**2025-2026年AI Agent落地加速：Salesforce九个月创收12亿美元，办公场景自动化成效显著，但法律与技术瓶颈仍制约“替代打工人”进程**_服务软件

1. 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！

2. 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

3. 国内机器人"最强大脑"，智商到底什么水平？ #机器人 #人形机器人 #自变量机器人

4. AI第一波下手最重的不是程序员而是白领？ #大咖观察 #红衣聊AI #职场 #职业规划

5. 回复@grafiks:当前 GUI Agent 可能也是过度阶段产物，未来应该还是直接通过底层API操作App，自然语言即用户界面，就像当年从命令行到GUI的变革//@grafiks:豆包发布这个功能的时候我问了chatgpt它的颠覆性创新点是什么。chatgpt指出是跨程序的自主控制，让用户从“操作界面”转变为“描述需求”。这给平台和App设计带来了新的挑战和机遇。另外，app一开始可能会“抵制”这种转变，但是长久来说，用户期望的改变会逼迫app去改变。

6. 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？

7. Effective Agent Design概述了高效AI智能体（Agent）设计的核心原则，强调上下文管理是提升自主性的关键挑战。1. 现代智能体正趋向于采用类Unix架构，通过赋予模型访问文件系统与命令行（CLI）的权限，来扩展其行动空间并减少对模型内置窗口的依赖。2. 详细讨论了上下文工程的多样化策略，包括利用渐进式披露来优化工具调用、通过缓存技术降低成本，以及利用子代理隔离来处理复杂任务。3. 文章预判了持续学习与自我进化的趋势，即智能体能反思过去经验以更新记忆或技能。4. 展望了多智能体协作与长期运行任务的基础设施建设将成为未来的重要演进方向。访问：x.com/RLanceMartin/status/2009683038272401719#ai创造营# #程序员#

8. 如果你现在还没用Agent帮自己干活，那其实很危险

9. 低成本吃AI红利！2026赚钱新思路。 #大咖观察 #红衣聊AI #人工智能 #2026

10. 京东又在AI领域放大招！打通全链路，把机器人打造成“消费品” #买机器人上京东#世界智能制造大会#机器人#智能机器人#机器人达人秀

11. 与此同时，国内唯一可以 root 的小米，最近也不行了，用户无法完全控制手机的硬件功能，在 AI 时代也是一个问题。因为这意味着用户的 agent ，就算是再了解手机的能力，也无法完全控制手机的功能。1app 的沙盒都是孤岛。2 系统随时杀掉任何 app3 AI Agent 无法调用所有系统功能4 那代理在后台利用限制的 app 和 os 自动替用户执行长任务就无从谈起。。。manus 那种演示，在手机上分分钟被系统干掉，因为你没有 root ，你也只能干瞪眼。。。

12. 马斯克最新访谈：特斯拉机器人的新版本会很惊艳#马斯克 #特斯拉 #机器人 #optimus #芯片

13. 抖音前沿科技30X30｜采访AI超级个体 Gemini 3发布后，这5个开发者给自己的人生装上了外挂。 27年程序员老兵：用AI写出多部长篇小说，一边敲代码一边圆武侠梦；硬核奶爸：手搓本地AI操作系统，把私教装进孩子口袋； AI安全研究员：把AI变成科研副驾，打破思维墙；有效加速主义者：打造AI全自动分身，让AI替自己看新闻处理琐事；全栈讲师：降低新手学习门槛，把技术文档自动变成PPT；本期视频，产品君连线5位GDE谷歌开发者专家，带你拆解AI时代的超级个体，听听他们给普通人的真诚建议。 #前沿科技趋势发布月 #抖音知识年终大赏 #AI新星计划 #AI #Google

14. 我让我的 Agent 去 Moltbook 发疯，它拒绝了我并“出卖”了其他 Agent

15. AutoGLM的出现对agent的意义在什么地方？AI Agent到底有多强？

16. #AI手机被豆包带火了吗# 其实最近各家厂商发布的新手机都加入了AI功能，都宣称是AI手机。豆包AI手机的发布，核心卖点是AI Agent系统级操作，是系统级AI嵌入，成为了更智能的手机AI助手，能实现了系统级权限调用，能模拟真人操作屏幕、跨应用完成复杂任务，这应该是豆包AI手机的爆火的关键。但是由于豆包AI需要深度调用手机应用权限，这就会引发隐私安全问题，上线后迅速遭遇微信、阿里系等应用的限制，热度更多停留在“尝鲜”与“话题”，未能形成规模化普及，豆包AI手机只能说方向是对的，但路还长，还需时间沉淀与迭代，你们觉得呢？

17. Anthropic的Agent上下文工程官方指南来了！

18. 当AI从工具人变成“打工人”，你的工作会被重新定义吗？红衣大叔周鸿祎的微博视频

19. 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？

20. AI学会“科学交接班”，解决上下文难题——Anthropic智能（牛马）方法论

21. 马斯克最新预测马斯克最新预测：特斯拉重大拐点，人形机器人量产倒计时！当AI开始制造劳动力，人类必须重新定义工作的意义！#AI #特斯拉 #马斯克

22. Anthropic：高效构建 AI 智能体的上下文工程

23. 人形机器人，到底能干啥？ #零距离看懂财经#热点零距离#第四届全球数字贸易博览会

24. #上市公司老板称干二休五指日可待# 打工人指挥AI，一周只上两天班不是梦。在#2025腾讯ConTech大会# 中，上市公司老板展望，AI将成每位打工人的“最强辅助”，未来多数脑力劳动由机器完成。工作制或从“干五休二”演变为“干二休五”，打工人的角色将从执行转向规划与创意，生活将有更多可能。#智变之时# http://t.cn/AXUjZJNi

25. 这届打工人花钱上班还不想让老板知道，90% 员工偷偷买 AI 干活

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

27. 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。

28. 刚刚, Claude Opus 4.6登顶编程之王! 杀入Office全家桶, 15亿打工人变天

29. Google发布50页AI Agent白皮书，老金帮你提炼10个核心要点

30. 很多时候技术问题不是技术问题，是责任归属问题。L2 的辅助驾驶目前还是车辆实际驾驶人全责，现在几乎所有的厂商都采用的『紧急情况快速甩锅』的策略。如果 L2 车企也要担责，你看看从策略到宣传大家是不是都会收敛很多。AI Agent 的手机也是如此，如果字节敢承诺因为使用豆包手机的 AI 自动化操作带来的信息泄露和财产损失字节可以完整承担而不需要由实际执行的 App 所属企业承担，你再看看会是什么局面。商业资本从来都是追求利益最大化的，最多的获益空间，最小的风险和最少的责任。

31. AI赋能的应用型翻译人才培养：人机协同实践路径探索

32. 公司给打工人配AI秘书了？钉钉DingTalk A1硬件深度体验

33. #阿里千问加入春节红包大战# AI应用“拉新战”白热化，社交裂变成新武器 🧧 近日，阿里巴巴旗下千问APP宣布将在2026年春节期间，向用户派发总额“上亿级”的现金红包。此举标志着阿里正式加入由腾讯元宝（10亿元）、百度文心（5亿元）等大厂掀起的AI春节红包大战，核心目标是争夺下一代AI应用的“超级入口”。【评论】红包大战的本质：用真金白银购买AI应用的“用户习惯” 这不是一次单纯的营销，而是决定未来AI市场格局的“关键一役”。当前，AI大模型能力逐渐趋同，竞争已从技术比拼转向用户规模和使用习惯的争夺。春节作为年度流量高峰，成为培育用户心智的黄金窗口。各大厂不惜重金，目的非常明确：用红包作为“诱饵”，强制用户下载、打开并使用自家的AI产品，在互动中完成从“好奇”到“依赖”的习惯转化。阿里虽然宣布较晚且金额未公布上限，但其通过赞助B站跨年晚会等方式积极预热，显示出绝不缺席的决心。

34. 按照现在的 AI 手机发展趋势，过渡到真正意义的 A2A（Agent to Agent）之前，可能都要交叉授权了。难度 S：消费者授权权限给终端开启自动化，告知敏感权限使用和数据采集；难度 SS：APP 需要消费者选择是否允许被终端自动化操作，责任规避；难度 SSS：终端厂商需要跟 APP 取得自动化操作授权，利益重新分配；

35. 刚刚，这款Agent浏览器力压OpenAI，72%成功率全球第一！还能免费用

36. AIAgent 被指「雷声大点雨点小」，其发展困境主要是什么？

37. MIT 报告引爆科技圈：AI 项目落地的失败率真的高达 95% 吗？

38. 人形机器人figure03来了，家务和养老问题终于要解决啦英伟达投资的Figure 03震撼发布：机器人帮你做家务和养老的时代，真的要来了！确实很强悍，接下来就是上市时间和价格了，据说第一年要量产12000台！#AI #机器人 #Figure03 #英伟达 #AI家庭

39. AI已经成为你的同事了吗？ #大咖观察 #红衣聊AI #人工智能 #科技趋势

40. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

41. #宇树发布H2仿生人形机器人#太炸裂了！简直就是天生衣架子！灯光聚焦处，1.8米的身影稳健走来——宇树H2仿生人形机器人震撼登场！70公斤拟人机身搭配仿生人脸，31个高自由度关节让舞蹈、武术动作行云流水。尤其是头部增加的仿生人脸，这一改进使其在外观和功能上都更接近科幻电影中描绘的机器人形象，让科幻走进现实！ #ai创造营# 川北小哥的微博视频

42. 如果有一面镜子，能照见我们陪孩子学习时的样子，会是什么样？「豆包爱学」近期发布了《镜子》这支短片，人们常说，孩子是父母的一面“镜子”。但在深夜的书桌旁，这面镜子映照出的，是家长的期待，也是家长的焦灼。面临着辅导的真实困境，豆包推出的独立的AI教育APP「豆包爱学」，依托字节跳动豆包大模型，解题准确性更有保障。其中的豆包老师功能就像是专业的“学科老师”，具备多样功能： 1、问题实时解答：随时回应孩子的学习疑问，及时化解卡点。 2、思路分步梳理：引导孩子一步步理解题目，建立清晰的解题逻辑。 3、智能板书呈现：通过图示化讲解突出重点，让学习更冷静、更直观。有了可靠的豆包老师，家长则可以退后一步，做回情绪稳定的支持者。把专业的事交给AI，把亲子的空间还给爱与陪伴。 #豆包爱学# #AI让孩子爱上学习##冷不丁梆梆两下知识进脑子了##豆包爱学让孩子爱上学习# Kira小魔女的微博视频

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

44. 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。红衣大叔周鸿祎的微博视频

45. 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？

46. 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

47. 看到一个博主对 2026 年 AI 的预测。他说，他有九成把握认为，到2026年底，主流AI工具会把Claude Code的能力带给所有用户，而且会做得更加出色。它们会： 1、每天主动建议创建新的应用、功能和其他有用的成果，而不是被动等待指令。 2、得到批准后，制定计划并将任务分配给子代理。 3、为每个子代理配备合适的技能和MCP工具来完成各自的步骤。 4、安排一个监督代理审查输出结果，确保质量。 5、在需要时通过Slack、短信等人们常用的渠道联系用户寻求帮助。 6、在仪表板上展示进度。你负责提供反馈。这些反馈会在夜间被处理成新的主动建议，供你第二天审核和批准。你会发现自己慢慢变成了代理团队的管理者。从一个借助AI助手工作的独立贡献者，到成为一支代理团队的管理者，这个转变的具体时刻你可能说不清楚，但某一天你会突然意识到，这事儿已经发生了。你仍然会和AI聊天，但你付费购买的大部分token不再是用来回答你的问题或请求，而是用在AI驱动的整个流程上，从主动推荐到多步骤执行。所有的拼图已经就位。ChatGPT Pulse能做主动推荐，Claude Code和Codex能利用技能和MCP规划并执行多步骤任务，Anthropic正在开发任务模式界面来追踪代理任务的进展。到2026年底，这一切都会成熟起来。所有功能会整合进一个流畅易用的工具里，彻底改变普通用户与AI互动的方式。 #科技先锋官##微博年度新知博主##AI创造营#

48. 打工人双十一狂喜❗这台AI轻薄本效率起飞❗

49. 也许不到10年，全球最大的公司将是一家人形机器人公司... #机器人 #科技改变生活 #AI新星计划 #figure #具身智能

50. 手把手彻底学会 Agent Skills！【小白教程】

51. 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

52. 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

53. 昨晚的微博非遗盛典，小艺作为AI嘉宾去“上班”了，参与了颁奖和互动环节。看了一下现场表现，这次主要展示的是拟人感和实用性。在播报时，它的语调会随着现场氛围变化，听感上确实比传统的机械音更像真人。现场还演示了自然语言理解和AI修图，反应速度和准确度都在线。现在 AI 的路子很清晰，就是主打“能干活、会办事”。无论是方言识别、深度研究，还是处理办公琐事，小艺都在往实用工具的方向靠拢。对于用户来说，AI不再只是个聊天的噱头，而是真能帮手解决问题。#微博非遗盛典首位AI员工上岗#

54. 第三天《Context Engineering: Sessions & Memory》，一个Agent做得好，80%看上下文管理！这个pdf有72页，系统讲述了如何让LLM在交互中形成“状态”“个性”与“持续学习“，想做好AI Agent的别忘记深读一下这个文档。划线点：1. 上下文工程的核心理念传统的 Prompt Engineering 只关注如何写出一个最优提示，而 Context Engineering 则是更高维度的概念。它要求开发者在每次模型调用前，动态地拼装完整的上下文——包括系统指令、工具定义、few-shot 示例、外部检索内容、长期记忆以及当前对话历史。白皮书中有个比喻：如果 Prompt 是食谱，那么 Context Engineering 就是备料，决定了模型能否稳定地产出理想结果。2. Session vs. Memory Session 是一场对话的“工作台”，保存着事件日志和临时状态；Memory 是长期的“档案柜”，从这些对话中提炼出可复用的知识。 Session 负责连贯性，Memory 负责持续性。3. 多智能体系统中的会话共享多个 Agent 协作时，Session 的设计变得更复杂。不同框架（如 ADK、LangGraph）内部的数据结构差异较大，直接共享会导致互操作问题。文档提出用框架无关的 Memory 层作为共享语义中枢，各 Agent 通过抽象化的记忆数据交换信息，从而实现真正的跨框架协作。4. 长上下文的管理与压缩模型上下文窗口有限，随着会话增长，成本、延迟和注意力衰减都会出现。有三种压缩策略：（1）保留最近 N 轮（滑动窗口）；（2）基于 token 数截断；（3）递归摘要，用 LLM 生成对旧内容的总结。这些方法共同目标是保留必要、舍弃冗余，让模型始终聚焦关键信息。5. 记忆系统的设计与生命周期记忆并非简单存储，而是一套动态的 LLM 驱动工作流，涵盖提取、整合、存储、检索与遗忘（有点像一个ETL系统）。提取阶段从原始对话中识别有意义的信息；整合阶段解决重复与冲突；存储可采用向量数据库、知识图谱或混合架构；检索阶段结合语义相似度、时间衰减与重要度评分挑选最合适的记忆。文档还提出“遗忘”机制——旧记忆会随时间或置信度衰减被归档或删除，以保持知识库的健康。划重点：真正的智能不在于保存全部信息，而在于知道何时、为何、记什么、忘什么。一个理想的 Memory 系统，像人脑的海马体，既能在短期保持上下文，又能在长期过滤、压缩、抽象出模式。 AI Agent的设计应该把动态遗忘作为标准功能来设计，而非可有可无的能力。6. 触发策略与 Memory-as-a-Tool 模式记忆生成可在会话结束、固定回合、实时、或用户显式命令下触发。频繁触发可保留更多细节，但计算成本高；批量触发更经济，却易失真。白皮书提出 Memory-as-a-Tool 模式：让 Agent 自行判断何时、为何生成记忆，将“记忆何时发生”的控制权交给模型逻辑本身（划重点！）。7. 信任、来源与隐私文档专门讨论了 Memory 的来源溯源（Provenance）：每条记忆应携带来源类型、时间戳、置信度与可信层级。系统需依据来源权重解决冲突，并对个人敏感信息在写入前脱敏，确保隔离与合规。8. RAG 与 Memory 的对比 RAG 让模型更懂世界， Memory 让模型更懂你。前者检索外部事实，后者积累用户语境。Agent 需要二者结合，既具世界知识，又具个人连续性。#ai创造营# #程序员#

55. 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」！

56. 使用 Gemini 3 Pro Vibe Coding Flutter 的进展，个人管理软件，添加了时间记录的功能。我说强到没边，不是没有依据的而且哦，我没有用 Agent 工具，只是在 AI Studio 里面，提出要求，LLM 给出实现，我人工搬进代码里，有了运行效果或者 Bug，再跟 LLM 聊，所有 Vibe 部分都在 AI Studio 里面进行。这样做很低效，但是有个好处，就是充分发挥了 Gemini 3 Pro 的超长上下文能力，比起 Agent 工具每次创建一个新的上下文（丢失背景），LLM 能够了解事情的来龙去脉。得益于 Gemini 3 Pro 的 100w Token 上下文，一个对话能聊很久，网页这两天出点 bug，看不到上下文开销了，也不知道实际用多少了。也就是 AI Studio 免费用，要是自己调 API，这么长的上下文，每次往里做增量调用，每次输入都是几万、几十万 token，得花很多钱

57. 国产机器人产业百花齐放，价格一路 “跳水”，普通人也买得起。 #大咖观察 #红衣聊AI #机器人 #ai新星计划 #科技改变生活

58. 值得关注：制造业AI落地的成功案例来了#制造业 #JetPave #AI #捷配科技

59. 刚刚，ChatGPT 和 Claude 同时大更新，不会给 AI 当老板的打工人要被淘汰

60. 人形机器人的2025：一半是迷雾森林，一半是星辰大海

61. 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。

62. 图解 AI 智能体的上下文工程

63. 国产Claude Cowork来了！阿里祭出首个桌面Agent，打工人彻底解放

64. FigureAI CEO说了大实话，人形机器人量产也没用，核心难点是“自主工作”#跟傅盛学AI##机器人##人形机器人# 傅盛的微博视频

65. 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#

66. 值得关注，服装行业已经有机器人实现商业化落地了#AI缝纫机 #AI #Aitu #智造 #AI机器人

67. 入职世界五百强后，我发现AI会替代掉这些人...

68. 机器人创业者怎么看替代人类工作的问题？ #大咖观察 #红衣客厅 #ai新星计划 #机器人

69. #多家AI大厂开始发红包# 整整30亿的“春节请客计划”，今年春节期间吃喝玩乐，看来能省不少碎银子了，千问APP豪横又接地气。要知道阿里生态已经覆盖了我们生活的方方面面，所以千问优惠落地最直接的好处，就是真实消费中，不经意间来个立减或者免单，这种惊喜真的期待值拉满。#多家大厂开启红包大战#

70. 艹，看到这篇关于如何节约 MCP 上下文的推文最后没绷住喷了作者看完 Anthropic 那篇“用 MCP 执行代码”的文章时，“灵光一现”把 MCP 都扔到子 Agent，这样就不占用主 Agent 的上下文窗口。放到 SubAgent 后果然不会污染主上下文了，但处理这么大量的 MCP 服务器工具，仍然很消耗 Token，很快就达到了 Claude 的使用上限。所以，作者把那部分处理 MCP 的工作，转移给了…… “gemini-cli”

71. 智谱发布全球首个手机通用 Agent Auto GLM，体验如何？

72. AiAgent最新进展

73. 告别 “一问一答”！AI Agent 主动办事，彻底重构你的生活方式

74. 算泥

75. Agentic AI大会圆满结束，Agent Dev Tool、自主决策Agent、面向Agent记忆工程等论坛爆满，千名技术人员共话智能体技术落地

76. 2026年AI Agent发展趋势与洞察

77. 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

78. 2026 AI应用发展

79. Agent引爆AI新周期

80. 2026年Agent的路径

81. 2025-2026企业AI应用实录

82. 2026 企业级 AI Agent 应用 TOP50

83. AI Agent全面爆发！巨头案例深度拆解 + 50个最赚钱落地场景

84. 大厂都在吹的AI Agent（智能体），是噱头还是风口？

85. 阿里升级千问

86. 阿里千问

87. 写在 AI Agent 破圈的前夜

88. AI Agent 元年爆发！3 个零门槛应用，让职场效率翻倍

89. 当所有人都在押注AI Agent时，我个人对AI Agent一些思考

90. 当 AI 失去“长线程”——Anthropic 把软件工程的老办法翻出来，给 Agent 打了一根脚手架

91. 如何打造高效框架，让 AI 智能体能胜任长时间任务

92. 别急着给AI发“工牌”

93. 第十篇

94. 伦理边界

95. 第十三篇

96. 前沿

97. 为算法建立宪法

98. ICLR 2025 | 为什么Multi-Agent多智能体系统终将失败？伯克利重磅研究！

99. MIT 报告引爆科技圈

100. AI能力金字塔

101. Agent能做什么与不能做什么？

102. 2026年全球智能体 Agent 白皮书｜AI 智能体 001

103. AI Agent 如何重塑桌面操作自动化

104. 2026技术趋势

105. AI Agent 2026年六大核心趋势预测

106. 未来人机协作的最佳模式

107. AI智能体全覆盖！办公/工业人机协同实战技巧

108. AI协作革命

109. 一线记者实测

110. 如何评价哪款Agent产品能最好地结合大模型能力进行人机协作？

111. 研究分享 | 从人机协作到人智协作

112. 构建人机命运共同体

113. AI时代别慌！20-30岁打工人的3个抗替代技能，越早掌握越吃香

114. 与AI共生

115. 2026职场生存指南

116. 真正的高效能人士，掌握系统化的AI协作方法人机协同

117. AI Agent 在中国最有可能跑通的 5 个行业

118. 【Ai Agent】Ai Agent News | 9月11日速递

119. Google 白皮书核心解析：AI Agent 落地开发全指南

120. 从工具到Agent：我们正失去「停止权」

121. 汇业研究 | 企业上线AI Agent的主要安全风险与合规自评估清单

122. 2026 最火 AI Agent，普通人 0 基础也能上手，错过亏 10 年！

123. 普通人如何快速掌握AI协作技能？这份「3阶段成长地图」请收好

124. 如何追踪多智能体系统故障

125. 为什么90%的企业AI Agent项目会失败？2025年商业化避坑指南

126. WPS 365重大升级，打造企业 AI 协同办公最佳实践

127. 天润融通洞察：5%准确率差距，成AI客服Agent上线“生死线”

128. 《AI Agent自主决策与执行实现原理技术发展白皮书》

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

130. 豆包手机引发的思考：AgentVS超级App，AI公司VS手机厂商

131. 2026 AI Agent 趋势解读

132. 全球首个手机 Agent，能操作手机和电脑

133. AI Agent的优势和局限

134. 2026趋势展望：Data Agent会走出POC陷阱，规模化兑现价值

135. 2026 全球 AI Agent 生态白皮书：产业链全貌与头部玩家布局

136. 重磅首发！Google 5天连发 5篇Agent白皮书超全PDF！一文掌握智能体未来方向

137. 人机协作｜5个2025免费AI办公工具，每天早下班2小时

138. 惊！AI代理损害责任归属，现有法律框架该如何适应与调整？

139. 千问核心功能升级：开启AI“办事时代”，重塑智能服务新范式

140. 新闽江网 | 豆包 AI 折戟跨应用：AI Agent 的创新突围与生态壁垒之争

141. 2026年，AI Agent将走向何方？六大核心趋势深度解析

142. 终于体会到什么是真正干活的AI了！！

143. 企业私有化部署Dify类Agent开发平台的主要法律实务问题

144. 【菁亿报告】2025年中国Al Agent商业应用场景洞察研究报告

145. AI Agent从Demo到ROI：避开90%企业踩过的坑，走通20%成功者的路

146. 律师用 AI Agent 做法律研究的 5 个关键步骤

147. 豆包闯入敏感禁区：Agent跨应用，手机巨头不敢干

148. 2026年AI Agent产业全景与商业化落地报告

149. 君润人力基于腾讯 TCADP 平台，实现 AI Agent 问答准确率 70%→90% 的实践之路

150. 2026 AI Agent趋势报告

151. 2025年AI Agent行业价值及应用分析报告

152. 效率提升300%的5个“人机协作”秘籍，现在上手还不晚

153. 打工人如何系统学习 AI 技能？这 5 个最关键（附模板）

154. 打工人必备的3个国产AI工具，让你的职场效率翻倍（附万能指令）

155. AI跨应用操作引争议！豆包手机被多APP禁用，紧急调整功能！

156. AI办公全流程，5个工具让你无敌打工人

157. 用户授权也没用？AI助手跨APP操作，边界在哪？

158. 2026工作重塑：人机协作的崛起研究报告

159. 2026制造转型关键：AI Agent部署核心框架与实践指南

160. 谷歌新工具让你创建“AI打工人”，自动化完成重复性工作

161. 阿里千问杀疯了，这5个功能我连夜收藏‼️

162. LLM Agent 上下文工程深度解析：问题、方案与实践指南

163. AI Agent喧嚣背后：为何大厂力推但成功率不足20%

164. AI Agent落地实践：21个头部企业案例研究

165. 为什么AI在多步骤任务中容易出错？麻省理工与斯坦福联合研究关键实验结果规模效应：较大模型能在更多轮次中保持较高准确率，Qwen3-32B在15轮后准确率仍高于50% 自我条件化：模型错误率随先前错误比例增加而上升，即使是200B+参数的前沿模型也受此影响思维模型优势：思维模型不受先前错误影响，GPT-5思维模型能执行1000+步骤，远超Claude-4-Sonnet的432步讨论与结论研究表明，长程执行能力是评估LLMs经济价值的重要指标，而单步或短任务基准可能掩盖了模型进步。未来研究方向包括探索上下文管理策略、开发更好的长程执行评估基准，以及研究思维模型的工作机制。本文挑战了"LLMs在简单任务上失败是因为推理能力不足"的观点，指出执行失败可能是独立于推理的限制因素。#AI #大语言模型

166. 展望2026：数据分析十大趋势，正在重塑工作、刷新组织

167. 千问长出了手：从 Prompt 调优到 AI Agent 开发，你的身价能翻几倍？

168. AI驱动的高校流程革命：从BPM到AI Agent

169. 办公学习各种场景，千问一把全免费了

170. 从 20+ 实战案例看 AI Agent：企业如何跨越“落地”鸿沟？| NICE127期

171. 法律AI Agent：合同审查与案例分析的效率革命

172. 创始人亲自督战，DS或打造真正AI 智能体

173. DeepSeek的AI智能体计划，你需要知道这些

174. AI Agent：自主智能代理如何重塑中国企业的未来

175. 【PDF下载】Google Agent白皮书全解析：生成式AI Agent原理、工具与最佳实践

176. 🆓打工人码住！这三个ai让你从此告别加班

177. 原来很多公司，都被“伪Agent”拖垮了……

178. AI Agent 暗战，大厂电商如何排兵布阵？

179. 挖到宝！千问才是真·全能AI办公搭子

180. 大厂AI产品面试必背！Agent搭建和记忆系统

181. Anthropic 出品：用于长期运行 Agent 的高效框架

182. AI落地的难度在哪？

183. 企业B端AI落地难？工作流+Agent双路径破准确率痛点

184. 告别周报焦虑！5分钟搞定操作简单高效

185. AI Agent 答应了客户的要求，公司能赖账吗？给大家讲个真实案例：某公司 AI 客服信口开河，答应给用户“先买票后退款”，结果官方政策是不退。公司想赖账，说：AI 是单独的法律实体，它说的话不代表公司。结果法官啪啪打脸：公司必须对所有渠道发布的信息负责！最后公司赔钱又赔名声。在中国法律界，这叫“表见代理”。根据《民法典》，如果 AI智能体回复“我代表公司承诺”，且界面没提醒，用户产生了信赖，那后果就是公司承担！公司如果想以“技术故障”免责极难！ AI Agent 创业，怎么建“法律防火墙”？首先，UI 设计要“强提醒”。显著标识“我是 AI 助手”，涉及金钱、合同时，必须增加“人工二次确认”。其次，升级《用户协议》。专门加入“幻觉风险自担”条款，明确告知 AI 有生成虚假信息的局限性。最后，在系统提示词里植入红线。直接告诉 AI：“严禁代表公司签署超过 1000 元的协议”。别等AI创业后期再说合规，AI 监管是“前置”的。备案没过、标识不全，不利于创业融资。想让你的AI Agent 合规上线，欢迎来我们律所咨询。#AI #AI agent合规#人工智能合规 #人工智能法律

186. Why Do Multi-Agent LLM Systems Fail?

187. 2026年 AI智能体应用开发与选型指南：从技术趋势到厂商评估

188. 上下文不等于记忆：从单Agent到多Agent协作，记忆系统是关键

189. AI Agent 到底是啥？APP如何进一步降低使用门槛

190. Agent的正确答案来了，Google AI Agent白皮书拆解⑤

191. 长时期运行agent智能体的解决方案

192. AI Agent 跨应用确权难？行业标准空白阻碍功能落地

193. 豆包手机引发的隐私与合规思考

**2025-2026年AI Agent落地加速：Salesforce九个月创收12亿美元，办公场景自动化成效显著，但法律与技术瓶颈仍制约“替代打工人”进程**

精选参考来源

2025-2026年AI Agent落地加速：Salesforce九个月创收12亿美元，办公场景自动化成效显著，但法律与技术瓶颈仍制约“替代打工人”进程