Anthropic开源Agent Skills标准，2025年底起AI应用进入“技能工程”新阶段_服务软件

1. 单位想做个AI Agent项目，要支撑万级用户的「生产级」AI Agent，到底是怎样的？

2. Agentic AI 系统私有化实战：如何让 Qwen3-14B 在复杂 Agentic 任务中超越 Qwen3-235B？

3. 清华校友出手，8B硬刚GPT-4o！单一模型无限工具调用，终结多智能体

4. 智能体商战，是旧商业规则和新商业规则的战争。 #大咖观察 #红衣聊AI #智能体 #商战 #亚马逊

5. AI存在伪造信息、滥用数据等风险。国家人工智能安全治理框架2.0版正填补空白。#大咖观察 #红衣聊AI #网络安全

6. 如果你现在还没用Agent帮自己干活，那其实很危险

7. 豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事

8. DeepSeek V3.2 正式版发布，V4 还没来，但已经是开源模型里 Agent 能力最强了

9. Claude 官方发文：如何给 Agent 构建一个好用的工具？

10. 在研究编程Agent，Agent核心就几十行代码，那剩下的几万行到底在解决什么问题？

11. 智能体设计模式总结

12. AI Agent从热词到真实产品，速度比想象中快得多。Reddit上一场关于"大家到底在用Agent做什么生意"的讨论，揭示了当前落地最真实的图景。核心洞察：真正赚钱的Agent业务，往往不那么光鲜最成功的案例都有一个共同点：它们不试图取代整个岗位，只是把最无聊的部分自动化掉。当前正在构建的几类Agent：1. 自动化交易Agent基于LangChain构建的多模态Agent网络，支持用自然语言描述任意交易策略并自主执行2. 内部运营类Agent监控内部系统、跨工具数据对账、自动生成报告、对入站请求进行分类筛选——人类看到之前就已处理完毕3. 竞争情报Agent为电商团队监控竞品定价、落地页变化、促销活动，只在发生有意义变化时才发出警报4. 客服支持Agent审阅工单、标记边缘案例、为支持团队起草回复——已在节省真实工时5. 语音客服Agent很多创业团队在做这个方向，解决企业"无法24小时接听电话"的痛点，融资相对容易6. 趋势洞察Agent整合社交媒体动态与内部OKR，识别趋势机会，帮助团队确定每周优先级7. 会议摘要Agent自动总结会议纪要和邮件内容，面向初创团队8. 统一知识查询Agent连接Slack、Google Sheets、Google Docs、数据库等多源信息，实现极速问答一个关键规律：成功的Agent都运行在高度约束的环境中。它们需要操作真实Web工具时，往往在可预测的沙箱环境里执行，保持"无聊且可审计"。那些试图过度自主或过于通用的Agent，通常都会卡壳。结论很清晰：真正的商业机会正在小而垂直的细分领域形成，而非大而全的通用系统。reddit.com/r/AI_Agents/comments/1pyd60q/what_agentic_ai_businesses_are_people_actually/

13. 阿里巴巴发布首个数据分析Agent，让人人都可拥有AI分析师

14. 全托管操作？让AI开始思考，人类不再浏览的AI浏览器

15. Claude Agent Skills 深度解析：基于第一性原理的提示工程架构leehanchung.github.io/blogs/2025/10/26/claude-skills-deep-dive/ Claude 的 Agent Skills 构建了一种优雅的、以提示为核心的能力扩展体系。它通过“元工具 + 提示注入 + 上下文控制”的方式，实现了安全、灵活且可组合的智能代理行为定制，代表了 LLM 应用从“功能调用”向“认知引导”演进的重要方向。#科技先锋官#

16. AI时代，最不值钱的，就是重复劳动；最值钱的，是你得熟练指挥智能体。#大咖观察 #红衣聊AI #硅谷 #智能体 #AI应用

17. TRAE中国版白送SOLO，一人指挥一支AI大军重磅消息！SOLO终于上线TRAE中国版了，Waitlist免费开放中本期视频实测TRAE的新版本，亮点很多 1、先规划再动手的 Plan 模式 2、带专家团一起干活的 Subagent 子智能体 3、DiffView 差异视图 4、多任务并行 5、上下文智能压缩长时运行不掉链子 SOLO终于把AI从“瞎干活的外包”变成了“懂协作的队友” #AI #人工智能 #TRAE #AI编程 #vibecoding

18. #Manus官宣将加入Meta#Meta以数十亿美元收购Manus，这场位列其史上第三大的并购案，绝非单纯的资产收购，而是AI竞赛白热化阶段的精准战略卡位。从2016年黑客松的“小插件”到全球首款通用AI智能体，Manus十年积淀的技术实力堪称核心筹码——其Multiple Agent架构实现全自主任务执行，GAIA基准测试成绩超越同层级大模型，上线8个月便达成1亿美元年度经常性收入，展现出强大的商业化潜力。Meta此番出手，既为弥补自身AI落地短板，也瞄准了通用智能体的未来赛道。Manus保持独立运营并深度整合Meta消费级产品的模式，既能保留团队创新活力，又能快速将自主任务执行、多模态交互等核心能力赋能Meta生态。创始人肖弘出任Meta副总裁的安排，更凸显“为人才而收购”的深层逻辑。这场双赢并购印证了AI行业“技术+商业化”的整合趋势，Meta借Manus握住智能体时代的“船票”，而Manus则依托巨头资源实现技术规模化落地，为全球AI智能体的发展写下了战略协同的典范。 manus官宣将加入meta

19. #豆包手机#豆包手机的亮相，让AI Agent与传统App的冲突从隐性走向显性，而这样的博弈未来只会愈发频繁。AI Agent以“意图驱动”重构交互逻辑，用户无需打开一个个App，只需一句指令就能让其跨应用拆解任务、自主执行，这直接冲击了App赖以生存的入口价值与流量逻辑——当“打开应用”的动作被跳过，App的广告变现、生态控制权难免被削弱，甚至面临“管道化”危机。而冲突的核心更在于权限与生态的博弈：Agent需要系统级权限实现流畅操作，却引发隐私安全争议；App既担心开放API后丧失主导权，又害怕拒绝适配会被边缘化。这场变革本质是“功能工具”与“智能代理”的范式之争，随着端侧AI技术的成熟，类似的权限博弈、流量争夺、生态重构还将在更多场景上演，推动整个数字生态重新划分边界。

20. 【阿里开源通义DeepResearch，性能超OpenAI、DeepSeek旗舰模型】9月17日，阿里巴巴宣布开源其首个深度研究Agent模型——通义DeepResearch。该模型在HLE、BrowseComp-zh、GAIA等多个权威评测中取得SOTA成绩，表现超越OpenAI Deep Research及DeepSeek-V3.1等同类模型。通义DeepResearch具备强大的复杂任务推理与执行能力，其模型、框架与技术方案已全面开放，用户可通过Github、Hugging Face和魔搭社区免费下载使用。今年以来，阿里已连续开源WebWalker、WebDancer和WebSailor等多款检索和推理智能体，并全部斩获开源SOTA成绩。

21. 阿里千问与“AI Layer”崛起：一场重塑互联网的“操作系统”生态战【硅谷101】

22. 随着AI智能体的发展，能做好决策、持续创新的人，会拥有独特的竞争力。#大咖观察 #红衣聊AI #行业研究

23. Agent Infra到底是什么？【AI基建】

24. 阿里全家桶全面Agent化！千问“任务助理”全面公测，从此AI不再只是动嘴出主意的狗头军师！

25. 谷歌DeepMind掌门人，诺奖得主哈萨比斯1月信息量最大的访谈 #ai #AGI #谷歌 #哈萨比斯 #agent

26. AI原生电商出现，Agent帮你从建站到运营

27. “Skill 不就是长一点的提示词吗？” 上篇文章《别把整个 GitHub 装进 Skills，Skills 的正确用法 http://t.cn/AXqLcGP0 》发出去后，收到一些质疑： > "说 skill 能做配图 prompt 不行。本来 skill 就是加载 md，没 skill 之前我们用 prompt 模板照样也是能做流程编排。" > > "现在大部分 skill 不就是长一点的提示词吗？为什么说'单纯靠提示词做不了'？" 这些批评是对的。我原文确实表达有问题。写"提示词"的时候，我下意识拿 Gem、Project、GPTs 里的那种提示词当例子。那些确实做不到一次性生成配图。但"提示词"是个很宽泛的概念。如果我把 SKILL.md 的内容复制出来发给 Claude Code，再给它一个生成图片的脚本，它一样能完成配图任务。这里的差异不在于提示词能不能复用，Gem 和 GPTs 里的提示词也能复用。差异在于：提示词配套的是 ChatBot，还是 Agent？【1】ChatBot 和 Agent 的核心区别 Skills 的完整名称叫 Agent Skills。注意这个"Agent"，它不是装饰词。Skills 利用 Agent 的虚拟机环境，提供单纯提示词无法实现的能力。一句话总结：ChatBot 只能对话，Agent 能动手干活。具体来说： ChatBot 不能调用工具。你给它一段配图提示词，它能帮你分析文章、生成画图 prompt，但真要生成图片？它只能说"请把这段提示词复制到 Gemini"。剩下的活还是你干。 Agent 能调用工具。同样的配图任务，它能像个经验丰富的编辑一样自己完成： 1. 读取你的文件 2. 分析需要几张图、放哪里 3. 为每张图设计内容和风格 4. 调用画图模型生成图片 5. 把图片插入正确位置 6. 输出成品交到你手上全程自动化，你只需要验收。【2】那 Skill 到底是什么？很多人把 Skill 理解成"一段很长的提示词"，这个理解对了一半。 SKILL.md 的核心确实是指令文本。但 Skill 不止于此。一个 Skill 可以包含三层内容：第一层：元数据。就是 name 和 description，告诉 Agent 这个 Skill 是干嘛的、什么时候该用。这部分在启动时就加载，但只占几十个 token。第二层：指令。SKILL.md 的主体内容，工作流程、最佳实践、注意事项。只有 Agent 判断需要用这个 Skill 时，才会读取这部分。第三层：资源和代码。附带的脚本、模板、参考文档。Agent 按需读取，用的时候才加载。这就是官方说的"渐进式加载"：不是一股脑把所有内容塞进上下文，而是用到什么加载什么。所以你可以给一个 Skill 附带几十份参考文档，只要这次任务用不上，它们就不占用上下文窗口。传统提示词做不到这一点。【3】为什么说配图"单纯靠提示词做不了"？回到原来的争议。如果你说的"提示词"是指发给像 Claude Code 这样的 Agent 的指令，那配图当然能做到。因为这时候提示词是发给 Agent 的，Agent 能调用工具。但如果你说的是发给普通 ChatBot 的提示词，比如 ChatGPT 的自定义指令、Gemini 的 Gem、Claude 的 Project 指令，那确实做不到。因为 ChatBot 没有工具调用能力，它只能输出文字。我原文的问题在于：默认读者理解的"提示词"是 ChatBot 场景下的提示词，但没有明确说出来。更准确的表达应该是：Skill 必须配合 Agent 使用。发给 ChatBot 的提示词，无论写多长多详细，都只能完成对话能完成的事。要让 AI 真正"动手"，需要的是 Agent + 工具调用能力。【4】那我直接给 Claude Code 发长提示词不行吗？行。把 SKILL.md 内容复制出来当提示词发，Agent 一样能执行。这也是为什么有人觉得"Skill 就是长一点的提示词"。但 Skill 的价值不在于"能不能做到"，而在于：可复用。写一次，以后每次相关任务自动触发，不用每次复制粘贴。可组合。分析 Skill + 提纲 Skill + 写作 Skill，像乐高一样拼起来。单独的提示词模板做不到这种模块化组合。可迭代。用着用着发现问题，直接让 Agent 帮你改进 Skill。下次自动生效。传统提示词模板改了之后，你得记得每次都用新版本。可渐进加载。Skill 附带的资源文件不会一开始就占用上下文。你的提示词模板再怎么组织，发出去就是全量加载。简单说：Skill 是提示词的工程化封装。能做的事差不多，但管理成本、复用成本、迭代成本完全不同。【5】最后上篇文章的核心没变：因需而建、可组合、可迭代。 Skill 就是长一点的提示词吗？是的。但光有提示词不够。关键是执行这段提示词的系统，到底是只会说的 ChatBot，还是能真正动手的 Agent。 Skill 是给 Agent 用的。没有 Agent 的工具调用能力，Skill 就只是一段躺在文件夹里的 Markdown。

28. 地平线HSD城市NOA也太能打了吧👏 上市才两周，激活车辆直接冲过1.2万辆这个落地速度确实让人意外，能在短时间内获得这么多车主认可，也能看出大家对智能驾驶实用化的需求有多迫切了#2025地平线技术生态大会##地平线HSD激活车辆超1.2万##大v聊车#

29. OpenClaw狂揽16万star，是时候聊聊Agent Tools的AB面了

30. 推荐吕鹏（@甩甩鸟哥很严肃）开源的 Agmente 项目，让你可以从 iOS 手机上操作 Coding Agent Coding Agent。 OpenClaw 让我们看到了很多从手机指挥 Agent 的有趣场景，通过 Agmente 你可以在手机上跟 Gemini CLI、Claude Code、Qwen 等 AI 编程 Agent 对话，实时查看它们的工具调用和执行结果。吕鹏是 VS Code 团队的工程经理，主导了将 Copilot Coding Agent 和 GitHub Copilot CLI 集成到 VS Code 的工作，可以说他是最了解编辑器如何与 AI Agent 对接这件事的人之一。Agmente 最特别的地方在于它实现了 ACP（Agent Client Protocol，智能体客户端协议）——一个正在快速崛起的开放标准。ACP 要解决什么问题？现在 AI 编程 Agent 越来越多（Claude Code、Gemini CLI、Codex CLI……），编辑器/IDE 也很多（VS Code、Zed、JetBrains、Neovim……）。如果没有统一标准，每个编辑器想接入每个 Agent 都要单独写一套集成代码，反过来每个 Agent 想支持每个编辑器也一样。这就是经典的 M×N 问题。ACP 就是来解决这个问题的。它的角色类似于当年的 LSP（Language Server Protocol）——LSP 让任何编辑器都能接入任何语言的智能提示，ACP 则让任何编辑器都能接入任何 AI 编程 Agent。Agent 实现一次 ACP，就能在所有支持 ACP 的客户端上运行；客户端实现一次 ACP，就能接入整个 Agent 生态。从这个项目也反映出 AI Agent 发展中几个值得注意的趋势：1）Agent 正在脱离桌面束缚。以前编程 Agent 只能在 IDE 或终端里跑，Agmente 让你在手机上就能监控和交互。想象一下：你让 Claude Code 在远程服务器上干活，然后出门遛弯时在手机上查看进度、审批工具调用——这就是 Agmente 支持的场景。它通过 WebSocket 连接远程 Agent，还支持 Cloudflare Tunnel 做安全访问。2）标准协议正在改变游戏规则。就像 MCP 让 Agent 能统一访问各种工具和数据源一样，ACP 让 Agent 能统一接入各种客户端界面。一个 Agent 写一次 ACP 适配，就能同时在 VS Code、Zed、JetBrains、甚至手机上被使用，这大大降低了 Agent 生态的碎片化。3）从“人用编辑器”到“人监督 Agent”的范式转变。 Agmente 的交互设计很能说明问题——它重点展示的不是代码编辑界面，而是对话历史、工具调用和执行结果。这暗示了一种新的开发模式：开发者的角色从写代码变成下达指令、审核 Agent 的行为。项目地址：github.com/rebornix/agmente 网页链接

31. -agent是模型能力扩展的一个里程碑，也是体现ai模型进入人类真实（虚拟/物理）世界的关键。没有agent能力，大模型将停留在（理论学习）阶段，就类似一个人不断学习，哪怕学习到博士，也只是知识积累，还没有转化为生产力。原来的agent是通过模型应用来实现，现在模型已经可以直接将agent数据集成到训练过程，增强了模型的通用性，其实难题还是不同agent环境的泛化和迁移并不是那么容易，因此最简单办法也只有不断增加不同agent环境的数据和针对不同环境的强化学习。

32. 实测扣子视频Agent，一句话量产爆款，适合起号的工具来了 #扣子Coze #AI #AIGC #智能体

33. AI帮你接管流程：这次轮到差旅了

34. Manus 把 Agent 的工具分成了 3 层：第 1 层：函数调用 (Function Calling)这是最基础的一层，只保留一小组固定的、原子化的函数，比如：读写文件、执行 Shell 命令、搜索文件等。在 LLM 的系统提示词中就只有这一层的工具定义，相对比较少，15 个以内，输入格式和输出格式都很清晰，不容易出错，但这里面有两个工具很特殊，一个是 Shell，一个是 File。第 2 层：沙箱工具 (Sandbox Utilities)每个 Manus 会话都运行在一个完整的虚拟机沙箱里。就是原推文提到的，虚机预装了很多命令行工具，比如格式转换器、语音识别工具，甚至一个 mcp 命令行客户端。然后这些工具都通过第 1 层中定义的 Shell 来调用，就是命令行工具，命令行调用。但是这么多工具模型怎么知道呢？Manus 在系统提示词里会直接告诉 LLM，在一个特定的文件夹里有很多预装的命令行工具。对于最常用的工具，直接列出它们的名字。不常用的，LLM 可以直接通过原推提到的命令列出所有命令行工具，通过 --help 参数来查看任何一个工具的用法，因为所有这些工具都是他们自己开发的，格式统一。第 3 层：代码包与 API (Packages and APIs)这一层其实就是 LLM 实时编写 Python 代码，通过代码实现更复杂的功能。比如用户想查询某个 API 的数据，可以直接用 Python 写一个函数，fetch API 的数据，并解析成需要的格式。其实在 Codex 中，用 Python 代码当工具已经用的很多了。由于复杂的运算都是代码完成的，返回给主 Agent 的知识计算后的结果，所以并不会占用主 Agent 的上下文。这样 3 层设计的好处是，从模型的角度看，它需要调用的工具就固定是第 1 层的十几个，而借助命令行和代码，它又可以衍生出无数的工具组合。还有一点就是我在之前推文提到的子智能体，Manus 也是大量采用“智能体即工具 (agent as tool)”的模式。把子智能体当工具用，比如负责检索是一个子智能体，但是这个子智能体在主 Agent 看来就是一个工具。同时也可以很好的起到减少上下文的效果。

35. Skill 调用 Skill：Agent Skills 的乐高式组合写 Skill 的时候遇到一个问题：我的漫画生成 Skill 需要画图，但用户可能装了 Nano Banana Pro 的 Skill，也可能装了 Midjourney 的。我要在代码里写死调用哪个吗？不用。这正是 Agent Skills 设计的精妙之处。原理：启动即感知Claude 调用 Skill 时会加载 SKILL.md、注入指令、修改执行环境。但更关键的是启动阶段——Agent 启动时就预加载了所有已安装 Skill 的名称和描述。换句话说：Agent 一启动就知道自己有哪些能力。实践：松耦合调用我的漫画 Skill 里，画图环节是这样写的：> Check available image generation skills If multiple skills available, ask user preference> 检查可用的画图 Skill，如果有多个则提示用户选择好处是解耦。我不依赖任何特定的画图实现，用户装了什么画图 Skill，Claude 就调用什么。更妙的是 Claude 能动态适配目标 Skill 的能力：- 支持参考图 → 传角色设计图- 只支持文本 → 传文字描述所以我只需要说：“帮我画张图”，而不用：“用 Nano Banana Pro 的 API 帮我画张图”。为什么这样更好这种松耦合带来几个实际好处：1. 可替换：换画图引擎不用改上游 Skill2. 可扩展：新画图 Skill 自动可被调用3. 低维护：Skill 作者不用追踪下游依赖4. 用户自主：用户选自己喜欢的工具Skill 间相互调用是基于能力描述的松耦合。你只描述“需要什么能力”，Claude 在运行时自动匹配。这让 Skills 成了真正的乐高积木——独立模块，自由组合，构建复杂工作流。

36. 人人都能炼专属Agent，上海交大开源端侧Agent全栈工具链，真实场景性能超GPT-5！

37. Anthropic 官方教程：为 Agent 设计高效工具的最佳实践

38. Agent时代，为什么多模态数据湖是必选项？

39. 深度｜不止智能浏览！Fellou实现交互/任务/记忆三连通，重新定义AI时代生产力

40. 关于 AI Agent，你最想知道的 3 个问题——为什么我说“垂直 Agent”是个伪命题回答几个读者问题。1、AI Agent 是否有一个权威的概念？中美两国对这个概念是否有统一的解释？AI Agent 的定义和国家无关，更多是行业共识的演进。目前业界比较认可的定义来自 Anthropic。他们在《Building Effective Agents》（网页链接）这篇文章中做了一个很重要的区分：工作流（Workflow）：通过预定义的代码路径来编排 LLM 与工具的系统。Agent：由 LLM 动态地指挥自己的流程和工具使用方式的系统，始终由 LLM 来掌控完成任务的方式。简单来说，工作流是“人写好剧本，AI 照着演”；而 Agent 是“人给个目标，AI 自己想办法”。从技术实现角度，我比较认同 Simon Willison 提出的简洁定义（网页链接）：一个 AI Agent（智能体），是为了实现某个目标，循环调用工具的大语言模型。这个定义抓住了 Agent 的本质——它不是一次性给出答案，而是通过“思考→行动→观察→再思考”的循环，逐步完成任务。目前主流的 Agent 实现，无论是 OpenAI 的还是 Anthropic 的，底层都是这个结构。当然，不同公司可能会根据产品定位给出略有差异的表述，但核心思想是一致的：Agent = LLM + 工具调用 + 自主决策循环。2、近期国内外大厂密集推出 AI Agent，为何选择这个时间点？您如何看待 AI Agent 的商业化前景？大厂在这个时间点密集推出 Agent，核心原因是：Agent 是目前 AI 落地最有价值的方向。为什么 Agent 比聊天机器人更有商业价值？聊天机器人的局限性很明显——它只能“说”，不能“做”。而 Agent 能够：• 调用工具：比如搜索网页、读写文件、执行代码• 完成复杂任务：把大任务拆解成小步骤，逐个完成• 与外部系统集成：对接企业内部系统、数据库、API• 持续运行：不需要人一直盯着，可以在后台自主工作这意味着 Agent 可以真正替代人完成一部分工作，而不只是辅助回答问题。已经跑通的场景：编程领域编程是 Agent 最先落地的领域。像 Claude Code、Cursor、Codex 这样的编程 Agent，已经能够实实在在地帮开发者完成任务，不只是生成代码片段，而是理解需求、读取项目代码、修改文件、运行测试、修复 bug，整个流程都能自主完成。正在爆发的方向：Skills 生态去年底开始，“Skills”这个概念开始流行。简单理解，Skills 就是教会 Agent 完成特定任务的“技能包”，一套预设的工具、提示词和工作流的组合。比如我个人就大量使用 Claude Code 结合各种 Skills 来提升效率：• 给文章自动配图（调用图片生成工具）• 根据素材生成漫画故事• 根据素材自动生成 PPT• 自动发布文章到公众号、博客、社交媒体• 等等这些任务以前每个都要花我半小时到几小时，现在几分钟就能完成。顺便说一下，我这几个 skills 都是开源的：github.com/JimLiu/baoyu-skills/issues现阶段的挑战但 Agent 目前仍处于早期阶段，主要挑战有：1. 门槛较高：目前这些能力主要在极客圈子里流行，普通用户上手困难2. 安全问题：Agent 需要较高的系统权限才能工作，这带来了安全风险。比如恶意的 Skill 可能窃取数据、攻击系统3. 可靠性：Agent 有时会“跑偏”，需要人工干预这些问题都在被逐步解决。大厂密集入场，本质上是看到了 Agent 的巨大潜力，想要抢占生态位。谁能率先建立起最多用户的 Agent 客户端和丰富的 Skills 生态，谁就能在下一阶段占据优势。就像现在 Anthropic 就依赖 Claude Code 抢占了先机和用户心智，大家想到 Coding Agent 先想到 Claude Code，MCP、Skills 的标准也是他们提出来的，开发者们争先恐后的基于他们的标准在构建 Agent 生态。3、通用类 AI Agent 和垂直类 AI Agent，您更看好哪个的商业前景？这个问题需要换个角度来理解。Agent 本身难以形成垂直壁垒从技术角度看，Agent 本身没有任何秘密，就像我前面说的，它从技术角度看就是一个循环调用工具的大语言模型。而模型对所有人来说都是一样的：要么花钱用商业模型（OpenAI、Anthropic、豆包、阿里），要么用 DeepSeek 这样的开源模型。这就像选操作系统，你用 Windows 还是 Linux，大家都能用。所以，单纯做一个垂直领域的 Agent 很难建立护城河。你今天能做，别人明天也能做，而且可能做得更好。真正的机会在哪里？打个比方：Agent 就像操作系统，无论是通用领域还是垂直领域，操作系统本身都差不多。真正的差异化，是基于操作系统之上的应用。垂直领域真正的机会在于：1. 独有的数据：你有别人没有的行业数据、客户数据、知识库2. 专业的 Skills：针对特定行业流程打造的工具和工作流3. 深度的集成：与行业内已有系统的对接能力4. 领域 Know-how：对行业痛点和流程的深刻理解举个例子：一个医疗领域的 Agent 产品，核心竞争力不是“Agent”这层，而是背后接入的医学知识库、与医院 HIS 系统的对接、对诊疗流程的理解、以及多年积累的脱敏病例数据。所以我的结论是：不要去做“垂直 Agent”，而是用通用 Agent 的能力，去解决垂直领域的问题。护城河不在 Agent 这层，在你围绕 Agent 构建的数据、工具和行业理解。以上是我基于一线实践的观察和思考，仅供参考。

41. 如何为Agent编写高效的工具？

42. 探秘 AgentRun丨动态下发＋权限隔离，重构 AI Agent 安全体系

43. 未来的人和智能体应该是相互融合协作的关系。 #大咖观察 #红衣聊AI #智能体 #人机协作

44. 这篇斯坦福大学的论文直接让我大脑宕机了。他们构建了一个AI智能体框架，从零数据起步——无人工标注、无精心设计的任务、无演示样本，却在性能上超越了所有现有自博弈方法。它名为Agent0：通过工具集成推理实现从零数据释放自进化智能体（Agent0: Unleashing Self-Evolving Agents from Zero Data via Tool-Integrated Reasoning）。他们达成的成果简直匪夷所思。迄今为止，你见过的所有“自我提升”智能体都存在同一个致命缺陷：它们只能生成比现有能力稍难一点的任务。因此，它们会立刻陷入瓶颈。而Agent0打破了这层天花板。事情出现了转折：研究人员从同一个基础大语言模型（LLM）中生成两个智能体，让它们相互对抗。1）课程智能体（Curriculum Agent）：持续生成难度递增的任务2）执行智能体（Executor Agent）：借助推理+工具尝试解决这些任务每当执行智能体能力提升，课程智能体就被迫提高任务难度；每当任务难度升级，执行智能体就被迫进化迭代。这形成了一个闭环的、自我强化的课程螺旋，且全程从零开始——无数据、无人工干预、无任何外部输入。仅凭两个智能体相互推动，共同迈向更高阶的智能水平。更厉害的是他们加入的“制胜法宝”：在循环中嵌入完整的Python工具解释器。执行智能体学会用代码推理解决问题；课程智能体学会设计需要工具辅助才能完成的任务。于是两个智能体持续升级迭代。最终结果？ → 数学推理能力提升18%→ 通用推理能力提升24%→ 性能超越R-Zero、SPIRAL、Absolute Zero，甚至击败了采用外部专有API的框架→ 全程零数据支撑，仅依靠自进化循环实现研究人员还展示了任务难度随迭代次数上升的曲线：任务从基础几何题起步，最终升级为约束满足问题、组合数学题、逻辑谜题以及多步骤工具依赖型问题。这是我们目前见过的最接近大语言模型自主认知成长的成果。 Agent0不仅仅是“更优秀的强化学习（RL）”。它为智能体搭建了自我引导智能提升的蓝图。智能体时代就此开启#ai创造营##ai生活指南##科技先锋官#

45. 你还在用旧思维与AI打交道吗？ #大咖观察 #红衣聊AI #AI时代 #智能体 #大模型

46. 《智能体设计模式》第六章「规划模式」完成翻译了，目前已翻译章节：00 - 前言部分网页链接01 - 第一章：提示链模式网页链接02 - 第二章：路由模式：网页链接03 - 第三章：并行模式网页链接04 - 第四章：反思模式网页链接05 - 第五章：工具使用模式网页链接06 - 第六章：规划模式网页链接规划模式让智能体具备前瞻性思维能力，能够将复杂任务拆解为更小且可管理的步骤，并制定实现预期结果的策略。通过规划能力，智能体不再只是对眼前输入作出反应，而是能够自主规划从初始状态到目标状态的完整路径。这里为大家梳理几个关键要点：1. 核心理念：从被动响应到主动规划规划模式的核心在于建立「理解目标 → 制定计划 → 执行步骤 → 灵活调整」的智能流程，让智能体具备战略性、目标导向的执行能力。- 传统模式的局限：基础智能体只能对眼前输入作出反应，缺乏处理复杂多步骤任务的能力，无法将高层次目标拆解为可执行的子任务。- 规划模式的价值：智能体能够接收高层次目标并自主拆解为有序的执行步骤，在遇到阻碍时灵活调整路线，从而有效处理包含多个步骤和相互依赖的复杂任务。2. 规划的关键特征规划模式通过以下特征实现智能化的任务执行：- 目标驱动：接收高层次的目标声明（做什么）而非具体指令（如何做」，由智能体自主决定实现路径。- 即时生成：计划不是预先存在的，而是根据当前状况和目标要求即时生成的。- 灵活应变：初步计划只是出发点，智能体能够接纳新信息并在遇到阻碍时动态调整策略。- 结构化分解：将复杂目标拆解为一系列更小、可执行的步骤或子目标，按逻辑顺序处理依赖关系。3. 典型应用场景规划模式在四大领域展现出核心价值：- 流程自动化：编排复杂工作流，如新员工入职流程，包括创建账户、分配培训、部门协调等有序子任务。- 机器人与自主导航：进行状态空间遍历，生成从起始状态到目标状态的最优路径，同时遵守环境约束。- 结构化信息整合：生成研究报告等复杂输出，规划包含信息收集、数据归纳、内容结构化、迭代打磨等阶段。- 多步骤问题解决：制定并对系统化流程进行诊断、实施解决方案，并在必要时升级处理。4. 实现框架与特点- CrewAI：通过定义明确的智能体角色和任务，支持先规划后执行的工作流，适合结构化的多步骤任务。- Google 深度研究：利用多步骤动态迭代流程，把用户提示拆解为研究计划，循环执行搜索与分析，生成带引用的结构化报告。- OpenAI 深度研究接口：提供编程化控制能力，支持 MCP 协议连接私有知识库，展示完整的中间步骤（推理、搜索、代码执行）。5. 使用时机与权衡当任务复杂度超出单一操作范围时，应当使用规划模式，但需要权衡灵活性与可预测性：- 适用场景：任务需要多个相互依赖的步骤才能完成；「如何做」的方案需要探索而非已经明确；需要自动化处理复杂的工作流程；需要生成全面、综合的结果。- 权衡考量：当问题的解决方法已经清楚且可重复时，固定流程比动态规划更有效；规划增加灵活性的同时也引入了不确定性；需要在自主性和可预测性之间找到平衡。- 核心价值：将智能体从简单的被动响应者提升为战略性、目标导向的执行者，能够管理复杂流程并产出全面综合的结果。项目：github.com/ginobefun/agentic-design-patterns-cn/blob/main12-Chapter-06-Planning.md#人工智能##程序员#

47. 不被AI淘汰的重要能力就是学会当智能体的领导。 #大咖观察 #红衣聊AI #智能体

48. 当你还觉得AI只是“辅助工具”时，它早已在改写很多行业的游戏规则了。#大咖观察 #红衣聊AI #AI工具 #智能体

49. 语音智能体商业落地的教训、经验与实践｜李沐硅谷101年度线下大会演讲（全英）

50. 2025年，Agent对于打工人真的有用吗？实测OK Computer

51. 「Github一周热点103期」超轻量的clawdbot、编程智能体的记忆工具、聊天记录分析工具、视觉agent框架和键盘、鼠标统计工具

52. 真正的系统级Agent！这个桌面上的AI能帮你全自动干活

53. 对话云栖大会：下一个AI爆款、大模型进化与Agent万亿级企业市场

54. AI智能体时代，职场规则已不同以往。想成为赢家，关键在于找准自己的位置。#大咖观察 #红衣聊AI #智能体

55. PC 软件为手机重做了一遍，现在轮到 Agent 了2 月 10 日，笔记软件 Obsidian 发布了 1.12 版，核心功能是一个命令行工具（CLI）。同一天，画图工具 Draw.io 和 Excalidraw 都发布了 MCP（Model Context Protocol）接口。三个消息单独看都不大，放到一起却指向同一件事：软件正在为 AI Agent 重做自己的接口。Obsidian 的用户群不是极客，核心受众是做笔记、搞知识管理的普通人。这样一款产品突然加了命令行工具，图什么？答案写在官方公告里：“scripting, automation, and integration with external tools”。翻译成人话：让 AI Agent 能直接操作你的笔记库。命令行工具有一个天然优势：自带说明书。Agent 只需要运行一条 `obsidian --help`，就能拿到所有功能和用法。文件名是元信息，参数是接口文档，不需要额外配置，CLI 天生就是 Agent 能理解的语言。Draw.io 和 Excalidraw 选了另一条路，发布 MCP 接口。MCP 是 Anthropic 推出的协议，定义了 AI 和外部工具之间的标准通信方式，到 2026 年初已成事实标准，OpenAI、Google、Microsoft 全部跟进。画图软件有了 MCP，Agent 就能直接创建图表元素、修改属性、导出成品，不需要人打开任何界面。三款工具，同一天，两种技术路线，同一个结论：软件厂商已经把 AI Agent 当成一类新的“用户”来服务。【1】上一次这种事发生，诞生了微信和抖音2007 年 iPhone 发布后，每一个 PC 软件都面临同一个问题：你的产品在手机上怎么用？PC 时代的大屏幕、鼠标、键盘、多窗口，到了手机上全部失效。不是把网页缩小就行，要从头设计交互、重写界面。这催生了整个移动互联网时代。微信不是 QQ 的手机版，抖音不是优酷的手机版，美团外卖不是大众点评的手机版。它们是为手机这个新载体从零设计的产品，因此成了各自领域的赢家。Agent 带来的变化，结构上一模一样。手机改变的是人和软件之间的交互界面：从鼠标键盘变成触屏手指。Agent 也在改变交互界面，只不过这一次，使用软件的不再是人，而是 AI。人需要图形界面、按钮、视觉反馈。Agent 不需要这些，它需要结构化的接口、明确的参数、可预测的输出。GUI（图形界面）对 Agent 来说是累赘，CLI 和 API 才是母语。Obsidian 加 CLI、Draw.io 加 MCP，就是在给 Agent 开一扇专属的门。【2】2 月 5 日，两件事同时发生软件厂商愿意为 Agent 适配，前提是 Agent 真的能用起来了。2 月 5 日，Anthropic 和 OpenAI 在同一天分别发布了 Opus 4.6 和 GPT-5.3-Codex，各自最强的 Agent 模型。Opus 4.6 支持 100 万 token 上下文窗口，在 Terminal-Bench 2.0（评估 Agent 终端任务能力的基准测试）上拿到 65.4%。GPT-5.3-Codex 更激进，在同一基准上得分 77.3%，接近人类水平，OpenAI 对它的定位也从“代码助手”变成了“通用工作 Agent”。这两个模型的共同特点：不只是更聪明，而是更能做事。上下文更长，复杂任务不断档；工具调用更强，和外部软件配合更顺畅。Claude Code、Codex CLI 这类 Agent 工具把这些能力带进了日常工作。Opus 4.6 的 Agent Teams 功能还能让多个 Agent 并行协作，各管一块。开源这边动静更大。OpenClaw 1 月发布，72 小时拿了 6 万 GitHub star，现在超过 14 万。它跑在本地，通过 WhatsApp、Telegram 和你交互，能管邮件、管日历、跑脚本、操作浏览器。《科学美国人》的标题是：“这个开源 Agent 在运行你的电脑。”Agent 到了这个能力水平，软件不为它们适配，就是把一类越来越重要的“用户”拒之门外。【3】不开门，Agent 就翻窗有些厂商主动开门，有些选择抵制。趋势不会因为抵制而停下。去年底豆包手机的遭遇就是例子。字节跳动的 AI 助手用 AI 模拟人操作手机界面（GUI Agent），替用户跨 App 操作，结果微信、支付宝、淘宝纷纷限制使用。表面理由是安全，更深的原因是 Agent 绕过了广告和推荐链条，影响了平台收入。但封杀一个豆包，封不住整个行业。苹果 Siri 在接入 Gemini，华为小米 vivo 全在推 AI 助手，IDC 预测 2026 年中国 AI 手机出货量将占过半。更关键的是，GUI Agent 本身就是一种“翻窗”操作：AI 模拟人点屏幕，效率低、易出错、触发风控。如果 App 主动提供了 API 或 MCP，Agent 就不需要“装成人”去操作界面，而是通过授权的、结构化的方式调用功能，操作透明、权限可控。我自己就有体感。我之前不爱发微信公众号，因为编辑器太难用。现在排版、配图、上传草稿箱全部由 Agent 通过浏览器自动化完成，我只管写内容。公众号从没为 Agent 提供过接口，但 Agent 硬是“翻窗”跑通了。能用，但如果官方给一条正路，体验会好一个数量级。这就是 Obsidian 和 Draw.io 选择主动适配的逻辑：与其让 Agent 用各种 hack 绕过你的 GUI，不如直接给它一条干净的路。【4】CLI、MCP、Skills：给 Agent 开门的三种方式软件为 Agent 适配，目前主要三条路。CLI：命令行工具对 Agent 天然友好，参数明确、输出结构化、自带帮助文档。开发门槛低，兼容性最好，任何能调 shell 的 Agent 都能直接用。适合已经有命令行体系的开发者工具。Obsidian 和 Codex CLI 走的都是这条路。MCP：优势在于标准化和权限管控。一个 MCP 接口写好，所有支持 MCP 的 Agent 都能用。你可以精确定义 Agent 能调用哪些功能、访问哪些数据。到 2026 年初，MCP server 数量已超过一万个。适合涉及数据安全和权限控制的场景。Agent Skills：不需要改代码，由用户或社区编写一组指令文件教 Agent 怎么用你的软件。Obsidian 官方就在 GitHub 上发布了一套 Skills。门槛最低，一个 Markdown 文件就能搞定，但也最脆弱，依赖 Agent 对自然语言指令的理解准确度。怎么选？有命令行体系的，CLI 优先；需要权限管控和跨平台兼容的，走 MCP；短期没开发资源的，先写 Skills 让社区用起来。三条路不互斥，最好同时提供。【5】你现在可以做什么如果你是普通用户，建议从现在开始把一些重复任务“委托”给 Agent。用 Claude Code 整理文件、生成文档、自动化日常工作。想折腾的可以试试 OpenClaw，感受一下“AI 替你干活”的状态。安全性上 OpenClaw 还有争议，敏感场景慎用，但体验 Agent 能力值得一试。养成一个习惯：遇到重复劳动先想想“这个能不能让 Agent 做”，这种直觉会慢慢拉开效率差距。如果你是产品经理或开发者，现在就该想：你的产品对 Agent 友好吗？核心功能是不是只能通过 GUI 操作？Obsidian 的做法是在已有产品上加一条 CLI 通道，成本不高，但打开了全新的使用场景。MCP 生态在快速扩张，早一步提供接口就能在 Agent 生态中抢到先机，就像移动互联网早期，第一批做好移动适配的产品吃到了最大的红利。如果你是公司决策者，想想豆包手机的教训。封杀 GUI Agent 只是治标，Agent 操作软件这件事不会因为一家公司的抵制停下来。主动提供接口，至少你能控制 Agent 怎么用你的产品；被动等着被“翻窗”，连操作日志都拿不到。Obsidian 发了个 CLI，Draw.io 发了个 MCP。看起来是两条产品新闻。放到 Opus 4.6 和 GPT-5.3-Codex 同日发布、OpenClaw 一周拿十几万 star、豆包手机被围剿这些事旁边看，指向的是同一件事。十几年前，没有移动端的软件被慢慢淘汰。今天，没有 Agent 接口的软件，同样的事情会发生，只是速度快得多。

56. The Complete Guide to Building Agents with the Claude Agent SDK。这篇基于Claude Agent SDK 构建智能体的指南很详细了。周末可以试试～介绍了 Claude Agent SDK 的核心功能与应用，展示了开发者如何利用该工具构建具备自主能力的 AI 智能体。该库继承了 Claude Code 的底层架构，能够自动处理任务循环、上下文管理及文件读写等内置工具。通过具体的 TypeScript 代码示例，文中详述了开发代码审查智能体的过程，包括如何实现自动化漏洞检测与结构化反馈。此外，内容还涵盖了子智能体协作、权限控制以及通过 MCP 协议扩展自定义工具的高级用法。#程序员# #ai#

57. 卡帕西宣判Vibe Coding终结！99%代码AI接管，智能体工程时代开启

58. AI Agent 的“进化之路”：从研究原型到生产级记忆系统，技术趋势与产品对比

59. 未来智能体不能把它看成软件，它可以把大模型的专业能力提炼出来 #大咖观察 #红衣聊AI

60. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

61. 全球首家无人公司来了！一整个AI团队替人上班，不吃饭不摸鱼，普通人的数字员工时代真的来了吗？#大咖观察 #红衣聊AI #智能体 #AI时代

62. AI如果要自我繁殖，人类要不要给它这个权限？ #大咖观察 #红衣聊AI #人工智能 #科技

63. 2026必备！这8大AI工具，没有裸泳......

64. AI Agent落地“卡壳”？腾讯云用100毫秒沙箱打通“最后一公里”｜甲子光年

65. AI Agents 速查表如果你正试图理解 AI Agent 的概念，这是一份不错的起点。目前关于 Agent 框架的讨论很多，但从核心来看，大多数框架都建立在同一组基本思想之上。这份速查表简单概述了从大型语言模型（LLM）到编排层（Orchestration）再到协议（Protocols）的关键构建模块。无论你是在探索 Agent 工具、构建内部自动化，还是单纯想更好地理解这个领域，它都很有用。什么是 AI Agent？1. Agent 结合了“推理能力”和“行动能力”。2. 它们不仅能回答问题，还能制定计划、调用工具、访问数据，并触发现实世界的操作。语言模型（Language Model）1. 它是核心的推理引擎，用来理解输入并生成计划或回应。2. 但仅靠它自身，无法在现实世界中执行行动。工具（Tools）1. Agent 用来完成有用任务的 API、函数或外部集成接口。2. 例如查询数据库、发送邮件或调用 Webhook。编排层（Orchestration Layer）1. 负责协调 Agent 的行为——包括其推理方式（如 CoT、ReAct 等）、步骤顺序以及与工具的交互。Agent 协议（Agentic Protocols）1. MCP、A2A 等协议让不同平台上的 Agent 能协作（如 Slack、GitHub），并在多个任务间保持上下文。构建 AI Agent1. 没有唯一的构建方式。2. 有的从一个 Prompt 起步，有的依赖低代码平台，还有团队构建完整的自定义框架3. 这份速查表展示了各种方式之间的取舍与权衡。如果你想理解 Agent 领域，或向团队解释它的原理，这份结构化的拆解会很有帮助。可以收藏下来，作为随时查阅的参考资料。#人工智能##程序员#

66. 这个对 Agent 的定义和归纳挺好！Agent 是一种能够自主决策、执行任务、并在过程中动态调整行为的智能体。它并不是简单的问答系统，而是能理解目标、规划行动、调用工具、记忆状态，并根据反馈优化策略的智能执行系统。关键特征：（1）自主性：Agent 不依赖固定流程，而是根据上下文和已学到的信息动态决定下一步行动。（2）记忆能力：能够在多轮交互中保持状态，记住过往的操作与结果，用以改进后续决策。（3）工具使用：可以选择并组合不同的外部工具或系统，灵活完成复杂任务。（4）自适应性：在策略失败或信息不足时，能尝试不同方法或补充信息，持续优化执行路径。架构形式：（1）单智能体（Single-Agent）架构：由一个 Agent 处理所有任务，适用于中等复杂度的流程。（2）多智能体（Multi-Agent）架构：不同的 Agent 负责不同子任务，能处理复杂工作流，但需要协调机制确保协同一致。工作方式：Agent 通常会将用户请求拆解为子任务，通过搜索、记忆和工具调用等过程生成最终响应，并在此过程中不断判断是否需要更多信息、是否已回答过类似问题、是否需要切换策略。归纳起来：Agent 是具备理解、规划、执行、记忆与自我调整能力的智能体，能够以动态和自适应的方式完成复杂任务。#ai创造营# #程序员#

67. 火山引擎这次发布的两款模型，挺值得聊聊的。豆包1.8专门面向多模态Agent场景进行了定向优化，具有更强的Agent能力、升级多模态理解、更灵活的上下文管理，瞄准的就是教育、质检这种有明确场景需求的行业。日均token用量涨10倍、上百家企业用量破万亿，这背后透出的客户需求非常真实，企业不是为技术买单，而是为"解决实际问题、降本增效"买单。火山引擎的“AI节省计划”刚好抓住这个痛点，最高47%的阶梯折扣，加上Seedance模型的“Draft样片”预览功能，能削减60%无效成本、提升65%效率，让中小公司也敢放开手脚用AI。再看Seedance 1.5 pro主打音画同步、方言口型对齐，甚至覆盖小语种，这明显不是只给专业影视团队用的。短视频、跨境电商、线上培训…这些领域需要低成本快速产出高质量视频，摆脱过去“要么贵、要么假”的困境。谭待还提到传统IT架构撑不住Agent时代，这点很实在。很多企业卡在“模型有了，但不知道怎么集成到旧系统里”“权限怎么管理”“任务怎么调度”。火山引擎推AgentKit和HiAgent工作站，表面是工具，其实是在卖“一站式Agent管理方案”。帮企业把AI“管起来”，让它能安全、稳定、可监督地嵌入业务流。这次发布像一面镜子，照出目前AI市场的真实水温，客户要的是省钱、省心、能直接嵌入业务的智能体，并且最好能源头控制成本和风险。模型能力是门票，但打赢市场靠的是生态配套和对行业痛点的理解。#豆包大模型1.8正式发布##火山引擎2025原动力大会#

68. 第5天，Google AI Agents 《Prototype to Production》，智能体开发的「最后一公里」。把 AI Agent 从原型推到真正的生产环境，不止是技术问题，更是工程、治理、运营三者叠加的系统性挑战。1. 把原型推到生产，核心难点不在模型，而在“可信度” 构建一个 Agent 很容易，但信任一个 Agent 很难。原型阶段很快，但真正的工程工作集中在安全、验证、监控、版本控制、CI/CD、治理等环节。如果没有这些基础设施，再聪明的 Agent 都无法上生产，甚至会带来严重业务风险。2. 生产化的基础是 Evaluation-Gated Deployment 传统软件靠单元测试，而 Agent 需要评估“行为”。白皮书提出了一个特别关键的思想：任何 Agent 的更新，都必须先经过评估门槛。（1）手动 pre-PR 评估：适合中小团队，由工程师本地跑评估，把结果贴到 PR。（2）自动化 Pipeline Gate：成熟团队直接把评估集成到 CI/CD，评估不达标就自动阻断部署。重点不只是测试结果好不好，而是要观察轨迹、工具调用是否稳定、是否引入新的幻觉问题，安全防护是否生效。3. 建立三阶段 CI/CD 是“最后一公里”的工程基石整个管线分三个阶段：（1）CI 阶段：快速检查，重点在代码、提示词、配置文件是否破坏现有行为。（2）Staging 阶段：真实环境的集成测试、负载测试、内部试用。（3）生产部署阶段：人工最后确认，然后把已验证过的 Staging 工件安全地推进生产。这套流程最关键的能力是“版本可回滚”和“基于 Git 的完全可追踪变更历史”。4. 安全要从第一天开始，不是上线后补丁 Agent 因为具备推理能力，会被提示词注入、数据泄露、工具滥用等方式攻击。（1）系统指令作为最核心的安全根。（2）输入过滤、输出过滤、HITL 等作为执法层。（3）红队、模拟攻击、LLM judge 安全评估作为持续保证。这套“策略 → 执法 → 持续验证”的结构，才是长期安全的关键。5. 上线后，其实是更困难的阶段：Observe → Act → Evolve （划重点）这里把生产中的复杂性抽象成一个循环。（1）Observe：日志、trace、metrics，理解 agent 如何决策，而不是看黑盒输出。（2）Act：根据观测调整限流、成本控制、熔断、异常处理等。（3）Evolve：把线上出现的问题转成新的评估案例，提升提示词、工具、策略，然后通过 CI/CD 推回生产。也就是说，AgentOps 的目标不是“让系统永远不出问题”，而是“让问题一旦发生就能快速闭环”。6. 组织规模变大后，就会需要 A2A 和 MCP MCP 负责“工具级的能力调用”，标准化工具接口； A2A 负责“Agent 之间的协作”，让不同团队构建的 Agent 可以互相调用，实现真正的“企业 Agent 生态”。它们不是替代关系，是分层关系。当企业内部出现很多 Agent 时，没有标准协议就无法协作，会碎片化、重复造轮子。7. Registry 的价值不是技术，而是规模化治理工具注册中心（Tool Registry）和 Agent Registry 的意义在于：（1）避免重复创建工具（2）统一审计和权限（3）缩短开发者搜索能力的时间文档的观点很现实：小团队不需要，但规模大了就离不开。（听说不少大公司已经在搞这些注册中心了）8. AgentOps 真正的价值不是降低风险，而是提高迭代速度文档最后强调：“速度是最大的价值”。以前改一个系统可能需要几周，但 AgentOps 成熟后，基于评估驱动、CI/CD、Staging环境、可控上线、快速回滚，可以做到几小时完成一次改进。这意味着 Agent 不再是“部署一次就放着跑”的系统，而是一套持续演化的产品。一旦Agent开始上线，工程师们就从“写代码”的角色转变为“如何经营一个有自主性的系统”，路远且难，但一切都有章可循。#ai创造营##程序员#

69. 如果我总结 2025 AI 的最重大的趋势，那么就是 Cursor 和 MCP 。他们指出了 AI 价值的最核心的东西：AI 不是陪 SB 们聊天的，这个创造不了多少价值。AI 是取代 SB 们开发项目或者运用工具的，这样可以带来效能的提升，真正跃升生产力。（所谓 Agent，tool use，computer use 这些烂七八糟的概念其实就是这个意思）在云端服务器的玻璃房子中的 LLM 价值极为有限。而“手”能深入到本地代码库、直接调用本地功能的 LLM，价值才以百亿美金起步。其实，这不就是 CNN 网络在自动驾驶上的故事吗？

70. 【LLM智能体正在成为新一代高级编程语言】一个大胆的假设：C语言之于汇编，Java之于C，Python之于Java，现在LLM智能体正在对所有编程语言做同样的事。这里说的LLM智能体，指的是一种全新的开发模式：多个智能体并行工作，大部分时间自主运转，只在关键节点需要人类介入。判断这个假设是否成立的标准很简单：如果一个开发者借助多智能体能产出十倍于从前的成果，那它就是真的。2026年初的今天，我还不能完全确定，但已经在认真考虑这种可能性。对于在软件行业摸爬滚打多年的人来说，质疑声不会少。先回应几个常见的：“十倍代码量不等于十倍产出，那只是垃圾代码。”没错，衡量标准应该是实际交付的功能价值，不是代码行数。如果假设成立，真正的“代码”其实是你给LLM的指令。“LLM是给不会写代码的人用的。”LLM确实会带来大量新程序员，但这不意味着老手用不上。事实上，很多资深开发者正在借助LLM实现产出的飞跃。“用LLM就是偷懒不想动脑。”恰恰相反。当你用LLM做更多事情时，你需要思考和工作得更多，而不是更少。管理一支智能体舰队比自己写代码更费心力，因为你要设计的东西是原来的好几倍。“LLM会让我们的编程技能退化。”可能吧。但我们在工作中也不会担心汇编或C语言技能生疏。大多数人只在业余时间练习这些，因为没人能证明用汇编写业务代码会更高效。“LLM写的代码比我差太多。”几乎肯定如此。但你的汇编代码也比不上专家。只要LLM生成的代码足够高效，能跑起来，就已经可以交付了。系统会丑一些，但它能用。“用LLM智能体太贵了。”如果它们能带来50%的生产力提升，对比你的薪资，其实一点都不贵。而且LLM只会越来越便宜。它们只在绝对值上贵，相对值上并不贵。“我试了一下午，纯粹浪费时间。”学习曲线是存在的。想想你当初花了多少时间和编程工具、语法搏斗，才勉强上手。以上这些反对意见在逻辑上都站不住脚，但情感上确实不容易接受。真正触及核心的问题有两个：质量和可理解性。LLM生成的代码会不会很快变成一堆垃圾？我们是不是在沙子上建房子？LLM生成的代码量会不会大到我们永远无法理解？即使系统能跑，我们是否会因为不理解而永远失去控制？我认为质量和可理解性应该成为任何LLM编程框架的核心目标。从经济角度看，只追求质量是不够的。可理解性可能是浪漫主义的幻想，也可能是一个值得押注的长期赌注。我选择后者。有趣的是，LLM比以往任何高级语言都更具非确定性。但它们也能在高层次描述上帮你理清思路，这是以前任何抽象层都做不到的。未来的开发会是什么样子？我看到四个核心要素：文档是一组描述系统规格的页面，包括目的、核心实体、接口、约束、关键流程和编码规范；实现是代码库加上所有数据，代码库应该能从文档重建，数据应该与文档描述一致；对话是多个智能体在执行任务时产生的思考流，人类可以随时查看或介入；任务是一组动态的离散工作单元，可以嵌套，有状态追踪。两个存量，两个流量。文档和实现是系统的积累，对话和任务是构建它们的过程。人类当然可以直接修改文档和实现，但这种情况会越来越少，因为大部分工作流是智能体驱动的，人类主要在与智能体交互。智能体可以扮演多种角色：独立完成任务的执行者、协调下一步的管理者、试图破坏新功能的测试者、脱离上下文审查代码的评审者、解决冲突的合并者。重要的是人类可以灵活配置，指令可以是一次性的，也可以是文档的一部分。MCP协议带来了一个打破应用孤岛的机会。它可以被视为一种通用的数据请求接口，让你的智能体能够从任何现有应用中提取功能和数据，放到你自己设计的动态画布上。你可以说“从某个系统给我拿这些数据”，LLM就会去取，然后在你想要的地方做一个漂亮的即时可视化。这才是真正的孤岛终结者。如果我们用一个好的底层基座而不是臃肿的技术栈，LLM输出的代码量会大幅减少，也更容易理解。系统的前端变成了文档和智能体，后端变成了基座。还有一些开放问题：文档和对话如何与实现一起存储？版本控制系统怎么用？这些都等待探索。federicopereiro.com/llm-high/

71. 大神 Miles 今天又分享了一个非常实用的 Manus 代理提示，他已经用它执行了数百个任务，并称“这是我 2026 年使用最频繁、最有效的代理提示”。我认真分析了一下，有如下优点：角色定位清晰：把 AI 设定为“自主代理”，自己规划、执行、收尾，大幅减少来回沟通；明确先想后做：强制先思考再动手，并生成简短计划（子任务、工具、顺序、风险），相当于自带迷你项目计划书；确保结果可用：过程会汇报进度，结束还有总结和交付物清单，可直接落地使用。这个提示词适合场景为只有一个大目标、但你没时间或不想细拆步骤的长链路任务。有个感受：提示词的结构设计，本身就是提升 AI 质量和稳定性的关键。

72. 我们该如何看待AI Agent (智能体)，以及未来发展趋势是什么样的？

73. 27岁清华学霸姚顺雨掌舵腾讯AI 27岁清华学霸姚顺雨掌舵腾讯AI，一个98年出生的年轻人，从清华姚班到 OpenAl，再到腾讯首席AI科学家，顶级人才回流，AI竞赛正式进入agent时代！#AI #腾讯 #agent

74. Manus被Meta收购，这是中国AI路线的一次胜利。 #大咖观察 #红衣聊AI #manus #Meta #agent

75. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

76. 给建议的AI看够了？MiniMax Agent 让AI直接住进你的电脑干活#AI新星计划#科技改变生活#MiniMAX#Agent#minimaxagent

77. 未来人类社会或将出现百亿甚至千亿智能体，智能体经济是未来方向 #大咖观察 #2026AI看崇礼 #红衣聊AI #智能体

78. 奥特曼最新访谈：我为什么要如此激进地建算力中心，AI研究和商业化的最新进展#山姆奥特曼 #openai #Ai #世界模型 #Sora

79. AI 圈的“春晚”提前开了？MiniMax 的M2.5，10B 激活参数跑出旗舰水准！ #人工智能 #科技改变生活 #玩个很新的东西 #MiniMax #Agent

80. #上班要显贵效率才是搭配# “这个需求很复杂，AI搞不定？”中国电信星辰超级智能体笑了：我来！它能自主拆解超长流程任务，规划步骤、调用工具、还能无缝对接你的OA/ERP系统。最关键的是，这一切都在企业内网安全围栏内完成，敏感数据出门？不存在的！这才是老板放心、员工开心的真·企业级智能体！#科技感拉满的北京有多亮眼# 总裁精粹的微博视频

81. 都有这么多 Agent SDK/框架了（我应该没列全吧）一、OpenAI Agents SDKOpenAI 推出的 Agents SDK 是目前最轻量、最直接的 Agent 开发方式。它原生支持 Python 和 TypeScript，语法简洁，几行代码就能让 LLM 调用外部函数、工具或执行任务。1. 与 OpenAI 模型的无缝集成，尤其是函数调用、上下文管理等特性。2. 支持 multi-agent handoff 与任务链式调用，便于扩展复杂逻辑。3. 具备生产友好的可观测性与追踪机制。它非常适合快速原型和中小规模生产项目，是“入门写 agent” 的理想起点。二、LangChainLangChain 几乎是 LLM 应用开发的“标准库”。其 Agents 模块为 LLM 封装了链式推理、工具调用、上下文记忆等能力。1. 概念丰富——有 Chain、Tool、Memory、Agent、Retriever 等模块，适合构建复杂系统。2. 插件与生态极其庞大，几乎支持所有主流模型与数据源。3. 提供跨语言支持（Python 与 JavaScript/TypeScript）。LangChain 上手门槛略高，但生态完整，非常适合需要可扩展架构的项目。三、LangGraph用“流程图”思维管理 Agent 状态。LangGraph 是 LangChain 的“升级版本”，它将 Agent 系统抽象为状态机＋有向图，可以显式地控制 Agent 间的消息流与执行路径。1. 天然适合多 agent 协作、任务编排和状态回溯。2. 支持持久化与可视化，能直观看到系统执行流程。3. 面向生产级场景，具备清晰的错误恢复与检查点机制。如果你想做一个“多 Agent 系统”，LangGraph 几乎是最强大的开源选择。四、Google ADKGoogle 的 ADK（Agent Development Kit）主打可扩展性与安全性。它不是轻量原型工具，而是企业级 Agent 平台。1. 多语言支持，深度集成 Google 生态（Vertex AI、Gemini 等）。2. 工具调用能力极强，可直接对接云服务、API 与企业系统。3. 自带日志、监控、可观测性与治理能力。适合需要在企业内部署、具备高可靠性要求的 Agent 系统。五、SmolAgentsSmolAgents 是Hugging Face推出的一款轻量 Python 库，设计理念是“最小可行 Agent”。1. 安装简单、API 极少，几分钟即可跑通一个工具调用示例。2. 灵活支持 tool 注册与函数调用，但不追求完整框架。3. 适合快速原型、实验性项目或教育用途。如果你希望“几行代码让 LLM 动起来”，SmolAgents 是最轻便的起点。六、AutoGenAutoGen 最初由 Microsoft 研究团队推出，用于多 Agent 间的对话协作。它以“角色对话” 为核心，支持 LLM 代理之间互相交流、分工、调度任务。1. 多 agent 结构灵活，可模拟协作团队。2. 支持复杂任务分配与循环反馈。3. 对研究者和实验系统尤其友好。如果你的目标是研究 agent 交互机制或自动化工作流，AutoGen 是很好的基础。七、MetaGPT角色驱动的 Agent 系统。 MetaGPT 是一个以“AI 团队”为核心的框架，设计理念是让多个 agent 分别扮演项目经理、工程师、设计师等角色，共同产出结果。1. 多角色、结构化协作，任务拆解逻辑强。2. 擅长长链路流程（如产品需求分析→代码生成→测试）。3. 适合自动化软件工程类场景。如果你希望让 LLM 们“像一个团队一样协作”，MetaGPT 是不错的模板。八、Haystack AgentsRAG 与 Agent 的结合体。Haystack 原本是一套开源 RAG 框架，如今扩展出了 Agents 模块。它擅长将检索、知识库与 LLM 推理结合。1. 内置文档检索、索引、管道机制。2. 适合企业知识问答、文档助手类 agent。3. 与 LLM 、数据库和 vector store 的集成成熟。如果你的 agent 核心任务是“带知识的问答”，Haystack 是现成方案。九、Claude Agent SDKAnthropic 推出的开发包。它基于其先前产品 Claude Code 的 agent 引擎（agent harness）构建，目的在于为开发者提供“从模型调用 + 工具调用 +流程控制 +状态管理”这一整套能力。1. 上下文管理自动化：自带对话／会话上下文的压缩与管理机制，避免因上下文过长导致模型性能下降。 2. 丰富的工具生态：包含文件操作、代码执行、网络搜索等内置工具，并支持扩展自定义工具／插件。 3. 权限与安全机制：可以细粒度控制 agent 可使用的工具、权限模式（例如 allowedTools、disallowedTools）等。 4. 生产化准备特性：例如会话管理、错误处理、监控能力、模型优化／提示缓存机制。 5. 插件和扩展支持：通过插件机制（如自定义命令、子 agent、技能集、MCP 服务器）可创建复杂系统。#ai创造营# #程序员#

82. Agent常见面试题：LLM 是如何学会调用外部 API 或工具的？1 训练数据让模型先“知道工具是怎么用的”在模型具备工具调用能力之前，它必须先在训练数据里看到足够多的工具调用示例。通常包含两类数据：1）真实 API / 工具调用代码或文档，例如：a. “要获取天气，请调用 get_weather(city=...)”b. “要计算数学表达式，请调用 calculator(expression=...)”2）人类标注或模型生成的“对话 + 工具调用”示范，例如：a. 用户问：杭州天气如何？模型示范：调用 tool.get_weather({city:"杭州"})再根据工具返回的结果继续回答。通过这些示例，LLM 学会了：什么问题对应调用什么工具；工具调用的格式是什么；什么时候不该调用工具。2 监督学习（SFT）使模型学会“根据指令选择工具”在 Fine-tuning 阶段加入大量的示例：1）该调用工具的场景2）不该调用工具的场景3）多工具协作场景例如：用户问「告诉我台北到上海的机票价格」。正确示例：a. 模型判断这需要实时信息b. 模型调用 flight_search API模型学习到：当遇到“需要外部信息/计算能力”的问题时，应倾向调用工具。3 通过 RLHF 让模型“偏好正确的工具调用行为”强化学习阶段会奖励：1）正确调用工具2）不乱调用工具3）工具调用后能给出正确结果惩罚：1）不必要的调用2）调用错误的工具3）调用格式不正确这一步让模型不仅会“模仿”，还会“懂得什么时候该调用工具”。4 ReAct / 规划式数据让模型学会 “推理后再决定工具”许多训练数据采用 ReAct 风格：1）模型先思考：要不要调用工具？2）再决定工具调用3）执行后再继续思考与回答这种数据让模型具备：1）任务分解2）长链路推理3）工具调用规划最终效果是：面对复杂任务，模型不会盲调，而是自行形成“推理 → 调用 → 再推理”的结构化流程。5 架构层提供“可调用工具的接口”现代 Agent 框架都会在推理阶段给模型提供一个结构化 schema：1）告诉模型有哪些工具2）告诉模型调用格式3）告诉模型每个字段是什么类型这样模型在生成内容时不需要“猜”，而是严格遵循系统提供的 schema，直接输出可执行的 JSON 或结构化调用指令。例如：1）系统提供工具：search(query: string)2）模型内部只需决定：要不要调用？，以及 query 内容是什么。6 推理时的实际行为：模型并不真的“执行工具”，而是生成结构化调用请求推理时发生的事情是：1）模型生成 JSON 指令，例如：{"tool":"search", "query":"杭州天气"}2）外部系统执行工具并将结果返回3）模型继续根据工具结果生成下一步行动或最终答案模型本身没有执行能力，它只是生成符合 schema 的字符串而已。总结LLM 学会调用外部 API / 工具，是一个“示例训练 + 强化学习 + 架构支撑 + 推理策略”组合的结果：1）先在数据里看到大量工具调用示范2）通过 SFT 学会该如何调用3）通过 RL 学会什么时候应该调用4）通过 ReAct 学会任务分解与步骤规划5）通过 functions/schema 让调用标准化因此模型看起来像真的“理解工具”，但本质是根据统计学习到的模式生成结构化指令。#ai创造营# #程序员#

83. AI首胜人类博士，顶会论文秒变代码！港大90后开源刷爆8k星

84. 看完吴恩达 DeepLearning AI 「Agentic AI」前半部分，整理了一下。一、Agentic Workflows 介绍 Agentic AI工作流指的是由一个LLM作为核心“大脑”，通过自主决策来规划、执行多个步骤，并驱动各种工具以完成复杂任务的智能流程。其核心要素包括：LLM、多步骤执行、任务完成。 1. 自主性程度 - 较低自主性：步骤预先定义好，工具调用为硬编码。自主性主要体现在文本生成部分。 - 高度自主性：Agent 能自主做出决策，并可以动态创建工具。 2. 优势 - 性能更好：在使用相同模型的情况下，Agentic AI 通常能获得更优的性能表现。 - 并行执行：支持多个步骤或任务同时进行。 - 模块化与动态替换：可以灵活替换工作流中的特定模块或模型。 3. 任务拆解设计 Agentic AI 时，关键一步是对任务进行拆解。工作流/任务可以拆分为以下形式： 1）模型类型： - 大语言模型：负责文本生成、工具使用、信息提取等； - 其他 AI 模型：如 PDF 转文本、语音合成（TTS）、图像分析等。 2）工具类型： - 接口 API：例如网页搜索、日历查询等。 - 信息提取：如数据库查询、检索增强生成（RAG）。 - 代码执行：用于计算、数据分析等。 4. 评估的重要性 - 客观评价：可通过代码或计算进行量化评估。 - 主观评价：利用 LLM 对结果进行打分（例如 0-5 分），但并非最佳实践，后续会进一步展开。 - 评估可针对端到端流程，也可针对单个模块或步骤。 - 通过检查执行轨迹（trace）来进行错误分析和评估。 5. Agentic 设计模式 - 反思（Reflection）：将模型输出再次输入给模型，让其自我反思以优化结果；也可结合外部输入（如代码执行结果）进行反思；还可设计专门的反思 Agent 或使用不同模型进行反思。 - 工具使用（Tool Use） - 规划（Planning） - 多智能体工作流（Multi-Agent Workflow）二、反思（Reflection）反思是指通过固定步骤对 LLM 的初次输出进行再次思考和分析的过程。结合外部工具或输入进行反思，往往能获得更优质的结果。实践证明，反思是显著提升模型性能的有效方法之一。在实践中，使用推理能力更强的模型专门负责反思任务，通常能取得更好的效果。三、工具使用（Tool Use） LLM 本身并不直接执行工具，而是由 LLM 指示执行引擎调用特定工具。执行引擎负责实际调用工具、获取结果，并将结果返回给 LLM，LLM 再基于这些结果生成最终输出。代码执行（Code Execution）是一个非常有用的工具。 LLM 可以生成 Python 代码，由执行引擎运行代码并返回结果。需要注意的是，执行代码时需考虑安全性，建议在 Docker 或沙箱环境中运行。模型上下文协议（MCP）的出现，极大地减少了工具调用的开发工作量，从原来的 m*n 级别降低到 m+n 级别。 #ai创造营##程序员#

85. 开发 AI Agent 应用时，直接使用 LangChain 或 LangGraph 等框架虽然方便，但复杂的抽象往往像个“黑盒”，让开发者难以理解底层的调用逻辑和决策机制。ai-agents-from-scratch 是一个专注于教学的开源项目，主张从零开始构建 AI Agent。它不依赖现有的成品框架，而是通过 Node.js 和本地大模型，带你一步步拆解 Agent 的核心原理。项目不仅涵盖了基础的模型调用，还深入讲解了函数调用、长期记忆、ReAct 推理模式等关键技术，帮助开发者在掌握底层逻辑后再去更明智地选择和使用框架。GitHub：github.com/pguso/ai-agents-from-scratch主要功能：- 基于 node-llama-cpp 实现本地大模型运行，无需依赖云端 API；- 循序渐进的学习路径，从基础交互到复杂的系统提示词与角色设定；- 深入解析函数调用原理，展示 LLM 如何决定调用工具并处理返回结果；- 实现持久化存储与记忆管理，让 Agent 具备跨会话的信息记忆能力；- 详解 ReAct 推理模式，演示“思考-行动-观察”的循环逻辑；- 提供进阶教程，手写实现类似 LangChain 的 Runnable 接口和状态机图结构。该项目要求 Node.js 18 以上环境，建议配置 16GB 内存以流畅运行本地 GGUF 模型。它非常适合希望深入理解 Agent 架构、提升 AI 应用底层开发能力的工程师参考学习。

86. 【最新玩法】n8n工作流秒变MCP工具，直连各种MCP客户端，零代码实操！

87. 什么是 AI 智能体？

88. OpenAI 如何打造AI原生工程团队的最佳实践《Building an AI-native engineering team》，归纳如下。文档介绍了团队应该如何真正把 AI 智能体嵌入工程体系，从计划、设计、开发、测试到上线运维形成闭环，加速整个 SDLC（软件开发生命周期）。1. 规划（Plan）规划往往需要大量代码语境理解，过去必须依赖资深工程师反复澄清。文档强调可以先让智能体读取需求、遍历代码库、标记模糊点、拆分工作项，把早期对齐成本显著降低。团队应该做的是专注决策、风险判断与优先级。因此，智能体不止是“辅助写代码”，而是可以提前介入需求—代码映射，用它来减少来回沟通。2. 设计（Design)设计通常被大量样板工作拖慢，例如项目结构初始化、组件框架搭建、样式规范套入。文档强调应让代理完成“从设计 → 组件 → 代码”的流水线式生成，再由工程师审阅架构一致性和 UX 合理性。设计阶段不是用 AI 画原型，而是让智能体直接产出“可运行验证的版本”，显著减少返工。3. 构建（Build）这是 AI 代理提升最明显的阶段。文档给出的最佳姿势，是让智能体负责端到端的初稿实现，包括模型、API、UI、测试和文档，工程师则把精力转向性能、架构、长期可维护性。构建阶段应把 AI 视为“第一实施者”。工程师不再负责逐行写，而负责判断生成方案是否符合系统演进方向。4. 测试（Test）随着智能体承担更多实施工作，测试反而成为工程师控制质量的主轴。最佳实践是让智能体生成测试用例、补全边界场景，并在代码变更后更新测试。不要只让智能体写代码，要让它写测试、跑测试、基于失败结果迭代；测试越强，智能体越可靠。5. 代码审查（Review）智能体可以持续、稳定地进行第一遍代码审查，尤其擅长发现逻辑漏洞、竞态、错误的数据库访问方式等。工程师则聚焦架构一致性与复杂变更的判断。AI 审查不是为了“更快合并”，而是为了“减少重大缺陷进入主干分支”。工程师的关注点应从细节检查转为整体正确性。6. 文档与知识沉淀（Document）智能体非常擅长根据代码生成结构化说明、依赖图和变化总结。最佳做法是把文档维护接入流水线，例如在发布流程中让智能体自动产出变更摘要，并由工程师确认关键部分。把文档写作视为“可自动化的持续任务”，而不是阶段性集中补齐。7. 部署与运维（Deploy & Maintain）让智能体读取日志、Trace、部署记录，再结合代码自动定位可能问题，并给出可行修复。工程师负责判断、确认和实施关键决策。在运维中使用智能体的关键不是预测故障，而是让其整合多源上下文，减少人工排查时间。重点：团队角色的重定义文档贯穿始终的主题是三个动词：Delegate、Review、Own。1 工程师应把重复性、结构化的工作交给智能体。2 工程师需要对智能体产出进行审阅，但专注关键决策点。3 工程师必须对系统的长期演进负责，对所有上线内容最终背书。AI-native 团队不是“工程师被取代”，而是“工程师从执行者变成决策者与架构塑造者”。#微博兴趣创作计划##人工智能#

89. 用OpenClaw的留意下风险↓heartbeat.md 或类似文件的核心作用通常是 “心跳”或“存活状态”文件。具体功能可能包括：1. 状态监控：Agent 定期读取或写入此文件，作为一个信号，表明自身进程在正常运行，没有“卡死”或崩溃。2. 防止循环/停滞：在长任务循环中，检查心跳文件可以作为中断条件或外部干预的入口点。3. 外部控制：有时，其他进程或用户可以修改这个文件（比如写入 STOP 命令），来通知 Agent 优雅地停止或改变行为。4. 简易日志：作为记录最后活动时间的一个简单方式。

90. Agent Skills使用指南：让AI智能体拥有“即插即用”的超能力

91. 阿里自研AI芯片亮相，由通义实验室、阿里云、平头哥组成的“通云哥”体系，有哪些信息值得关注？

92. EMNLP 2025 | AgentThink：小模型大超GPT4o! 首个融合推理与工具调用的自动驾驶 VLM 框架

93. Anthropic 内部分享：如何构建更高效的 AI Agent？

94. AI智能体如何改变自媒体创作者的工作环境？HarmonyOS 6工作场景体验

95. 容忍摸鱼、支持顾家、会用智能体！ #大咖观察 #红衣聊AI #职业技能

96. 2025过去了！这一年你是不是也在为AI焦虑？老周用360一整年的实践，告诉你答案：不用怕，抓住Agent就赢了！从我自己敲代码做100多个智能体，到带领团队All in，这条AI布道之路，全是实战干货。 2026，你想和智能体一起搞定啥？评论区留言，老周帮你研究！#大咖观察#2026 #年度总结 #红衣聊AI #agent

97. 想要张艺谋式色彩、诺兰式调度？如何靠智能体实现？ #大咖观察 #红衣客厅 #红衣聊AI #智能体

98. 「Github一周热点93期」多智能体舆情分析、桌面 AI 助手、自然语言画图、Rust桌面组件库、Linux服务器安全和GitHub绿墙

99. 快抄作业！我用JoyAgent搞了个AI团队 2025年都快结束了，Agent是不是还没用上？我找到了打工人用上智能体的最简单方法，就是用JoyAgent把每天重复的SOP全做成Agent，不懂代码也能零门槛搭建，而且效果很稳定。看着AI团队全自动打工、出活，非常解压。 #AI #智能体 #JoyAgent #JoyCode #京东云

100. 打算试试 Vibe Kanban 。一个面向 AI Vibe Coding 工作流管理的平台，它通过看板界面帮助我们规划、协调、执行和审查由多种 AI 编码智能体（coding agents）生成的任务。支持 Claude Code、Gemini CLI、Amp、OpenAI Codex 等。项目的设计理念：当大量代码由 AI 生成时，开发者的主要工作将聚焦在任务规划、结果审查与协调管理上，而不是单纯写代码。项目：github.com/BloopAI/vibe-kanban#ai创造营# #程序员#

101. 图解 AI 智能体的上下文工程

102. 当AI从工具进化为队友，个人超级智能体硬件来了

103. 传统的 AI 辅助编程往往需要开发者在对话框和编辑器之间频繁切换，手动同步代码并反复解释需求，处理多个并发任务时更是难以兼顾进度与质量。Auto Claude 是一个开源的自主 AI 编程助手，它将规划、编码和验证流程深度整合，为开发者提供了一套自动化的软件开发解决方案。不仅能根据需求描述自主完成方案设计和代码编写，还内置了 QA 验证机制进行自我纠错，并利用 Git 工作树确保开发环境的安全隔离。GitHub：github.com/AndyMik90/Auto-Claude主要功能：- 自主任务执行，涵盖从需求分析、方案规划到代码实现的全流程；- 支持并行代理，可同时开启多达 12 个终端处理不同任务，显著提升产出；- 基于 Git 工作树的隔离工作区，确保主分支在合并前不受干扰；- 内置自我验证循环，QA 代理会在交付前自动检查并修复代码问题；- 智能合并冲突解决，利用 AI 自动处理复杂的代码合并冲突；- 具备记忆层功能，通过图数据库存储项目背景，实现跨会话的上下文理解；- 提供直观的看板界面，支持实时追踪任务进度和代理工作状态。支持 Windows、macOS 和 Linux 多平台使用。系统需要安装 Node.js、Python 和 Docker 环境，并配合 Claude Code CLI 运行，非常适合追求高效率的独立开发者和技术团队。

104. 深度解析RAG、LangChain、Agent三者间的关系（附应用案例+大厂内部资源合集）

105. 智能体框架到产品：京东JoyAgent如何打造会自我演进的智能体系统

106. 手把手彻底学会 Agent Skills！【小白教程】

107. 华为乾崑 All in 启境，让“奔跑的AI智能体”走进日常生活，引领未来出行进入主动智能时代 #启境 #华为乾崑 #奔跑的AI智能体

108. MiniMax Agent 开年更新，好的 AI 产品，需要让工具来适应人了

109. #你会把手机权限交给AI吗# ？如今AI功能早已深度渗透手机日常使用场景，权限开放这件事，从来都是“便利”与“风险”的双向选择题。对我而言，我会选择性开放一些基础且可控的权限。比如让AI帮我整理相册、智能拦截骚扰信息、辅助编辑文案等这些功能，确实能省不少事；但涉及个人隐私（如通讯录、定位）和支付安全（如支付宝等支付类免密权限）等敏感权限的，我始终坚决不开放。哪怕现在的AI算法再顶尖，也无法做到100%规避风险漏洞，把这类核心权限牢牢握在自己手里，才最让人安心。常用的基础权限可适度开放，敏感权限则谨慎把控，这大概是平衡便利与安全的最优解～你们呢？会为了图方便开放全部权限，还是守住每一道“权限闸门”？

110. 收手吧GPT-5-Codex，外面全是AI编程智能体！

111. 生成更智能，调试更轻松，SLS SQL Copilot 焕新登场！

112. 降本增效，智启未来—央国企 Data+AI 数据治理实践与探索

113. 开发Agent只懂拖拉拽？你真的能跟上生产级开发的节奏了吗？

114. 大模型更像人的大脑，智能体是大模型的手和脚。 #大咖观察 #红衣聊AI #智能体 #大模型

115. 你还不会砍价？我用AI做了个年货砍价智能体...

116. 「Github一周热点101期」IT咖啡馆的开源项目，cowork的开源替代大批出现

117. AI智能体也卷起来了？又懂业务又不用搭工作流…

118. 华尔街主流机构一致预期：S&P 500 在 2026 年仍会继续上涨。德银、UBS、摩根士丹利核心观点：AI 是指数级生产力提升，会在未来 5–10 年持续抬高企业盈利曲线。这是 AI + 生产力革命推动的长期趋势，而不是短期的周期反弹。#美股#

119. 【Slop Code时代：当人人都能写代码，真正的门槛在哪里？】Naval一句话爆了科技圈："我们现在进入了slop code时代。"什么是slop code？就是那些AI批量生成的、能跑但谈不上优雅的代码。有人嘲讽，有人辩护，但这场讨论本身就说明了一切。有意思的是，评论区形成了几个鲜明的阵营：乐观派认为，slop code虽然粗糙，但它能跑。有人用Claude Code一天完成了原本需要两个月的项目。当创造的门槛降到零，更多想法得以落地。现实派指出，slop code早就存在，只不过以前叫"企业级软件"。人写的代码也未必高明多少，只是现在AI让问题更显眼了。最深刻的观察来自一条评论：编程已经从"写作"变成了"编辑"。入门门槛降到了零，但质量门槛提高了十倍。这才是关键。当生成代码变得廉价，真正稀缺的能力变成了：判断什么该写、什么不该写；在一堆能跑的代码里识别出真正好的设计；以及调试别人"氛围编程"产物的耐心。每个技术民主化的时代都伴随着质量的短暂下滑，然后是新标准的建立。智能手机让人人都能拍照，但好照片依然稀缺。AI让人人都能写代码，但好软件的定义正在被重新书写。slop code不是终点，是起点。问题是：你站在哪一边？x.com/naval/status/2008184012456751333

120. Gemini模型：对系统提示词理解能力差，调用工具塞的数据太多会坏掉胡言乱语输出乱码。Claude模型：对系统提示词理解能力强，但只要有工具就会优先调用工具试试不管你系统提示词怎么写的，如果调用工具的同时不要求结构化输出，还会把自己的推理直接漏出来。OpenAI模型：没有以上问题。

121. Skill-Insight

122. 一文详解Agent Skills到底是什么（快速入门Agent Skills）

123. 为什么 Agent Skills 让 AI Agent 更专业高效和更省钱？一文解读 Agent Skills

124. OpenSkills、AgentSkills、AnthropicSkills决定你的Agent成败

125. Agent Skills vs MCP 与常见 Agent Skills 介绍

126. Agent Skills 实战案例剖析

127. 为现实世界的智能体装备智能体技能

128. 基于Agent Skills的问数智能体的最新进展与思考

129. AI智能体标准化发展

130. AI 智能体还是技能？答案为何是"两者兼备"

131. 2026年AI应用技术栈

132. 【智能体开发】AI Agent Skill

133. 没有skill的AI不是好AI，动手打造你的第一个Skill应用——Agent Skill基础应用教程

134. 2026 Agent Skills元年！谷歌Antigravity让AI从\

135. Agent Skills 到底是什么？给 AI 配一套能反复用的“工作流程”

136. Skills vs MCP

137. 一文理解什么是 Agent Skill？

138. Agent Skills使用指南

139. AI Agent Skills 技术深度解析

140. 【AI今日头条】2025 年 AI Agent 技术演变路线

141. Agent 的“技能书”来了

142. NASA首次AI全权规划外星行驶任务完成

143. AI Agent的未来之争

144. AI竞争转向智能体时代，自主执行任务成新趋势

145. 从工具到管家

146. AI智能体进阶

147. Google

148. 开普云升级发布自主规划AI Agent平台

149. OpenAI 智能体工程指南

150. OpenAI、Anthropic 等共建 Agentic AI Foundation

151. Agent+Code，打开AI开发新范式

152. 对话框限制了你对AI Agent的想象力

153. OpenAI 三连炸

154. OpenAI发布AgentKit，帮开发者更快打造AI Agent

155. 阿里开源通义DeepResearch

156. 通义灵码 AI IDE 正式启动公测，集成 Qwen 最新模型能力，编程智能体全面升级

157. 阿里通义开源GUI智能体SOTA，2B - 235B端云协同革新移动端！

158. 阿里通义灵码 IDE 全新升级

159. 通义灵码重大升级，使用QWEN3大模型助力AI编程！

160. MiniMax M2.5

161. MiniMax

162. 1美元雇佣顶级架构师？MiniMax M2.5要把Agent价格打穿

163. 通义灵码助力美图构建AI驱动研发体系，助力提升研发能效和流程智能化

164. 👉 一句話生成完整網站？！我用 Minimax Agent 實測了竟然能註冊＋支付！

165. 不炫技的实在派，MiniMax M2才是AI普惠该有的样子

166. 开源黑马！MiniMax-M2 深度测评！专为编程与Agent而生！

167. 全网首测！MiniMax M2.5发布，跑OpenClaw实测真香

168. AI Toolkit

169. 微软Agent Framework深度解析

170. 米欧康®场景驱动指挥决策平台AI-Agent五大核心应用

171. 大模型服务 MAAS 与大模型 Agent 在电信行业可信数据空间的应用

172. 大模型服务 MAAS 与大模型 Agent 在电信数联网与可信数据空间的应用

173. 思迈特 Agent BI 发布，重构数据应用新范式

174. 思迈特Agent BI 发布“工具” 到 “数字同事” 颠覆数据应用范式

175. 北大李戈团队发布「代码智能体」综述，提出新一代软件开发范式

176. DeepCode: 开源智能体编程，把论文直接转换成可以执行的代码

177. 当下最火的AI智能体推荐

178. 别让智能体陷入“规则陷阱”，打造真正智能的数字员工

179. 如何设计Agent 协作流程

180. 2026 AI Agent六大趋势#AI全面爆发 #多模态炸场 #业务智能体化 #降本增效 #AI规模化落地 #全民AI时代 #组织重构 #生产力革命 #202

181. Google发布最新agent白皮书！！2026年，Agent将接管你的工作流！！

182. 2026年AI Agent趋势

183. 2026年 AI Agent 爆发元年

184. 从 Prompt 工程师到 Agent 开发者

185. Anthropic

186. a16z 预测 2026

187. 2026年AI Agent开发趋势解读

188. 2025年AI Agent行业价值及应用分析报告（附下载）

189. 甲子光年2025年AIAgent行业价值及应用分析报告（可下载）

190. 【初创】智能涌现

191. 从企业到个人

192. 2025年，AI Agent的爆发年

193. 周鸿祎

194. 【人工智能报告厅】2025年企业级智能体产业落地研究报告

195. 谁批准了这些AI Agent？重新思考AI时代下的访问权限、问责机制与风险管控

196. 企业上线AI Agent的主要安全风险与合规自评估清单

197. Agent Skills 傻瓜式教程,26 年最火 AI 技术就这?

198. Policy Address

199. fficiency

200. #人工智能发展目前面临哪些瓶颈#

201. AI能力-职场新标准

202. AI技能

203. AI时代，产品经理日常工作如何提效30%？

204. 世界经济论坛

205. Gartner:约1/3的企业报告AI显著提升生产力

206. AI辅助编程的生产力悖论与破解之道

207. AI如何在工作场景中提升员工创造力?一项最新研究提供实证证据

208. AI新风向:2024人工智能新趋势与发展方向

209. 关于征集智能体技能（Agent Skills）技术规范参编单位，并持续征集智能体测试床入驻单位的通知

210. 面试官：如何提升 AI AGENT 工具调用成功率

211. 迈向通用agent：通过环境扩展实现稳健工具调用

212. 从“工具过载”到“精准调用”：破解 Agent 工具管理难题

213. 可信AI | 关于征集智能体技能（Agent Skills）技术规范参编单位，并持续征集智能体测试床入驻单位的通知

214. 从代码生成到自主决策：Coding驱动自编智能体

215. Agent Skill 精选集：最值得收藏的 Agent Skills Top 10

216. Agent Skills 入门和精通看这篇就够了！

217. 用Microsoft Agent Framework，30 行代码打造会 “干活” 的 AI 代理

218. 爆火的 Agent Skills 深度解析

219. 多智能体AI系统太难调？微软+CMU推出交互式调试神器 AGDebugger！

220. Microsoft Agent Framework - Agent 调用工具 (Function Call)

221. 什么是Agent Skills，它和Tool以及MCP有什么区别？

222. OpenAI Agents SDK：构建智能多代理系统的全新方式

223. .NET+AI | Agent | Agent as Function (14)

224. 从零开始：如何构建可扩展的工具使用环境提升Agent能力？

225. 调试智能体比调试分布式系统还难：我总结的 7 个 Debug 技巧

226. Anthropic 发布 Advanced Tool Use：数百工具随需而动，上下文长度骤减90%，AI Agent 更强大

227. Agent Skills (Claude Skills) 详细攻略，一期视频精通 - 哔哩哔哩

228. 智能体（Agent）维度：让 AI 不止“会说话”，还能“去做事”

229. Agent-to-Agent 大规模协作：用 SWE Agents 和 Microsoft Agent Framework 实现高级多智能体编排（上）

230. 智能体技能完全指南

231. Microsoft Agent Framework - 对 Agent 进AOP（Middleware）编程

232. Agent Skills 管理屠龙刀：SkillsLM 一条命令同步 9 个 Agent 平台

233. 千问6天AI订单量破1.2亿次，MiniMax M2.5正式上线｜未来商业早参

234. Agent必备神器！让Agent自己找Skill装Skill

235. Agent Skill 是 Anthropic 于 2025 年确立的开放式 AI Agent 构建标准，旨在解决传统提示词工程在企业级应用中的瓶颈，如上下文污染和复用性差等问题。Agent Skill 采用“渐进式披露（Progressive Disclosure）”架构，仅在推理过程中动态挂载必

236. 北大：自动拦住Agent危险工具调用

237. Python：Agent开发为什么使用Pydantic AI，工具篇（内置工具）

238. 2026年必学的AI王炸技能，手把手教你创建和使用skills，真正的赋能公司业务流程

239. 智能体框架深度对比：OpenAI AgentKit、Claude SDK、Google Agent SDK、LangGraph

240. 2026年必须掌握的AI技能，动手打造你的第一个Skill应用——Agent Skill基础应用教程

241. 首个Data Agent基准！将数据库、PDF、视频、音频异构数据源一网打

242. 智能体如何从0到1构建，来手把手教你！

243. 构建Agent需要工具，但ToolCall却成了LLM的噩梦

244. 从对话到Agent：大模型工具调用能力的量化评测

245. 智能体来了从0到1：搭建AI智能体的5个关键步骤

246. 小白学大模型：OpenAI Agents SDK使用

Anthropic开源Agent Skills标准，2025年底起AI应用进入“技能工程”新阶段

精选参考来源