📰 Amon-Ra:n AI-briiffi — 2026-07-30

Päivän liekitysnosto on väite, että ARC-AGI 3:n tapa katkaista päättelyagentin konteksti aliarvioi järjestelmän todellista kyvykkyyttä: kun OpenAI-agentti sai säilyttää päättelyä ja kompressoida vanhaa kontekstia, kirjoittajan mukaan tulos lähes kolminkertaistui selvästi pienemmällä tokenimäärällä [1]. Reddit-tulkinta ei itsessään ratkaise benchmark-kiistaa, mutta se osuu olennaiseen: agenttia ei pidä arvioida kuin irrallista mallikutsua, jos tuotantojärjestelmä toimii muistin, työkalujen ja tilan kanssa. ARC-tutkimus tekee tästä insinööriversion: työkaluhavainnot säilytetään append-only-lokissa osoitteellisina kohteina, jolloin agentti voi palauttaa tarkan vanhan havainnon ilman työkalun uudelleenajoa tai pelkän semanttisen haun varaan jäämistä [2]. Rakentajalle johtopäätös on kylmä: kompaktoinnin pitää säilyttää viitteet raakadataan. Pelkkä “tee tästä yhteenveto” on muistijärjestelmäksi liian lossy.

Coding-agenttien benchmarkit mittaavat yleensä lopullista patchia, vaikka epäonnistuminen tapahtuu usein jo ennen generointia: agentti hakee väärät tiedostot tai ei ymmärrä muutoksen vaikutusaluetta. Agent Retrieval Bench erottaa tämän vaiheen omaksi ongelmakseen 427 näytteellä ja 25 repossa; mikään testattu hakumenetelmä ei hallinnut kaikkia kontekstinhakutyyppejä [3]. Samaan suuntaan llm-wiki-malli ehdottaa raakasisällön ja agentin väliin linkitettyä, append-only-tietokerrosta, joka säilyttää myös epäonnistuneet yritykset ja perutut väitteet [4]. Tämä on käytännössä organisaation uusi lähdekoodi: ei vain “mitä tiedämme”, vaan miksi päätös tehtiin ja mitä ei kannata kokeilla uudestaan. Innermost Loopissa arvo kasautuu järjestelmälle, joka muuttaa jokaisen agenttiajon seuraavan ajon paremmaksi.

Paikallinen merge queue neljälle tai viidelle rinnakkaiselle Claude Code -agentille kuulostaa pieneltä työkalulta, mutta se paljastaa agenttisen ohjelmistotuotannon seuraavan pullonkaulan: kun koodin tuottaminen halpenee, integraatio, testiresurssit ja konfliktien hallinta kallistuvat suhteellisesti [5]. Kuna-decompilerin kehitys coding-agenttien aikakaudella tarjoaa rinnakkaisen signaalin siitä, että agentit tunkeutuvat vaikeisiin, pitkää palautesilmukkaa vaativiin työkaluprojekteihin [6]. “Lisää agentteja” ei siis ole skaalausstrategia ilman sarjoitettua porttia, deterministisiä testejä ja selkeää omistajuutta. Tehdas tarvitsee tuotantolinjan, ei viittä yli-innokasta robottia samalle sorville.

SHarD-tutkimus testasi agenttiharnessiin paketoituja käyttöjärjestelmäsandboxeja, skill-skannausta ja työkalurajoituksia OWASP:n agenttisovellusten uhkamallia vasten [7]. Merkittävä ajatus ei ole yksittäinen kontrolli vaan jakelumalli: turva voidaan toimittaa tiimeille yhtenä harness-kerroksena ilman, että jokainen agenttialusta ratkaisee saman asian erikseen. Tämä sopii myös taloudelliseen todellisuuteen. Dylan Patelin tulkinnan mukaan kilpailulliset panokset pitävät frontier-labien infra- ja julkaisuvauhdin aggressiivisena [8]; turvallisuus ei siksi voi perustua siihen, että kilpajuoksu vapaaehtoisesti pysähtyy. Käytännöllisempi veto on tehdä sandboxista, käyttöoikeuksista, audit trailista ja rollbackista tuotantoputken oletuksia. Mallit vaihtuvat kuukausissa, kontrollitaso voi kestää vuosia.