Follow 深度日报：AI 进入数学科研、Agent 自测与治理控制面

2026年8月2日（周日） · 覆盖窗口：2026-08-01 08:00 – 2026-08-02 08:00 (CST)
来源：Obsidian Follow List active 项；OpenAI News RSS、Simon Willison Weblog、LangChain Blog RSS、Google Developers AI 页面、GitHub Changelog RSS、Hugging Face Blog RSS、Interconnects RSS、Anthropic News 页面。未使用 Folo CLI，未发布私密 cookie/token，未绕过 CAPTCHA。

总览

今天主线：AI 从“能做事”转向“怎样参与复杂组织”

窗口内最强信号不是单个 agent 新功能，而是三类复杂组织场景同时出现：OpenAI 把模型用于长期停滞的数学问题，Simon/Datasette 把 agent 自测做进应用构建流程，Greg Brockman 的 Slack 观察提醒 AI 介入协作会触碰人际关系边界。技术能力、工作流治理和社会接受度开始绑定在一起。

OpenAI 发布十项数学与理论计算进展

OpenAI RSS 发布“Ten advances in mathematics and theoretical computer science”，称其在几何、密码学、复杂性等长期问题上取得进展，并提供 GitHub Lean 4 形式化仓库与论文。正文页本轮触发 Cloudflare challenge，报告采用 RSS、Simon 可公开摘录与 GitHub 仓库可见信息，不把未读取正文当作事实。

Simon 继续把 agent 工程落到可运行项目

Simon 在 8 月 1 日发布 datasette-apps 0.2a0，新增 app_debug 与 app_list，让 Datasette Agent 可以枚举可编辑应用并用 sandbox iframe 执行 JavaScript 做 smoke test。它和前一天 Stateless MCP 的脉络一致：agent 能力要被限制在可检查、可审计、可复测的工具边界内。

协作边界成为 AI 产品问题

Simon 转述 Greg Brockman 的观点：OpenAI 内部有人把 ChatGPT 接到 Slack，但同事通常不喜欢被别人的 ChatGPT 直接请求帮忙。这条不是技术发布，却很关键，说明 agent 代人沟通不只是权限问题，还会改变“谁在请求谁”的社会含义。

LangChain 和 Google 继续补 agent 控制面

LangChain 窗口附近发布 ReviewBench 与 LangSmith LLM Gateway，分别处理 code review agent 评测和运行时治理；Google Developers 7 月 31 日的 agent/model evaluations GA 与 Genkit Go Agent Skills 虽已在昨日提到，但今天仍是理解平台趋势的重要背景。

供应链安全线索低调但重要

GitHub Changelog 宣布限制 npm bypass-2FA granular access tokens：敏感账号、组织和包管理操作需要交互式 2FA，后续还会限制直接发布。对自动化发布和 agent 执行环境来说，这意味着“方便的 token”正在被收窄，OIDC/trusted publishing 会更重要。

核心主题

一、数学科研代理：OpenAI 把模型推向长期开放问题

Research / Frontier ModelsOpenAI News RSS · 2026-08-01 00:00 UTC · Ten advances in mathematics and theoretical computer science

OpenAI RSS 称其分享了数学和理论计算机科学长期开放问题的新结果，范围包括几何、密码学和复杂性。Simon Willison 的公开摘录补充了一个更具体的说法：OpenAI 使用内部下一代模型 Astra 处理十个至少十年没有主结果进展的问题，并提供 openai/ten-proofs 的 Lean 4 形式化、论文和 reasoning walkthrough PDF。

这条新闻值得和近期 Anthropic 用 Claude/Mythos 做密码学弱点发现放在一起看。前沿实验室正在把模型从“帮研究者写代码/查文献”推进到“参与产生数学证明或安全发现”的层级；但同样重要的是验证材料是否足够透明，例如问题选择、失败样本、提示词、推理轨迹、形式化证明覆盖范围和人类审查流程。

为什么值得看：这会影响 AI 研究工具的叙事上限：如果模型能在严肃数学上稳定贡献，科研工作流会从辅助生产力工具转向人机协作系统。对投资和产品判断来说，重点不是标题有多大，而是可验证性、成本、复现和人类专家审查能否制度化。

后续行动：下载并审阅 openai/ten-proofs 仓库与论文，建立一份“AI 科研结果可信度检查表”：问题来源、模型预算、失败基线、Lean 覆盖、人类贡献边界、是否公开 prompts、是否有第三方复核。

二、Agent 自测：Datasette 把“看不见的浏览器测试”做成工具

AI Engineering / Agent ToolsSimon Willison · 2026-08-01 21:23 UTC · datasette-apps 0.2a0

Simon 发布 datasette-apps 0.2a0，重点是改善由 Datasette Agent 创建和编辑的应用。两个新增工具很有代表性：app_list 让 agent 能列出用户有权限编辑的 app，app_debug 则把应用放到不可见、不可交互的 sandbox iframe 里，并执行 agent 提供的 JavaScript 来做 smoke test。

这意味着 agent 不只是“生成文件”，还可以在受控浏览器上下文里验证页面是否真的工作，甚至测量元素尺寸等 UI 事实。它依赖前一天 datasette-agent 0.4a0 引入的 context.browser_task 机制，和 Stateless MCP 主线一样，都在把 agent 能力收束成小而明确的工具调用。

为什么值得看：这正中 agent 工程痛点：生成代码容易，确认它能运行、能显示、能被编辑才难。把浏览器检查作为工具暴露给 agent，比让 agent 猜测页面状态更可靠，也更适合积累回归测试。

后续行动：把 OpenClaw/Sites 类前端交付也加入“浏览器自测最小集”：打开页面、检查主容器非空、检查关键文本可见、检查移动端布局、记录截图和 DOM 度量。

三、人机协作边界：ChatGPT 接 Slack 不等于可以替人打扰同事

AI Product / CollaborationGreg Brockman via Simon Willison · 2026-08-01 22:29 UTC · A quote from Greg Brockman

Simon 收录 Greg Brockman 关于 OpenAI 内部 ChatGPT 接 Slack 的观察：即使同事愿意帮另一个真人完成同样的工作，他们通常也不喜欢被“某人的 ChatGPT”直接联系。Greg 的结论是，人们重视彼此帮助的关系，希望 AI 返还或增强人的时间，而不是变成隔在人与人之间的新层。

这条线索对 enterprise agent 很现实。很多产品会自然走向“让 agent 自动问人、催人、收集信息”，但一旦 agent 代表人发起协作请求，就从工具执行进入组织礼仪、责任归属和信任边界。AI 可以减少摩擦，也可能制造新的情绪成本。

为什么值得看：未来办公 agent 的失败点很可能不是模型不够强，而是越过人际边界。谁发起请求、谁负责承诺、谁可以拒绝、是否需要人工确认，会成为产品设计和企业规则的一部分。

后续行动：为内部 agent 设计一条协作规则：默认先把待询问内容回填给主人确认；只有低风险、已授权、可撤回的场景才允许 agent 直接发消息；所有外发请求必须标明代表关系和责任人。

四、Agent 评测与网关治理：从“模型调用”走向运行时控制面

LangChain / Google / Agent OpsLangChain Blog、Google Developers · 2026-07-31 · ReviewBench；LangSmith LLM Gateway；Gemini Enterprise Agent Platform evaluations GA

LangChain 的 ReviewBench 用真实 PR feedback 来评估 code review agents，目标是判断 agent 是否能发现可信 reviewer 会指出的问题。LangSmith LLM Gateway 则把 spend limits、PII redaction、trace continuity 等运行时治理能力放进 agent 生命周期。Google 同期宣布 Gemini Enterprise Agent Platform 的 agent/model evaluations GA，支持预置指标、自适应 rubrics、自定义 code-based 和 LLM-as-a-judge metrics，并集成 SDK、agents-cli 和 ADK。

这些更新共同说明，agent 平台的核心竞争不再只是“能接多少模型”，而是能否持续评估、限制预算、保护敏感信息、复盘轨迹和进入 CI。真正能被企业采用的 agent，需要一个像 DevOps/LLMOps 一样的控制面。

为什么值得看：Follow List 里 Hamel、Shreya、Simon、LangChain、Google 线索都在指向同一件事：评测不是发布前的一次打分，而是 agent 生命周期里的常驻系统。

后续行动：把当前日报抓取流程也纳入轻量 eval：来源覆盖率、重复链接率、不可验证项标注率、公开性检查、摘要事实可追溯率，每天输出一小段机器可读检查结果。

五、供应链自动化收紧：npm bypass-2FA token 不能再做敏感管理

GitHub / Supply Chain SecurityGitHub Changelog · 2026-07-31 16:45 UTC · Restricting npm bypass-2FA granular access tokens

GitHub 宣布，配置为绕过 2FA 的 npm granular access tokens 不能再执行敏感账号、组织和包管理操作，这些操作现在需要交互式 2FA challenge。受影响操作包括创建/删除 token、修改包访问权限和维护者、管理组织/团队成员与授权等；GitHub 还预告 2027 年 1 月将进一步限制这类 token 的直接发布能力。

这条不是 AI 专属新闻，但对 agent 自动化很关键。越来越多 coding agent 会参与 release、package publish、CI/CD 和依赖维护，如果流程依赖高权限静态 token，未来会越来越难通过安全审计。OIDC trusted publishing、staged publishing、最小权限和人工确认会成为默认路线。

为什么值得看：Agent 能力越强，凭证边界越重要。企业不应该为了让 agent 少问一句，就给它长期可复用的敏感发布 token。

后续行动：检查常用 npm/GitHub 发布流程：列出静态 token、权限范围、是否绕过 2FA、是否能迁移到 trusted publishing 或 staged publishing；把 agent 可触发的发布动作放入人工确认队列。

重要更新

OpenAI：RSS 发布数学与理论计算机科学十项进展，公开链接指向 OpenAI 正文、GitHub Lean 4 形式化仓库和论文材料；正文页本轮未直接读取。
Simon Willison：评论 OpenAI 数学结果，把它放到 Anthropic 近期密码学发现与 Terence Tao “big mathematics”语境中，并明确希望看到 prompts 等更多透明材料。
Simon / Datasette：datasette-apps 0.2a0 增加 app_debug 和 app_list，支持 agent 在 sandbox iframe 中执行 JavaScript 做应用自测。
Greg Brockman：提出 ChatGPT 接 Slack 后的协作边界问题：AI 不应成为隔开人与人的一层。
LangChain：ReviewBench 用真实 PR feedback 评估 code review agents；LangSmith LLM Gateway 强调预算、PII、trace continuity 等运行时治理。
Google：Gemini Enterprise Agent Platform 评测能力 GA；Genkit Go Agent Skills 提供渐进式披露的技能加载路径。
GitHub / npm：bypass-2FA granular access tokens 被限制执行敏感管理操作，供应链自动化需要转向更强的交互式和 OIDC 机制。

人物 / 机构动态

OpenAI：今天从治理/企业采用转到科研能力展示，Astra、GPT-5.6 成本口径、Lean 4 形式化共同构成“模型参与严肃科学”的叙事。
Simon Willison：仍是最高信号工程源。他一边追踪前沿实验室发布，一边把 Datasette Agent、MCP、浏览器自测做成可运行工具。
Greg Brockman：这次不是产品发布，而是组织使用 ChatGPT 的一条真实产品洞察，值得纳入 agent UX 设计原则。
LangChain：继续押注 agent 控制面：评测、gateway、trace、预算和治理都在向平台级能力收敛。
Google Gemini：Agent Platform evaluation GA 与 Genkit Go Agent Skills 显示 Google 也在把 agent 构建从 demo 迁移到工程化平台。
Anthropic：News 页面本窗口内没有稳定新增高优先级条目；近期 Claude Opus 5 与 Claude Code 线索仍作为背景。
Hugging Face / Interconnects：RSS 窗口内没有 8 月 1 日新主文；开放模型和安全事件继续作为昨日 DeepSeek/OpenAI 数学线索的背景。

值得跟进项目

AI 科研可信度检查表：围绕 OpenAI ten-proofs 建一个审阅模板，记录形式化证明、论文、失败样本、专家复核和提示透明度。
前端 agent 自测工具：参考 datasette-apps app_debug，为本地 HTML/Sites 工作流做“打开页面、执行 JS、截图、测量元素”的最小工具链。
Agent 外发消息政策：制定 Slack/飞书/邮件场景下的默认人工确认规则，区分提醒、询问、承诺、审批四类动作。
日报流程 eval：为这套 Follow Daily 增加机器可读指标，尤其是来源覆盖、重复过滤、公开链接、待验证标记和旧路径检查。
发布凭证清单：盘点 npm/GitHub/Pages 发布相关 token，优先迁移静态高权限 token 到 OIDC/trusted publishing。

待验证信息

OpenAI 数学进展正文页本轮触发 Cloudflare challenge；已采用 RSS、Simon 摘录、GitHub 仓库链接和公开论文链接作为依据，细节仍需后续从正文或论文复核。
OpenAI “Astra”模型、每题成本、问题选择和失败样本等细节来自 Simon 对公开材料的摘录与评论，正式判断应以 OpenAI 论文和第三方数学专家复核为准。
X/Twitter 公开页面和搜索结果本轮没有稳定可核验的新内容；报告未把不可打开的社媒片段纳入核心事实。
Google Developers 两条 7 月 31 日 agent 更新位于上一窗口边界附近，昨日已覆盖，今天作为平台趋势背景保留，不算 8 月 1 日新增。
LangChain 7 月 31 日条目也属于上一窗口边界附近，但与今天的 agent 自测/治理主线高度相关，因此作为延续背景引用。

低优先级噪音

Simon 8 月 1 日数学条目中的 Hacker News 与社交讨论热度没有纳入事实依据，只作为发现入口。
Hugging Face Blog 窗口内无 8 月 1 日新博客；7 月 30 日 GPU 管理文章与今日 agent 主线关联较弱，暂不展开。
Interconnects 最新 RSS 主文仍是 7 月 22 日开放模型 recap；对 DeepSeek/Kimi/Qwen 背景有用，但不构成今日新更新。
Anthropic News 页面本轮未发现 8 月 1 日新增公开条目；不重复展开 Claude Opus 5 与旧研究发布。