Diverse Lab
跨学科借鉴，在 AI 时代重新打开问题
生态学、物理学与科学实验方法的结构、反馈与尺度规律，如何迁移到 Agent 系统。句子先在 Bench 筛选，多元写法过门后到这里。
AOSL：面向 AI-native 软件工程的语言与构建系统
从“教 AI 写传统代码”进一步走向“为 AI 重新设计软件描述方式”：提出结构化 DSL、统一语义 IR、编译与 Runtime 混合执行、全栈生成、验证闭环与可验证原型方案。
从需求事件到代码变更：构建 Event-driven Coding Agent Runtime
当飞书或企业微信出现验收 Bug、PRD 发生变化，Agent 如何可靠地发现事件、分析影响、修改代码、验证结果并创建 PR？从 MCP、Webhook 到任务状态机与安全闭环的架构设计。
软件工程的隐形语法：从“加一层”到“广进严出”
把间接层、分而治之、粗到精、缓存、异步、隔离、冗余、声明式、反馈闭环等放在一起，寻找设计模式背后的共同结构。
从强化学习到博弈论：Agent Runtime 正在走向复杂系统
从 RL 的反馈闭环出发，经过多智能体与博弈论，进一步思考 Agent Runtime 如何从执行层走向策略、资源分配与智能生态治理。
H-Neurons：幻觉可能藏在模型内部的稀疏神经元中
从神经元层面理解 hallucination、over-compliance 与预训练起源，并思考内部风险信号如何进入 Agent Runtime。
SimuHome：从“调用设备”到“与环境闭环”
智能家居 Agent benchmark 的一个重要转变：从判断 API 是否调用正确，到观察环境、行动、等待状态变化并验证目标状态。
符号主义 vs 联结主义：意义如何接地
符号主义说意义在符号的位置，联结主义说意义在向量的位置；两派都没解决“符号接地”。缺的都是把意义接到真实经验的那块“地”。
可解释性 × 强化学习：让“强”和“真”对得上账
RL 让模型变强、变会说谎；可解释性负责让强和真对账。SAE 与 GRPO 本质都是用对比替代绝对，共同指向 faithfulness。
从函数到生态系统：重新理解大模型与 Agent
物理学给我们规律，生态学给我们关系与反馈，科学实验告诉我们如何验证；把三种心智放在一起，可以重新理解 LLM 与 Agent。
大模型：用科学实验的方式使用
大模型调用更接近条件分布上的采样。用假设、对照、评测与反馈闭环，把 Prompt Engineering 做成可陈述的 Experiment Engineering。
物理学 × 生态学：对复杂系统的一个思考
物理学看规律，生态学看关系与反馈；综合二者，才能理解 LLM 与多 Agent 如何逼近 Complex System Engineering。