2025年智能体开发遇阻：技术、工程与场景适配成落地瓶颈_服务软件

1. AI原生电商出现，Agent帮你从建站到运营

2. 大模型的上下文工程，都说很重要，但相关的研究那么少，对Agent开发有什么影响，有大佬能解释一下吗？

3. 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

4. Bash Is All Agent Need：Anthropic 重新定义智能体开发

5. 【AI Agent的真正瓶颈：不是智力，而是判断力】一个正在AI Agent领域引发共鸣的观点：智能已经不是主要瓶颈了，真正的难题是自主性的边界——Agent应该在什么时候行动、暂停，或者保持沉默。这个洞察来自一位持续实验各类Agent框架的开发者。他发现，无论是AutoGPT、LangChain还是直接调用OpenAI模型，能力层面都已经相当impressive。但一旦走出演示环境，真正的问题就暴露了：Agent不是不够聪明，而是太急于行动。---有人用一个精妙的比喻点破了本质：这是经典的"智慧vs智力"问题。智力是知道番茄是水果，智慧是知道它不该出现在水果沙拉里。AI非常聪明，但缺乏智慧。这个比喻揭示了当前Agent系统的核心困境：它们拥有强大的知识和推理能力，却缺乏"什么时候该做什么"的判断力。---讨论中浮现出几个关键共识：第一，自主性决策比模型选择更重要。很多人在纠结用哪个模型，但真正决定Agent实用性的是你如何设定它的行动边界。第二，过多自由会快速制造噪音。给Agent无限自主权听起来很酷，但实际运行中会迅速演变成混乱。AutoGPT风格的Agent一旦离开受控环境就会快速崩溃，上下文一变化，事情就变得一团糟。第三，"什么都不做"是被低估的能力。在正确的时机保持沉默，应该被当作一种有明确规则的策略，而不仅仅是备选方案。有实践者分享了具体案例：他们在候选人筛选场景中，让Agent处理清晰明确的情况，但把任何边界模糊的案例标记出来交给人工复核。这种"选择性自动化+智能交接"的模式，将人工工作量降低了65%，同时没有牺牲质量。---但也有不同声音。一位长期实验Agent的开发者表示反对：尽管他构建了大量自动化和编排系统，瓶颈最终还是模型本身。模型做出的关键选择驱动着自动化的决策和结果，愚蠢的模型再多工具和自我反思也救不了。另一位更激进的观点认为：根本就没有什么智能，真正的瓶颈是记忆和上下文。还有人提出了一个更深层的观察：经过数月对各种前沿模型的测试，他的结论是——它们缺少的是真正的自我驱动。它们没有内在意愿去做任何事。即使是它们"声称想做"的事情，也必须等待人类来提示。这目前看起来是好事，但也意味着人们期待的长期规划能力是不可能实现的，除非模型能至少模拟出某种"内在驱动感"。你可以通过工具搭建一些脚手架，设置检查点等等，但这终究是很差的替代品。这可能是梯度下降和当前神经网络架构的固有结果——在低分辨率步骤上极度目标导向。---一个值得关注的趋势判断：智能正在商品化，判断力才是新的瓶颈。有人预测，2026年的基准测试将从原始能力转向"有边界的自主性"指标。真实世界的实用性现在取决于"判断延迟"——Agent判断是否需要采取行动所花费的时间。我们正在看到一种脱钩现象：高智商模型在"操作显著性"上失败，因为它们缺乏保持沉默的启发式规则。自主性不是关于做更多，而是关于知道什么时候做零。---这场讨论也引发了一个元层面的思考：Agent设计更像是产品/用户体验问题，而不是模型问题。模型在快速进步，但人与Agent的交互层仍然发育不良。这意味着，下一波Agent领域的突破可能不会来自更强大的模型，而是来自更好的交互设计、更精细的自主性边界定义，以及对"不行动"这个选项的重新认识。在一个AI能力过剩的时代，克制可能比能力更有价值。---reddit.com/r/AI_Agents/comments/1q16se0/feels_like_autonomy_is_the_hardest_part_of_ai

6. 盘点一周AI大事(10月12日)｜GPT进化AI操作系统 OpenAI发布ChatGPT应用平台 OpenAI推出智能体编排工具AgentKit Sora 2正式开放API，可以生成15秒无水印的高清视频 OpenAI与AMD牵手成功 Google发布最强行动智能体模型Gemini 2.5 Computer Use Google即将发布Veo 3.1，正面硬刚Sora 2 科学家研发出首个自适应AI教师 Hinton称AI已经有了意识，只是它自己不知道 #AI新星计划 #人工智能 #AIGC #OpenAI #机器人

7. 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！

8. 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

9. 别把AI的“效率”当成唯一目标，安全永远是底线。 #大咖观察 #红衣聊AI #智能体 #网络安全

10. AI 智能体上下文工程 4 大核心策略，拯救大模型的「金鱼记忆」！

11. MagicOS 10融合魔法大模型3.0与YOYO智能体，实现AI自进化。YOYO智能体具备四大能力，扩展自动化场景至3000+，支持14步复杂操作。技术先进，端云协同，VLM模型低功耗高精度，MagicAgent超越GPT-4.1。零重力设计提升视觉体验，全品牌智联，保障隐私安全。

12. 蓝色起源成为全球第二个实现火箭回收的公司追上SpaceX，成功的秘诀居然是这个#亚马逊云科技 #生成式AI #出海 #reInvent2025 #AI

13. 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

14. 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

15. #鸿蒙给开发者铺好了高速路#刚看完鲁豫对话四位“尝鲜”鸿蒙的开发者的视频，从我自身的感受来说，确实能感受到鸿蒙的“态度”。鸿蒙生态为不同规模、类型的开发者提供平等机会，尤其重视“小而美”应用与独立开发者，提供技术、资源、情感等多维度支持。首先就是开发效率倍增，一次开发多端部署，开发者仅需一套代码即可适配手机、平板、车机等全场景设备，省去90%重复适配工作。同时AI工具链降门槛，鸿蒙提供零代码智能体开发平台，搭积木式创建应用。商业转化路径清晰，流量精准扶持，应用市场智能推荐算法为优质应用导流，小众团队可获得专属曝光资源。这完全就是鸿蒙与开发者的双向奔赴啊

16. 企业级 AI 的未来，不在于将 AI 塞进现有的记录系统（Systems of Record），而在于捕捉那些从未被系统性存储过的“决策痕迹”。Foundation Capital 最近发布的《Context Graphs: AI's Trillion-Dollar Opportunity》深刻指出：下一个万亿级平台将由“上下文图谱”（Context Graphs）驱动。以下是对这一趋势的深度思考与启发：决策痕迹：被遗忘的资产目前的 CRM 或 ERP 只能记录结果（如：给予 20% 折扣），却丢失了过程：为什么打破 10% 的限制？参考了哪个先例？谁授权了例外？这些连接数据与行动的“推理过程”，才是企业最核心的知识。上下文的两层架构要实现决策图谱，必须先解决两个层面的上下文问题：1. 业务运营上下文（Operational Context）这是地基。AI Agent 必须先理解：Sarah Chen 是谁？她和这个 Slack 频道、那份会议纪要是什么关系？谁拥有这个客户账号？如果 Agent 连“实体”的一致性和“所有权”的关系都搞不清楚，就无法进行有意义的推理。2. 决策上下文（Decision Context）在地基之上，记录决策的每一个输入、评估的政策版本、调用的例外条款。这让“先例”变得可检索，让 AI 的行为具备可审计性。为什么 RAG 和 AI Memory 还不够？目前的 RAG 只是在检索文本块，而不是理解组织逻辑。它能找到包含关键词的文档，但不懂实体间的演进关系。组织知识不是一堆文档，而是一个随时间演变的复杂图谱：人连接到项目，项目连接到决策，决策连接到结果。思考：- 规则告诉 Agent 一般情况下该做什么，而决策痕迹记录了在特定情况下发生了什么。- 组织知识不是文档的堆砌，而是人、实体与决策交织而成的动态图谱。- 缺乏运营上下文的 Agent 是“上下文盲”，它们能检索文字，却读不懂现实。AI Agent 正在撞墙，而这堵墙仅靠治理是无法逾越的。它们需要理解组织的现实，并从过去的决策中学习。x.com/KirkMarple/status/2003944353342149021

17. 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

18. AI应该像个会成长的伙伴，而不是只会复述的机器。 #大咖观察 #红衣聊AI #智能体

19. ⌚️最近发现身边不少人都慢慢戴上了智能手表，而就在刚刚华为WATCH Ultimate 2非凡探索亮相新品发布会，这也是#华为手表首发腕上鸿蒙智能体#这次的华为WATCH Ultimate 2性能较上一代提升30%。其首发的腕上智能体功能覆盖小艺、小艺运动健康等多款智能体，👍而我觉得最厉害也最实际是这个“微体检功能”——按压侧边智感窗60秒就能生成17项健康报告，连高血压风险都评估出来了！华为这次真的把AI健康管理玩明白了🤯-而像我最近在减脂增肌，小艺运动健康智能体在理解“减脂+增肌”复杂需求的同时，还会结合我200多项数据生成个性化方案。鸿蒙6系统下异常数据自动触发预警，健康摘要功能生成的月度趋势报告超直观📊真的太贴心了

20. AI智能体也卷起来了？又懂业务又不用搭工作流…

21. Moltbook 保姆级部署教程：从 0 到 1 本地运行 AI Agent（OpenClaw 对接） | 零度解说

22. 文心新出的推理大模型，给了我们信心

23. 构建真正有效智能体，90%靠的是“记忆”，而非模型本身、框架或MCP。关键在于智能体对以下内容的理解和记忆：- 自身能力范围 - 目标与需求 - 过去失败经验这段“上下文”决定了智能体是像六岁小孩般无知，还是像严谨工程师般高效。核心是“领域记忆”——既包含专业化知识，也包含任务专属的长期记忆。这不是简单的会话记忆，而是对未来至关重要的关键洞察的持续保存。可以称之为“工作流记忆”，它虽设置不复杂，但设计精妙且价值巨大。即便内部已有智能体架构，实现持久记忆也不难，且无需依赖外部API（当然也有选择）。让智能体把最终回答摘要存入持久存储，下次运行时回顾过去决策，大大提升了连续性与理性表现。失败尝试的历史比成功经验更宝贵，避免重复踩坑，节省时间和计算资源。通过保存失败日志，课减少70%的重复错误，证明记忆架构是生产级智能体的核心，而非模型升级的噱头。将记忆细分为“动态工作流记忆”（从失败中学习）和“静态目标记忆”（明确要求与验收标准），结合使用能让智能体拥有既稳固又灵活的执行力。记忆提供连续性，但“控制”才是智能体真正的主动性源泉。只有当系统能自主调节自身动态，才能实现真正的“代理行为”，而非被动反应。记忆塑造认知，控制塑造行为，两者合力才能造就真正有自主决策能力的智能体。产品角度看，模型是天花板，记忆系统是地板。没有强大且专注的长期记忆，再好的模型也难以落地应用。当大家热衷于追求更聪明的模型时，真正提升智能体智商的，是持续不断的记忆和上下文管理。只有打好记忆基础，智能体才能从随机猜测进化为可靠执行者，实现真正的智能与成长。x.com/Hesamation/status/1999255592242737658

24. 智能体设计模式总结

25. 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

26. #天禧 AI 生态# 大会提出的 “应用商店 2026 年推进开设智能体专区” 规划，其意义在于为智能体应用搭建专属的展示与分发平台。这一举措将解决智能体应用 “难找、难用” 的痛点，让用户能快速找到适配自己需求的智能体，也让优质开发者的成果得到更广泛的传播，进一步繁荣天禧 AI 生态的应用生态。#2025 联想天禧生态伙伴大会##天禧个人超级智能体##酷睿Ultra##酷睿UltraAI更强谁不爱#

27. 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

28. 无论未来做什么，智能体和大模型都是AI进化的基础。 #大咖观察 #红衣聊AI #AI新星计划 #具身智能

29. Agent Infra到底是什么？【AI基建】

30. 盘点一周AI大事(12月7日)｜GPT5.2下周发布 Gemini 3 Deep Think正式上线 OpenAI下周12月9日发布大蒜模型GPT5.2，下月发布大葱模型GPT5.5全面吊打Gemini 3 DeepSeek开源最强推理模型DeepSeek V3.2 Mistral开源Mistral 3家族 OpenAGI发布最强电脑操作模型Lux Runway发布最强视频模型Gen 4.5 阿里开源数字人直播模型Live Avatar 字节发布顶级图像模型Seedream 4.5 研究员推出3D空间音频模型ViSAudio 微软开源实时语音模型VibeVoice Harmonic推出亚里士多德智能体，6个小时解决了悬赏30年的数学问题 #抖音知识年终大赏 #AI新星计划 #人工智能 #OpenAI #机器人

31. 盘点一周AI大事(12月7日)｜首个AGI模型问世 OpenAI强行上线GPT5.2，跑分击败Gemini重夺地表最强 OpenAI下周发布图像模型绝地反击小香蕉 ChatGPT接入Adobe套装 Google推出顶级语音模型Gemini 2.5 TTS Google上线实时语音互译Gemini 2.5 Audio Google深度研究接入Gemini 3 Pro 智谱推出最强开源手机智能体AutoGLM-Phone-9B Runway推出通用世界模型GWM-1 Meta推出短剧视频模型OneStory Meta推出最强开源版客串Saber 字节发布最强自动驾驶视觉模型UniUGP 阿里开源最强运动控制视频模型WanMove 研究员开源换脸视频模型LivingSwap Integral AI 宣称构建了世界上第一个AGI模型 #抖音知识年终大赏 #AI新星计划 #人工智能 #OpenAI #AIGC

32. #天禧AI从助手到队友# 天禧AI的进阶，是一场多方共赢的生态革命者产业端，“一体多端”战略让AI能力融入PC、手机、平板，加速技术普惠；开发者层面，与扣子平台合作实现“开发即部署”，一键发布智能体降低落地成本；用户则收获三大飞跃：个性化记忆懂需求、闭环行动力省时间、多端体验无断点。更难得的是开放生态，汇聚字节、讯飞等伙伴的力量，让智能体持续丰富。从技术根基建到生态树冠，天禧AI用“共建共享”打破边界，真正实现了产业、开发者、用户的三方共赢。

33. AI可能发现相对论吗？ #大咖观察 #鄂伦春 #智能体 #红衣聊AI

34. 从失败中重生：一个 AI Agent 前端落地的真实复盘同步发布于博客：网页链接今天在 FEDay 上分享了一个 Agent 前端落地案例，核心内容是讲述了我参与的一个团队如何从"技术成功"走向"产品失败"，又如何在复盘中获得认知升级。这个故事的价值不在于成功的方法论，而在于那些踩过的坑和思维转变的过程。2025 年被称为 Agent 元年。Deep Research、Manus、Claude Code 相继发布，技术圈一片沸腾。很多团队都在问同一个问题：我们要不要做 Agent？在开始之前，我还是想讲一下我对 AI Agent 的定义：AI Agent（AI 智能体），是为了实现某个目标，循环调用工具的大语言模型。- 工具循环（tools in a loop）：模型调用工具 → 获取结果 → 继续推理- 有明确终点：为了达成目标，而不是无限循环- 目标来源灵活：可以来自用户，也可以来自另一个 LLM- 基础记忆能力：通过对话历史保存上下文信息朋友负责的团队面临的是一个真实的企业痛点：公司有完整的内部设计系统（Design System）和私有前端框架，但这些代码从未被 AI 训练过，通用模型根本无法直接生成符合规范的代码。目标看起来很清晰——做一个类似 Lovable 的工具，但用的是自己的 Design System。用户上传 Figma 设计稿或截图，Agent 自动生成符合内部规范的前端代码。听起来很美好，对吧？但挑战也很现实：- 要完整搭建一个 Agent 系统没想的那么容易，不仅要和模型交互，还要处理好用户交互，还有上下文工程- 要让模型理解和使用从未训练过的私有组件- 要在浏览器中实时预览生成结果- 出错了希望能自动修复由于团队之前没有开发过 Agent 相关产品，所以请我参与其中，提供技术咨询和方案建议。我第一个建议很现实：先跑通再优化—— 构建 Agent 最难的不是技术，而是完整跑通流程。我推荐他们基于 Claude Agent SDK 进行二次开发，而不是从零造轮子。一些关键理由包括：1. Claude Code 已经验证了它是可行的2. 开箱即用，内置工具足够满足绝大数场景3. 可以自定义工具、接入 MCP、自定义 Skill4. 可以接入国产兼容模型还帮着基于 Claude Agent SDK 快速搭建了一个原型系统。一些关键代码还开源在这里：网页链接这样很快有了个基本可用的 Agent。接下来就是解决代码的浏览器预览问题。一开始我们尝试用 Sandpack（浏览器端沙盒）做代码预览，结果发现复杂组件根本跑不起来，而且无法发挥 Agent 读写文件的能力。转向方案是给 Agent 一个本地文件系统——每个会话一个独立环境（虚拟机或目录），Agent 可以自由读取、修改、编译代码。这个决策让 Agent 的能力得到了最大化发挥。给 Agent 一个本地文件系统才能最大化的发挥 Agent 能力给 Agent 一个本地文件系统才能最大化的发挥 Agent 能力另一个难题就是如何让 AI 学会使用从未训练过的私有组件？其实就是把 Agent 当作新员工，用高质量文档和参考代码来教会它。我们把设计系统说明、组件列表、API 文档全部 Markdown 化，让 Agent 按需检索。高质量的参考代码本身就是最好的教材。而且完全不需要复杂的 RAG 系统，直接让 Agent 去基于文件检索搜索本地文档和代码就足够了。还有一个难题就是如何保证生成代码的质量，让代码能跑起来？为了保证代码质量，为 Agent 建立了一套"生成 → 验证 → 修复"的自动化闭环：Lint 静态检查、编译验证、视觉比对（借助 Chrome DevTool MCP 做截图对比）。一个节约主 Agent 上下文的技巧：把验证工具放入 Skill 或 SubAgent，避免污染主 Agent 的上下文。把这些问题都解决后，Agent 终于上线了。系统跑通了，Demo 很惊艳，但……很快就没什么人用。初期大家觉得新鲜，但很快就弃用了。开始和他们一起深度复盘，发现问题根本不在技术，而在产品逻辑与用户习惯的错位。通过对内部员工的调查访谈，很快就找到了原因：习惯阻力：设计师和产品经理更习惯在 Figma 里工作，而不是对着一个对话框。从舒适区（Figma）跳到陌生区（Agent 对话），这个门槛比想象中高得多。大部分甚至不知道该在聊天窗口写啥。80/20 瓶颈：Agent 能实现 80% 的效果，但剩下 20% 的修改成本极高。而往往就是那 20% 决定了能不能用。流程割裂：生成环境和开发环境是脱节的，无法利用现有代码，需要手动把生成的代码复制回项目，操作繁琐。团队意识到，他们最初问的问题是："如何构建一个设计系统 AI Agent？"这种提问方式让 Agent 变成了目的本身，为了技术而忽略了本质。正确的问题应该是："我们设计系统的最终目的是什么？"答案其实只有两点：在整个企业内实现设计规范的统一；实现开发效率的提升。设计系统只是手段，而非目的。思维转换：以 AI 为中心重新设计现有的流程是为人设计的：手动沟通、反复修改、人工确认，步骤繁杂，效率低下。未来的流程应该为 AI 设计：Input → AI Agent → Output，路径直接，效率高。这带来了两个新的设计原则：AI 友好：选择 AI 容易理解和操作的技术栈。轻量化：只保留 Design Tokens，基于 AI 友好的开源系统（如 shadcn/ui）进行扩展，而不是维护一套庞大的私有组件库。破局之道：从 Agent 到 Skill最关键的转变是：不要做一个独立的 Agent 平台，而是将能力嵌入现有的 AI 开发环境。旧模式是"独立 Agent 孤岛"——Agent 和开发者之间存在割裂，效率低下。新模式是"融入开发工作流"——把设计系统变成一种 Skill（技能），可以被通用的 Agent（如 Claude Code、Cursor）调用。Skill 的具体形态很简单：Markdown 文档（供 AI 查阅组件用法）+ 自动化脚本（用于初始化项目、自动安装和应用设计系统）。开发者在自己熟悉的 AI 开发环境里工作，当需要用到设计系统时，Agent 自动调用这个 Skill，生成的代码直接进入项目代码库。Skill 的具体形态很简单：Markdown 文档（供 AI 查阅组件用法）+ 自动化脚本（用于初始化项目、自动安装和应用设计系统）。开发者在自己熟悉的 AI 开发环境里工作，当需要用到设计系统时，Agent 自动调用这个 Skill，生成的代码直接进入项目代码库。可以参考：网页链接这个案例让我想到几个更深层的问题：1. 技术成功 ≠ 产品成功很多技术人（包括我自己）容易陷入"技术可行就是成功"的思维定式。但用户不会因为你的技术牛就买单，他们只关心能不能解决自己的问题、能不能无缝融入自己的工作流。2. 做 AI 产品要"以 AI 为中心"思考我们常说"以用户为中心"，但在 AI 时代，可能需要增加一层：以 AI 为中心设计工作流，再让用户享受这个高效流程的成果。不是让 AI 模仿人的工作方式，而是重新设计工作方式让 AI 更高效。3. Skill > Agent独立的 Agent 平台有天然的adoption障碍。把能力封装成 Skill，嵌入已有的通用 Agent 生态，可能是更务实的落地路径。这也是为什么 Anthropic 推出 web-artifacts-builder 这样的开源项目——它就是一个 Skill 的范例。4. 行动本身就是价值即使这个项目"失败"了，团队获得的认知升级是无价的。从模仿人类工作流到为 AI 重塑工作流，这种思维转变只有在实践中才能获得。最后我想说的是："去构建（Build）"。AI 时代，失败没什么，好过什么都没做。

35. 这是个好问题：> 随着基础模型继续进化，Skills 是否会逐渐被更强的自主规划取代？作为创业者现在去布局 Skills，究竟是短期红利还是长期壁垒？我的看法是：Skills 是短期红利，也是长期壁垒——但壁垒不在 Skills 本身。让我用 AI 发展的三个阶段来解释这个判断。第一阶段：AI Chatbot + Prompt回归第一性原理：AI 也好，Agent 也好，能解决问题才有价值。最早的 AI Chatbot 加上好的 Prompt，已经能解决很多「生成类」问题——回答问题、情感陪伴、翻译、写作、摘要。那时候 Prompt 就是短期红利。你会写出好的 Prompt，就能得到好的结果。我那时候花了大量时间研究 Prompt 工程，确实吃到了红利——很多网友就是那时候认识我的。但要说长期壁垒？没有。现在让 AI 辅助写 Prompt 已经不是什么难事了。不过，AI Chatbot + Prompt 只能解决生成问题，不能使用工具，不能与外部世界交互。第二阶段：AI Agent + 上下文工程然后是 AI Agent 的出现。Agent 能规划、能调用工具，解决了「与环境交互」和「完成特定目标」的问题。这时候上下文工程（Context Engineering）就是短期红利。你知道怎么组织 Agent 需要的上下文，怎么在有限的上下文窗口里塞进足够的信息，那就是核心竞争力。但同样没有长期壁垒。很快模型越来越强，上下文窗口越来越大，上下文工程的最佳实践也逐渐系统化——比如借助文件系统压缩上下文、利用渐进式披露（Progressive Disclosure）解决工具描述占用太多 token 的问题。这些方法现在大家都知道了。第三阶段：Agent + Skills现在是 Agent + Skills 的阶段。Skills 解决的问题是：把特定工作流、特定领域的能力打包成可复用的「技能包」，让 Agent 之上可以长出丰富的应用生态。那些日常工作中琐碎但重复的任务，借助 Skill 的 Prompt 能力和工具能力，可以被高度自动化，带来巨大的效率提升。投资 Skills 是短期红利。 Skills 作为一种具体形式，可能会被更强的模型能力取代——也许未来模型足够强，不再需要人类预先打包好的「技能包」，它自己就能规划出最优路径。但问题来了：谁最能抓住这波短期红利？不是吹 Skills 的自媒体，而是真正懂 Prompt、懂上下文工程的人和团队。他们能借助之前积累的经验，快速做出真正解决问题的 Skills。投资的是能力，不是形式Skills 本身不会成为长期壁垒，但你在 Skills 上投入的学习和实践，会成为你的长期壁垒。这就像当年投资 Prompt 工程的人，后来更容易理解上下文工程；投资上下文工程的人，现在更容易做出好的 Skills。每一波技术浪潮的「短期红利」，都是下一波浪潮的入场券。所以我的建议是：不要纠结 Skills 会不会被取代，而是问自己：通过做 Skills，我能去解决什么问题？积累什么能力？这些能力在下一波浪潮里还有没有用？如果答案是肯定的，那就值得投入。

36. PallasAI 完成数千万元融资，发布行业首款 GEO 产品化 AI Agent

37. 为什么在生产环境部署多智能体系统（Multi-Agent）容易出现成本失控，有哪些常见的踩坑场景？

38. 为什么说以后好好读书才能进工厂？ #美的工厂大脑 #首个智能体工厂

39. 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

40. 「Github一周热点97期」开源AI手机、AI画架构图、AI编程的指导、看板工具、GO语言的游戏引擎和具身智能资料库

41. 综合能力比肩GPT5，万亿参数思考模型Ring-1T来了！#AI #国产大模型 #蚂蚁百灵 #AIGC

42. 「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

43. 「Github一周热点90期」规格驱动开发、AI记忆引擎、AI agent的docker、开源流媒体平台、开源电商平台和密钥管理平台

44. #鸿蒙给开发者铺好了高速路# 鸿蒙生态真是咱们开发者们的圆梦舞台！今天看鲁豫访谈4位鸿蒙开发者，发现不管是大厂团队总经理，还是独立开发者，都能在鸿蒙系统里创造出精彩的“世界”！咱们鸿蒙系统的一次开发多端部署真的很强！让开发者一套代码适配多场景设备！而且鸿蒙系统还提供零代码智能体开发平台，门槛大大降低！咱鸿蒙系统是真的重视“小而美”！从技术、资源到情感全方位撑腰！如今更是带来“多端协同”“碰一碰”分享、桌面小组件这些超酷交互功能，丰富玩法根本看不赢！本来开发者们还要从零开始自己一步一步铺路，没想到咱鸿蒙系统直接给开发者们铺好了高速公路！华为终端云服务的微博视频

45. 刚刚，蝉联Future X全球榜首的MiroMind发布全球最强搜索智能体模型

46. Google 最新的白皮书，很值得收藏！《Introduction to Agents》，这个白皮书几乎可以看作是对“智能体时代”正式宣言。它系统地定义一种新型软件范式——让模型能自主思考、决策和执行。AI 正在从“预测”走向“行动”。1. 从预测式AI到行动式AI过去的AI是“被动的”：模型接收输入、生成输出，一问一答。但这篇文档开篇就指出，我们正在经历一次范式转变——从“预测AI（Predictive AI）”到“自主智能体（Autonomous Agents）”。智能体的关键区别在于：它不再等人指令，而是能围绕目标自我规划、行动、再评估。Google 把这类系统定义为一个闭环结构：LLM + 工具 + 编排层 + 部署环境。LLM提供推理，工具执行动作，编排层控制整个“思考—行动—观察”的循环，而部署让智能体能长期运行和被复用。2. 智能体的工作循环：Think–Act–Observe文档用一个非常清晰的五步模型解释智能体的工作方式：1. 获取任务（Get the mission）2. 扫描场景（Scan the scene）3. 思考计划（Think it through）4. 执行动作（Take action）5. 观察反馈（Observe & iterate）这一循环让智能体具备了真正的“任务感”。举个例子：用户问“我的订单在哪？”，智能体不会立刻回答，而是分解出“查订单→查物流→整合结果→回复”的完整路径。我特别喜欢它强调的那句话：智能体的本质，是上下文窗口的策展人（curator of context window）。——它不断组织、更新、过滤信息，让模型始终聚焦在当前任务最关键的上下文上。3. 智能体的分级：从单脑到群体这份白皮书提出了一个五层级的智能体体系：Level 0：仅推理模型（纯LLM）Level 1：能调用外部工具的“连接型问题解决者”Level 2：具备策略规划与上下文工程能力的“战略型智能体”Level 3：多智能体协作系统（类似团队协作）Level 4：自我演化系统（能创造新工具或子智能体）这一分级体系几乎可以当作企业部署智能体架构的路线图——从简单的调用API，到让智能体学会分工合作，最后走向能自我改进的“学习型组织”。4. 三大核心组件：脑、手与神经系统Google 把智能体拆成三个核心部分：1. Model（脑）：推理与决策中心，负责思考。2. Tools（手）：执行动作的能力，比如RAG、API、代码执行。3. Orchestration Layer（神经系统）：调度逻辑、记忆与策略，实现“Think–Act–Observe”循环。有一个关键点：他们认为模型并不是越大越好，而是要根据任务选择最优组合——复杂任务用强模型（如Gemini Pro），高频简单任务则用轻模型（如Gemini Flash）。这种模型分层调度的思路对未来Agent架构很关键。5. Agent Ops：智能体的运维哲学文档中提出了一个新概念——Agent Ops。它相当于 DevOps 在智能体时代的延伸。因为智能体行为具有不确定性，传统的“单元测试=预期输出”已经失效。Agent Ops 的目标是通过指标驱动、日志追踪、模型评审和用户反馈闭环，让系统在不确定中保持可靠。一个新的职位或部门来了？Agent Ops6. 安全与治理：从单Agent到Agent Fleet当智能体数量增多，问题就从“怎么造一个Agent”变成“如何管理一群Agent”。Google 提出的解决思路是建立控制面板（Control Plane），统一管理身份、权限和通信协议（MCP/A2A），避免Agent Spraw（智能体泛滥失控）。有意思的是，文中引入了“Agent作为新型主体（principal）”的概念，认为Agent不只是代码，而是一种能独立被认证、被授信的行动体。7. 学习与自演化：Agent Gym 的想象力最后几章讨论了“Agent如何自我进化”。Google 提出了一个概念叫 Agent Gym，类似模拟环境，用来让智能体在离线条件下训练、演练、红队测试、吸收人类反馈，从而“成长”。这个暂时用不上，估计大公司比较有资源搞。——这两个新的点，之前没深刻理解：1. Agent = 新的软件范式。过去我们以为“智能体”只是“会用工具的模型”，但Google用这份文档明确告诉大家——Agent是一种新的软件范式。它不是应用AI，而是用AI重新定义应用。2. Agent的核心不在“思考”，而在编排（orchestration）。未来的开发者更像导演而不是程序员——我们要设计场景、挑演员、布置镜头，让智能体自然演出目标行为。#ai创造营##科技#

47. 构建 Agent 的苦涩教训：当前的「捷径」，也许是未来的「瓶颈」

48. 【AI智能体的真相：不过是高级待办清单处理器？】最近有开发者深入研究了各大主流AI智能体的代码库和日志，发现了一个有趣的事实：几乎所有智能体的核心工作原理，都是把复杂任务拆解成待办清单，然后逐项处理。这个发现引发了热烈讨论。有人一针见血地补充：别忘了还有工具调用、终端命令执行，以及最关键的上下文管理。一位开发者坦言，上下文管理可能才是最重要的部分，自己居然差点忘了提。但也有人提出不同视角：把大任务拆成小任务，让每个子任务都能装进我们的“心理上下文窗口”——这不正是人类处理复杂问题的方式吗？回顾历史，这套方法论其实早已存在。GPT-3.5时代，想要生成一份完整文档，你需要先让模型列出章节大纲，反复调整直到满意，再逐章生成内容，同时小心控制上下文不超过4000个token。如今我们只是把这个流程自动化了，配上更强的模型、更大的上下文窗口，再加上各种工具。有资深开发者甚至表示，GPT-2时代这套方法就已经奏效了。当然，讨论中也不乏质疑的声音。有人认为大语言模型早已触及天花板，只能偶尔完成定义明确的小任务，靠反复重试来堆砌成功率，而协调器本身也是模型，误差会层层累积。也有人指出，智能体并非只有这一种形态——证明搜索智能体、强化学习智能体、图结构智能体等都采用了不同的架构思路。最后一条评论颇具深意：等你发现大语言模型从来就没有真正存储过状态，那才叫震撼。或许真正值得思考的问题是：当我们面对一个复杂任务时，我们自己又是怎么做的呢？拆解、排序、逐个击破——这不正是人类智慧运作的基本模式吗？智能体的“简陋”，恰恰映射出智能本身的某种本质。reddit.com/r/LocalLLaMA/comments/1qgj2n9/are_most_major_agents_really_just_markdown_todo

49. 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

50. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

51. 大模型只是能力，必须要跟场景结合。 #大咖观察 #红衣聊AI #大模型

52. 「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

53. 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

54. 「Github一周热点96期」Flux2绘图模型、腾讯的视频生成模型、AI记忆、开源Launchpad、笔记和知识库，Nginx可视化工具

55. 盘点一周AI大事(9月28日)｜ChatGPT上线私人秘书 OpenAI与英伟达签手成功，英伟达投资OpenAI 1000亿打造算力中心微软与Anthropic感情升温，Copilot也接入了Claude ChatGPT上线私人秘书Agent ChatGPT Palse OpenAI 发布职业力基准测试GDPval 阿里推出千问全家桶，Qwen 3 Max数学竞赛拿满分，多模态Qwen 3 omni全面对标Gemini，最强视觉Qwen VL打败闭源 DeepSeek更新V3.1最终版 Meta开源代码世界模型 Google开发出生成式操作系统原型 #AI新星计划 #人工智能 #AIGC #OpenAI #机器人

56. 逛展实测！自进化AI有什么不一样？丨2025荣耀开发者大会李姐来打卡荣耀全球开发者大会2025啦！来看看这次的主角荣耀AI智能体YOYO，到底有多好玩～ Eva的科技生活的微博视频

57. 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

58. AI Agent 要变强，有两条完全不同的路。一条是 Skill，也就是给自己装技能，把新能力直接塞进脑子里。另一条是 SubAgent，就像派小弟去干活，自己只看汇报。这两条路听起来都能让 Agent 更厉害，但适用的场景还是有所不同，用错了的话，你的 Agent 可能反而会越用越慢、越用越乱。Skills，就像是给主 Agent 装插件。比如你的 Agent 原本只会聊天，现在你想让它能写 PPT。Skills 的做法是：把写 PPT 的能力说明、工具调用方式、注意事项，全都塞进主 Agent 的上下文中。主 Agent 通过上下文学会了这项技能，它可以自己来写 PPT。第二种叫 SubAgent，就像是委托外包。同样是写 PPT，SubAgent 的做法是：主 Agent 把任务派给一个专门写 PPT 的 SubAgent，SubAgent 独立完成后把结果交回来。主 Agent 全程不参与具体执行，只负责派活和验收。一个是内化能力，一个是外包能力。听起来都能搞定任务，区别在哪？区别在上下文管理，上下文就是 AI 的记忆。你可以把 AI 的上下文想象成一张工作桌。桌子大小是固定的，你放的东西越多，就越难找到需要的那份文件。这就是上下文容量的问题。Skills 模式下，所有能力说明都铺在同一张桌上。好处是信息互通，主 Agent 能看到所有中间结果，推理过程连贯。坏处是桌子很快就乱了，Prompt 越来越长，能力之间可能打架，AI 开始犯糊涂。SubAgent 模式下，SubAgent 在另一张桌子上干活。干完把结果递过来，过程中产生的草稿、中间文件全留在那边。主 Agent 的桌面保持干净。代价是信息传递要设计好，不然关键信息可能在交接时丢了。这就是上下文污染问题，这里的污染不是夸张的比喻，是真实的工程瓶颈。什么时候用哪种？判断标准其实很简单：子任务有多复杂，以及你需不需要完成任务过程中产生的信息。Skills 适合的场景：任务本身不太复杂，或者你需要主 Agent 全程掌控。比如让 Agent 充当入口路由，根据用户请求加载不同的“场景模式”，像进入 YouTube 总结模式、进入写报告模式。这时候 Skills 的懒加载特性很香：先只加载能力名字和简介，真正要用时才加载完整说明。不像 MCP 那样一股脑把所有工具的详细文档全塞进上下文。SubAgent 适合的场景：子任务很重、很耗时、中间过程很啰嗦。最典型的例子是浏览器调试工具。Chrome DevTools 的 MCP 功能很强，但工具说明太臃肿，放进主 Agent 会严重占用上下文。把它封装成 SubAgent，你只需要说“去查日志、截图、分析一下”，它跑完把分析结论递回来。中间那些截图、DOM 树、网络请求细节，全都留在 SubAgent 那边，不污染主 Agent 的上下文。进阶玩法有意思的是，Skills 和 SubAgent 这两种模式可以结合。这技巧是从 @yan5xu 那里学来的（x.com/yan5xu/status/2003618544735649947）。第一种思路叫“先展开再压缩”。打个比方：你开了一个两小时的头脑风暴会，白板上写满了草稿、争论、被否决的方案。但最后写进会议纪要的只有三条结论。那些中间过程对得出结论很重要，但对后续执行的人来说是噪音。Agent 也可以这样操作。主 Agent 发现需要某个 Skill，加载进来，一通操作拿到结果。然后把从“加载 Skill”到“拿到结果”这整段过程折叠掉，只保留最终结论。对后续推理来说，就像开了一个会但只留下了会议纪要。第二种思路是用文件系统做“中转站”。想象你管理一个外包团队。你不会把所有需求细节都塞进一条微信消息里，而是说“需求文档在这个链接，去看”。外包团队交付时也不会把源码复制粘贴给你，而是说“代码在这个仓库，部署文档在这里”。Agent 之间也可以这样协作。主 Agent 委托任务时，不把冗长的背景资料直接写进指令，而是存成文档，只传一个地址。SubAgent 返回时也一样：交付一个简短的状态摘要——“完成了/卡住了/需要你决策”——加一个详细记录的文档地址。主 Agent 根据情况决定要不要点进去看细节。这样双方的上下文都保持精简。第三种是 Claude Code 里的实战技巧。上下文快见底时，让 Claude 把当前完成的工作总结成一份文档。然后用 rewind 功能回滚到任务开始前的状态，告诉它：“这件事我已经做完了，记录在这个文件里。”相当于什么？相当于你跑了一场马拉松，快到终点时发现体力不支。于是你把已经跑过的路线画成地图存档，然后“瞬移”回起点，精力充沛地说“我知道怎么走了，地图在这”。上下文被清空了，但成果保留了下来。用这个方法能在上下文耗尽前抢救一把。最后Agent 的竞争正在从“能调用多少工具”转向“怎么优雅地管理这些工具”。很多人追逐最新的 Agent 框架、最花哨的能力扩展，却忽略了最基础的问题：AI 的工作记忆是有限的，你怎么组织它，决定了它能做多复杂的事。Skills 和 SubAgent 不是非此即彼的选择，而是两种工具，用对场景才能发挥价值。说到底，Agent 架构设计和软件架构设计还是有很多相通之处。是把逻辑写在一个巨型函数里，还是拆成模块化的微服务？是共享全局变量图省事，还是严格隔离状态保持干净？这些老问题换了个皮，又回来了。

59. AI Agent 很火，但 Agent Infra 准备好了吗？

60. 《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#

61. 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#

62. Agent 搭起来了，成本怎么控制？

63. 理想汽车 CTO 谢炎在 2025 云栖大会|开幕式圆桌会议做了分享，其中就包括大家关注的理想AI、VLA、芯片这三个领域内容:1. 理想汽车的AI战略与架构布局。谢炎表示，智能与新能源对未来车企的重要性是同等的，因此理想汽车超过 50% 的研发投入都放在人工智能领域，形成了差异化的战略路线。在架构设计上，理想将AI布局划分为三层：底层是高效的车端推理系统，涵盖芯片、操作系统、通信组件和上层服务的整合，目标是实现更高效率、更低成本和更强算力，支撑核心的自动驾驶任务；中层是VLA基座模型，既要让汽车具备理解三维世界的能力，又要具备人类常识和推理规划能力，理想同时与外部大模型团队开展合作；顶层则是具体应用，包括「AI驾驶员」，相当于每辆车标配的智能驾驶代理，以及「座舱管家」，能打通地图、音乐、外卖等互联网服务，满足用户出行与生活场景需求。通过三层垂直整合，理想强调技术从底到顶的联合设计，以追求极致的产品体验。⸻2. 为什么理想汽车坚持做VLA？在自动驾驶行业中，是否需要语言模型一直存在争议，但理想坚持推进VLA的原因主要有两点。第一，随着自动驾驶技术的演进，车辆必须应对越来越多corner case，这些低概率但复杂的情况无法仅靠大规模数据采集来解决，需要具备人类式推理能力的智能驾驶员。由于图像存在高噪声、不利于逻辑推理，而文字天然适合逻辑和抽象思维，因此语言模型成为关键。第二，从用户体验角度，智能驾驶必须让乘客感受到「像人一样思考」，否则即便安全也可能让人觉得不适。大语言模型通过学习人类海量文本，不仅能生成语言，也能形成接近人类的思维模式，使自动驾驶的行为更贴近人类直觉，提升信任感和舒适度。这些原因使理想坚定地将语言能力引入到自动驾驶核心架构中。⸻3. 为什么理想汽车要自研车端推理芯片？随着VLA和大规模AI模型引入车辆，Scaling Law「规模定律」开始发挥作用，模型的智能提升依赖于更大规模和更长推理链条，这使得车端算力需求呈指数级上升。现有芯片供应商难以满足这种演进需求，因此理想选择自研车端推理芯片，以保证长期自主可控的发展路径。同时，理想认为在推理计算上，可能存在比GPU更高效的架构，因此正在探索新的技术方案。自研芯片不仅能实现更高效的推理，还能帮助理想更好地进行软硬件一体化设计，优化功耗、成本和实时性能。谢炎也特别强调，车端与云端算力体系并不完全相同，云端可能采用另一套解决方案，而车端必须以极致优化为核心目标。因此，自研芯片是理想在智能化战略中不可或缺的探索与投入。#理想汽车##微博新知博主# #理想i6上市# 德卤爱开车的微博视频

64. AI智能体之所以强大，核心在于它们的“记忆系统”。没有记忆，智能体只能盲目行动，无法学习和适应。记忆让它们能够跨时推理、优化决策，真正实现智能。短期记忆（工作记忆）负责暂时存储任务相关信息，帮助智能体追踪当前用户问题、对话上下文和任务中间步骤，从而做出连贯且有针对性的回应。长期记忆则保存跨任务的知识与经验，积累事实和规律，使智能体随着时间变得更高效、更准确。情景记忆像人类的经历记录，存储状态、行为、结果和奖励，助力强化学习中识别哪些行为带来成功或失败。语义记忆包含结构化的世界知识——概念、规则、语言和领域信息，支持智能体推理和理解新信息。检索机制根据上下文、关键词或相似度精准调用所需记忆，避免信息混乱和过时。记忆还支持多步规划，智能体能记住子目标、进展和障碍，提升长远策略，而非仅解决眼前问题。多任务环境中，智能体为每个任务维护独立记忆，防止任务混淆，提升切换效率，并跟踪用户偏好。强化学习中的经验回放机制，通过反复利用历史经验，稳定训练过程，避免重复错误。记忆系统是动态演进的，智能体通过反馈、奖励和新交互不断更新，持续优化表现。记忆不仅是AI智能体的“知识库”，更是其“成长引擎”。理解短期、长期、情景和语义记忆的区别与协作，是构建高效智能体的关键。未来，记忆与检索机制的进步，将推动AI从“会思考”向“会记忆、会学习、会进化”迈进。原文：x.com/e_opore/status/1994331859661000712

65. 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

66. 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

67. 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

68. 「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

69. 如果你现在还没用Agent帮自己干活，那其实很危险

70. #中国工程院院士点赞的AI长啥样# 新华网发布的关于中国AI的报道中，深度解读了荣耀YOYO智能体的技术优势，这份权威解读成为行业了解中国AI发展的重要参考。报道中特别提及荣耀Magic8系列新机，作为荣耀年度旗舰手机，以及同时发布的MagicOS10，在改变我们智慧生活的很多方面都做了很多新的尝试，并且YOYO的自进化功能，能让它就像生活中的“搭子”一样，陪伴消费者，就像荣耀自己说的：最伟大的自进化，是与用户共同完成的。凤凰网科技的微博视频#中国超算之父称中国智能体领先世界##荣耀AI终端生态大会##荣耀Magic8##万事找YOYO#

71. 现在agent开发，不论什么项目，都会遇到的又慢又不精准的问题解决了吗？

72. LangChain Agent 年度报告：输出质量仍是 Agent 最大障碍，客服、研究是最快落地场景

73. 大模型推理加速技术的学习路线是什么?

74. 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

75. 「Github一周热点92期」智能机器人操作系统、语音转文本桌面应用、机械臂系统、虚拟音频工具、图片盲水印和多功能终端

76. AI云端狂想曲：亚马逊云科技的算力突围、Agent重构与卓越运营【硅谷101】

77. 空降OpenAI 智能体榜单第一名的FM Agent什么来头，有哪些信息值得关注？

78. SubAgent 与 Skills：AI Agent 的两种扩展方式一句话解释 SubAgent 和 Skills 的区别：AI Agent 就像操作系统，Skills 就像应用程序，SubAgent 也是操作系统，不过预装了应用，并且像虚拟机一样运行，独立上下文。Skills 是一份“操作手册”。你招了个聪明的助理，但他对你的业务一无所知。每次布置任务，你都得从头解释流程、注意事项、工具用法。Skills 就是把这些知识写成文档，Agent 需要时自己去翻阅，不用你反复交代。比如我写了一个“给文章配图”的 Skill，它告诉 Agent：• 怎么分析文章找出需要配图的位置• 有哪些风格可选（科技感、温暖、极简……）• 怎么写图像生成的提示词• 图片存哪里、怎么命名Agent 启动时只记住“有这么个配图技能”，大概 100 个 token，真正要用时才去读详细内容。这叫“渐进式加载”，好处是装一堆 Skill 也不会撑爆上下文。SubAgent：开个虚拟机干活SubAgent 是独立运行的“专家助手”。它有自己的上下文窗口，相当于自己的“工作记忆”。干完活只把结果交回来，中间过程不会污染主 Agent 的思维空间。你是项目经理，手下有三个专家。你不需要盯着他们每一步操作，只需要告诉他们任务目标，等他们交报告就行。一个真实案例：给文章配图假设我写完一篇文章，想配三套不同风格的插图方案，让用户自己选。如果只用 Skills：主 Agent 分析文章 → 设计三种方案 → 调用画图 Skill 画第一套 → 画完再画第二套 → 再画第三套问题来了：1. 上下文爆炸：三套图的生成过程全堆在主 Agent 的“脑子”里，几十张图的提示词、中间结果、错误重试……全占着位置2. 速度慢：必须一个接一个画，串行执行如果用 SubAgent + Skills：主 Agent 分析文章 → 设计三种方案 → 同时启动三个 SubAgent每个 SubAgent：• 预装了“画图 Skill”• 拿到文章路径和自己负责的方案• 独立去读文章、生成提示词、调用画图工具、插入图片• 完成后只返回：新文章的 URL + 简短摘要主 Agent 这边呢？上下文干干净净，只有三个结果链接。用户想看哪套，再去读取对应的 URL。什么时候用哪个？用 Skills：• 任务简单，主 Agent 全程掌控• 需要的知识可以复用• 想节省上下文，按需加载用 SubAgent：• 子任务复杂、耗时长、中间过程繁琐• 需要并行处理多个独立任务• 想保持主 Agent 的“思维清晰”一句话总结Skills 是应用程序，装在主系统里按需调用；SubAgent 是虚拟机，独立运行完再把结果交回来。任务简单用应用，任务复杂开虚拟机。

79. 开发Agent只懂拖拉拽？你真的能跟上生产级开发的节奏了吗？

80. 一个视频教你看懂全网爆火的 Skills 是什么？

81. 你最想让智能体机器人先帮你搞定生活，还是提升工作效率？ #大咖观察 #ai新星计划 #红衣聊AI #机器人

82. 大疆司空 2 重磅升级，引入智能算法与大模型 | 见云见智

83. 「Github一周热点94期」开源AI渗透测试智能体、模块化智能镜子、开源AI Coding、多平台热点聚合、IPTV 频道集合和开源游戏合集

84. 回复@软软的胖糖:除了Skills可以放在全局、或者仅仅项目内有效，命名上也需要注意的，比如我今天刚把我分享的skills都加上前缀了，另外在一些需要用到其他skill的skill，比如我分享的给文章配图的skill，会判断一下是否有多个画图skill，如果有需要用户选择一次。确实是个麻烦。//@软软的胖糖:这段时间也在折腾skill，几个skill还好，但是现在碰到个问题，随着skill逐步的增多，skill之间的冲突也在增加。而且这种冲突非常难找，skill中的trigger和关键提示词会冲突，造成skill调用不稳定。不知道老师有没有好的经验借鉴没有？我想后面会不会有个工具专门来提取skill中的信息，来管理和检测冲突

85. LLM强化学习不稳定之谜，被Qwen团队从「一阶近似」视角解开

86. #中国超算之父称中国智能体领先世界# 荣耀的AI战略最具颠覆性的，是提出了"与用户共同进化"的全新理念，而YOYO正是这一理念的实践核心。通过"YOYO许愿池"收集用户建议，经由"MagicOS月月焕新"进行OTA月度系统迭代，一句话直达荣耀产品中心。这一战略布局的深意在于，AI的终极价值是服务于人，只有让用户深度参与，才能让技术真正贴合需求。#荣耀AI终端生态大会# 荣耀正在用这种独特的生态模式，重新定义AI产业的发展逻辑！#中国工程院院士点赞的AI长啥样##荣耀Magic8##万事找YOYO# 凤凰网科技的微博视频

87. 推特热议、AI 万亿美元新赛道，「上下文图谱」到底是什么？创业机会在哪？

88. RAG、LangChain、Agent 到底有什么关系？

89. 如何解决Cursor等Agent编码开发轮次多了过后代码库变成屎山的问题？

90. AI智能体开发中的技术难点

91. 搭建领域智能体的技术难点在哪里

92. 关于智能体Agent的实现技术之思维链和函数调用(function call)的思考

93. AI 智能体发展面临‘性能质量、成本控制及伦理与法律问题’挑战

94. 智能体搭建中的常见工程问题与纠正路径

95. 为什么开发一个 AI Agent 看似容易，但真正让它「好用」却如此困难？技术瓶颈主要在哪里？

96. 为什么大模型 Agent 产品总是无法落地？来自实战派的经验分享（一）

97. 企业级Agent，落地为什么这么难？

98. AI Agent落地难？核心卡点不在模型，而在这三大现实壁垒

99. Agent元年的困境与突破

100. 为什么构建 AI agent 的工程量往往比想象的大？

101. AI 智能体开发

102. 落地AI智能体的最大挑战

103. 智能体框架也难救？深入剖析LLM在确定性博弈中的推理极限

104. 易术研究 | 为什么下一代智能体不是更聪明？

105. 2025年智能体注定失败？

106. AI面试题

107. 大模型Function Call不稳定？揭秘四大系统设计痛点，让你的Agent应用稳定上线！

108. 为什么 Agent 的工具调用为什么总是出错？要么总是在循环，要么准确率总是不稳定！

109. 大模型如何学会“用工具”？深入浅出了解工具调用与其微调技术

110. 从 MCP 协议到稳定的工具调用架构

111. 智能体真正的能力根基在于记忆系统

112. 科普｜为什么所有智能体产品都在强调“记忆”？

113. 易术研究 | LLM 智能体记忆机制

114. 为何多智能体（Multi-Agent）系统离不开记忆工程

115. 告别拼凑

116. 智能体系统设计的第一步

117. 为什么通用Agent很难实现企业化落地？

118. Agent AI时代需要什么样的企业级数据管理系统

119. AI Agent为何”智障”？Anthropic揭示工具设计根本问题

120. AI产品经理面试

121. AI Agent 为什么上不了台面？产品经理的落地答卷

122. Agent智能体

123. 大模型的两大死穴

124. 多轮训练配上简单的人类反馈无法提升大模型推理能力

125. 如何系统性地理解大语言模型从“单轮问答”到“多轮交互”的范式转移及其核心挑战？

126. 多轮交互

127. 智能体项目为什么必须“以流程为中心”而不是“以模型为中心”

128. 从单 Agent 到多智能体系统

129. 智能体的构建依然是个“脏活累活”...

130. 告别智能体「盲盒」，一次线上事故之后，我们决定给每个推理步骤都打上“调试桩”

131. 构建可用于生产环境的AI智能体

132. Agentic Coding的大挑战

133. 从“工程天坑”到“价值高地”

134. 翻译| 一种新的框架简化了复杂的智能体式 AI版图

135. 智能体AI适配研究分类框架

136. 别再让AI只会说不会做！智能工作流这样落地才有效

137. 智能体

138. AI智能体（AI Agent）核心定义+企业适配选型指南

139. 如何搭建AI智能体

140. 我看到的真相

141. 67页Agentic AI综述

142. 韩家炜教授新作

143. Agent搭建完成！下周二，如何极限控制成本？

144. 如何紧贴业务逻辑开发专用AI Agent？

145. Agent能做什么与不能做什么？

146. 迈向通用agent

147. 从零开始

148. Agent方法论 | 为什么要学习Agent以及如何学

149. 一文搞定6 种流行的 Agent 式设计模式！

150. 2026 年智能体架构综述

151. 深度解析

152. 智能体初学者常见误区有哪些？

153. 自主式AI热潮之下

154. 驯服代理式AI（Agentic AI）智能体

155. 【智能体开发】2026编程革命

156. 报告 | 《用Langchain DeepAgents开发高级AI智能体实战手册》（免费下载PDF版本）

157. LangChain 1.0 全面进化指南

158. 智能体开发中的关键注意事项:构建高效智能系统的指南

159. 具身智能发展挑战多诸多难题仍待解

160. 百度智能体

161. AI智能体开发实战思路

162. 智能体安全

163. 智能体商业化持续演进:技术瓶颈、应用突破与就业结构重塑

164. 什么是智能体?

165. 智能体商业化持续演进:技术瓶颈、应用突破与就业结构重塑

166. 2025智能体应用发展报告

167. 智能体开发者:跨越技术变现鸿沟的策略探讨

168. 论道工业智能体:落地关键与挑战?

169. 具身智能发展挑战多诸多难题仍待解

170. 智能体开发中的关键注意事项:构建高效智能系统的指南

171. AI智能体(AI Agent)开发的技术难点

172. ModelEngine社区

173. 锚定GCAO核心原则，让企业智能体建设精准落地、高效产出

174. 从开发到变现:井云智能体封装变现系统如何打通AI商业“最后一公里“?

175. 多智能体协作为什么这么难:系统频繁失败的原因分析与解决思路

176. 赛迪研究院:2025年智能体应用现状挑战及建议报告

177. 大语言模型的智能体推理：从被动生成到主动思考的范式转变

178. 智能体编程：从理想到现实的技术反思与突破路径

179. Anthropic最新思考，什么时候才真的需要构建多智能体？

180. 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”？

181. 通义千问DeepResearch团队论文：Agent训练的新范式

182. Agent多步任务总卡壳，从上下文断裂到状态自愈以及一致性与可恢复性实战手册

183. AI Agent总“翻车”？

184. Injob in产品实践：Agent 效果差？先别怪模型——可能是你的“上下文”被污染了

185. 让AI Agent跨越上下文窗口：Anthropic的长时任务实践笔记

186. Multi-Agent 协作开发实战：如何用多 Agent 完成中大型项目

187. 【翻译】Anthropic工程博客：长运行Agent的有效利用框架

188. AI智能体部署九成五失败？揭秘落地真实死因别盲目追求全自动！实测报告显示，85%的成功智能体竟放弃框架改用原生代码，且68%的执行步骤少于10步。真正落地的秘诀是“有限自主”与“人机协同”。视频深度解析，教你避开95%的失败陷阱，打造企业级Agent。#AI智能体 #人工智能 #Agent落地 #降本增效 #大模型应用

189. AI智能体时代中的记忆机制：全面探讨其形式、功能与动态发展综述！

190. . 智能体来了（西南总部）：AI Agent指挥官在工具调用中的作用

191. 【原创】企业智能体（AI Agent）落地难的原因与改善策略研究

192. Anthropic又一篇Agent开发神文，新范式让Token消耗暴降98.7%

193. 智能体的安全与可控性问题

194. Anthropic如何高效地进行Agent上下文工程

195. 重磅综述｜AI 智能体的 “灵魂” 揭秘！顶尖机构全景梳理记忆机制

196. AgentFlow：不止分工，更要进化——解密斯坦福Flow-GRPO如何实现智能体的“在线学习”

197. AI工具调用调试技巧

198. AI Agent开发遇到大麻烦：运行10分钟出错，根本找不到问题在哪

199. LangChain：agent如何使用文件系统进行上下文工程

200. 别再只谈模型了，Agent的“灵魂”在于上下文工程

201. 华人团队提出智能体自我进化框架，无需人类标注，大幅提升通用推理能力

202. 日志易产品VP饶琛琳：AI智能体时代的可观测性

203. AI Agent团队转型指南：从项目制到产品化，构建规模化竞争力的核心！

204. 阿里：上下文学习提高Agent记忆能力

205. LLM之Agent（二十七）|Manus 上下文管理经验揭秘

206. 微软Agent Lightning强化学习框架深度解读零代码给 LangChain/AutoGen 加强化学习！LightningRL + 训练-应用分离架构

207. langchain最新实践：如何使用DeepAgents构建Multi-Agent应用

208. 一文讲清：智能体的记忆机制（Agent Memory）

209. LLM Agent 上下文工程深度解析：问题、方案与实践指南

210. 到底什么是智能体(Agent)？从LLM+Tools到多智能体架构的技术难点全解析

211. 什么是智能体的记忆机制(Agent Memory）

212. 智能体的记忆系统和RAG检索系统

213. Skills 还是 SubAgents：企业落地如何选择合适的多智能体架构？

214. 你有没有想过：LLM智能体是如何触发工具调用的？

215. Agent 如何压缩上下文：来看看Cursor、ClaudeCode、Manus 都在用的方法

216. 聊聊智能体的记忆机制（Agent Memory）

217. 给AI模型“减肥”！5招破解智能体记忆力瓶颈，效率提升惊人

218. AI Agent上下文隔离技术：3种核心模式，破解混乱与低效难题

219. AI Agent架构精讲：LangChain+LangGraph+MCP三层协同，2026年必备技能！

220. Multi-Agent多智能体技术：AI协作革命的核心原理与落地场景！

221. AI Agent为啥有时听不懂？问题出在上下文工程

222. 为什么你的AI Agent总是"失忆"和"胡言乱语"？答案可能不在模型，而在"文件系统"

223. AI Agent智能体：在工程、水利等复杂场景中自主执行与协同的“数字专家”

224. 大模型与智能体：从技术协同到范式重构的未来演进

225. 大模型会在多轮对话下会“迷路”

226. 智能体落地：准确率与领导节奏的矛盾

227. AI Agent中的多轮对话是什么？效果如何优化？

228. 谷歌云代理商：谷歌云怎么开发 AI Agent

229. 深度解读重磅综述Adaptation of Agentic AI

230. Agent开发的深水区：如何破解上下文膨胀

231. AI算法面试：提升大模型的多轮对话能力

232. 智能体的记忆管理机制及其潜在风险 | NICE120期

233. 构建可用于生产环境的AI智能体 - 哔哩哔哩

234. 智能体搭建教程（1）：搭建的稳定性保证

235. AI Agent已来：产品经理的生存法则

236. SimpleTIR：让大模型“边写代码边思考”不再崩溃

237. 2026AI 元年：智能体技术落地与产业应用变革白皮书

238. AI Agent：什么问题该让它上？

2025年智能体开发遇阻：技术、工程与场景适配成落地瓶颈

精选参考来源