让 AI 做数据分析的正确方式：把自然语言问题编译成可复跑的分析 DAG
以“每周指标异常分析”为例，本文给出一个 AI Native 数据分析工作流：Agent 负责澄清意图、生成 AnalysisSpec 和解释候选；确定性执行器负责 SQL、Notebook 与质量检查；数据 owner 负责定义、结论和发布审批。
Tag
#reproducibility
别让研究 Agent 用一句“已复现”结案：把论文计算 Claim 做成可验证目标
基于 Paper-replication 的 target-level workflow，本文给出一条 AI Native 论文复现流程：从论文主张拆分、方法重建、运行溯源、claim-specific 验收，到报告覆盖检查与人工发布门，避免把生成了相似图表误判为复现成功。
PRO-LONG 给长期 Agent 的启示：别先摘要历史，先把轨迹变成可编程证据
解读 PRO-LONG 的 programmatic memory：对每次观察、动作和结果做结构化追加，再让 coding agent 用 grep/Python 按需查询。本文拆解它为何在 ARC-AGI-3 上有效、哪些结论不能直接外推，并给出面向研究与研发 Agent 的日志协议、查询预算、验证闭环和一周实验方案。
定时 Agent 的记忆不是历史聊天：用任务账本、检查点和只读恢复避免重复与陈旧行动
面向研究、运营与研发自动化的 Agent Memory 设计：把短期上下文、可验证任务账本、可恢复检查点和可遗忘知识分开管理。本文给出状态机、数据模型、写入门槛、SOP、评测与回滚方案，解决定时 Agent 重复执行、误把旧结论当事实和失败后无法安全续跑的问题。
研究型 Agent 应该先产出规格，而不是直接替你做实验
两篇 2026 年科学工作流与人机协作研究给出同一个工程信号：AI Native 研究工作流的核心不是让 Agent 自主写完实验，而是把自然语言问题转成可验证规格、确定性 DAG、人审 gate、运行证据和失败回滚。本文拆解一套一周内可试跑的研究工作流 harness。