Periodic Labs 的 Liam Fedus 与 Ekin Dogus Cubuk 提出"合成超级智能"（synthesis superintelligence）路线，主张以物理实验为环境的强化学习推动材料发现，而非单纯扩大互联网数据训练。他们讨论让每台实验仪器具备"140 IQ"、用 AI 做材料表征、结合 DFT 与高通量实验室，并认为失败实验可能是最有价值的训练数据。
Sam Newman 在新书《Building Resilient Distributed Systems》中提出分布式系统三原则：信息传输需要时间、资源可能离线、资源终会耗尽，并指出多数故障源于资源池耗尽。他认为微服务应被视作"最后手段"，其核心是独立可部署与业务边界清晰，同时强调可观测性及根据业务场景决定 fail open 还是 fail closed。该书于 10 月 7 日出版。
在纽约 LDX3 工程领导力大会的主题演讲中，演讲者基于走访 OpenAI、Anthropic 及 Ramp、Uber 等公司并获取 GitHub、Factory AI、Linear 未公开数据，梳理了 2026 年科技行业趋势。
Cockroach Labs 联合创始人兼 CTO、GIMP 原始作者 Peter Mattis 在播客中回顾从开源到 Google 再到创办数据库公司的经历，并讨论如何让系统在大规模下保持快速、可靠与正确。
Rails 创始人 David Heinemeier Hansson 在 Rails World 主题演讲中宣布，至少在 37signals，专业工作中手写代码的时代已经结束。这一表态引发“手写代码之死”的新一轮争论，讨论该转变是否已不可逆转。
GitHub Next 的 staff research engineer Maggie Appleton 在 Pragmatic Engineer 播客中分享设计工程实践：她用名为 jigs 的交互原型（带滑块和取色器）实时调整 AI 生成的设计，并已停止查看工作中由 AI 生成的 PR 代码，改为撰写详细 spec 让智能体自行验证。
GitHub Podcast 最新一期拆解了五个 AI 热门观点：AI 生成的代码仍需阅读，但审查力度应按风险分级；Skills 与 MCP 解决不同问题，前者是打包的专家经验，后者是智能体连接工具与数据的标准；RAG 并未消亡，检索能让模型更接近答案、减少 token 浪费。节目还讨论了企业招聘看重的是使用 AI 的判断力，以及微调需求往往暴露的是代码库可维护性问题。
Addy Osmani 提出"Agentic Skill Decay"概念：智能体可跳过写代码、调试、读他人代码等大量练习，导致代码产出速度快于工程师的判断力。他认为好的智能体工作依赖深厚领域专长与应用判断力，建议新手先形成假设再提示、多问"为什么"、读 diff、预测失败点，并主动让智能体边做边讲解以保留学习机会。
Addy Osmani 认为，软件工厂是围绕软件工作的可重复循环，但可交付的代码仍需人类品味与责任归属。
Addy Osmani 提出，智能体每天产生数十万乃至上百万次改动，逐行人工代码审查已无法扩展，质量检查应更多放在智能体周围的 harness、环境和操作系统中。
针对 @cellier_ 提出的通用 Agent 吃掉垂直 Agent、开放吃掉封闭、下沉吃掉傲慢三个判断，宝玉补充了自己的六点看法：通用 Agent 赛道本身也会是少数赢家通吃。
Addy Osmani 提出"软件工厂"由 loop、harness、factory 三层构成：loop 是单个智能体重复执行任务的最小单元，harness 是围绕 loop 的沙箱、工具、记忆与完成判定，factory 则是多个 harnessed loop 并行、经队列供料并汇入同一道 review gate。
Addy Osmani 在 AI Engineer World's Fair 2026 闭幕演讲中提出，工程师必须掌控智能体系统的"外循环"，即对 AI 产出的问责权。
JetBrains 用 Claude Code 在 SkillsBench 的 86 个真实编程任务上测试 Caveman Skill，强制每次回复生效，约 240 次计费试验共花约 106 美元，输出 Token 从约 59.2 万降到 54.2 万，实际节省 8.5%，远低于宣传的 65%。