零代码也能用AI自动查航班回邮件_服务软件

1. 顶级教育资源入场券，谷歌联手斯坦福给全球孩子做的免费AI启蒙神器，带孩子零代码做数据清洗、模型训练、偏见消除 #ai #学习 #谷歌 #斯坦福 #教育

2. 老金开源10万字Claude Code中文教程，零基础到企业实战完整路径

3. 《Agent智能体·从0基础到专业自动化》课程将在5.28号上午11点正式上线！快来锁定早鸟优惠名额啦~

4. 字节跳动前天发布 AI 智能体平台扣子 Coze 3.0 版本，支持多人多 Agent 协作、开箱即用，拥有多种专家技能。IT之家从官方更新公告了解到，扣子 3.0 拥有全新 Agent 写作方式，可灵活组合一人 + 多 Agent / 多人 + 多 Agent。多项目独立管理，资产自动沉淀，让团队协作更有序。支持自由切换主流平台，可完成从开发到上线的全流程工作流。同时，扣子 3.0 还能够接入 Claude Code、Codex CLI、OpenClaw 等本地 Agent，拥有精品行业模板，帮助用户创建专家 Agent。具备自媒体、法律、金融、互联网、医疗健康等场景的专家技能，解决垂直行业难题。此外，扣子 3.0 还支持手机电脑跨端同步，可授权 Agent 处理本地文件。App 端同步升级，编程 / 视频项目手机随时推进。#豆包将正式付费#

5. 【从AI怀疑论者到重度用户：一位资深工程师的六步进化之路】 Mitchell Hashimoto是HashiCorp联合创始人，Vagrant、Terraform等知名开源项目的创造者。最近他分享了自己从AI怀疑论者转变为日常重度用户的完整历程，没有夸张的宣传，只有扎实的方法论。他开篇就点明一个规律：任何有意义的工具，都要经历低效期、适应期、最后才是真正改变工作流的发现期。大多数人卡在前两个阶段就放弃了。第一步，放弃聊天机器人。这听起来反直觉，但他发现ChatGPT这类对话界面用于编程效率极低。你只能祈祷它基于训练数据给出正确答案，纠错全靠人类反复告诉它哪里错了。真正要找到价值，必须使用Agent，也就是能读取文件、执行程序、发起网络请求的自主循环系统。第二步，复现自己的工作。他最初用Claude Code也不满意，觉得修改AI产出的时间比自己写还长。但他没放弃，而是强迫自己把每个手动完成的任务再用Agent做一遍。这个过程很痛苦，却让他从第一性原理出发，真正理解了几个关键点：把任务拆成清晰可执行的小块，模糊需求要分成规划和执行两个阶段，给Agent验证手段它就能自己修复错误。同样重要的是，他学会了什么时候不该用Agent。知道边界在哪里，本身就是效率。第三步，下班前启动Agent。他的假设是：与其在有限时间里做更多，不如让Agent在你不工作的时间里推进。他会在每天最后半小时启动Agent做深度调研、并行尝试模糊想法、或者批量分类GitHub Issues。这些任务通常半小时内完成，但给第二天早上提供了热启动。第四步，把稳赢的任务外包出去。当他对Agent的能力边界有了高度信心后，就开始让Agent在后台处理那些几乎必定能做好的任务，自己则专注于真正想做的工作。这里有个关键细节：关掉Agent的桌面通知。上下文切换代价极高，应该由人来决定何时检查Agent，而不是被Agent打断。他认为这也部分回应了Anthropic那篇关于技能退化的论文：你在委托给Agent的任务上确实不再练习，但在手动完成的任务上继续精进。这是一种主动的取舍。第五步，工程化你的约束系统。Agent第一次就给出正确结果时效率最高。实现这一点的方法是，每当发现Agent犯错，就花时间确保它永远不会再犯同样的错。具体做法包括更新AGENTS.md文件来修正常见错误行为，以及编写脚本让Agent能自动验证结果。第六步，让Agent永远在运行。他现在的目标是任何时候都有一个Agent在后台工作。如果没有，就问自己：有什么是Agent现在可以帮我做的？他特别喜欢用那些更慢但更深思熟虑的模型，虽然一个小改动可能要30分钟，但结果往往很好。目前他大约能做到工作日10%到20%的时间有后台Agent在运行，还在持续优化。他在文末强调，自己在AI领域没有任何利益关联，也完全尊重任何人选择不使用AI的决定。他只是一个热爱造东西的手艺人，分享自己如何驾驭新工具。他也坦言，对初级开发者在基础功不扎实时就依赖AI这件事深感担忧。整个旅程的核心洞见或许是：AI工具的价值不在于它能做什么，而在于你是否愿意投入足够的时间去发现它的边界，然后在边界内让它为你工作。 mitchellh.com/writing/my-ai-adoption-journey

6. 早上好呀，今天给大家带来灵光的好消息，灵光对外宣布：完成自上线以来的最大升级——推出“灵光圈”，打造人人可用的Coding Agent。相当于灵光闪应用有集市了，你可以在这里分享你的应用、使用别人的应用。在原有“30秒生应用”基础上，灵光真正实现了0代码、0部署、0门槛个性化创作，以及完成再手机端从创建到分发、使用、迭代的全流程闭环。截至目前，灵光用户已创建超3000万个闪应用。.

7. 用零代码搭建ERP系统是在吹牛吗？

8. 一、青铜：了解AI信息，知道AI很厉害二、白银：会使用豆包、Deekseek等大众ai平台三、黄金：能使用coze、元器等搭建智能体四、铂金：能编程实现AI应用五、钻石：大模型调优，以实现专属应用六、黑钻：大语言模型(LLM)开发公司内部几乎所有需要重复劳动的工作，都可以用AI完成，而且可以24小时不眠不休，毫无情绪。AI可以为企业降本增效，升级业务流程，主要使用上面“三”到“五”的能力水平。AI+X可以从一个智能客服、合规验证、IP打造、新媒体自动化运营开始......

9. OpenClaw 管理面板！一键部署安装，内置公益接口，零成本免费用，小白也能上手

10. 打通智能体孤岛：用 AgentRun 构建生产级 A2A 多 Agent 管理协作系统

11. 在线构建AI编码代理太复杂？试试 shareAI-lab 的 learn-claude-code 项目，它用 Bash 简单高效地演示了Claude Code风格的小型智能代理从0到1的完整构建过程。核心是一个极简的智能体循环，配合工具调用和结果处理，12个阶段逐步引入计划、子代理、任务持久化、多代理协作等机制，系统性教你从原理到实战。项目附带丰富文档、代码示例和交互演示平台，支持Python实现，轻松上手。主要特色： - 明确的Agent循环模型，轻松理解AI代理工作机制 - 支持任务拆解、工具调度、上下文压缩、后台任务、多Agent协同 - 启发式教学设计，阶段性引入复杂功能，循序渐进 - 配套Web平台，交互式学习体验 - MIT开源许可证，自由使用与改造快速开始只需： ``` git clone https:// github.com/shareAI-lab/learn-claude-code cd learn-claude-code pip install -r requirements.txt cp .env.example .env # 填入你的Anthropic API Key python agents/s01_agent_loop.py ``` 学会构建属于自己的智能代理，从“用一次”到“始终在线”，逐步升级到多渠道消息、记忆和个性化助理。 GitHub：github.com/shareAI-lab/learn-claude-code #AI创造营##人工智能#

12. 多Agent一定比单Agent更强吗？AI应用到底该在什么节点拆分？

13. 2025亲测6款免费AI视频去水印工具：无痕修复，告别水印烦恼！

14. OpenAI Codex 彻底免费！Ollama、llama.cpp 接入本地大模型，AI Agent 开始全自动干活！Token 自由真爽！| 零度解说

15. Cursor 如何将其编程智能体投入生产环境

16. 90% +漫剧制作难题，1 个工具全解决

17. 一文给你讲清楚 Claude Code、OpenClaw、Codex 到底有什么区别（零基础版）

18. 零基础也能学AI编程？Cursor+Python，这本书让你从入门到项目实战！

19. 从“写代码”到“管Agent”，程序员核心价值被AI重写，Agent工程师薪资暴涨！人才缺口大！学历门槛低！窗口期拉满！

20. 推荐一款免费的PDF工具箱？

21. 一个免费AI，干掉你手机里几百个付费工具

22. Agent的底层原理就这么简单：别被玄学忽悠，手撕核心代码给你看

23. 不会编程也能抓住AI红利！AI轻应用爆发，不用写代码，把想法变成钱的时代已来！

24. AgentRun 深度解析：阿里云函数计算 FC 如何构建企业级 Agent 的“生产力引擎”？

25. 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

26. 当下AI最火的三条主线其实很清晰：AI编程、企业智能体、AI创意生成。从数据服务视角看：AI编程基本已经做“关门”了，格局和供给都相对定型；企业智能体才是真的想象空间巨大，harness engineering、各类skills、工具编排、安全对齐，可做的服务特别多；AI创意生成则还在高速爬坡，高质量音画同步、真人级语音、精细化素材数据，缺口都还很大，空间依然非常广阔。三条路，三种完全不同的数据服务机会。

27. Codex/Claude Code 调试网络请求的技巧在开发网页程序的时候，有时候会有一些服务端 API 交互代码，如果出现故障或者要优化，就需要根据网络请求的数据去分析问题，有两种简单的方法可以让 Agent 自己拿到这些数据而不需要你手动复制粘贴：1. 打开 Chrome Dev Tool 后，切换到 Network 请求，有一个 Export HAR 的功能，可以把当前所有网络请求导出成一个 .har 文件，然后把文件路径发给 Codex，让它帮你分析网络请求。2. 使用 Codex 的 Chrome Plugin，安装官方的 Chrome Plugin，安装 Chrome 的 Codex 浏览器扩展，直接在消息中 "@chrome" 就可以让 Codex 去使用你的浏览器自己调试、抓包

28. 零代码做AI产品这件事，被一群普通人玩出了花

29. 为什么我编写不出优秀的ChatGPT提示词?

30. 学习AI最有效的方法不是花钱买课！而是用AI学习AI（零基础篇）

31. AI Agent已渗入各行各业，你的岗位还能撑多久？（附智能体技术详解+保姆级资源）

32. 【第479期】百度秒哒：一句话生成应用，零代码开启「全民开发」时代

33. 《扣子开发 AI Agent 智能体应用》022-扣子数据库实战（扣子数据库实战案例：搭建 AI登记助手）

34. 《扣子开发 AI Agent 智能体应用》006-扣子 AI 应用开发平台介绍（扣子快速开发人门）

35. 3天赚1200刀？纯聊天就能捏出个能搞钱的 AI Agent！【教程】

36. OpenClaw 你装错了！9个必备Skills + 正确模型搭配，一次搞定浏览器自动化！ | 零度解说

37. 在硅谷大火的智能体商业，在中国已经落地#支付宝AI支付突破3亿笔 #AI未来已开箱 #Ai支付 #Agent #AI付

38. 小白也能上手终端AI？iFlow CLI实测：比Claude Code更香！

39. 打造13个Claude Agent 互相 review 彼此↓ Reddit 一个开发者用 OpenClaw 框架搭建了 13 个 Claude Agent，让它们像真实团队一样工作：有人写代码，有人 review，有人测试，有人查安全漏洞。然后还互相 review 彼此的工作。 1 Writer Agent → 生成代码 2 Reviewer Agent → 逐行审查，对标 code review 标准 3 Tester Agent → 设计测试用例，验证逻辑 4 SecurityAuditor Agent → 扫描安全漏洞 5 Optimizer Agent → 性能优化建议 6 DocumentWriter Agent → 生成 API 文档 7 QA Agent → 最后一关，综合检查 ... + 6 个其他专业角色 vs. 链式流程（A→B→C），这个设计采用质量门控流程。Reviewer 必须 approve 才能进入下一阶段。出问题时反馈重做。成本控制？看起来 13 个 Agent 全力跑，tokens 肯定爆炸。但这个哥们用了几个聪明的招： 1. Context 优化 Writer 不需要看 test cases，Tester 不需要看文档。每个 Agent 只加载相关上下文。这一招可以干掉 80% 冗余 token。 2. 采样策略不是每一行代码都通过全部 13 个 Agent。核心路径 100% 检查，非关键路径采样。 3. 缓存和复用已审查过的代码片段不重复审查。测试用例库复用。架构决策缓存。结果呢？ - 单个开发者 Claude Code：每天 5-20刀 - 13 个 Agent 团队：每天 15-30刀（成本增加不多，质量翻倍）实际对比维护 10 万行代码库： 1. 传统手工做法 - 人工 code review：8 小时 - token：50-80刀 - bug 漏过率：5-10% 2. 13 个 Agent 团队 - 总耗时：30 分钟（Architect 规划 → Writer 并行生成 → Reviewer 自动审查 → 全流程质量门控） - token：20-25刀 - bug 漏过率：<1% 为什么这个方案特别？ 1. 角色化 > 能力化不是「给 Claude 一个超级 Prompt 让它什么都会」，而是「给每个 Agent 一个明确的职责」。 Writer Prompt：「你是代码作者，你的工作是...」 Reviewer Prompt：「你是资深 code reviewer，标准是...」角色专业化自动带来质量提升。 2. 质量门控自动化传统 code review 是人工 bottleneck。Agent review 是自动化 + 可扩展的。 3. 知识积累每个 Agent 的执行历史（什么被 reject、为什么）可以持续优化 Prompt。这是机器学习意义上的反馈循环。 4. 工程意义这不是「用 AI 替代人」，而是「用 AI 团队协作替代个人英雄主义」。更接近真实团队的工作方式。背后的思想转变从「Prompt Engineering」→ 「Architecture Engineering」以前我们花时间优化单个 Prompt，试图让一个 AI 更聪明。现在聪明的做法是设计系统，让多个 AI 通过角色分工和质量门控，集体产出更高质量的结果。原文：www.reddit.com/r/ClaudeAI/comments/1rga7f5/how_i_built_a_13agent_claude_team_where_agents/ #how i ai##程序员#

40. 从实际 vibe coding 的效果来看，并非每个任务选择最强模型就是最佳选择，也不是无脑新开子 Agent 就能保持最佳上下文和执行效率。最贵模型的推理思考能力很强，但处理普通任务，例如读写文件、代码搜索、格式化、简单查询时，效率经常很低。背后的原因也很简单，强模型的 thinking 和 reasoning tokens 开销很大，而这些任务并不需要深度推理，过度思考只会增加延迟和 token 消耗。例如，用 Opus 做一次 Glob 搜索和用 Haiku 做，结果基本一样，但成本会差出两个数量级。要把任务做好，关键不在于模型是不是最强，而是看任务能否正确匹配模型的能力密度。Claude Code 在创建 Sub-Agent 时，就围绕这方面做了大量设计：1）当需要保留当前对话上下文继续工作时，例如并行探索不同方案、在后台执行独立子任务，它会 fork 一个 Agent，继承当前上下文，让任务在同一语境中延续；2）当任务目标明确且不依赖父会话上下文，例如代码搜索、方案规划、结果验证，它会直接使用内置 Agent，包括 Explore、Plan、verification、general-purpose 等，调度的时候，会给 Agent 分配一个清晰的任务目标；3）设计了 Agent Team 模式，支持让多个 Sub-Agent 协同工作，分工不同的子任务，互相之间通过消息传递和共享上下文来配合完成更复杂的工作。Agent Team 跟普通 subagent 的不同之处是，成员 Agent 之间允许通讯。在 Sub-Agent 的模型选择上，Claude Code 是动态设定的，例如 Explore Agent 采用的就是 Haiku 模型，而 Plan 和 verification 默认会继承父模型。Haiku 模型延迟最低、单 token 成本也最低，在文件搜索、代码定位、文档分析等等只读场景下，准确率已经足够了，整体性价比也是最优的。有了模型选择的基础，再往下就是执行方式的优化。要同时兼顾成本和效率，核心思路是并行执行，将任务拆成多个上下文隔离的子任务，再分派多个 Sub-Agent 并发处理。也分享几个在 Claude Code 中的小技巧，用起来可以让成本、效率和效果达到一个更好的平衡：1）通过环境变量 CLAUDE_CODE_SUBAGENT_MODEL 可以统一指定子 Agent 的默认模型，主会话用强模型做调度和决策，子 Agent 用轻量模型做执行，配置简单，几乎零成本接入。2）通过 Fork 模式复用父会话的 Prompt Cache，让并行子任务共享上下文前缀的 KV 缓存，10 个并行 fork 的成本接近 1 + 9 × delta，在大规模并行场景中非常省钱。直接跟主对话说“从当前上下文 Fork 子进程处理”即可。3）通过 .claude/agents/ 目录下的声明式 Markdown 文件定义专用 Agent，可以精细控制模型选择、工具权限、最大轮次、执行模式、隔离方式、记忆范围、MCP 服务、Hooks 等，适合那些会反复出现的固定角色，例如 code reviewer、security auditor 等等。项目长期使用的专用 Agent 可以考虑用这种方式来定义，后续维护和迭代也更方便。好模型的 token 成本会越来越高，获取难度也是越来越大，短期内一定是供不应求的，因此模型的推理能力需要被转换为一种精细化分配的资源。中低难度的任务把国内模型用起来就好了，反而效率更高，还省钱。在 vibe coding 的时候，学会让不同能力的模型组合完成任务，将会是一项必备技能。😄

41. Memento-Skills：让 AI agent 在部署中自己进化，不用重新训练。绝大多数 agent 框架面对一个根本性的问题：模型一旦部署，参数就冻住了。遇到新任务失败了，要么手动调 prompt，要么回炉微调。Memento-Skills 想解决的就是这个问题——让 agent 在真实运行中持续学习、自我修复，模型权重一行都不动。1. 它解决什么问题现有 agent 的学习方式只有两条路：预训练（成本极高）、微调（需要标注数据）。两条都依赖离线流程，部署之后就固定了。但现实是，agent 在生产环境里会持续遇到新情况、新失败，没有一种低成本的机制让它从这些经验里真正学到东西。Memento-Skills 提出了第三条路：部署时学习（deployment-time learning）。模型参数不变，经验积累在一个持续演化的外部技能库里。2. 技术特点核心是一个四步循环：Read → Execute → Reflect → Write。具体是这样工作的：1）接到任务，用 skill router 从技能库里找最合适的技能，或者临时生成一个新技能2）执行，拿结果3）反思执行轨迹——成功了就提升这个技能的有效性评分；失败了就直接改技能文件里的代码或 prompt4）改完写回技能库，下次直接生效技能以结构化 markdown 文件存储，既能被检索，也能被改写。skill router 不是按语义相似度召回，而是按「行为效用」——学的是哪个技能在当前任务上下文里实际有效，而不是哪个在文本上最相似。v0.3.0 还加了一个「Dream Daemon」：在两次会话间隙，后台进程会自动整合近期执行经验，提炼新的技能候选。名字灵感来自人类睡眠中的记忆巩固机制。3. 应用场景最直接的场景是需要长期稳定运行的 agent：1）企业内部自动化流程（它原生支持飞书、钉钉、企业微信接入）2）代码生成和调试 agent——每次修复失败的写法后，下次遇到同类问题直接用改好的技能3）需要跨任务复用经验的研究 agent——技能库越用越大，通用能力越来越强已在 HLE 和 GAIA 两个 benchmark 上验证：随着学习轮数增加，性能持续提升，不是一次性的。4. 跟其他框架最不一样的地方大多数框架把工具当「固定工具箱」——工具是什么就是什么，agent 只是选用。Memento-Skills 把技能当「可写内存」——agent 不只是调用技能，还能修改技能、创建技能、淘汰技能。这个差别很根本：失败在这里不是触发重试，而是触发重写。另一个不同：它是完全自研框架（不依赖 LangChain），支持国内开源模型（Kimi/MiniMax/GLM），有本地沙箱执行，不只是 paper demo，可以真实部署。GitHub: github.com/Memento-Teams/Memento-Skills#how i ai##程序员#

42. 【苹果 Xcode 26.3 正式上线：AI 编程从“给建议”迈步“写代码”】苹果公司今天（2 月 27 日）正式发布 Xcode 26.3 更新，核心亮点是引入了“自主 AI 编码智能体”（AI agents），不仅内置 Swift 6.2.3，更原生整合了 OpenAI Codex 与 Anthropic Claude。在整合 Swift 6.2.3 和最新的 SDK 外，引入 AI 编程智能体，让 AI 直接参与到开发流程中，全方位协助和提升开发者生产力。苹果 Xcode 26.3 正式上线：AI 编程从“给建议”迈步“写代码”

43. 只需一句话即可创造你的专属智能体 🤖今天 HelloGitHub 给技术小白和想偷懒的开发者们分享一个开源、零代码智能体自动生成平台——Nexent > GitHub 地址：github.com/ModelEngine-Group/nexent这是一款开源的零代码智能体自动生成平台，无需编程基础或复杂的流程图编排，通过自然语言描述需求即可快速创建 AI 智能体。它内置了数据处理引擎，能够自动处理 20 多种文件格式，支持智能体任务规划、决策、执行和 MCP 工具等功能。#GitHub##开源##AI创造营##智能体#

44. 手机也能冲！限时免费OpenClaw太香了

45. 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

46. 删掉 OpenClaw！Hermes Agent 才是真王炸，一键本地部署 +模型接入全教程（避坑指南） | 零度解说

47. AI大神的焦虑：自己是研究工作的瓶颈，Token用得不够多#AI #人工智能 #卡帕西 #Agent #算力

48. 看到很多朋友问过一个问题，为什么给我的 Claude Code 安排任务，它都不会一口气执行完，而是跑最多几十分钟就停下来，然后问我要不要继续。例如让它把项目中的单测全部补全（大概 1k 个），它跑了大概 200 个就停下来了。cc 并不是对一句话任务抗拒，如果不理解它的执行机制，很难设计出能跑长程任务的 harness 流程。在执行一个超大任务的时候，单 agent 的执行流程大概是这样的：1）刚开始是高效模式，指令遵循效果特别棒；2）跑了大概 80k tokens 的时候，context 开始逼近 compact 阈值；3）紧接着，对话历史被压缩为摘要，模型开始忘记刚才修复单测的细节；4）再经过一两轮 auto-compact，它甚至会开始重复检查已修复的测试，当触发 maxTurns 并且 response 没有 ToolUse 指令时，模型会退出任务，然后开始询问用户："我已经修复了约 200 个测试，要继续吗？"如果你在当前 session，回复继续，接下来的工作，它会做的更加不符合预期，并且退出得更快。任何试图在一个 agent session 内完成海量工作的方案，最终都会碰到 context 膨胀 → compact → 信息丢失 → 效率下降的问题。其实优化方向也特别简单，设计一个主-子 Agent 的运行模式（任务调度器），同时将任务进度写到 file system 中（进度持久化），每个子 agent 有独立 context、独立退出逻辑，主 agent 只负责调度和进度追踪，从而绕过单一 agent 的所有瓶颈。因此给 cc 的指令需要包含至少这三部分：1）任务分解。不要给一个无边界的指令（如修复所有单测），而是先扫描出所有失败测试，按目录或模块分组，每组 15-30 个，作为一个独立子任务。关键是每个子任务的 prompt 必须自包含——写清楚文件路径、错误现象、期望行为，不能写"根据之前的分析来修复"，因为子 agent 看不到父 agent 的历史。2）进度持久化。在项目根目录维护一个 progress.json，记录 completed / failed / pending 三个列表。主 agent 每轮调度前读这个文件决定下一批任务，子 agent 完成后更新对应条目。这样即使主 agent 自己被 compact，重读文件就能恢复全部状态。3）失败策略。子 agent 报错时，如果错误可修复，用 SendMessage 继续同一个子 agent（保留错误上下文更高效）；如果方向完全错了，启动新的子 agent 避免锚定在错误路径上；多次失败则上报用户，不要无限重试烧 token。Claude Code 其实已经内建了这套能力。最直接的方式是启用 Coordinator Mode（输入 /coordinator），主 agent 自动变成纯调度者：它不执行任何实际工具调用，只负责理解子 agent 的返回结果、合成下一步的具体指令、并行派发独立任务；而每个子 agent 会通过 AgentTool 启动，它们有独立 context。记住一句话就行了：设计多个 agents，各司其职、快进快出，把进度交给文件系统来记忆。

49. n8n要凉了？Agent Skills实测对比，谁才是AI自动化之王！

50. 放假前，抽空学一下吴恩达DeepLearning AI的这个教程吧：Agent Skills with Anthropic，内容包括：1. 使用开放标准格式和最佳实践来创建可复用的技能，并将它们组合起来构建复杂工作流。2. 为代码生成与评审流程、数据分析以及研究任务构建自定义技能，让你的智能体在需要时按需加载。3. 将技能与 MCP 以及子代理结合，打造具备专门知识并能够访问外部数据源的强大智能体系统。访问：www.deeplearning.ai/short-courses/agent-skills-with-anthropic/#HOW I AI# #程序员#

51. Anthropic 昨天刚发布 Claude Managed Agents 公测，API 团队的 Michael Cohen 的科普：Agent 要替用户操作第三方服务，怎么安全地管理这些账号密钥？答案是 Vaults。Vaults 是 CMA 里专门管理终端用户凭证的组件。开发者给每个用户创建一个 Vault，把这个用户访问外部服务的密钥（比如 Linear 的 API Key、GitHub Token）存进去。之后每次启动 Agent 会话时，只需要传入对应的 vault_id，Anthropic 的基础设施会在 Claude 需要调用外部工具时自动注入凭证。安全设计上有一个值得注意的细节：凭证永远不会被读进 Claude 的上下文窗口。也就是说，即使有人通过提示注入（prompt injection）试图让 Claude 泄露密钥，也拿不到，因为凭证根本不在 Claude 能"看到"的地方。Anthropic 工程博客的技术文章进一步解释了这个架构：Agent 生成的代码在沙箱里运行，而凭证存储在沙箱之外，Claude 调用 MCP 工具时通过一个专用代理（proxy）完成鉴权，harness 本身也接触不到任何凭证。从代码示例看，整个流程三步：创建 Vault、绑定凭证到 MCP 服务器地址、在创建 Session 时传入 vault_id。对于需要让同一个 Agent 服务多个用户的 SaaS 场景，这比自己搭一套密钥管理系统省事太多了。CMA 整体现在处于公测阶段，按 API 调用的 token 费用加每小时 0.08 美元的会话费计费。Notion、Rakuten、Asana、Sentry 已经在用了。Claude Code 里也内置了一个 claude-api Skill，可以直接在命令行里引导你完成 Vaults 的配置。

52. Claude Code 2.1.2超详细更新说明，小白也能10分钟上手

53. 效率直接翻4倍！我每天都在用的 AI 语音输入神器（含开源免费版教程）

54. no-mistakes 是一套本地 Git 代理工具，它把代码提交前的质量把关全部自动化，提供了从开发到干净 PR 的完整解决方案。它在你的真实远程仓库前架设一层代理，当你推送代码到 no-mistakes 时，会自动创建一次性 worktree、运行 AI 驱动的验证流程，只有全部检查通过后才同步到上游并自动开启干净的 PR。GitHub：github.com/kunchenguid/no-mistakes主要功能：- 本地 Git 代理，非阻塞地在隔离 worktree 中运行验证流程；- 支持 Claude、Codex、RovoDev、OpenCode 等任意编码代理；- Agent 原生 /no-mistakes 指令，可直接让代理执行任务并完成把关；- 自动修复安全问题，其余问题由开发者人工复核；- 一键推送即开启 PR，失败自动修复，保持主分支整洁。支持 macOS、Windows、Linux，通过 curl 一键安装或 Go 直接安装，适合个人开发者与团队使用。#AI创造营##人工智能#

55. 零基础也能搞定AI智能体开发！这本Dify实战必入

56. 阿里云获评 Agentic AI 开发平台领导者，函数计算 AgentRun 赢下关键分！

57. AgentRun Sandbox SDK 正式开源！集成 LangChain 等主流框架，一键开启智能体沙箱新体验

58. 盘点一周AI大事(4月12日)｜Mythos太强不敢发布 Anthropic官宣最强大模型Claude Mythos OpenAI发布超级智能经济蓝图 Meta发布大模型 Muse Spark 智谱上线最强开源大模型GLM-5.1 Anthropic上线Agent包工头Claude Managed Agents Gemini上线概念可视化visualizations 阿里发布最强视频模型HappyHorse-1.0 米哈游发布最强数字人模型LPM 1.0 Ace开源最强音乐模型ACE-Step-1.5-xl 研究员开源最强虚拟试穿模型Vanast #前沿科技趋势发布月 #AI新星计划 #AIGC #大模型 #Agent

59. 终于来了！Hermes Agent 桌面版正式发布，支持 Windows、macOS、Linux，小白也能轻松上手！ | 零度解说

60. 终于来了！DeepSeek-V4 正式发布！免费开源，百万上下文，Agent能力直逼Claude！| 零度解说

61. 利用300个Agent！从零开始搭建独属于你的AI公司/团队

62. 转：David Singleton，前 Stripe CTO 最近有个观点很炸裂：当我们所有人都觉得 AI 时代最危险的是 manager，因为不需要中间层了嘛，agent 直接干了。结果他现在优先招那些以前当过 manager 但现在想回来写代码的人。原因是他认为 manager 天然擅长拆解任务、协调资源、知道什么时候该推一把什么时候该放手，他认为这才是驾驭 coding agent 最核心的能力。----我觉得说的没有错的，不过这里重点不是当没当过 Manager，而是同时有架构能力和管理能力，能拆分任务，能管理 Agent。说实话，很多 manager 技术不咋地，就会向上管理和 PUA，但管 Agent 重要的不是向上管理，也不是 PUA，而是“定义问题”和“知人善用”。

63. 300个AI员工齐上岗，Agent 集群真的好用……吗？

64. Agent Skill规范、构建与设计模式网页链接Skill 生态正在快速发展，已形成规范标准（agentskills.io）→ 构建方法论（Anthropic/Superpowers）→ 设计模式（Google）的完整知识体系。三个关键认知：1.Skill 不是 Prompt，而是围绕任务、工具、流程和输出边界的结构化行为设计2.渐进式加载是核心机制，解决了 Agent 系统的上下文膨胀问题3.描述是触发的关键，写好 description 比写好指令主体更重要

65. 电子书 Build an AI Agent (From Scratch) 网页链接《Build an AI Agent (From Scratch)》是一本循序渐进的指南，教你从最基础的部分开始创建一个可运行的 AI Agent，并逐步将其扩展为功能完整、适用于真实场景的系统。你将把 Agent 连接到强大的软件工具，实现推理循环，并进一步加入检索、记忆、规划、反思，甚至多 Agent 协同能力。过程中，你将学习生产级代码片段、完整提示词和配置，并完成“让它变得更好”的练习，持续扩展和改进系统。到最后一章，你将构建出一个端到端 AI Agent，并可将其作为自己项目的基础。目前正在更新中，可免费阅读已有的全部章节#AI创造营#

66. 本周AI项目推荐：Slock，Float，Buda…当Agent成为社会活动主体

67. 经常觉得写代码光靠提示不够，想要一个能帮你从零搭建项目、调试、执行代码甚至管理复杂流程的 AI 助手？Goose（github.com/block/goose）是一款本地运行的、可扩展的 AI agent，不仅能写代码，还能执行代码、完成测试，甚至能和外部 API 交互，真正做到自动化工程任务全流程。主要功能：- 从头构建项目，自动生成和运行代码- 调试失败，快速定位修复- 支持多模型配置，优化性能和成本- 无缝集成 MCP 服务器，兼容各种大型语言模型- 提供桌面应用和命令行接口，灵活适配不同开发场景适合开发者、工程师和创新团队，用它加速研发效率，把时间花在创新上，而不是管理琐事。GitHub：github.com/block/goose#AI开发助手# #开源项目# #智能编程#

68. 当前氛围编程主要有四种模式：1. 通用智能体模式：使用Manus等通用智能体进行编程2. IDE升级模式：由传统IDE工具的理念升级而来的系列工具编程，如Cursor、Trae 等3. 大模型原生编码平台模式：使用大模型本身自带的coding平台，如Claude Code、Cloud Code、ChatGPT Codex等4. 开源AI框架模式：使用开源AI框架进行编程OpenClaw 龙虾、Hermes Agent 等等。#新媒沈阳聊ai#

69. 深势科技携手阿里云 AgentRun，加速科研 AI Agent 全速运行

70. AgentRun：当 Serverless 与 AI Agent 结合，如何颠覆传统的舆情分析模式？

71. 零成本无限 Token！Hermes + Qwen3.6，本地最强 Agent 组合来了！附部署教程 | 零度解说

72. 卸载龙虾后，我找到了更香的爱马仕Agent，5 分钟带你极速上手

73. 高效提示词（prompt）工程指南

74. GitNexus 是一个把代码库自动转成“知识图谱”的工具，并在此基础上提供 Graph-RAG 与 AI 对话能力，用于让人和 AI 更快理解大型代码库。特点：零服务器、浏览器本地运行、隐私优先。核心能力：1、代码 → 知识图谱项目通过 AST 分析构建图结构。这套流程采用四阶段分析：1）结构扫描2）AST 解析3）依赖解析4）调用图构建最终得到完整代码图。2、Graph-RAG 代码问答与传统 RAG 不同，GitNexus 的检索是图查询。AI 通过 Cypher 查询或图遍历获取上下文，比 embedding 检索更精确。3、零服务器隐私架构项目最突出的设计之一：1）所有分析在浏览器本地运行2）代码不上传服务器3）数据库为 WASM 版图数据库4）API key 本地保存适合企业代码安全场景。4、面向 AI Agent 的设计GitNexus 不只是可视化工具，而是 Agent 基础设施。它能提供：1）影响范围分析2）依赖追踪3）架构检查4）自动化审计目标是让 AI 编程助手具备“架构感知能力”。项目：github.com/abhigyanpatwari/GitNexus#HOW I AI# #程序员# 黄建同学的微博视频

75. 开发AI Agent常常需要切换多个框架和工具，记忆系统难管理，技能创建繁琐，自学习循环还得从零搭建，效率低下。《Hermes Agent 从入门到精通》橙皮书，提供Nous Research开源AI Agent框架的完整实战指南。全书17章5部分，详解自学习循环、三层记忆系统、自动技能创建与演化，还包括安装、多平台部署和真实场景应用。GitHub：github.com/alchaincyf/hermes-agent-orange-book主要内容：- 从Harness工程到Hermes Agent核心概念；- 学习循环、记忆系统、Skills与工具生态；- 动手安装、首次对话、多平台运行与自定义；- 知识助手、开发自动化、内容创作、多Agent实战；- 自学习Agent边界与三方对比深度思考。免费PDF下载，支持开发者与AI爱好者快速上手，基于Hermes Agent v0.7.0。#AI橙皮书##HermesAgent##人工智能#

76. 突破 Serverless 无状态限制：用 AgentRun 破解 Agent 沙箱工程化挑战

77. 太爽了！Hermes Agent 发布UI了，本地对接最强开源 Gemma 4 模型+ 微信（免费无需Token）| 零度解说

78. Qwen3.5 开源王炸！多模态性能屠榜，本地部署 + OpenClaw 实战全流程！|零度解说

79. AI原生电商出现，Agent帮你从建站到运营

80. Claude Code+DeepSeek V4 Pro安装教程｜3步从零装好开始用 | Mac Windows

81. 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

82. 托管 Agent 执行循环只是起点，AgentRun 托管的更是企业 AI 生产全链路

83. 手把手教你从零搭建第一个智能Agent：从概念到代码实现（附学习手册） - 哔哩哔哩

84. Windows装AI Agent总报错？原生安装3分钟搞定

85. 搞Agent踩坑实录，新手必看

86. 免费AI Agent哪个好用？2026年9款国内智能体性价比排行榜

87. 还在耗费大量时间手动整理市场数据？《AI量化智能体巧用AI agent》零基础也能搭建专属AI工具，不用复杂编程，跟着案例学会智能体搭建、数据自动归集、投研流程优化，提升个人研究效率，理财从业者、自学爱好者都能用。#人工智能原理、算法和实践 #ai量化 #智能体趋势 #量化人工智能 #ai商业化探索

零代码也能用AI自动查航班回邮件

精选参考来源