昨天马斯克转发的那个App，我让一个5岁小孩试了试，他安静地玩了一晚上。
昨天，全网都在刷屏一个被马斯克转载的应用。一个互动小视频，点完还有各种动画反应。我当时有点好奇，这什么玩意？ 然后我注意到帖子里@了一个叫 Loopit 的账号。没听过，但我还是手贱下载了一个。刚好，
阅读全文美团面试题：如何设计多轮对话智能客服Agent。评论区吵翻了，但答案可能就一句话。
前几天刷到了一道美团的面试题：假设你需要开发美团智能客服Agent，如何设计多轮对话流程？评论区很多人吐槽，这题有点太大了。。。但踩过各种坑之后，你会发现，这道题的本质可能就一句话：AI Agent的
阅读全文OpenClaw火了，但它只能控制电脑。这个开源项目直接控制了我的手机！
这几天，我做了一个实验，把Clawdbot搬到手机上。可以实现自动回消息、打电话、刷短视频...简直爽飞。OpenClaw这段时间，有多火，就不多说了。随时随地，我们可以在手机APP上发送一个消息，家
阅读全文去年的Multi-Agent全是假的，Anthropic、Kimi、OpenAI集体换玩法了。
关于Multi-Agent，画风突然变了，Agent进入了下个阶段。Kimi推出了 K2.5 Agent Swarm。 Claude昨天推出了Agent Teams。 GPT5.3-Codex，昨天的
阅读全文Anthropic发现一件离谱的事：AI排行榜前几名的差距，可能跟模型能力一点关系都没有。
昨晚，Anthropic发布了Opus 4.6，但今天我们不聊这个模型。我要聊的是他们同时发的一篇博客。一篇看完之后，你可能会对之前看过的所有AI排行榜，产生一种全新的、微妙的、让你血压微升的怀疑。他
阅读全文第一批用Clawdbot赚钱的人出现了，一晚49万美元，5美元变370万，这怎么玩的？
Clawdbot，已经被玩疯！！！有人用它赚几百万美金了；AI之间开始交流怎么赚钱了！ 人开始排队给AI打工了....我看到这些新闻直接懵逼了，我就用来爬爬新闻，别人已经真的让自己退休了？Clawdb
阅读全文我把Cowork和各种平替都试了一遍，终于给Windows找到一个能打的了。
最近半个月，真是眼睁睁看着Mac用户，在各种地方分享各种好玩的Cowork操作。作为图形化的Claude Code， Cowork的可玩性真的很高。 整理目录、各种操作本地文件 ...作为一个重度Wi
阅读全文我扒开Clawdbot的底层架构，简单到离谱，你看完就能自己写。
这几天，Clawdbot把半个科技圈都干懵了。MoltBook各种AI觉醒。我相信，所有人都有一个疑问。这到底是个什么神仙框架，咋突然就能让大模型原地起飞？于是，我花了一下午，看了看它的架构以及源码，
阅读全文我烧了上亿token玩Clawdbot，结果发现国产平替更香，还免费。
这两天，你的朋友圈，是不是也被 Clawdbot / Moltbot 刷屏了？Github已经10万颗星星了，券商都在高呼：AI Agent 商用元年的拐点正式到来。更离谱的是，无数人为了跑这玩意，专
阅读全文Clawdbot火了，Anthropic急了，Claude Code连夜更新了Agent任务系统。
Claude Code 最近更新了 Tasks 系统。我们用 Claude code 干活的时候，它一般会先列一个 todo 清单，然后一项一项开始干。但是经常，任务太长了，或者有事离开了。 上下文被
阅读全文Qwen3满血版上线，第一件事就是把搜索按钮干掉了。
Qwen3-max满血版终于发布了！我打开chat.qwen.ai，准备玩一下新模型，一眼看到搜索按钮不见了。我第一反应：这是Bug吧？结果查了下，这是他们故意删的，因为模型能力已经不需要了。说实话，
阅读全文50个Agent分工干活，Kimi K2.5的Agent“军团”把我看呆了。。。
Kimi K2.5今天下午发布并开源了，万众期待的多模态能力终于来了。我录了一段15秒的屏幕操作视频。视频是一个很酷的博客网站 https://flo-bit.dev/，我随便点了点。然后我把这段操作
阅读全文Claude Code杀进VSCode，我可能要退掉Cursor会员了。
2026年了，Anthropic终于想通了。Claude Code 的命令行界面只适用于很多极客用户，上周推出了桌面版cowork。但是其实还有个很重要的插件，可能被大多数人错过了。他们同时还推出了V
阅读全文8万个Agent Skills不知道选哪个？Vercel悄悄上线了一份精选排行榜。
Skills这玩意儿，现在是真的太多了。我刚刚在看了一眼，号称全网最全的Skills聚合平台，SkillsMP，已经8万多个skills了。Skills很强，但是到底哪些Skills好用呢？ 然后这张
阅读全文Agent的沙箱（sandbox）大乱斗, Anthropic、Google、字节... 方案有什么区别？ 给Agent一个隔离环境，太重要了，想必大家用国产模型接cc，肯定遇到过 rm -rf 当前目录了.... 项目需要，调研了一下。但是内容太硬了，所以今天非常简单的梳理一下，做个记事本，没准以后用得着呢？ 从manus开始，底层是 E2B + Firecracker microVM。 启动时间比较快，可以做到150ms以下，对比docker冷启动需要几秒，Firecracker快一个数量级。 关键是持久化，付费用户可以留14天，相当于工作现场保留着，可以随时续上。 Anthropic 去年开源了一个sandbox-runtime，很轻量。 https://github.com/anthropic-experimental/sandbox-runtime 他们走的另外一条路，不用容器，直接调os原生隔离。 linux用bubblewrap， macos用sandbox-exec。 优势是本地运行，0延迟，官方说启用后权限弹窗减少了 84%。 但是，前不久爆了一个cve漏洞，如果没显式配置网络规则，默认是全放通的。 Anthropic才推出的cowork，面向非面向非技术用户，底层用了Apple Virtualization Framework，跑的是真VM。 但是也有一些人发现，通过prompt injection，可以让ai把文件传到外网。 沙箱可以隔离系统，但是防不住ai被骗~ Google和K8s社区搞的是Agent Sandbox，面向企业级集群。 核心是：Warm Pool（预热池）。 提前开好一批空闲沙箱，请求来了直接领一个走。 底层支持gVisor（用户态内核，隔离强但 I/O 慢）和Kata Containers（轻量 VM，更安全）。 典型的用空间换时间，只有大厂玩得起。 字节的anygen，没有技术细节，但是从多Agent并行+浏览器自动化的体验看，大概率自研了类似 Firecracker 的设施。 aio sandbox，all in one 的思路，一个docker里塞了VSCode Server、浏览器、VNC、终端，但隔离性就是普通容器水平，公有云服务还得在套一层。 bolt.nex是个异类，用WebContainer，直接在浏览器里跑 Node.js。零延迟，但只能跑 Node。 cursor本质上就是docker容器，去年出过cve，已经修复，本地开发够用，但是隔离强度不如 VM。 最后在说一句。 从模型层到基础设施层，感觉做最前沿的agent应用， 短期内沙箱一定是个必选项了~
Agent的沙箱（sandbox）大乱斗, Anthropic、Google、字节... 方案有什么区别？ 给Agent一个隔离环境，太重要了，想必大家用国产模型接cc，肯定遇到过 rm -rf 当
阅读全文cursor翻车了，Anthropic：来，我教你怎么做long running Agent。
这2天是不是密集且雷同的被一些新闻轰炸了。比如：2天复刻anthropic的cowork。用几百个智能体并发，2周从0写一个浏览器。long running下 researcher是会最先被替代的。.
阅读全文你那上万行Agent代码都是垃圾！Browser Use作者骑脸输出，开源了Manus级内核。
Browser Use表示最近要发布他们的manus ： BU.app，但他们提前把驱动BU的Agent内核开源了。它的核心设计理念，简单到近乎是一种嘲讽。作者Gregor Zunic直接在x上骑脸输
阅读全文Anthropic融了250亿，却说：AI时代的学习，只剩下这3件事了。
Anthropic 又有钱了。今天新闻估值3500亿，融超250亿。周末他们组了个局，拉了几个哈佛、伯克利的学生，聊了一个很现实的话题： 在这个啥都可以AI一键生成的时代，我们到底还在学什么呢？看完全
阅读全文用数百Agent并发，连续跑数周，耗费数万亿token，我们能收获什么？ Cursor做了一个很有意思的实验，做了个让很多Agent并发工作很长时间，分享了他们发现的经验。 最开始，尝试用一个去中心化的机制，就是通过一个共享文件协调Agent的工作，利用锁避免冲突。 但是结果比较灾难。 死锁的情况经常出现，效率很低（20个Agent并发，甚至不如2~3个Agent）， 而且为了规避风险，Agent只想做一些小的、安全的改动，没人承担端到端的复杂模块责任。 最后，还是用 planner- worker的模式。 在模型选项上，gpt5.2表现远优于别的模型，opus 4.5比较滑头，喜欢快点结束，把控制器给人，走捷径。 最后，他们分享了3个结果。 1. FastRender 一个浏览器，一周的时间，100万行代码。 2. cursor自身的solid 到 react的迁移，+266k / -193k的代码重构 3. java lsp， 55万行代码，7.4k提交。 感觉很牛？ 不不不，我还真去看了。 感觉期望最高的是那个浏览器？ 其实并不好，CI一直失败，很多pr没过测试就合并了，根本编译不了。 代码结构也特别的碎片化，各种深层嵌套，readme跟内容也不太符合，像是一次性的产物，没有agent维护他。 相比之下，另外2个项目反而还不错。可能agent 更擅长处理逻辑定义明确，有严格协议约束的工程。 这让我想起了。sonar 发布的，26代码开发者调查报告，96%的开发者表示不完全信任AI生成的代码，53%的表示，ai经常生成一些看起来对，实际上有误的代码。 当然，cursor这个实验，一方面其实可能是一个Agent长时间自主编程的里程碑，数量本身就是一种质量，通过堆叠Agent，我们可以突破单模型的上下文限制，构造复杂系统。 成本也不容小觑，花了数万亿的token，这个成本的量级已经非常恐怖了。 数百万行的代码，对人来说，意味着，代码价值的贬值，只有对系统的更深刻理解，才是人的责任。 博客地址：https://cursor.com/cn/blog/scaling-agents AI负责把代码填满，人负责把软件做好~
用数百Agent并发，连续跑数周，耗费数万亿token，我们能收获什么？ Cursor做了一个很有意思的实验，做了个让很多Agent并发工作很长时间，分享了他们发现的经验。 最开始，尝试用一个去中
阅读全文千问APP迈出重要一步：打通阿里生态业务，这可能是AI应用最坚固的护城河。
前两天，看到个大新闻。Google宣布Gemini将联手沃尔玛，搞了个大动作，用户可以通过对话，让AI帮你买东西，最后用Google Pay支付。然后X都在说，这是AI Agent的落地时刻。但，我只
阅读全文Cursor 重新定义 Agent：脑子再大，不如会翻书。
动态上下文，最近一个月这个词出现的越来越频繁。过去，我们追求long context，128k，1M 2M。所有的RAG、Memory系统，都在往Prompt塞更多的东西。Cursor分享了一篇博客，
阅读全文刚刚，苹果官宣iphone搭载最强AI，每年给Google 10亿，不愿在信ChatGPT。
早上，苹果Google官宣的新闻刷频了。下一代苹果基础模型，将直接基于Gemini构建。初代iphone发布，是17年前，Google也是苹果的盟友，提供地图，youtube。17年后，当Apple
阅读全文Google 新论文离谱到家了，0延迟0成本通用，提升大模型准确率最简单的方法。
Google最近这篇论文有点火。一个很简单的提升大模型准确率的方法。 这么多年了，竟然没人发论文。非常离谱，就是重复提示词。 中文来说，就是 重要的话，说三遍。从 <Query> -> <Query>
阅读全文Anthropic万字长文，把很多Agent没法落地的真正原因说明白了。 他们分享了内部踩坑无数后，总结的一套Eval方法论，讲透了4件事情。 所有的Agent系统，在交付之前，一定要把Eval体系想清楚，把评什么、怎么评、谁维护，想清楚！ Agent Eval本质上是集成测试： Task ： 具体的是什么活？ Transcript: Agent的执行轨迹，调用工具，报错，重试全过程。 Outcome： 最后的结果。 不要只看结果，Transcript也非常重要，它可以看出来，Agent是真的聪明，还是在蒙。 Eval里有个特鸡贼的数值。 Pass@k（尝试k次，至少成功一次的概率） 很多论文都喜欢吹Pass@k，这个在头脑风暴、写代码辅助的时候可能很有用，给个能用的方案就行。 但是很多场景，客户要的是 Pass^k（尝试k次，全部成功的概率）。 比如，Pass@1是75%，但是跑3次都对的概率可能到了42%，跑10次，可能就接近0了。 所以Agent面向C端的交付，Pass^k非常重要，衡量稳定性，这也是为什么很多Agent没法大规模落地的原因。 做Eval最有意思的地方是，AI会作弊。 他们用Opus 4.5 跑tau^2-bench做一个机票改签任务，模型发现了一个政策漏洞，用更便宜的方式解决了问题。 但是Benchmark会觉得这个任务失败了。 所以目前行业最大争议：测智能还是测听话？ （很多人认为Agent必须遵守SOP,不然可能存在重大风险。） 这个也解释为什么swe-bench都卷到80+%了，但很多时候还是写不出复杂项目，Benchmark饱和了，甚至过拟合了，真实世界复杂度永远在benchmark之上。 在做具体的打分上，具体怎么评呢？ 代码>LLM>人 代码就像单元测试，大模型评分比较灵活，但是可能幻觉，人评分最精确，但是最贵。 所以可以考虑用代码做基础筛选，大模型评测复杂逻辑，人做抽检。 ！！如果只用大模型评测，最后可能得到的是2个商业胡吹的模型。 那Eval从0到1，如何开始呢？ 从真实的bug里边，挑出来20~50个任务开始，就够了。 区分Capability和Regression，前者是能力爬坡允许失败，后者是底线，必须通过。 多看Transcript，不要只看分数，是理解模型边界的唯一途径。 如果Eval到了100分，不要自嗨了，还是换些更复杂的题目把。 最后 2026年的agent，更拼工程落地能力。 没有Eval的项目，本质还是再把生产当实验环境，迟早要用线上事故还债。 原文地址：https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents
Anthropic万字长文，把很多Agent没法落地的真正原因说明白了。 他们分享了内部踩坑无数后，总结的一套Eval方法论，讲透了4件事情。 所有的Agent系统，在交付之前，一定要把Eval体
阅读全文先说个暴论：不懂代码的人，才最喜欢 Vibe Coding。
最近被CC刷频了，Vibe Coding，Skills太强了。CC刷频了，Vibe Coding太强了。先说个暴论：不懂代码的人，才最喜欢 Vibe Coding。LinkedIn 上出现了一个新的职
阅读全文这可能是，全球最强开源Agent模型，走了一条反Scaling Law的全新范式！
30B的小模型，竟然在重量级Agent benchmark上，干翻了万亿参数的Kimi K2T？早上刷到 MiroThinker v1.5 开源的消息，参数规模的神话喊了这么久，难道行业共识正在被悄然
阅读全文Anthropic 重新定义智能体终局： Bash Is All Agent Need！
A社的新年小课堂开课了。工程师 Thariq Shihipar ，提出了一个主要观点。最强大的 Agent 工具，不是无数个定制的 API，而是 Bash 和文件系统。基于Unix思想构建Agent的
阅读全文Google说，2026年AI Agent会有这五大趋势！
Google Cloud刚发布了2026年的Agent趋势报告，有49页PDF。他们认为与其谈什么时候AGI，其实可以看一下，能改变业务的转折点已经在发生了，它就是Agentic AI。报告总结了26
阅读全文claude code也过气了？opencode+插件彻底火了~
opencode也火了~主要是因为这个开源插件，真的太强了~https://github.com/code-yeongyu/oh-my-opencode/tree/devopencode是一个开源的C
阅读全文比RAG强4倍？这个开源项目要重新定义Agent记忆系统。
最近发现个很有意思的Agent Memory项目-Hindsight，主要是性能很强~开源上有很多Memory项目，Memo0、langmem...，但是一开始吸引我的，是Hindsight有个很有意
阅读全文