Add industry collection and six-month job tracking

2026-07-08 11:25:52 +08:00
parent 1b6cc1f59a
commit 36c2499d3c
19 changed files with 550 additions and 23 deletions
@@ -11,10 +11,11 @@
 - [Architecture Patterns](docs/02-architecture-patterns.md): 常见 Agent 架构与选型判断
 - [Practice Playbook](docs/03-practice-playbook.md): 从需求到上线的实践清单
 - [Evaluation and Observability](docs/04-evaluation-observability.md): 评估体系、指标、日志和回归
- [Collection Workflow](docs/05-collection-workflow.md): JD 和论文的持续收集流程
+- [Collection Workflow](docs/05-collection-workflow.md): JD、论文和行业实践的持续收集流程
 - [Glossary](docs/99-glossary.md): 统一术语表
 - [Jobs](jobs/README.md): 北京大厂 Agent / LLM 相关岗位要求
 - [Papers](papers/README.md): Agent 相关论文、阅读队列和研究洞察
+- [Industry](industry/README.md): 大公司 Agent 工作、技术报告和工程博客
 - [Projects](projects/README.md): 项目目录、项目记录和复盘
 - [Experiments](experiments/README.md): 实验台账、假设、结果和决策
 - [References](references/README.md): 文章、开源项目、课程和产品文档
@@ -36,7 +37,8 @@
 3. 验证一个想法：用 [experiment-note](templates/experiment-note.md) 记录假设和结果。
 4. 收集一条岗位：用 [jd-note](templates/jd-note.md) 提取岗位要求和能力信号。
 5. 读一篇论文：用 [paper-note](templates/paper-note.md) 提炼可迁移结论。
-6. 有稳定结论后，把它合并到 `docs/` 的对应主题页。
+6. 看到大公司 Agent 实践：用 [industry-note](templates/industry-note.md) 提取技术和产品信号。
+7. 有稳定结论后，把它合并到 `docs/` 的对应主题页。

 ## Status Labels

@@ -14,6 +14,7 @@ Agent 知识可以按“问题层级”整理，而不是按资料来源堆放
 | 评估 | 怎么判断 Agent 是否可靠 | 测试集、指标、观测和回归 |
 | 岗位 | 市场正在要求什么 Agent 能力 | JD 笔记、技能趋势、能力缺口 |
 | 论文 | 研究里哪些方法和证据值得吸收 | 阅读队列、论文笔记、研究洞察 |
+| 行业 | 大公司正在怎么落地 Agent | 技术报告、工程博客、产品实践、公司趋势 |
 | 资料 | 外部知识如何沉淀为判断 | 文章摘要、项目阅读、课程和文档笔记 |

 ## Taxonomy
@@ -60,6 +61,7 @@ Agent 知识可以按“问题层级”整理，而不是按资料来源堆放
 - `incident`: 来自失败案例或线上问题
 - `job`: 来自岗位要求和市场信号
 - `paper`: 来自研究论文和 benchmark
+- `industry`: 来自大公司技术报告、工程博客、产品发布和代码仓库

 ## Maturity Model

@@ -1,6 +1,6 @@
 # Collection Workflow

-这个文档定义我如何帮你持续收集 JD 和论文。
+这个文档定义我如何帮你持续收集 JD、论文和大公司 Agent 实践资料。

 核心原则：先让资料稳定进入知识库，再逐步自动化；不要一开始为了自动化牺牲判断质量。

@@ -10,7 +10,7 @@

 你给我链接、截图、岗位描述、论文标题或 PDF，我负责：

- 判断它应该进入 `jobs/`、`papers/` 还是 `references/`。
+- 判断它应该进入 `jobs/`、`papers/`、`industry/` 还是 `references/`。
 - 提取结构化 metadata。
 - 建立 Markdown 笔记。
 - 打标签和关联已有知识。
@@ -21,6 +21,7 @@
 - 你平时看到的单条 JD。
 - 朋友转来的内推信息。
 - 某篇你觉得重要的论文。
+- 大公司发布的 Agent 技术报告、工程博客、产品文档或代码仓库。
 - 临时想整理的一批资料。

 ### 2. Live Web Sweep
@@ -30,10 +31,11 @@
 例子：

 ```text
-收集最近北京大厂 Agent 岗位
+收集最近 6 个月北京大厂 Agent 岗位
 找最近三个月 Agent evaluation 相关论文
 整理 DeepSeek 和腾讯的大模型应用岗位要求
 找 coding agent 方向值得读的 10 篇论文
+整理 OpenAI、Anthropic、Google DeepMind 最近的 Agent 技术报告和博客
 ```

 我会做：
@@ -42,8 +44,8 @@
 2. 在线检索：优先官方来源，其次可信平台和社区线索。
 3. 去重：按标题、公司、岗位、URL、日期或论文 DOI/arXiv ID 去重。
 4. 记录来源：每条资料都保留 `source_url` 和 `collected_at`。
-5. 结构化：生成 `jobs/items/` 或 `papers/items/` 笔记。
-6. 提炼判断：更新 `market-insights.md` 或 `paper-insights.md`。
+5. 结构化：生成 `jobs/items/`、`papers/items/` 或 `industry/items/` 笔记。
+6. 提炼判断：更新 `market-insights.md`、`paper-insights.md` 或 `industry-insights.md`。
 7. 回流知识：标记需要更新的 `docs/`、`experiments/`、`projects/`。

 ### 3. Batch Import
@@ -54,6 +56,7 @@

 - 招聘网站搜索结果。
 - arXiv 搜索结果。
+- 公司博客和技术报告链接合集。
 - 论文清单。
 - 朋友发来的岗位合集。

@@ -69,7 +72,8 @@
 - 生成搜索、筛选、时间线和标签页。
 - 定期检查 JD 是否过期。
 - 定期拉取论文搜索结果。
- 把 JD 技能和论文 topic 做关联图谱。
+- 定期检查大公司 Agent 技术博客、报告和代码发布。
+- 把 JD 技能、论文 topic 和行业实践做关联图谱。

 ## JD Collection

@@ -77,10 +81,13 @@

 默认范围：

+- time window: 滚动最近 6 个月，优先全量收集范围内岗位
 - location: 北京
 - companies: DeepSeek、腾讯、字节、阿里、百度、美团、快手、京东、小米、智谱、月之暗面
 - keywords: Agent、大模型、LLM、RAG、智能体、模型评估、AI Infra、代码智能、AI 产品

+JD 收集的主要目标是观察需求变化，而不是只抓最新岗位。每轮收集都要尽量保留快照，后续用同公司、同岗位、同能力标签的变化来判断趋势。
+
 ### Source Priority

 1. 公司官方招聘站和官方发布。
@@ -95,6 +102,7 @@
 - raw items: `jobs/items/*.md`
 - trend update: `jobs/market-insights.md`
 - taxonomy update: `jobs/skill-taxonomy.md`
+- change notes: 同类岗位在最近 6 个月内的技能、职责、级别和业务方向变化

 ### JD Extraction Focus

@@ -111,7 +119,7 @@
 ### Example Prompt

 ```text
-收集本周北京 DeepSeek、腾讯、字节的 Agent / LLM 应用岗位，优先官方来源，每家公司至少 3 条，如果官方不足再补招聘平台。
+收集最近 6 个月北京 DeepSeek、腾讯、字节的 Agent / LLM 应用岗位，优先官方来源；如果官方不足，再补招聘平台和社区线索，重点分析要求变化。
 ```

 ## Paper Collection
@@ -130,7 +138,11 @@
 - Human-in-the-loop
 - Computer use

-### Source Priority
+### Source Policy
+
+论文来源需要先确认，再进入持续收集。默认我会先提出候选来源清单，由你确认为 `approved` 后再做系统性 sweep。
+
+### Candidate Source Priority

 1. 论文原始页面、arXiv、OpenReview、ACL Anthology。
 2. 会议 proceedings。
@@ -163,14 +175,55 @@
 找最近 6 个月 Agent evaluation 方向最值得读的论文，优先有 benchmark 或代码的，整理成 reading queue。
 ```

+## Industry Collection
+
+### Scope
+
+默认收集大公司和重要 AI 团队的 Agent 工作：
+
+- frontier labs: OpenAI、Anthropic、Google DeepMind、Microsoft、Meta、Amazon、NVIDIA
+- China AI teams: DeepSeek、腾讯、字节 Seed、阿里 Qwen、百度、智谱、月之暗面
+- material types: 技术报告、研究博客、工程博客、产品文档、代码仓库、benchmark、开发者大会材料
+
+### Source Priority
+
+1. 官方技术报告、官方研究页、官方工程博客、官方产品文档。
+2. 官方 GitHub、Hugging Face、模型卡和 benchmark 页面。
+3. 官方演讲、开发者大会、发布会文字稿。
+4. 可信第三方深度分析，只作为线索或补充。
+
+### Output
+
+每轮行业资料收集输出三类东西：
+
+- raw items: `industry/items/*.md`
+- trend update: `industry/industry-insights.md`
+- watchlist update: `industry/company-watchlist.md`
+
+### Industry Extraction Focus
+
+我会重点抽取：
+
+- 公司正在把 Agent 用在哪些产品场景。
+- 公开的架构、工具使用、记忆、评估、安全和部署信号。
+- 是否有技术报告、代码、benchmark 或只是产品宣传。
+- 和论文、JD、实验、项目之间的相互印证。
+- 对我们知识库和项目规划的启发。
+
+### Example Prompt
+
+```text
+收集最近 6 个月 OpenAI、Anthropic、Google DeepMind、Microsoft 的 Agent 技术报告和工程博客，按证据强度排序。
+```
+
 ## Cross-linking

-JD 和论文必须互相打通。
+JD、论文和行业实践必须互相打通。

 一个技能或概念最好能形成这样的链路：

 ```text
-Job requirement -> Paper evidence -> Experiment validation -> Project practice -> Docs conclusion
+Job requirement -> Paper evidence -> Industry practice -> Experiment validation -> Project practice -> Docs conclusion
 ```

 例子：
@@ -179,6 +232,7 @@ Job requirement -> Paper evidence -> Experiment validation -> Project practice -
 agent-evaluation
  jobs: 哪些公司要求模型评估、Agent benchmark、线上观测
  papers: 哪些论文定义评估方法和 benchmark
+  industry: 哪些公司公开了 Agent 评估、观测或安全实践
  experiments: 我们能否复现实验或搭一个 eval harness
  projects: 哪些项目需要这套评估能力
  docs: 稳定结论沉淀到 Evaluation and Observability
@@ -193,16 +247,17 @@ agent-evaluation
 - 不确定的内容标记为 `unknown` 或 `needs verification`。
 - 过期 JD 不删除，改状态并保留原因。
 - 论文没有读完时只进入 queue，不伪装成已总结。
+- 行业资料要区分技术证据和产品宣传。

 ## Review Rhythm

 建议先用轻量节奏：

-| Rhythm | JD | Papers |
-| --- | --- | --- |
-| Weekly | 新增岗位、明显变化 | 新论文线索、阅读队列 |
-| Monthly | 市场技能趋势 | 主题研究洞察 |
-| Quarterly | 能力缺口和学习路线 | 成熟结论回流 `docs/` |
+| Rhythm | JD | Papers | Industry |
+| --- | --- | --- | --- |
+| Weekly | 最近 6 个月窗口内新增和变化 | 新论文线索、阅读队列 | 大公司新发布和技术报告 |
+| Monthly | 市场技能趋势和需求变化 | 主题研究洞察 | 公司实践趋势 |
+| Quarterly | 能力缺口和学习路线 | 成熟结论回流 `docs/` | 行业实践和项目规划复盘 |

 ## What I Need From You

@@ -212,5 +267,8 @@ agent-evaluation
 - 是否只看北京。
 - 是否看实习、校招、社招。
 - 岗位偏工程、研究、产品还是综合。
+- JD 是否只收北京，或是否包含远程/杭州/深圳等强相关岗位。
+- 论文来源名单是否已经确认。
 - 论文偏最新趋势、经典必读，还是能直接指导项目实现。
+- 行业资料优先看哪些公司和哪些产品方向。
 - 每轮希望收集多少条。
@@ -0,0 +1,35 @@
+# Industry
+
+这里持续收集大公司和重要 AI 团队的 Agent 相关工作：产品发布、技术报告、研究博客、工程博客、代码仓库、benchmark 和实践复盘。
+
+它和 `papers/` 的区别：`papers/` 关注研究证据，`industry/` 关注公司真实在做什么、怎么落地、暴露了哪些工程和产品趋势。
+
+## Structure
+
+- [items](items/README.md): 每条公司工作一个 Markdown 文件
+- [schema](schema.md): 行业资料字段和写法
+- [source-registry](source-registry.md): 官方来源和可信来源清单
+- [company-watchlist](company-watchlist.md): 重点公司和团队
+- [industry-insights](industry-insights.md): 周期性趋势总结
+
+## Collection Questions
+
+- 大公司正在把 Agent 用在哪些产品和场景？
+- 它们公开了哪些系统设计、工具调用、记忆、评估、安全和部署经验？
+- 哪些工作只是产品宣传，哪些有技术细节或可复现材料？
+- 哪些行业实践能反哺我们的项目、实验和知识文档？
+- 公司实践和 JD 要求、论文趋势之间是否互相印证？
+
+## Workflow
+
+1. 收集官方博客、技术报告、产品文档、代码仓库或演讲资料。
+2. 用 [industry-note](../templates/industry-note.md) 建立结构化笔记。
+3. 标注 company、source_type、topics、implementation_signals 和 evidence_level。
+4. 更新 [industry-insights](industry-insights.md)。
+5. 把稳定结论回流到 `docs/`、`papers/`、`jobs/`、`experiments/` 或 `projects/`。
+
+## Initial Scope
+
+- frontier labs: OpenAI、Anthropic、Google DeepMind、Microsoft、Meta、Amazon、NVIDIA
+- China AI teams: DeepSeek、腾讯、字节 Seed、阿里 Qwen、百度、智谱、月之暗面
+- product areas: coding agent、computer use、deep research、office agent、enterprise agent、agent safety、multi-agent、agent evaluation
@@ -0,0 +1,31 @@
+# Company Watchlist
+
+## Frontier Labs
+
+| Company | Focus | Priority |
+| --- | --- | --- |
+| OpenAI | Codex、computer use、deep research、agent productization、evaluation | P0 |
+| Anthropic | Claude Code、computer use、tool use、安全、enterprise agent | P0 |
+| Google DeepMind | Gemini agent、multi-agent safety、agent security、research reports | P0 |
+| Microsoft | Copilot、Agent AI、software engineering agents、enterprise agent ecosystem | P0 |
+| Meta | Llama、open models、agent frameworks、consumer AI | P1 |
+| Amazon | Alexa、AWS agent services、industrial AI applications | P1 |
+| NVIDIA | Agent systems、inference、robotics、accelerated deployment | P1 |
+
+## China AI Teams
+
+| Company / Team | Focus | Priority |
+| --- | --- | --- |
+| DeepSeek | reasoning、coding、open models、agent capabilities、infra | P0 |
+| 字节 Seed | Doubao、Seed models、agent era、world models、AI infra | P0 |
+| 阿里 Qwen | Qwen Agent、coding、multimodal agents、open models | P0 |
+| 腾讯 | 混元、元宝、企业应用、游戏和内容场景、AI Lab | P0 |
+| 百度 | 文心、搜索、智能云、Agent 应用 | P1 |
+| 智谱 | GLM、Agent 平台、企业应用 | P1 |
+| 月之暗面 | Kimi、长上下文、AI 助手 | P1 |
+
+## Review Rules
+
+- P0 每周扫一轮重大更新。
+- P1 每月扫一轮，除非出现明显热点。
+- 新公司先进入候选，连续出现高价值 Agent 信息后再提升优先级。
@@ -0,0 +1,53 @@
+# Industry Insights
+
+status: seed
+
+这个文件沉淀大公司 Agent 工作和技术报告的趋势判断。单条资料放在 `industry/items/`，这里记录跨公司的归纳。
+
+## Current Snapshot
+
+- date:
+- scope:
+- sources reviewed:
+
+## Strong Industry Signals
+
+-
+
+## Weak or Marketing-heavy Signals
+
+-
+
+## Company Patterns
+
+| Company | Agent Direction | Evidence | Notes |
+| --- | --- | --- | --- |
+| OpenAI | _TBD_ | _TBD_ | _TBD_ |
+| Anthropic | _TBD_ | _TBD_ | _TBD_ |
+| Google DeepMind | _TBD_ | _TBD_ | _TBD_ |
+| Microsoft | _TBD_ | _TBD_ | _TBD_ |
+| DeepSeek | _TBD_ | _TBD_ | _TBD_ |
+| 腾讯 | _TBD_ | _TBD_ | _TBD_ |
+| 字节 Seed | _TBD_ | _TBD_ | _TBD_ |
+| 阿里 Qwen | _TBD_ | _TBD_ | _TBD_ |
+
+## Implementation Patterns
+
+- tool use:
+- memory:
+- evaluation:
+- safety:
+- deployment:
+- productization:
+
+## Follow-up Queue
+
+-
+
+## Links Back to Knowledge Base
+
+- docs to update:
+- papers to read:
+- jobs to compare:
+- experiments to create:
+- projects affected:
@@ -0,0 +1,17 @@
+# Industry Items
+
+每条公司工作一个文件，文件名建议：
+
+```text
+YYYY-MM-DD-company-short-title.md
+```
+
+例子：
+
+```text
+2026-07-08-openai-agents-transforming-work.md
+2026-07-08-google-deepmind-agent-security.md
+2026-07-08-qwen-agentworld.md
+```
+
+如果同一公司连续发布多个相关材料，优先拆成多条 item，再在 `industry-insights.md` 中做汇总。不要把多个来源混成一条笔记，否则后续很难追踪证据。
@@ -0,0 +1,105 @@
+# Industry Schema
+
+行业资料笔记使用 YAML frontmatter 加正文。
+
+## Frontmatter
+
+```yaml
+---
+type: industry
+company:
+team:
+title:
+url:
+source_name:
+source_type: technical-report / research-blog / engineering-blog / product-blog / product-doc / code-release / benchmark / talk / other
+source_quality: official / official-adjacent / secondary / unknown
+published_at:
+collected_at: YYYY-MM-DD
+status: queued / summarized / analyzed / deprecated
+topics:
+  - agent
+implementation_signals:
+  - tool-use
+product_area:
+  - coding-agent
+models:
+  -
+tools:
+  -
+benchmarks:
+  -
+related_papers:
+  -
+related_jobs:
+  -
+related_experiments:
+  -
+related_projects:
+  -
+evidence_level: high / medium / low
+relevance: high / medium / low
+---
+```
+
+## Body
+
+```text
+# <company> - <title>
+
+## One-line Takeaway
+
+一句话说明这条资料暴露了什么行业趋势或工程经验。
+
+## Source Snapshot
+
+来源、发布日期、采集日期、来源质量。
+
+## What They Built or Claimed
+
+公司发布了什么产品、系统、能力、报告或代码？
+
+## Technical Signals
+
+- architecture:
+- tool use:
+- memory:
+- evaluation:
+- safety:
+- deployment:
+- data:
+
+## Product and Business Signals
+
+- users:
+- scenario:
+- pricing / availability:
+- go-to-market:
+
+## Evidence Quality
+
+判断它是强证据还是弱信号。是否有论文、技术报告、benchmark、代码或只是营销描述？
+
+## Links
+
+- papers:
+- jobs:
+- experiments:
+- projects:
+- docs:
+
+## Gaps for Us
+
+-
+
+## Notes
+
+-
+```
+
+## Field Rules
+
+- `url` 和 `collected_at` 必填。
+- 优先官方来源；二手来源只能作为线索。
+- `evidence_level` 和 `source_quality` 必须分开：官方产品博客也可能证据很弱。
+- 技术细节不足时标记为 `low`，不要强行推断实现。
@@ -0,0 +1,67 @@
+# Industry Source Registry
+
+这个文件记录大公司 Agent 工作、技术报告和工程博客的来源。
+
+## Source Priority
+
+| Priority | Source Type | Use |
+| --- | --- | --- |
+| 1 | 官方研究页、官方博客、官方技术报告、官方文档 | 直接整理 |
+| 2 | 官方 GitHub、Hugging Face、模型卡、benchmark 页面 | 直接整理，但注意版本 |
+| 3 | 官方会议演讲、开发者大会、产品发布页 | 可整理，标注产品宣传成分 |
+| 4 | 可信媒体访谈、第三方深度分析 | 作为线索或补充，不单独形成强结论 |
+
+## Candidate Official Sources
+
+这些来源可作为第一批候选。后续每次收集前可以按主题取子集。
+
+| Company / Team | Source | URL | Notes |
+| --- | --- | --- | --- |
+| OpenAI | Research | https://openai.com/research/ | 研究论文、系统报告、agent 相关研究 |
+| OpenAI | News / Index | https://openai.com/index/ | 产品、经济研究、发布博客 |
+| Anthropic | Research | https://www.anthropic.com/research | 研究报告和安全材料 |
+| Anthropic | News | https://www.anthropic.com/news | 产品发布、computer use、Claude 相关工作 |
+| Google DeepMind | Blog | https://deepmind.google/blog/ | agent、安全、多 Agent、Gemini 相关博客 |
+| Google DeepMind | Publications | https://deepmind.google/research/publications/ | 论文和技术报告索引 |
+| Google Research | Blog | https://research.google/blog/ | 研究博客和系统实践 |
+| Microsoft Research | Blog | https://www.microsoft.com/en-us/research/blog/ | Agent、安全、软件工程和研究博客 |
+| Microsoft Research | Agent AI project | https://www.microsoft.com/en-us/research/project/agent-ai/ | Agent 项目页 |
+| Meta AI | Blog | https://ai.meta.com/blog/ | Llama、agents、产品和研究发布 |
+| Amazon Science | Home | https://www.amazon.science/ | 工业研究和应用论文 |
+| NVIDIA Research | Home | https://research.nvidia.com/ | Agent、模型、系统研究 |
+| NVIDIA Technical Blog | Blog | https://developer.nvidia.com/blog/ | 工程博客、部署和加速实践 |
+| DeepSeek | Home / News | https://www.deepseek.com/ | 官方入口和岗位入口 |
+| DeepSeek | GitHub | https://github.com/deepseek-ai | 模型、报告和代码发布 |
+| ByteDance Seed | Home | https://seed.bytedance.com/en/ | Seed 团队入口 |
+| ByteDance Seed | Research | https://seed.bytedance.com/en/research | 研究和技术发布 |
+| ByteDance Seed | GitHub | https://github.com/ByteDance-Seed | 代码和项目发布 |
+| Qwen | Blog | https://qwen.ai/blog | Qwen 模型、Agent 和技术博客 |
+| Qwen | Hugging Face | https://huggingface.co/Qwen | 模型卡、发布和代码入口 |
+| Alibaba Cloud | Blog | https://www.alibabacloud.com/blog | 阿里云工程博客和产品实践 |
+| Tencent AI Lab | Home | https://ai.tencent.com/ailab/ | 腾讯 AI Lab 研究入口 |
+| Baidu Research | Home | https://research.baidu.com/ | 百度研究入口 |
+
+## Collection Queries
+
+```text
+site:openai.com/index agent technical report
+site:anthropic.com/news computer use agent
+site:deepmind.google/blog agent safety multi-agent
+site:microsoft.com/en-us/research/blog agent evaluation
+site:qwen.ai/blog agent coding
+site:seed.bytedance.com/en agent LLM
+site:github.com/deepseek-ai agent
+site:ai.tencent.com/ailab agent large language model
+```
+
+## Collection Cadence
+
+- weekly: 新发布、重大产品或技术报告
+- monthly: 公司实践趋势和技术信号
+- quarterly: 行业实践和论文/JD/项目之间的交叉分析
+
+## Quality Notes
+
+- 产品博客通常能说明方向，但不一定能说明实现。
+- 技术报告、代码和 benchmark 的证据强度更高。
+- 公司公开信息天然带宣传倾向，需要和论文、代码、实际产品体验或 JD 互相校验。
@@ -30,6 +30,16 @@

 ## Initial Scope

+- time window: 滚动最近 6 个月，优先全量收集范围内岗位
 - location: 北京优先
 - companies: DeepSeek、腾讯、字节、阿里、百度、美团、快手、京东、小米、商汤、智谱、月之暗面等
 - role keywords: Agent、LLM、AIGC、大模型应用、RAG、AI Infra、模型评估、智能体、代码智能、AI 产品
+
+## Primary Goal
+
+JD 收集的主要目标是观察岗位需求变化：
+
+- 同一公司是否从研究转向产品落地。
+- 同一岗位是否开始要求评估、数据飞轮、Agent 工程化或部署能力。
+- Agent 相关词汇是否从加分项变成硬性要求。
+- 北京岗位和其他城市岗位是否体现不同团队布局。
@@ -7,10 +7,16 @@ status: seed
 ## Current Snapshot

 - date:
- scope: 北京，大厂 Agent / LLM 相关岗位
+- scope: 北京，大厂 Agent / LLM 相关岗位，滚动最近 6 个月
 - sample size:
 - source mix:

+## Requirement Changes
+
+| Period | Signal | Companies | Evidence | Notes |
+| --- | --- | --- | --- | --- |
+| _TBD_ | _TBD_ | _TBD_ | _TBD_ | _TBD_ |
+
 ## High-frequency Skills

 | Skill | Count | Companies | Notes |
@@ -15,6 +15,11 @@ source_name:
 source_quality: official / job-board / social / secondary / unknown
 collected_at: YYYY-MM-DD
 posted_at:
+first_seen_at:
+last_checked_at:
+snapshot_type: new / changed / unchanged / expired
+job_code:
+previous_snapshot:
 status: active / expired / unknown
 level:
 team:
@@ -48,6 +53,16 @@ relevance: high / medium / low

 来源、采集日期、是否北京岗位、是否仍可访问。

+## Change Snapshot
+
+用于记录最近 6 个月窗口内的变化：
+
+- first_seen_at:
+- last_checked_at:
+- snapshot_type:
+- previous_snapshot:
+- changed_fields:
+
 ## Raw JD Summary

 用自己的话概括岗位职责、任职要求和加分项。不要无选择地复制长段原文。
@@ -91,6 +106,8 @@ relevance: high / medium / low

 - `source_url` 必填，除非来源是用户直接提供的截图或文本。
 - `collected_at` 必填，因为 JD 是强时效资料。
+- `first_seen_at` 和 `last_checked_at` 用于追踪近 6 个月需求变化。
+- `snapshot_type=changed` 时必须写 `previous_snapshot` 或在正文说明变化依据。
 - `skills` 使用 [skill-taxonomy](skill-taxonomy.md) 中的标签，新增标签要同步补充说明。
 - `Raw JD Summary` 只做摘要和结构化提取，避免长篇搬运。
 - `Extracted Signals` 是最重要部分：它把 JD 从资料变成判断。
@@ -2,6 +2,8 @@

 这个文件记录 JD 收集来源、优先级和搜索策略。

+默认收集窗口是滚动最近 6 个月。每次收集要尽量保留岗位快照，用于观察需求变化。
+
 ## Source Priority

 | Priority | Source Type | Use |
@@ -54,7 +56,8 @@ DeepSeek 大模型 应用 工程师 北京

 ## Collection Cadence

- weekly: 新增岗位和明显变化
+- initial backfill: 补齐最近 6 个月范围内的目标公司岗位
+- weekly: 检查窗口内新增岗位、下线岗位和描述变化
 - monthly: 高频技能、公司差异和知识缺口汇总
 - quarterly: 判断哪些能力已经从加分项变成基础要求

@@ -62,10 +65,10 @@ DeepSeek 大模型 应用 工程师 北京

 当你让我收集 JD 时，我会：

-1. 先确认范围：城市、公司、关键词、时间窗口。
+1. 默认使用最近 6 个月窗口；必要时再确认城市、公司和关键词。
 2. 优先查官方来源，再补充招聘平台和社区线索。
 3. 为每条岗位创建 `jobs/items/` 笔记。
-4. 抽取技能、业务方向、隐含能力和知识缺口。
+4. 抽取技能、业务方向、隐含能力、知识缺口和需求变化。
 5. 更新 [market-insights](market-insights.md) 和 [skill-taxonomy](skill-taxonomy.md)。
 6. 标记需要补论文、实验或项目验证的方向。

@@ -74,3 +77,4 @@ DeepSeek 大模型 应用 工程师 北京
 - 一些招聘平台需要登录、验证码或限制搜索结果。
 - 同一岗位可能在多个渠道重复出现，需要按公司、岗位、来源和日期去重。
 - JD 过期很快，所有判断都必须带日期。
+- 部分官网不保留历史 JD，必要时用招聘平台、搜索缓存或用户提供的快照补充。
@@ -4,6 +4,8 @@

 不按单一主题目录存放论文。每篇论文统一放在 `items/`，通过 metadata 支持多标签、多视图和后续前端索引。

+论文收集先确认来源，再做系统性整理。来源状态维护在 [source-registry](source-registry.md)。
+
 ## Structure

 - [items](items/README.md): 每篇论文一个 Markdown 文件
@@ -2,6 +2,20 @@

 这个文件记录论文收集来源、搜索策略和筛选规则。

+论文来源需要先确认。系统性收集只使用 `approved` 来源；`candidate` 来源可以提出但不进入稳定收集流程。
+
+## Source Approval
+
+| Source | Status | Notes |
+| --- | --- | --- |
+| arXiv | candidate | 新论文发现和预印本 |
+| OpenReview | candidate | ICLR、NeurIPS 等投稿和评审线索 |
+| ACL Anthology | candidate | NLP、RAG、tool use、evaluation 相关论文 |
+| Conference proceedings | candidate | NeurIPS、ICLR、ICML、ACL、EMNLP、KDD、WWW 等 |
+| Papers with Code | candidate | benchmark、代码和任务关联 |
+| Official project GitHub | candidate | 复现代码、模型卡和实验配置 |
+| Company research blogs | candidate | 只收技术细节足够强的研究内容 |
+
 ## Source Types

 | Source | Use |
@@ -73,8 +87,8 @@ SWE-bench agent repair repository

 当你让我收集论文时，我会：

-1. 先确认范围：主题、年份、会议、是否需要最新论文。
-2. 在线检索并优先选择原始论文页、会议页、代码仓库。
+1. 先确认来源集合是否已经 approved，再确认主题、年份、会议、是否需要最新论文。
+2. 在线检索并优先选择 approved 来源中的原始论文页、会议页、代码仓库。
 3. 去重并放入 [reading-queue](reading-queue.md)。
 4. 为高优先级论文创建 `papers/items/` 笔记。
 5. 提取方法、证据、限制、可复现实验和项目启发。
@@ -3,6 +3,7 @@
 这里收集文章、开源项目、课程、产品文档和案例。

 论文已经提升为独立目录，放在 [Papers](../papers/README.md)。
+大公司 Agent 工作、技术报告和工程博客已经提升为独立目录，放在 [Industry](../industry/README.md)。

 ## Reference Index

@@ -6,6 +6,7 @@
 | --- | --- |
 | [concept-note](concept-note.md) | 新概念、新术语、新模式 |
 | [jd-note](jd-note.md) | 北京大厂 Agent / LLM 岗位记录 |
+| [industry-note](industry-note.md) | 大公司 Agent 工作、技术报告和工程博客 |
 | [project-brief](project-brief.md) | Agent 项目、原型、工程组件 |
 | [experiment-note](experiment-note.md) | 假设验证、模型对比、策略实验 |
 | [paper-note](paper-note.md) | 论文和研究资料 |
@@ -0,0 +1,89 @@
+# Industry: <company> - <title>
+
+---
+type: industry
+company:
+team:
+title:
+url:
+source_name:
+source_type: technical-report / research-blog / engineering-blog / product-blog / product-doc / code-release / benchmark / talk / other
+source_quality: official / official-adjacent / secondary / unknown
+published_at:
+collected_at: YYYY-MM-DD
+status: queued / summarized / analyzed / deprecated
+topics:
+  -
+implementation_signals:
+  -
+product_area:
+  -
+models:
+  -
+tools:
+  -
+benchmarks:
+  -
+related_papers:
+  -
+related_jobs:
+  -
+related_experiments:
+  -
+related_projects:
+  -
+evidence_level: high / medium / low
+relevance: high / medium / low
+---
+
+## One-line Takeaway
+
+一句话说明这条资料暴露了什么行业趋势或工程经验。
+
+## Source Snapshot
+
+- source:
+- published_at:
+- collected_at:
+- source_quality:
+
+## What They Built or Claimed
+
+-
+
+## Technical Signals
+
+- architecture:
+- tool use:
+- memory:
+- evaluation:
+- safety:
+- deployment:
+- data:
+
+## Product and Business Signals
+
+- users:
+- scenario:
+- pricing / availability:
+- go-to-market:
+
+## Evidence Quality
+
+-
+
+## Links
+
+- papers:
+- jobs:
+- experiments:
+- projects:
+- docs:
+
+## Gaps for Us
+
+-
+
+## Notes
+
+-
@@ -10,6 +10,11 @@ source_name:
 source_quality: official / job-board / social / secondary / unknown
 collected_at: YYYY-MM-DD
 posted_at:
+first_seen_at:
+last_checked_at:
+snapshot_type: new / changed / unchanged / expired
+job_code:
+previous_snapshot:
 status: active / expired / unknown
 level:
 team:
@@ -37,6 +42,14 @@ relevance: high / medium / low
 - collected_at:
 - availability:

+## Change Snapshot
+
+- first_seen_at:
+- last_checked_at:
+- snapshot_type:
+- previous_snapshot:
+- changed_fields:
+
 ## Raw JD Summary

 用自己的话概括岗位职责、任职要求和加分项。