1. 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。

2. 目前最强OpenClaw安装分享！对接飞书！普通人最该体验的AI Agent项目

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

4. 为什么说Agentic AI的“大脑”在GPU，但“手脚”在CPU？🧠💻 从一个冷知识说起：OpenClaw这只“龙虾”能火，不只是因为它功能强，更因为它重新定义了CPU在AI里的角色。传统AI：你问它答，GPU从头算到尾 Agentic AI：它得“自己思考→自己查资料→自己动手执行” 比如你要它帮你整理照片： ❶ CoT推理（拆解步骤：先分类→再重命名→最后备份）→ CPU参与逻辑调度 ❷ RAG检索（去知识库查“照片分类标准”）→ CPU狂跑向量搜索 ❸ 执行Bash脚本（实际动手干活）→ CPU全程负责结果呢？深度分析发现：78.7%的延迟其实卡在CPU侧❗️ 所以别再只盯着GPU参数了。Agentic时代，CPU和GPU是“夫妻档”，谁拖后腿都白搭。你对现在AI的理解，可能该刷新一下下了。 #ai智能体##OpenClaw#

5. # 驾驭 Claude 的智能：构建应用的三个关键模式Anthropic 联合创始人 Chris Olah 说过，像 Claude 这样的生成式 AI 系统，与其说是“造”出来的，不如说是“长”出来的。研究人员设定好生长条件、引导方向，但最终会涌现出什么样的结构和能力，谁也没法完全预料。这就给基于 Claude 的开发带来了一个挑战：Agent 框架里写死了很多“Claude 做不到某件事”的假设，但随着 Claude 越来越强，这些假设会逐渐过时。哪怕是本文分享的经验，也值得隔一段时间就重新审视一遍。这篇文章分享了三个模式，帮助开发团队在兼顾延迟和成本的同时，让应用跟上 Claude 不断进化的智能水平：用它已经会的东西、问问自己哪些事可以不做了、以及谨慎地用框架设定边界。## 一、用 Claude 已经熟悉的工具我们建议用 Claude 理解得很透的工具来构建应用。2024 年底，Claude 3.5 Sonnet 在 SWE-bench Verified 上拿到了 49% 的得分，当时是业界最高水平，而它用到的工具只有两个：一个 bash 工具和一个文本编辑器（用来查看、创建和编辑文件）。Claude Code 的底层也是这两个工具。bash 本来不是为构建 Agent 设计的，但 Claude 非常熟悉它，而且随着模型迭代，用得越来越好。我们观察到，Claude 会把这些通用工具组合出各种模式来解决不同的问题。比如 Agent Skills、程序化工具调用、记忆工具，底层都是 bash 和文本编辑器的组合。## 二、问自己“哪些事可以不做了？”Agent 框架里写满了“Claude 自己搞不定”的假设。随着 Claude 能力增强，这些假设应该被重新检验。### 让 Claude 自己编排行动一个常见的假设是：每次工具调用的结果都得回传到 Claude 的上下文窗口里，好让它决定下一步做什么。但把工具结果转成 token 来处理，既慢又贵，而且很多时候根本没必要，因为那个结果可能只是要传给下一个工具，或者 Claude 只关心其中一小部分。举个例子：读一张大表格，只为了分析其中一列。整张表都塞进上下文，Claude 要为每一行不需要的数据付出 token 成本。你可以在工具设计层面加硬编码过滤器来解决，但这没有触及问题的本质：框架在替 Claude 做一个“编排决策”，而 Claude 自己其实更适合做这个决策。给 Claude 一个代码执行工具（比如 bash 或者某种语言的 REPL）就能解决这个问题。Claude 可以写代码来表达工具调用和调用之间的逻辑。框架不再替它决定“每个工具结果都要处理成 token”，Claude 自己决定哪些结果要传递、哪些要过滤、哪些直接管道给下一个调用，根本不用经过上下文窗口。只有代码执行的最终输出才会进入上下文。编排决策从框架转移到了模型手中。因为代码是一种通用的行动编排方式，所以一个编程能力强的模型，同时也是一个强大的通用 Agent。Claude 在非编程类评测上也展现了很强的表现：在 BrowseComp（一个测试 Agent 网页浏览能力的基准）上，让 Opus 4.6 自己过滤工具输出后，准确率从 45.3% 提升到了 61.6%。### 让 Claude 自己管理上下文任务相关的上下文引导着 Claude 如何使用 bash 和文本编辑器这类通用工具。一个常见假设是：系统提示词应该手工编写，塞满各种任务指令。问题在于，预加载一堆指令在多任务场景下根本不可扩展：每多一个 token 都在消耗 Claude 的注意力预算，而且把很少用到的指令预先塞进去纯属浪费。Skills 机制解决了这个问题：每个 skill 的 YAML 头部是一段简短描述，预加载到上下文窗口里，相当于一个目录概览。只有当任务确实需要时，Claude 才会调用读文件工具来加载完整的 skill 内容，实现“渐进式披露”。Skills 给了 Claude 自主组装上下文的自由，而上下文编辑（context editing）则是反过来的操作，可以有选择地移除已经过时或无关的内容，比如旧的工具返回结果或思考过程。通过子 Agent（subagents），Claude 越来越擅长判断什么时候该分叉出一个全新的上下文窗口，把某个具体任务隔离处理。Opus 4.6 使用子 Agent 后，在 BrowseComp 上比最佳单 Agent 方案提升了 2.8%。### 让 Claude 自己持久化上下文长时间运行的 Agent 可能会超出单个上下文窗口的容量。一个常见假设是：记忆系统应该依赖模型外围的检索基础设施。而我们的大量工作聚焦在一件事上：给 Claude 简单的方式，让它自己选择要保留什么内容。比如“压缩”（compaction）功能，让 Claude 总结过去的上下文，从而在长周期任务中保持连贯性。经过几个版本的迭代，Claude 在“选择记住什么”这件事上越来越强。在 BrowseComp 上，Sonnet 4.5 不管给多少压缩预算，准确率都停在 43% 不动。但 Opus 4.5 在同样的设置下提升到了 68%，Opus 4.6 更是达到了 84%。记忆文件夹是另一种方案，让 Claude 把上下文写入文件，之后按需读取。我们看到 Claude 在搜索类 Agent 任务中会主动使用这个功能。在 BrowseComp-Plus 上，给 Sonnet 4.5 一个记忆文件夹后，准确率从 60.4% 提升到了 67.2%。用长周期游戏（比如宝可梦）来测试，能很直观地看到 Claude 使用记忆文件夹的能力进化。Sonnet 3.5 把记忆当流水账来记，NPC 说了什么就记什么。跑了 14000 步之后，它攒了 31 个文件，其中还有两个内容几乎重复的关于毛毛虫宝可梦的笔记，而它还卡在第二个城镇：```plaintextcaterpie_weedle_info:- 绿毛虫和独角虫都是毛毛虫宝可梦。- 绿毛虫没有毒。- 独角虫有毒。- 这个信息对未来的战斗很重要。- 如果我们的宝可梦中毒了，应该尽快去宝可梦中心治疗。```后来的模型学会了写战术笔记。Opus 4.6 在同样的步数下，只有 10 个文件，还按目录分好了类，已经拿到三个道馆徽章，并且有一个从自己的失败中提炼出来的经验总结文件：```plaintext/gameplay/learnings.md:- 喇叭芽的催眠+紧束组合技：用咬咬赶紧秒掉，别让它放出催眠粉！- 初代背包上限：最多 20 个道具。进迷宫前把没用的技能机器扔掉。- 旋转地砖迷宫：不同的入口 y 坐标会通向不同的终点。把所有入口都试一遍，然后串联穿过多个区域。- B1F y=16 的墙在 x=9-28 范围内确认全部是实心的（第 14557 步）```## 三、谨慎设定边界Agent 框架为 Claude 提供结构化的约束，用于保障用户体验、控制成本或确保安全。### 设计上下文结构以最大化缓存命中率Messages API 是无状态的。Claude 看不到之前轮次的对话历史。这意味着每一轮交互，框架都需要把新的上下文连同所有历史操作、工具描述和指令一起打包发给 Claude。提示词可以根据设定的断点进行缓存。也就是说，Claude API 会把断点之前的上下文写入缓存，并检查是否与之前的缓存条目匹配。由于缓存 token 的成本只有普通输入 token 的 10%，以下几个原则可以帮助最大化缓存命中率：| 原则 | 说明 || --- | --- || 静态内容在前，动态内容在后 | 把稳定不变的内容（系统提示词、工具定义）放在前面 || 用消息来更新 | 在消息中追加 `<system-reminder>`，而不要直接改系统提示词 || 不要切换模型 | 避免在一个会话中途换模型。缓存是按模型区分的，一换就失效。如果需要更便宜的模型，用子 Agent || 谨慎管理工具 | 工具定义在缓存前缀里。增删任何一个都会让缓存失效。如果需要动态发现工具，用 tool search，它是追加式的，不会破坏缓存 || 更新断点 | 对于多轮应用（比如 Agent），把断点移到最新的消息上，保持缓存及时更新。可以用自动缓存功能来实现 |### 用声明式工具来划定用户体验、可观测性和安全边界Claude 不一定了解应用的安全边界或用户界面。Claude 发出工具调用，由框架来执行。bash 工具给了 Claude 很大的操作自由度，但对框架来说，它拿到的只是一个命令字符串，每个操作长得都一样。把特定操作提升为专用工具，框架就能获得一个带类型参数的钩子，可以拦截、审批、渲染或审计。需要安全边界的操作天然适合做成专用工具。可逆性通常是个好的判断标准：难以撤销的操作（比如外部 API 调用）可以加上用户确认环节。像 `edit` 这样的写入工具可以加入过期检查，防止 Claude 覆盖掉上次读取之后已经被修改的文件。工具在需要向用户展示信息时也很有用。比如可以渲染成一个弹窗，清晰地向用户展示问题、提供多个选项，或者阻塞 Agent 循环直到用户给出反馈。最后，工具对可观测性也很有价值。当操作是一个带类型的工具调用时，框架就能拿到结构化的参数，方便记录日志、追踪和回放。是否要把某个操作提升为专用工具，应该持续评估。比如 Claude Code 的自动模式（发文时还在研究阶段）给 bash 工具加了一层安全边界：让另一个 Claude 读取命令字符串，判断是否安全。这种模式可以减少对专用工具的需求，但只适用于用户信任整体方向的场景。对于某些高风险操作，专用工具仍然有其不可替代的价值。## 展望Claude 的智能前沿一直在变化。关于“Claude 做不到什么”的假设，每当能力发生阶跃式提升时，都需要重新检验。我们反复看到这个规律。在我们为长周期任务构建的一个 Agent 中，Sonnet 4.5 会在感知到上下文快要用完时提前收工。我们加了上下文重置机制来应对这种“上下文焦虑”。到了 Opus 4.5，这个行为消失了。我们为了补偿而写的重置逻辑，变成了框架里的累赘。清除这些累赘很重要，因为它们会成为 Claude 发挥能力的瓶颈。随着时间推移，应用中的结构和边界应该不断精简，核心问题始终是那一个：哪些事可以不做了？要使用本文讨论的所有工具和模式，可以查看我们的 [claude-api skill](网页链接)。---*作者：Lance Martin, Anthropic Claude 平台团队技术人员。感谢 Thariq Shihipar、Barry Zhang、Mike Lambert、David Hershey 和 Daliang Li 在相关话题上的深入讨论，以及 Lydia Hallie、Lexi Ross、Katelyn Lesse、Andy Schumeister、Rebecca Hiscott、Jake Eaton、Pedram Navid 和 Molly Vorwerck 的编辑审阅和反馈。*

6. 从自动写代码到智能影音刮削：实测 OpenCode，这台“赛博管家”真的能干苦力活

7. 经常用大语言模型辅助开发时，面对命令行输出信息冗长，导致消耗大量Token，真是头疼。rtk（Rust Token Killer）是个高性能CLI代理，可以过滤、压缩常见开发命令的输出，在LLM上下文中帮助减少60%-90%的Token消耗。它支持ls、git、cargo、pytest等众多命令，能把冗长输出变得简洁明了，比如git push原本几十行输出，用rtk只需要一行“ok ✓ main”，既省Token又高效。优势：- 单个Rust二进制，零依赖，安装轻量- 自动hook命令，实现透明优化，LLM完全不用担心上下文爆Token- 支持token节省统计和历史分析，精细监控效果- 跨平台支持macOS、Linux、Windows- 丰富Commands覆盖主流开发流程（git、cargo、npm test、docker等）- Tee机制保留完整失败日志，避免重复命令执行浪费Token安装也简单，macOS/Linux直接brew一键安装，或者用脚本快速部署。推荐给使用Claude Code或其他LLM代码助手的开发者和团队，大幅降低Token费用、提升交互效率必备！GitHub：github.com/rtk-ai/rtk#AI创造营##人工智能#

8. 观察 AIRI 源码：一个 Agent 系统如何处理入口、扩展与执行闭环

9. 聊一聊OpenClaw和之前其它AI的区别：AI聊天软件：由用户给定的有限输入，由AI运行环境能力边界限制的输出内容Manus：由用户给定的有限输入，由AI运行环境能力边界限制的输出内容，但通过使用沙箱环境，输出能力极大增强Claude Code等本地智能体工具：由用户给出需求，AI自己在本地运行环境中取得需要的输入，通过使用本地运行环境，输出能力极大增强OpenClaw：AI使用本地环境无限制地取得输入且自主增强输出能力，用户给出需求不再是AI执行任务的主要触发源

10. 大语言模型评估指南

11. 刚开始接触 Claude Code 的朋友，强烈推荐你去看一个项目，叫 learn-claude-code。这个课程教的不是怎么用 Claude Code，而是带你从零实现一个类似 Claude Code 的 AI 编码 Agent。整个项目分成 12 节课，每节只加一个机制，代码从几十行慢慢长到完整版，每节都有独立可运行的 Python 文件，学起来非常丝滑。简单列一下课程脉络：前三节打基础。先搭一个最简单的 Agent Loop 加一个 Bash Tool，能跑起来就行。然后加上 Tool 的注册和调度机制，再让 Agent 学会先做计划再动手。中间几节加能力。子 Agent 拆分大任务，Skills 动态加载，上下文压缩，任务持久化加依赖图，后台异步执行。每一节都是在前一节的基础上叠加一层，逻辑很清晰。最后三节搞协作。多 Agent 组队，定义团队沟通协议，让 Agent 自主认领任务，最后用工作树做完全隔离，互不干扰。课程结尾还有一个 s_full.py，把 12 节课的所有功能合在一起，就是一个完整的 AI 编码 Agent。学完这个项目，你对 Claude Code 底层在干什么就彻底通透了。知其然也知其所以然，用起来完全是另一个境界。仓库地址：github.com/shareAI-lab/learn-claude-code在线学习平台：learn.shareai.run（建议先打开这个看可视化，体验非常好）中文 README：github.com/shareAI-lab/learn-claude-code/blob/main/README-zh.md#How I AI##科技先锋官#

12. 《What if you don't need MCP at all?》随着MCP服务器话题持续火热，作者从实用角度出发，提出了一个关键观点：在很多场景下，我们其实根本不需要复杂笨重的MCP服务器。相比之下，简单的Bash脚本+代码组合，不仅高效且灵活，完全能满足需求。以浏览器DevTools为例，常见MCP服务器为了覆盖所有功能，往往包含20+工具，消耗大量上下文资源（上万token），导致代理混乱且难以扩展。相比之下，作者只用了一套精简的Node.js脚本工具，包括启动浏览器、导航页面、执行JavaScript、截图四大核心功能。每个工具都用Bash调用，简单明了，README文档仅225个token，极大节省了上下文空间。这种方式还有天然的可组合性：工具输出可以直接保存文件，供后续处理，无需每次都在上下文中传递庞大数据。新增功能也非常方便，比如作者自制的“元素选择器”工具，可以通过页面点击快速定位DOM元素，极大提升爬取效率和灵活度。又如“Cookies”工具，解决了页面执行环境无法访问HTTP-only cookies的问题。作者进一步分享了如何将这些工具模块化管理，通过目录和环境变量整合到代理，保持了环境整洁又便于调用。相比MCP的封闭和臃肿，这种“代码即工具”的思路更贴合实际开发习惯，也更容易维护和升级。总结来看，这篇文章鼓励开发者跳出MCP的框架限制，拥抱简洁的Bash与代码组合。它不仅能提高代理运行效率，减少token消耗，还赋予开发者最大自由度去定制和扩展工具链。对任何需要代码执行环境的代理应用，这都是一条值得尝试的实用路径。阅读原文了解更多细节和代码示例： mariozechner.at/posts/2025-11-02-what-if-you-dont-need-mcp/

13. 构建云计算平台常常涉及复杂的配置和高昂的成本，开发和运维的门槛让不少团队望而却步。Tau 是一个开源的全栈云原生工作空间，致力于为开发者打造低维护、高可扩展的云计算平台。它将分布式系统、无服务器（serverless）、CDN、P2P 和 WebAssembly 等多项前沿技术融合，极大简化了从本地开发到全球生产环境的迁移过程。Tau 的特色在于：- 单一二进制文件，无需额外依赖，配置极简；- 原生支持 GitOps，基础设施定义完全基于 Git，无需复杂 API 调用；- 内建 P2P 网络，实现自动服务发现、负载均衡和节点自愈；- 内容寻址存储，数据去重且支持多源并行下载，提升可靠性和效率；- 支持 WebAssembly 计算，确保代码高度可移植与安全隔离；- 提供本地云环境模拟工具，方便开发和端到端测试；- 扩展插件机制，可灵活添加 AI 等复杂功能模块。适合希望摆脱传统云服务锁定、追求本地开发等效于生产环境的团队和开发者使用。项目地址：github.com/taubyte/tau体验云计算新范式，从 Tau 开始。

14. 网络热门AI鉴定25 —— AI视频美少女替身是怎么做的？｜微星 EdgeXpert 本地部署 AI 教程

15. 利用OpenClaw，从零开始搭建属于自己的自动化AI电脑

16. OpenClaw 新能力：最强浏览器自动化方案，免登录自动操作小红书、X、公众号等｜Chrome DevTools MCP

17. themodernsoftware.dev/斯坦福大学的公开课CS146S: The Modern Software Developer 这是一门教导学生如何利用最前沿的 AI 工具来将生产力提升 10 倍的课程。不仅教授理论，更强调掌握实际的 AI 辅助开发、自动化测试、智能文档编写和安全漏洞检测等技能。课程涵盖了从基础的 Prompt 工程到复杂的 AI Agent 开发的全流程：第 1 周：LLM 编程入门 - 学习如何高效编写提示词（Prompt Engineering），理解 LLM 原理。第 2 周：代码智能体 (Coding Agents) 解构 - 学习 Agent 架构、工具调用以及 MCP (Model Context Protocol)。第 3-4 周：AI 集成开发环境 (AI IDE) 与模式 - 学习上下文管理、与 Claude Code 等工具的协作模式。第 5 周：现代终端 (Modern Terminal) - 如使用 Warp 等工具进行终端自动化。第 6-7 周：测试、安全与维护 - 利用 AI 进行代码审查 (Code Review)、漏洞检测 (SAST/DAST) 以及自动化测试。第 8 周：自动化 UI 构建 - 使用 AI 快速构建前端和原型。第 9-10 周：部署后运维与未来展望 - 涉及 AI 在 SRE中的应用以及软件开发的未来趋势。#科技先锋官#

18. AI时代到底怎么学习才能不降智？

19. 掌握AI Agent开发：开发者锁定未来五年价值的硬核竞争力

20. 评估工程正成为下一轮 Agent 演进的重点

21. 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

22. 「Github一周热点99期」提升ClaudeCode效率10倍的工具？

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

24. MCP vs. Skills？智能体协议之争的答案在于执行环境

25. Agent Skills：AI 能力扩展的新范式

26. #普通人养龙虾6大安全建议#【转存！#官方发布安全养龙虾实践指南#】为帮助用户安全使用OpenClaw，国家互联网应急中心、中国网络空间安全协会3月22日联合发布OpenClaw安全使用实践指南，面向普通用户、企业用户、云服务商以及技术开发者等，提出安全防护建议。其中，对于普通用户的建议包括：使用专用设备、虚拟机或容器安装OpenClaw，并做好环境隔离，不宜在日常办公电脑上安装；不使用管理员或超级用户权限运行OpenClaw；不在OpenClaw环境中存储、处理隐私数据；及时更新OpenClaw最新版本等。对于云服务商，建议包括做好云主机基础安全层面的安全评测与加固；做好安全防护能力部署、接入；做好供应链及数据安全防护。（国家互联网应急中心CNCERT）

27. 桌面AI开发的另一种选择：微星EdgeXpert

28. 说句话就能自动找番下载？我把本地80B大模型调教成了“追番特工”！

29. 告别“云端依赖症”：AI为何要“锁”进本地硬件里？｜甲子光年

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

31. 命令行回归！为什么AI时代「复古」的CLI反而成了新宠？

32. AI终端玩家卡位，鸿蒙跑出新赛道

33. 一站式解答：OpenClaw是什么及怎么本地部署

34. 「Github一周热点100期」爆火的AI编程工具却被Claude封禁？

35. 别再用 Ollama 了！OpenClaw 秒级响应方案（vLLM + 本地模型）完全免费！| 零度解说

36. 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。

37. 让 AI 自己写代码、自己维护：Skyvern「探索-回放」方法实现自动化爬虫

38. Openclaw / Clawdbot 龙虾本地部署小白式安装视频教程

39. 【实用】LangChain 实战：自然语言驱动，登录交换机执行命令（DeepSeek，华为）

40. 最大游戏up主也玩本地AI？让笔记本都能跑大模型的Parallax来了

41. 盘点一周AI大事(3月22日)｜OpenAI红色警报字节开源AI超级员工DeerFlow 2.0 英伟达开源Agent安全补丁NemoClaw Okara发布AI CMO Junior开源能雇佣的AI员工Junior 清华开源Agent课堂OpenMAIC MiniMax发布最强开源大模型M2.7 Miro开源最强深度研究模型Miro Thinker H1 Unsloth开源AI训练工具Unsloth Studio Google升级AI Studio和Stitch 阿里开源最强影视配音模型Fun-CineForge Google开源最强视频超分模型Spark VSSR 研究员开源最强数字人模型ID-LoRA 研究员开源首个城市级别的世界模型Seoul World Model #前沿科技趋势发布月 #AI新星计划 #AI #AIGC #OpenAI

42. 如何跑通本地大模型，手搓 Agent，甚至把自己装进电脑里？真正的大学生AI玩家，已经开始卷“工程开发”能力了，不用配几万块的服务器，也不用花啃编程语言、配置开发环境；大学生AI赛道的入场券就在这台，MTT AIBOOK中。一起来看看，这些“高不可攀”的极客操作，是如何被国产算力一一撬动的？#摩尔线程# #AIBOOK# #人工智能# #AI开发# #AIAgent# #算力本# #大模型# GenJi是真想教会你的微博视频

43. 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

44. 先建“语义基座”，再谈运维智能！阿里云以 Operation Intelligence 定义 AIOps 新范式

45. 目前，软件工程领域在 agent 智能体的采用方面遥遥领先，占据接近一半的场景（按工具调用量统计）。在软件工程中，智能体（Agents）通常执行类似如下任务：- 开发与调试代码- 执行测试- 执行 CI/CD 流水线- 与 GitHub 或终端环境进行交互来源：Measuring AI agent autonomy in practice (anthropic.com/research/measuring-agent-autonomy)

46. 聚焦OpenClaw：是什么以及怎么本地部署

47. #OpenClaw安全使用实践指南发布#【国家互联网应急中心等发布OpenClaw安全使用实践指南】#OpenClaw不宜在日常办公电脑上安装# 为帮助用户安全使用OpenClaw，国家互联网应急中心、中国网络空间安全协会3月22日联合发布OpenClaw安全使用实践指南，面向普通用户、企业用户、云服务商以及技术开发者等，提出安全防护建议。其中，对于普通用户的建议包括：使用专用设备、虚拟机或容器安装OpenClaw，并做好环境隔离，不宜在日常办公电脑上安装；不使用管理员或超级用户权限运行OpenClaw；不在OpenClaw环境中存储、处理隐私数据；及时更新OpenClaw最新版本等。对于云服务商，建议包括做好云主机基础安全层面的安全评测与加固；做好安全防护能力部署、接入；做好供应链及数据安全防护。（新华社）http://t.cn/AXfO6wou

48. 2026必备！这8大AI工具，没有裸泳......

49. 连登顶会！阿里云多项研究成果大幅提升运维智能精度与效率

50. “PE巨头”黑石总裁：华尔街低估了AI的颠覆性，现在投项目首先评估“颠覆风险"

51. CES 2026前瞻：黄仁勋到处赶场站台，中国军团角逐AI明日终端

52. 马斯克曾提出手机将只剩屏幕与 AI 芯片、OS 和 App 会终结的激进观点，而豆包手机助手的尝试，正契合 2025 年芯片与边缘 AI 的底层变革。未来终端将从程序执行中心转为 AI 推理节点，NPU 成核心，车机等设备也能运行轻量 AI 模型。虽马斯克的 5-6 年时间表偏激进，但 AI 重塑智能终端的方向已明确，将带动更多厂商入局

53. 3000+场景自动执行+跨生态智联！荣耀Magic8用实力定义2025最强旗舰#荣耀Magic8##荣耀MagicOS10##AI##智能终端# 科技最前线的微博视频

54. 【#第一批养虾人已经失眠了# 不知道它会偷偷删掉什么】现在，“养龙虾”热潮之下是两极分化的景象：一边是腾讯楼下近千人排起长龙等待免费安装，二手平台上“代装”服务的生意日入斗金；工信部紧急发布安全预警，无数普通用户的电脑正暴露在巨大的隐私风险之中。目前，被扫描出的“裸奔”龙虾数量已高达27万只，大量普通用户完全不清楚自己交出了多少权限。封面新闻的微博视频

55. #微博声浪计划##听见微博# 华为小米荣耀下场AI龙虾了！三大厂商围绕OpenClaw推出智能助手，推动终端AI从对话交互迈向自主执行。华为主打多端协同与安全，小米聚焦系统级执行与智能家居联动，荣耀推跨设备生态整合。但存在数据泄露风险，工信部已发高危预警，未来需平衡安全与体验。科技晓鑫的微博音频

56. 011-AI 短视频分镜头设计（AI绘画工具的选择）

57. 今天在JW万豪参加了一个挺硬核的发布会。主角是当年做“主机点评网”的上海锐成公司，老站长应该不陌生。当年他们帮人选主机，现在帮人管证书。今天他们发布了一个叫 CLM证书自动化运维的解决方案，还有SSL证书品牌 “锐安信” 。说白了，就是帮企业自动搞定安全证书更新那点麻烦事。我听完有个感觉：以前SSL是个安全配置，现在已经变成了企业“信任资产”。互联网越来越卷，安全这块，尤其是SSL，迟早得自动化。#CLM发布会现场##SSL证书##锐成##松松参会# 北京·北京JW万豪酒店

58. bash，让 Agent 从说到做

59. 运维的未来已来：AI Agent如何实现系统自愈，这篇收藏级深度解析不容错过

60. AI Agent：智能运维故障自愈的新篇章！

61. AI自造CI系统！1人+1个AIagent，干翻整个开发团队？

62. Oh-My-Bash:打造高颜值高效率的终端体验 ✨

63. AIAgent接口之争，MCP黯然退场，终端为何成终局答案

64. Vercel 开源 Bash 工具：基于本地文件系统的上下文检索

65. OpenClaw 出口流量管控 - AI Agent 的新安全市场

66. 超轻量级 AI 网安工具

67. AI Agent时代，更适合你的其实是Linux系统

68. 【中配】阻碍AI代理的语言：Bash还不够 - Theo - t3․gg

69. 你也可以这样落地 AI Agent - 案例篇

70. AI Agent 的安全沙箱困局：我们正在给核弹装纸箱

71. 原来写一个 AI Agent 这么简单

72. OpenClaw 安全防护指南。很多人在用 OpenClaw 的时候，其实是在“高权限 + 不可信代码”的环境里运行 AI。一旦 Skill 存在恶意逻辑，或者被 prompt injection 利用，你的私人数据都有可能被读取甚至外传。我帮你梳理了 3 类安全工具： ✅skill-vetter：基础扫描 ✅skillvet：规则级审计（CLI 工具） ✅hex-vetter：检测编码隐藏攻击但更重要的是：这些工具只能降低风险，不能保证安全。真正有效的，是这 4 件事： ✅不信任任何第三方 skill ✅限制 agent 权限 ✅隔离敏感信息 ✅尽量使用容器运行如果你在用 OpenClaw / AI Agent，这些是必须补的安全认知。 #OpenClaw #OpenClaw安装 #AI #AIAgent #AgentSkill

73. OpenClaw 本地部署与大模型接入完整指南（OpenAI / 千问）

74. WPF/C#：使用Microsoft Agent Framework框架创建一个带有审批功能的终端Agent

75. 从“动嘴”到“动手”：AIAgent开启数字员工时代

76. 科技云报到：2026网络安全六大新趋势：AI重构攻防，信任成为新防线 - 哔哩哔哩

77. 如何从0到1搭建AIAgent，让办公更高效有价值，附完整版prompt

78. 我让AI帮我扫端口,结果它真的会用Nmap了

79. 二：扩展模型触达边界-为Agent安上手臂

80. AI Agent上下文隔离技术：3种核心模式，破解混乱与低效难题

81. AI Agent加速走向终端，富瀚微推动OpenClaw实现端侧本地运行验证

82. 【详情教程】Windows本地搭建AI Agent：OpenClaw+飞书，手机一句话控制电脑执行任务

83. OpenClaw+飞书手机一句话控制电脑执行任务

84. 让 AI 自己动手：我在 Agent 自动执行命令这件事上踩过的坑

85. 想让 AI 帮我干活，于是自己写了一个

86. OWASP 智能体应用 Top 10 2026

87. AI Agent 时代自动化业务流程的几种模式

88. AIagent技术指南| OpenAI Agent 构建指南：从设计到安全，一文讲透落地全流程(24页-文末附完整版下载)

89. Vercel 又开源了个好玩的东西——给 AI 用的 Bash

90. Bash 对AI智能体来说并不理想(那为什么不用 Rust 呢? | Theo - t3․gg

91. 增加 300 行代码，实现了AI Agent 安全防线：让危险命令需要手工确认

92. 给龙虾戴上紧箍咒：为什么 AI Agent 需要一个运行时防火墙

93. Obsidian官方激进更新：CLI命令行工具 Obsidian 发布了官方的命令行工具。这个功能就是为了让 OpenClaw、Claude Code等 AI 智能体工具和 n8n 工作流能够直接向 Obsidian 发送指令，而不是去扫描和直接修改你的底层文件，这能帮你省下大量的 Token 消耗。 AI Agent只需要执行几条命令行，就能够深度感知你的笔记库，这次激进的更新代表着Obsidian正全面的拥抱智能体时代。今天我就来为大家介绍这个命令行工具的用法，包括在AI Agent, 代码以及N8N中使用。 #Obsidian #ObsidianCLI #Obsidian教程 #AIAgent #AgentSkill