software》，主張好產品會帶著創造者的經驗、關注點與判斷，而當下不少產品正退化成功能的堆砌。文章認為根源在於新增新能力遠比重新思考既有能力容易，當每個人各自帶著 agent 獨立產出改動，合在一起就更像弗蘭肯斯坦的怪物，而非被精心雕琢的雕塑。作者希望做軟體變簡單後省下的空間，能被用來形成並堅持一套產品觀點，而不是讓產品變成所有輸出的平均值。
原標題：Someone Behind the Software
閱讀原文
| 評分 | 50 / 45（平均 47，門檻 76） |
|---|---|
| 狀態 | 未入選 |
相關報導
博文：個人軟體工廠浪費時間，不如直接用 AI 做產品
一篇 2026 年 10 月 18 日的博文主張，個人自建軟體工廠是浪費時間，除非是為了工作。作者認為非開發者已用 AI 做出不少東西，與其造工廠，不如直接在聊天框裡描述需求做產品，並去了解 Grok Bot、Claude 這類工具如何運作；AI 寫應用仍會遇到溝通錯位、做錯東西的挫敗。若一定要建，工作場景最現實：熟悉系統、人和多年遺留程式碼，能讓產品經理與設計師低摩擦地發布功能。
為什麼 coding agent 依然很笨：模型在進步，agent 卻拖後腿
一位開發者認為 AI 程式設計的瓶頸是 agent 而不是模型：模型生成程式碼的能力持續提升，agent 卻停在原地。他區分了模型（GPT Astra、Claude Sonnet、GLM-5.3）與 agent（Claude Code、Codex），並列舉四類問題：OpenCode 把約 1.5k 行的改動拆成 10 個子任務卻逐個序列執行；agent 不會按任務難度切換更便宜或更強的模型；Claude Code 說不清自身功能，只能聯網搜尋；Plan 模式產出的計劃零散、難讀。
開源 agent-eval 工具包發布，把 AI agent 評估從憑感覺變成可重複流程
一份面向 AI agent 的評估方法與開源工具 agent-eval 發布，主張用可重複的評估流程替代憑感覺看輸出。方法以關鍵使用者旅程（CUJ）定義成功標準，每個條件都對應一個評估點，先用模擬使用者 LLM 生成正常與邊緣場景，再在單元測試、確定性指標、LLM-as-a-judge 評分與整合測試四層做檢查。
文章稱 agent 不需要記憶外掛，應改用文件式記憶
2026 年 10 月 3 日，一篇技術文章批評市面上的 agent 記憶外掛本質都是 RAG：把會話切成片段存入向量庫，每次提示注入最相似的 5 條，存在相似度不等於正確、片段脫離上下文、舊記憶被當作事實、無法審計等問題。作者主張改用文件式記憶，讓 agent 工作前查閱 Markdown 文件、工作後更新，並稱已把這一思路做成外掛 Operator Memory，不使用向量資料庫和嵌入。
Agents CLI 推出擴充套件系統，支援 LangChain 等任意框架
Agents CLI 新增擴充套件系統，開發者可用 LangChain、LangGraph 或自建企業棧開發 agent，同時沿用統一的部署與評估流程，無需繫結 Agent Development Kit（ADK）。官方同步提供首個一方 LangChain 模板，可完成腳手架生成、執行與部署；平台團隊還能編寫自訂擴充套件，在部署環節強制執行 SBOM 掃描等策略。