合同审核从4小时缩至20分钟？三大行业Agent提效实战攻略_服务软件

1. 【AI Agent市场的一半已经被占领，另一半还没人去】快速阅读： Anthropic最新研究显示，软件工程占据了近50%的AI agent工具调用，而医疗、法律、教育等16个垂直行业加起来才占另一半。这不是问题，这是机会。模型已经能连续工作5小时，用户只让它工作42分钟。---Anthropic发布了一份数据，直接把机会画在了图上。软件工程占据AI agent工具调用的49.7%。医疗1%，法律0.9%，教育1.8%。剩下16个垂直行业，每个都不超过9%。有人说这些市场还没成熟，其实更准确的说法是：这些市场几乎还不存在。工程师建了工具给自己用，这不奇怪。奇怪的是，没有更多人去想：当年SaaS用了几十年才产出170个独角兽，现在如果每个垂直行业都有一个AI版本的对标，而且AI版本因为同时替代了软件和操作人员，价值可能是SaaS的10倍——你往哪里看？有一个数字更值得停下来想想。METR的评估显示，Claude能胜任需要人类近五小时的任务。但实际使用中，99.9百分位的会话只有42分钟。这个差距不是模型能力的上限，是人类信任的上限。从2025年10月到2026年1月，最长会话时长在三个月内翻了将近一倍。这不只是模型变强了，是用户在一次次使用中，一点点把信任往外推。新用户自动批准20%的会话，用了750次之后，超过40%全程自动运行。听起来像是越用越放手，但有个反常识的发现：有经验的用户反而中断得更频繁，从5%涨到9%。不是因为不信任，是因为他们已经从“每步确认”进化到了“委托执行、异常介入”。这是两种完全不同的信任结构。Garry Tan说，他如果今天重新创业，会盯着那张图里的红色区域直到看见自己的未来。这句话不是煽情，是一个具体的判断：接入私有数据，处理真实工作流，深度理解行业上下文，然后帮客户完成组织内部的变革管理。最后这一条，是大多数创始人忽略的部分。任何人都能包一层API。很少有人能同时搞懂医疗账单的合规流程、法律发现的证据规则、或者建筑许可的地方性差异。有网友提到，在eSignature领域，挑战从来不是做出agent，而是知道哪些边缘情况会让合同作废——见证要求因州而异，公证规则每季度都在变，一个错误的模板能让几个月的合同全部失效。这才是护城河，不是工具调用数量。有观点认为，软件工程之所以主导数据，是因为工程师用自己建的工具测自己想解决的问题。其他行业不是没需求，是还没有真正懂那个行业的人跑进来动手。也有人提到，一些医疗机构曾被Olive.AI坑过——那其实是RPA穿着AI外衣，但医院不这么区分，他们只记得“AI”让他们栽了跟头。信任一旦破坏，重建的成本比从零建立要高得多。这或许才是那些垂直市场真正难的地方。---简评：这张图本质是一面镜子：工程师造了锤子，然后满世界找钉子，却忘了隔壁病房、法庭和教室里堆满了螺丝。49.7%的工具调用集中在软件工程，不是因为其他行业没痛点，是因为懂医疗账单合规的人不会写代码，会写代码的人不知道公证规则每季度都在变。SaaS花几十年产出170个独角兽，AI时代的垂直机会可能十倍于此——但入场券不是API调用能力，是你愿不愿意花三年搞懂某个行业里那些让合同作废的魔鬼细节。红色区域不是蓝海，是需要翻译官的新大陆。---garryslist.org/posts/half-the-ai-agent-market-is-one-category-the-rest-is-wide-open

2. 快速学习AI Agent的方法有哪些？

3. 自动化量化交易从未如此简单。AutoHedge 是一款开源的多智能体量化交易系统，利用群体智能和 AI 代理，实现市场分析、风险管理和交易执行的全自动化。它集成了策略生成、技术分析、风险评估和交易执行四大智能代理，实时接入市场数据，提供结构化交易建议和详尽日志，帮助你快速搭建属于自己的自动对冲基金。主要功能：- 多智能体架构，覆盖策略、量化分析、风险管理及交易执行；- 实时市场分析，支持多股票组合；- 风险优先的仓位管理，自动调整交易规模；- JSON 格式输出，方便二次开发和集成；- 完善的日志系统，支持调试和回溯；- 支持自定义扩展，灵活适配各种交易策略。支持 Python 3.8+，pip 安装即可快速部署，适合量化交易爱好者和金融科技开发者。项目地址：github.com/The-Swarm-Corporation/AutoHedge使用 AutoHedge，轻松迈入自动化交易新时代。

4. 深度｜暗壳AI Agent2.0：破局人居行业，链接“设计与交易”的一站式创作生态平台

5. 工作流引擎哪家好？

6. 字节跳动正在积极推进与vivo等手机厂商的深度合作，共同开发搭载系统级AI能力的智能手机。对普通用户来说，AI手机确实带来了极大的便利和体验升级。用户只需通过一个简单的语音指令或文字描述，AI助手就能自动完成一系列复杂操作，例如帮你比价并订购机票、酒店，智能挑选商品并完成购物下单，甚至可以根据你的聊天习惯和语气，自动回复微信、短信或其他消息。这种“AI Agent”式的智能代理，让手机从被动工具变成了主动助手，大大节省了时间和精力，提升了日常生活的效率。但是，对于传统的App开发者和服务平台来说，这却可能是一场颠覆性的冲击，甚至可以说“天塌了”。以淘宝为例：在传统的移动互联网时代，用户购物时必须主动打开淘宝App，在首页、搜索页、推荐流中浏览商品，平台通过算法推荐、搜索广告、直通车、淘宝客等一系列流量分发和变现机制，将曝光机会卖给商家，从而实现商业闭环。但在AI手机时代，情况可能完全不同。用户说一句“我想买一双跑步鞋，预算800元以内”，AI助手就会直接跨平台搜索、比价、筛选，甚至无需用户打开淘宝App，就能模拟登录、浏览、加入购物车并完成支付。整个决策和执行过程都由AI主导，用户几乎不直接接触淘宝的界面。这时，淘宝精心设计的广告位、搜索排名、商品曝光逻辑和流量 funnel 就可能被大幅绕过——用户不再需要“看”广告，也不再产生传统的点击和浏览行为。更关键的是，未来AI在推荐商品时，很可能出现新的利益分配机制：哪家商家或平台给AI服务提供商（比如字节跳动的豆包、手机厂商的AI系统）支付更高的合作费用或分成，AI就更倾向于优先推荐其商品。这种“付费优先”的模式，本质上类似于今天的搜索引擎广告，但影响力更大，因为AI直接掌控了最终的购买决策权。到那时，淘宝原有的广告位、曝光度和流量价值将大幅贬值——因为流量不再流向淘宝，而是直接被AI截胡。商家们需要向AI厂家付费，才能获得推荐机会，这会动摇以淘宝为代表的超级App长期积累的商业根基。淘宝们肯定不会坐以待毙。

7. 在线自动化操作手机和电脑界面太繁琐？试试阿里巴巴的开源项目 Mobile-Agent，一个强大且多平台支持的 GUI 智能体系列。Mobile-Agent 集成了多模态视觉感知与跨平台操作能力，覆盖手机、PC、浏览器等环境。最新的 GUI-Owl 1.5 系列基于 Qwen3-VL 打造，支持桌面和移动端 GUI 自动化，达到 20+ GUI 基准测试的 SOTA 性能，具备高级的上下文记忆、工具调用和长程任务执行能力。项目亮点：- 支持多模态（视觉+语言）输入，理解复杂界面元素；- 跨平台操作涵盖安卓手机、Windows PC及网页版；- 多智能体协同，支持规划、任务管理和动态反思；- 开源模型权重已发布于 HuggingFace，方便试用和二次开发；- 丰富的演示视频覆盖股票查询、文档编辑、机票火车票比价等真实场景；- 提供在线 Demo，无需本地部署即可体验；适合研发人员、AI爱好者、自动化测试工程师使用，助力构建智能交互式自动化系统。GitHub：github.com/X-PLUG/MobileAgent 让 Mobile-Agent 帮你智能操控手机与电脑界面，实现真正意义上的多模态 GUI 自动化！#AI创造营##人工智能#

8. 数据科学工作流程复杂，涉及规划、执行、验证和反思多个环节，单靠传统工具难以高效协作和持续优化。Agentic Data Scientist 是一个基于多智能体架构的开源框架，利用 Google Agent Development Kit 和 Claude Agent SDK，实现了从智能规划到分阶段执行再到持续校验的闭环工作流。它能自动拆解任务，迭代优化方案，结合先进的科学技能库和模型上下文协议工具接口，帮助数据科学家高效完成复杂分析任务。主要功能包括：- 自适应多智能体协同工作，迭代规划与执行保障质量；- 任务分阶段管理，实时跟踪成功标准与进度；- 集成 Claude 科学技能库，支持多种科学计算和数据处理；- 文件管理与网络检索工具，方便数据导入与外部信息获取；- 灵活部署，支持命令行快速启动，满足多场景需求。适合需要系统化、多步骤数据分析的科研人员与工程师，项目地址：github.com/K-Dense-AI/agentic-data-scientist从规划到总结，Agentic Data Scientist 用智能化分工和不断的自我校正，助力数据科学项目更高效、更可靠地推进。

9. 刚刚，飞书开完了他们的新品发布会。作为一个飞书死忠粉，很爽。因为他们终于做了两个非常大的升级，把原来的AI助手aliy和飞书妙搭，进行了全面迭代。开始逐渐向一个真正的Agent原生平台看齐了。先说结论，这次发的新功能还挺多的，有飞书aliy、多维表格Agent、妙搭Agent 、还有OpenClaw插件啥的，很多很多。但是我觉得最重点的升级的两个东西，就是飞书aily和飞书妙搭了，如果你用过Claude的产品线，你可以非常快速的理解它们的定位。飞书aily，更像是Cowork，当然，如果没用过的话，也可以理解成你的OpenClaw，在飞书上直接跑的企业版的小龙虾。飞书妙搭，更像是Claude Code。一个更像是帮你解决你很多工作问题的助手Agent，一个更像是你的专业开发Agent，大概就是这个区别。飞书现在确实成了，国内最方便去使用Agent的平台了。话不多说，正文带你看一下飞书这次具体更新了啥。#how i ai# AI#飞书# 一文总结飞书新品发布会 - 向Agent平台的跃迁。

10. AI原生电商出现，Agent帮你从建站到运营

11. 发布了头条文章：《Notion CEO：不能被 Agent 用的产品没有未来》 Notion CEO Ivan Zhao 在 Access Podcast 中分享了他用 Agent 接管邮件的经历、雇佣 16 岁工程师的故事，以及 Notion 从卖工具转向卖工作、做 AI 模型中立的瑞士的战略转型。 Notion CEO：不能被 Agent 用的产品没有未来

12. #为什么AI大厂开始卖Token#3月17日，在钉钉2.0AI年度新品发布会上，钉钉创始人、CEO陈航（无招）重磅发布全球首个企业级AI原生工作平台——“悟空”，让每一家企业、每一个团队都能轻松拥有一个24小时工作的“龙虾军团”。发布会上，无招表示当前钉钉用户数已经突破8亿，钉钉软件付费企业数达到30万，服务企业数超2000多万，即日起悟空开启邀测，并将直接内置到超2000万企业组织的钉钉之中。目前，市面上大多数AI Agent还只是个人轻量级的智能体，尽管它可以帮你整理资料、撰写文案，但在企业的实际业务中，受限于个人设备与账号，并不涉及企业组织权限，没有企业级的安全管控能力。悟空就不一样了！它是阿里专门为企业设计的，简单来说它自带企业级安全环境，AI 会自动跟着公司的权限走，你能看什么、能改什么，AI 就只能干什么，不会越权；所有操作都在安全笼子里跑，不怕数据泄露、不怕乱操作；用了多少算力、花了多少钱，清清楚楚、明明白白；企业管 AI 成本，就像管预算、管报销一样简单。未来，悟空还将接入如微信、Slack等全球主流聊天工具，用户通过手机或电脑就能远程召唤悟空干活。此外，阿里巴巴旗下的淘宝、1688、支付宝、阿里云等ToB业务的Skill也将逐步接入悟空。近年来，“一人公司”不断兴起，对此，悟空发布了OPT（一人团队）十大解决方案，涵盖了电商、跨境电商、知识类博主、开发、门店、设计、制造、法律、财税、猎头十大场景，一键启用悟空，就能轻松实现一个驾驭一支精通业务的“Agent团队”。悟空也被阿里定位为“打造B端AI应用入口，将模型能力深度融入企业工作流”，成为阿里企业级AI的战略布局。同时，它还承担着阿里AI技术在B端商业化落地的关键使命，以钉钉为核心载体，把 AI 从概念转化为企业可直接使用的生产力。

13. AI 智能体驾驭 (Harness) 工程的兴起

14. 【保姆级】RAG智能体终极方案：n8n+Google File Search，零门槛搭建高精度RAG工作流！

15. 在线文档智能检索新利器——OpenRAG（GitHub: github.com/langflow-ai/openrag）是一款集成Langflow、Docling和OpenSearch的Retrieval-Augmented Generation平台，专为实现智能问答和文档搜索设计。OpenRAG核心优势：- 一键安装即用，所有核心组件无缝对接，开箱即用体验。- 支持多文档快速索引，能处理复杂的真实世界数据，实现精准语义检索。- 集成Langflow的可视化拖拽流程编辑器，方便快速搭建和调试RAG工作流。- 以OpenSearch为底层引擎，保证企业级海量数据检索的高性能和稳定性。- 多agent智能协调和重排序机制，提升问答质量和响应智能度。- 提供Python和TypeScript官方SDK，方便开发者灵活集成入自有应用系统。快速上手：1️⃣ 部署OpenRAG（支持Docker、一键安装）2️⃣ 导入文档进行智能语义索引3️⃣ 即刻开始基于大模型的智能聊天问答体验OpenRAG将文档检索和生成式AI完美结合，助力企业和开发者打造强大的智能知识库和客服机器人，体验未来智能搜索的无限可能。#AI创造营##人工智能#

16. n8n太复杂？Refly.AI让普通人也能轻松玩转AI工作流｜鹿演Vol.006

17. 【别再跟风“云养虾”了，这才是AI Agent泡沫破裂前你该知道的】快速导读：全网都在吹“Agent元年”，但别急着焦虑。内部数据和大佬实话更残酷：当前Agent长任务成功率仅55%，90%的产品是同质化炮灰。真正的价值不在通用工具，而在无法被AI轻易复制的垂直行业认知。---几乎一夜之间，所有人都开始谈论“Agent元年”，开始“云养虾”（一种流行的开源AI Agent框架）。好像只要动动嘴，AI就能帮你搞定一切，一场新的生产力革命就在眼前。先别激动。你以为这是新大陆，但更像一个巨大的泡沫。数据不会撒谎：当前Agent执行复杂长任务的成功率，只有55%。这意味着近一半的情况，它会把事情搞砸。连OpenAI的创始成员Andrej Karpathy都坦言：Agent还不如一个不靠谱的实习生。更深层的原因是，这是一场资本催熟的狂热。全球涌现出1200多款Agent产品，其中90%功能雷同，30%的生命周期甚至不足一个月。它们不是在解决问题，只是在追逐风口。相比之下，真正跑出来的，是那些深耕垂直行业的“笨”角色。比如法律Agent“Harvey”，在顶级律所的付费率超过80%。因为它懂法律，而不是什么都懂一点。所以，开发者们先别急着焦虑被替代。工作范式确实在变，从“写代码”转向“审代码”。但AI替代的只是执行的“手”，你的价值正在向上游转移：你的行业认知、你对复杂业务的判断力、你的品味。这些才是AI无法轻易染指的地方。真正的筛选其实已经开始了，它筛选的不是谁会用工具，而是谁拥有无法被模型参数化的“行业体感”。---简评：从“写代码”到“审代码”的转变，意味着程序员的价值核心，正从“实现效率”变成“判断质量”和“定义问题”。AI负责“怎么做”，人负责“做什么”和“为什么做”。这是一种解脱，也是一个更高的要求。你的不可替代性，藏在你的知识结构里，而不是你的打字速度里。#AI创造营##人工智能##Agent元年开启#

18. 「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

19. AI到底咋落地？教你给项目做个数字人！

20. 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】

21. 「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

22. 企业级AI Coding的落地方法，都在这本实战手册里了｜甲子光年

23. #阿里悟空落地#3月17日，阿里巴巴正式发布AI to B应用“悟空”，以企业级AI操作系统为定位，整合淘宝、天猫、支付宝、阿里云等生态技能模块，成为集团B端AI能力统一出口。伴随智能体赛道爆发，阿里3月密集推出Qode、HiClaw、Copaw等产品，以矩阵化布局抢占风口。悟空的核心价值，在于把AI从个人工具升级为企业级生产力军团，依托钉钉组织与权限体系，实现安全可控、可审计、可计量的企业级落地，直击行业痛点。此举标志着阿里AI形成“C端千问、B端悟空”的双轮格局，以生态协同与场景深耕构筑壁垒。当前，企业智能体已从概念走向规模化落地。阿里以全栈能力与生态优势下场，将加速行业标准化与商业化进程，推动中国B端AI从工具应用迈向系统重构，重塑企业办公与业务流程新范式。#how i ai# 阿里悟空落地

24. 深度｜获红杉、微光创投种子轮投资，Floatboat 要让 Agent 住进你的工作现场，打造 Agent 协同办公网络

25. Agency Agents：号称能一键搭建一个“AI公司”，配备55个高度专业化的AI员工，涵盖了工程、设计、营销、产品、项目管理、测试、支持、空间计算等多个部门，非常像现实中的公司架构。项目亮点：- 明确分工，每个AI都是某个领域的大咖，比如前端工程师、品牌守护者、增长黑客、Sprint优先级规划师、质量验证专家等；- 强调协作和流程，模拟真实团队工作，解决单一大模型扛全的性能瓶颈和职责模糊问题；- 支持Claude Code等主流AI代码工具，且自带批量生成和安装脚本，方便集成到各种AI开发环境。社区反馈和潜在问题：- 很多网友表示这套系统在“演出”层面非常完整和有趣，但实质执行时仍然有上下文共享难题，多个agent之间的记忆和协调尚不可控；- 多agent间消息传递带来海量tokens消耗，成本和效率成了大考验；- 也有人提出可以配合类似GSD，Paperclip等工具做更好地执行管理和成本控制；- 有人建议加入一个“成本管控agent”，专门监控预算和token消耗，避免“爆账”。未来展望：这类多agent“AI公司”架构是2025年后业界的新趋势，有论文表明多agent协作能提升复杂任务完成率25%左右，远优于单agent模型。尽管目前还处于早期，可玩性和探索价值极高。正如Greg所说，未来属于愿意折腾这些新技术的创造者。想玩转AI多agent团队，又想少踩坑的话，这个项目值得关注和研究。源码开放，社区活跃，非常适合爱折腾的工程师和创始人们自己动手搭建“未来的公司”。#AI创造营##人工智能# GitHub：github.com/msitarzewski/agency-agents

26. 腾讯vs钉钉vs飞书多维表，AI到底谁更行？

27. 关于 AI Agent 的未来，Andrej Karpathy 最近分享了一个深刻的洞察：LLM 应用不再仅仅是模型的包装，而是通过私有数据、传感器和反馈闭环，将模型编排成垂直领域的“专业团队”。 Aaron Levie 对此补充道，AI 应用层正在变得前所未有的“厚”。过去两年，人们常批评 AI 应用只是“薄壳包装（Thin Wrapper）”，但这只是技术初期的错觉。随着 AI 从对话框走向工作流，真正的价值正在向栈顶迁移。一个成熟的 AI Agent 应用通常包含四个核心支柱： 1. 上下文工程：处理复杂的长文本与检索逻辑。 2. 任务编排：将多个 LLM 调用串联成复杂的有向无环图（DAG），在性能与成本间取得平衡。 3. 专用 GUI：为“人机协作”提供垂直行业的交互界面。 4. 自主权滑块：允许用户根据信任度调节 Agent 的自动化程度。我们可以这样理解：通用大模型就像是一名极具潜力的大学毕业生，而优秀的 LLM 应用则是将其培养成专业人士的“精进学院”。在企业级市场，通用的横向平台往往难以落地。真正的护城河不在于模型的原始智商（IQ），而在于对特定业务流的理解、私有数据的深度集成，以及对旧系统的变革管理。这里的深度思考在于：当模型能力趋于商品化，权力的重心将转移到控制任务分解、反馈检测和故障处理的人手中。这层“厚应用”看起来不再像传统的软件，而更像是被代码化的管理学。软件 3.0 时代，LLM 是引擎，但产品是系统。 x.com/levie/status/2002805101510197370

28. #钉钉发布超20款AI新品# 软硬一体，押注AI Agent生态！🚀12月23日，钉钉在AI钉钉1.1新品发布暨生态大会上，一次性发布超20款AI新品。核心包括企业级AI硬件DingTalk Real（一款Agent OS执行终端）、企业级智能体操作系统，以及AI招聘、设计等智能体应用。【评论】四个月就从1.0迭代至1.1，并推出硬件终端，钉钉的AI转型堪称激进。此举标志着其战略从“协同办公软件”向“企业智能体生态”的彻底转向。通过“操作系统+硬件终端+智能体应用”的组合，钉钉正构筑一个更封闭、更深入的商业护城河，意图定义AI时代的企业工作方式。

29. 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

30. 老外还在幻想的事，已经被腾讯做出来了？全网都在养龙虾，腾讯游戏直接把龙虾Agent塞进了研发流水线。 GDC 2026，腾讯游戏一口气甩出 21 场 AI 分享，不聊空话，直接把参数规模、训练时间、工程链路和落地细节全部摊牌。尤其是天美的 Ignis Agent，让我第一次真正感受到：AI 进入游戏行业，已经不是做 Demo，而是开始接管复杂研发流程。相比其他AI应用场景，游戏的确是一个高度复杂的实时系统。因此，像腾讯这样能把AI嵌入复杂游戏工程、在玩家交互中持续打磨并完成长期迭代的游戏厂商，才更有可能引领游戏AI化的下一阶段探索，成为AI时代游戏产业新的规则制定者。 #AI #人工智能 #Agent #智能体 #GDC

31. 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？

32. Sam Altman疯了！用这三招，他想让全世界为ChatGPT打工！#Altman #人工智能 #科技改变生活 #AI新星计划 #openai

33. 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

34. Agent Infra到底是什么？【AI基建】

35. AI智能体也卷起来了？又懂业务又不用搭工作流…

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

37. 被称为「跨境电商版Sora」的AI营销视频智能体「Hilight」发布了，有哪些亮点信息值得关注？

38. 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#

39. 【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！

40. 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#

41. 什么是 AI 智能体？

42. 快手1.6万字长文《快手万人组织 AI 研发范式跃迁之路：从平台化、数字化、精益化到智能化》，推荐阅读文章介绍了快手研发范式的三阶段演进路径，以及快手技术团队对 AI 赋能组织提效的思考。三阶段演进路径：1. 平台化、数字化、精益化（2023-2024 年）：2. 建设一站式研发平台，并标准化需求和工程流程，工具渗透率>95%，流程自动化>94%3. 通过建立效能模型，识别交付瓶颈，提升需求交付效率，人均需求吞吐量提升 41.57%4. 智能化 1.0（2024 年 6 月 -2025 年 6 月）：聚焦用 AI 提升个人开发效率- 建设并推广 AI 编码 / 测试 /CR 等能力，AI 代码生成率超过 30%- 但发现矛盾——个人主观编码效率提升显著，但组织需求交付效率却基本不变5. 智能化 2.0（2025 年 7 月以后）：聚焦用 AI 提升组织整体效能- 找到了 AI 研发范式升级路线：L1 AI 辅助（Copilot）→ L2 AI 协同（Agent）→ L3 AI 自主（Agentic）- 探索出了支撑路线达成的系统性实践：AI x 效能实践、AI x 研发平台、AI x 效能度量关键洞察与经验：1. AI 研发提效陷阱：用 AI 开发工具 ≠ 个人提效 ≠ 组织提效2. 本质问题：如何将个人提效传导到组织提效原文：mp.weixin.qq.com/s/Ejxpxn_MrJ1PDf-K38MpEg#HOW I AI# #程序员#

43. 智能体设计模式总结

44. AI革命不是让你去学写代码，而是让你学会指挥AI干活。 #大咖观察 #红衣聊AI #科技改变生活 #人工智能

45. 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

46. 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

47. 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！

48. 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

49. 现在企业都在找 AI 落地场景，但实际有价值的落地却很少，不妨看看 Shopify 借助 AI Agent 来做智能化商品分类的案例，很有借鉴意义：1. 充分利用了 AI 能力的优势：- 擅长对数据结构化分析- 擅长翻译- 有丰富的专业领域知识- 能高效处理海量的数据- 能智能的判断非标准化任务的结果好坏2. 同时他们又没有完全依赖 AI 生成的结果，而是让人类专家对最终结果进行判定回头看文章解决的问题，就是电商领域的商品分类和检索问题，对电商有了解的的应该知道这活不好干：- 一个是量大，商品数量是以亿万计的，对应的分类就是成千上万- 需要专业知识才能设计好分类，人类专家不可能精通所有商品分类- 一致性很难，同一分类可能有不同的名字，另外商家和平台对商品的分类也可能不一致- 更新快，比如像电子产品，更新升级快，新的分类层出不穷，老的分类时间一长就无法适应新时代那么 AI 是怎么解决这些难题的呢？Shopify的解决方案不是用一个无所不知的AI模型来“包办一切”，而是组建了一个 AI 智能体小队，有一个明确的流程，每个智能体都有自己明确的分工。第一步：结构化 Agent 分析首先，一个“结构分析Agent”将商品的信息结构化，并分析检查：当前分类是不是合理，命名是不是统一，有没有新的分类或者更好的分类方式第二步：产品驱动 Agent 分析接着，第二个“产品驱动Agent”出场，主要任务是分析海量的、真实的商家商品数据，对比平台的分类标签和商家自己的分类标签是否一致。这篇文章举的“MagSafe”例子就特别好。这个“店员”Agent发现，最近商家在卖手机壳、充电器、钱包时，频繁提到“MagSafe兼容”这个词，但Shopify的“标签库”里根本没有这一项。于是，它立刻提议：“我们应该增加一个‘MagSafe 兼容：是/否’的属性，方便顾客筛选！”---如果只是上面两个Agent，那还只能算是“自动化”，它还有两个更高级的角色，负责让系统变得“智能”。第三步：AI 裁判筛选当“产品驱动 Agent”提交了“增加MagSafe属性”的提案后，这个提案不会直接通过，而是会交给一个“AI裁判”——一个专门的“电子产品领域AI法官”。这个“裁判”被训练过，拥有这个垂直领域的专业知识。它会评估这个提案：“这个提议靠谱吗？会不会和现有属性重复？（哦，MagSafe虽然是品牌词，但它类似蓝牙或Qi，已经成了一种技术标准）……批准！置信度93%。”通过这种方式，Shopify确保了AI的提议是经过专业验证的，既快又准。第四步：智能翻译官 Agent 发现等价关系它解决了一个电商的终极难题：商家喜欢按自己的方式分类，但平台需要统一理解。举个例子：- A 商家很专业，他创建了一个专属分类叫 “高尔夫球鞋”。- B 商家比较粗放，他把鞋子放在 “运动鞋” 分类下，然后添加了一个属性 “运动类型 = 高尔夫”。对客户来说，这两种方式都应该能在搜索“高尔夫球鞋”时被找到。Shopify的“智能翻译官”Agent就能7x24小时自主地分析数据，并发现这条关键的“等价关系”：> 分类：“高尔夫球鞋” 等同于分类：“运动鞋” + 属性：“运动类型 = 高尔夫”这样的翻译很重要，这意味着，Shopify允许商家保持自己的分类灵活性，而平台系统（如搜索、推荐）又能“看懂”这背后其实是同一类商品。----这样实施下来效果是很不错的。Shopify展示了一张图表：在“通讯设备”这个类目上，过去依赖人工需要“数年”才能完成的分类体系优化工作，现在用这套AI系统，只需要“几周”。但这不只是关于速度。这是一种根本性的转变——从“被动修补”转向了“主动进化”。这套系统不再是等问题（比如MagSafe）积累到一定程度再去解决，而是能主动地、持续地去发现和优化整个分类体系。AI的最佳应用形态，往往不是一个“无所不能的超人”，而是一个“分工明确、配合默契的专家团队”。它不是来取代人类专家的，而是来“增强”他们的。AI去处理海量的、繁琐的数据分析、模式识别和一致性检查，让人类专家能腾出手来，去做更高阶的战略决策和最终把关。这套“AI辅助进化”的思路，可能才是电商乃至更多复杂系统在未来保持活力的真正答案。原文地址：网页链接翻译：网页链接

50. Anthropic 发布了一份《2026 Agent 编程趋势报告》，提出了八个预测，核心观点是：写代码这件事正在从"人写"变成"人指挥 AI Agent 写"。网页链接报告有替 Claude Code 打广告的成分，但数据跟我日常用编程 Agent 的体感比较吻合，可以拿来看看 2026 年开发者的工作正在怎么变。【前言：从辅助到协作】报告开头回顾了 2025 年的变化：编程 Agent（Coding Agent）从实验性工具变成了真正能交付功能的生产系统。工程团队发现，AI 已经能处理完整的开发工作流，包括写测试、调 bug、生成文档、在复杂代码库里导航。预测 2026 年这种变化将不再局限于工具的小修小补，而是会引发一场质变：1）单打独斗变团队作战：原本单一的智能体，将进化为协同工作的"智能体团队"。2）效率飞跃：以前需要耗费数小时甚至数天的任务，现在只需极少的人工干预就能完成。3）角色转变：几年前还在逐行写代码的工程师们，将转型为指挥官。他们将通过编排长期运行的智能体系统来处理实现细节，从而腾出手来专注于架构和战略。这场变革的核心是"协作"。虽然开发者在 60% 的工作中都会用到 AI，但真正能"完全甩手"交给 AI 的任务只有 0-20%。这说明，AI 更像是一个时刻在线的合作伙伴。要用好它，你需要精心设置、巧妙提示（Prompting）、主动监督，并运用人类的判断力，尤其是在那些高风险的工作中。这份报告梳理了 2026 年将定义智能体编程（Agentic Coding）的八大趋势。这些预测分为三类：1）重塑开发方式的基础趋势 2）扩展 AI 能力的能力趋势 3）以及影响业务成果的影响趋势。用过 Claude Code 或 Cursor 的人应该都有体感：AI 确实能帮你省很多事，但你不能撒手不管。它更像一个能力很强但需要你带方向的队友，不是一个可以完全信任的外包。软件开发正在向这样一个模式进化：人类专家专注于定义"什么问题值得解决"，而 AI 负责处理"如何实现"的战术工作。【第一部分：基础趋势】【趋势 1：软件开发生命周期发生巨变】报告认为，这是自图形用户界面（GUI）诞生以来，人机交互最大的一次变革。!(imgs/software-development-life-cycle.png)回顾一下历史：从机器码到汇编，再到 C 语言和现代高级语言，每一次抽象层级的提升，都在缩小人类思维和机器执行之间的距离。2025 年，AI 改变了代码的编写方式；2026 年，这种转变将重塑整个开发流程和工程师角色。传统的软件开发生命周期（需求 → 设计 → 编码 → 测试 → 部署 → 审查）通常以"周"或"月"为单位。在 Agent 介入后，这些阶段还在，但周期被极度压缩到"小时"甚至"天"。Agent 负责实现代码、自动化测试和文档生成，监控反馈直接推动快速迭代。报告做了三个预测：第一，写代码、调试、维护这类"苦活累活"将主要交给 AI，工程师们把精力放在架构设计、系统设计这些更高层级的工作上。第二，工程师的角色从"写代码的人"变成"编排 Agent 写代码的人"。你要做的是评估 Agent 的产出，给方向，确保系统解决了正确的问题。第三，新员工入职一个陌生代码库的时间从几周缩短到几小时。这直接改变了公司对人才调配的思考方式。角色转变这一点我是有共鸣的。我自己用 Claude Code 的体验是：以前一个功能从想到做完，大部分时间花在写代码上；现在大部分时间花在想清楚要什么、怎么拆任务、怎么验收上。编码本身反而变成了最快的环节。报告还提到一个有意思的观察：Agent 接手实现工作后，工程师并没有被取代，反而变得更像"全栈工程师"。因为 AI 填补了知识空白，你现在可以跨前端、后端、数据库和基础设施工作，不再局限于自己最擅长的那一小块。以前需要跨团队协调数周的事情，现在几次专注的工作会话就能搞定。工程师们更倾向于把那些容易验证、定义清晰或重复性的任务交给 AI，而把高层设计和需要"品味"的决策留给自己。报告引用了一个案例：初创公司 Augment Code 用 Claude 帮工程师快速熟悉复杂的网络平台和数据库代码。某企业客户的 CTO 原本估计 4 到 8 个月才能完成的项目，用了 Augment Code 之后两周就搞定了。【第二部分：能力趋势】【趋势 2：从单个 Agent 进化为协同战队】目前大多数人用 Agent 的方式是：一个对话窗口，一个 Agent，线性处理任务。报告预测 2026 年会出现多 Agent 协同工作的模式，处理复杂度远超单个 Agent 能力上限的任务。具体来说，是一种多 Agent 层级架构：一个"指挥官 Agent"负责拆解任务、分配工作、合成结果、把控质量；下面挂着多个"专家 Agent"，分别负责架构设计、代码实现、测试验证、审查文档。这种并行处理的好处不只是快，还能通过不同视角发现盲点。不过这需要新技能：任务拆解、Agent 专业化和协调协议，以及能显示多个并发 Agent 会话状态的开发环境。!(imgs/coding-agent-architectures.png)劳动力管理平台 Fountain 的案例很有说服力：他们用 Claude 构建了分层多 Agent 系统，一个"Copilot"作为指挥官，协调负责筛选候选人、生成文档和情感分析的子 Agent。结果是筛选速度提升 50%，入职速度提升 40%，候选人转化率翻倍。某物流客户原本需要一周多才能招满一个新运营中心的人，现在不到 72 小时。我觉得多 Agent 协同是 2026 年最值得关注的方向之一。单个 Agent 的上下文窗口（context window）有限，能处理的复杂度也有天花板。把任务拆分给多个 Agent 并行处理，再合成结果，理论上能突破这个瓶颈。【趋势 3：长时间运行的 Agent 构建完整系统】早期 Agent 只能处理几分钟内搞定的小任务：修个 bug、写个函数。到 2025 年底，已经能花几个小时生成完整的功能集。报告预测 2026 年，Agent 将能连续工作数天，在极少人工干预下构建整个应用和系统。三个预测：1）Agent 的任务时限从分钟级扩展到天或周。它们将能自主规划、迭代，从失败中恢复，在复杂项目中保持状态一致。2）技术债务清理。那些因为没时间处理而积压多年的技术债（为了短期速度而牺牲代码质量，后续必须还的"债"），现在可以交给 Agent 系统性地消除。3）创业加速。创业者可以在几天内将想法转化为已部署的应用。乐天（Rakuten）的案例让人印象深刻：工程师让 Claude Code 在 vLLM 这个 1250 万行代码的大型开源库中实现一种特定的向量提取方法。Claude Code 自主工作了 7 个小时，一次运行就完成了全部工作，数值准确率达到参考方法的 99.9%。这个案例的价值在于它展示了 Agent 在真实的大型代码库中长时间自主工作的能力。1250 万行代码，7 小时自主运行，99.9% 准确率，这在一年前是不可想象的。技术债清理这一点对很多团队来说可能最有实际意义。谁的代码库里没有一堆"早就该重构但一直没人动"的东西？以前没人愿意碰是因为投入产出比太低，现在交给 Agent 去做，成本大幅降低。【趋势 4：人类监督通过智能协作实现规模化】2026 年最有价值的能力进步，也许是 Agent 学会了什么时候该求助。这不是要把人类踢出局，而是让人的注意力花在刀刃上。三个预测：1）Agent 质量控制标准化。组织用 AI Agent 来审查大规模的 AI 生成代码，分析安全漏洞和架构一致性。这个工作量靠人工是不可能覆盖的。2）Agent 学会"举手提问"。聪明的 Agent 不会盲目尝试所有事情，它们会识别出需要人类判断的情况，标记不确定性，把有潜在商业影响的决策交给人类。3）从"全盘审查"到"重点审查"。人类不再需要盯着每一行代码，而是处理那些真正新颖的、边界案例和战略决策。报告提到了一个有趣的"协作悖论"：虽然 AI 承担了大量工作，但工程师能"完全放权"的部分却很少。原因是越到概念复杂或依赖设计的任务，工程师越倾向于自己掌控或跟 AI 紧密协作，而不是完全甩手。一位 Anthropic 工程师说得很到位："我主要在我知道答案应该是什么样子的情况下使用 AI。这种判断力是我通过'笨办法'做软件工程积累出来的。"这句话点出了一个容易被忽略的事实：你越有经验，越能从 AI 协作中获益。因为你知道什么是好的、什么是对的，才能有效地指导和验收 Agent 的工作。AI 放大的是你已有的能力，而不是凭空创造能力。印度金融科技平台 CRED 的案例也印证了这一点：他们在整个开发生命周期中使用了 Claude Code，执行速度翻倍。但这不是通过取消人类参与实现的，而是把开发者从低价值工作中解放出来，转向更高价值的工作。【趋势 5：Agent 编程扩展到新领域和新用户】2026 年，编程不再是专业软件工程师的专利。三个预测：1）语言障碍消失。支持范围扩展到 COBOL、Fortran 等冷门或遗留语言，维护老旧系统不再是噩梦。2）编程民主化。网络安全、运营、设计和数据科学领域的非传统开发人员，通过新界面使用 Agent 编程。Anthropic 自己推出的 Cowork 就是面向非开发者的文件和任务管理自动化工具。3）人人都更"全栈"。安全团队用它分析陌生代码，研究团队用它构建前端可视化，非技术员工用它调试网络问题或做数据分析。"会写代码的人"和"不会写代码的人"之间的界限正在变模糊。法律科技平台 Legora 的案例：他们利用 Claude 的指令遵循能力，让不懂编程的律师也能创建复杂的自动化工作流，不需要工程团队介入。这个趋势我在身边已经看到了。越来越多的产品经理、设计师、运营人员开始用 Cursor 或 Claude Code 做一些简单的工具和自动化脚本。以前这些需求要么排队等开发排期，要么就一直搁置。现在他们自己就能搞定，虽然不够精致，但能用就行。【第三部分：影响趋势】【趋势 6：生产力收益重塑软件开发经济学】报告提出了一个"三大乘数效应"：Agent 能力提升、编排方式改进、人类经验更好地发挥，这三者叠加产生的是阶跃式提升，而不是线性增长。因为开发周期从周变天，很多以前觉得"不划算"的项目现在变得可行了。Anthropic 内部研究发现了一个有意思的模式：工程师报告说每个任务的花费时间减少了，但产出量的增加幅度更大。也就是说，AI 带来的生产力提升主要体现在产出量上，发布更多功能、修更多 bug、做更多实验，而不仅仅是做同样的事更快。其中大约 27% 的 AI 辅助工作，是那些如果没有 AI 就根本不会做的事情：扩展项目、做个交互式仪表盘之类的"有了更好但没有也行"的工具、试探性的实验。工程师还报告说会顺手修更多"小毛病"（papercuts），那些以前优先级太低不值得专门花时间但又影响体验的问题。通信巨头 TELUS 创建了超过 13000 个定制 AI 解决方案，工程代码发布速度提升 30%，累计节省超过 50 万小时。27% 这个数字很有意思。它意味着 AI 不只是帮你更快地做原来的事，还让你能做以前根本不会去做的事。这才是真正的生产力释放。【趋势 7：非技术用例在组织内扩展】销售、市场、法律和运营团队开始用 Agent 编程解决自己的问题。最了解业务痛点的专家不再需要排队等 IT 部门排期，他们可以直接构建解决方案。那些不值得占用工程师时间的边缘问题得到解决，手动流程被自动化。Anthropic 自己的法律团队就是个例子：他们用 Claude 构建了自动化合同修订和内容审查的工作流，把营销审查周期从 2-3 天缩短到 24 小时。一位没有编程经验的律师构建了自助工具，在问题进入律师队列前就进行分流。Zapier 更夸张，整个公司 89% 的员工都在用 AI，内部部署了 800 多个 AI Agent。设计团队用 Claude 在客户访谈中实时生成设计原型，以前需要几周才能出的东西，现在当场就能看到。【趋势 8：安全的双刃剑】Agent 编程在强化安全防御的同时，也可能被攻击者利用。好的一面：有了 AI 辅助，任何工程师都能进行深度安全审查和系统加固，相当于人人都有了安全专家级别的能力。坏的一面：攻击者也会利用 Agent 扩大攻击规模。为了应对机器速度的攻击，自动化的 Agent 防御系统将变得必要，实现毫秒级的检测和响应。报告的建议是：安全架构必须在设计之初就嵌入，而不是事后补丁。提前做好准备的团队，在面对使用同样技术的攻击者时会有优势。【最后】这份报告读下来，最核心的一点是：AI 不是来取代开发者的，而是在改变开发者做什么。以前 80% 的时间花在实现上，20% 花在思考上；现在反过来了。你需要花更多时间想清楚要做什么、怎么拆解、怎么验收，然后把实现交给 Agent。对个人来说，最值得投资的能力是：系统设计能力、任务拆解能力、以及评估代码质量的眼光。这些"老功夫"在 Agent 时代反而更值钱了。对团队来说，2026 年谁先把 Agent 编程从"个人工具"变成"组织能力"，谁就能拉开差距。那些还在观望的，会发现游戏规则已经变了。

51. 当AI从工具进化为队友，个人超级智能体硬件来了

52. 今天我们开源了一个新的AI Agent项目。Wegent：一个能够定义、编排和执行Agent团队的开源系统。和其它Agent开发系统的区别是，Wegent底层使用声明式方式构建和编排 AI Agent，这就意味着部署智能体就像是在K8S里部署负载一样，可以实现基于yaml直接定义部署Agent服务。同时，Wegent的底层定义中区分了智能体的“Ghost（提示词）”和“Shell（执行器）”的概念。例如，你既可以把Claude Code作为智能体的“壳”实现远程编码Agent系统，也可以基于Agno的“壳”来实现DeepResearch系统。在开源项目里也增加了配套的前端服务，可以直接在网页中构建新的Agent团队。项目地址：github.com/wecode-ai/Wegent（附件是用Wegent实现的网页版Claude Code的效果）

53. #转发赠书# 携手@博文视点Broadview 送出3本《从零构建AI Agent：大模型驱动的智能体设计与实战》，截止2026.3.7 12:00，*可可粉* 转发+评论即可参与。本书以系统化视角将理论与工程实践贯通，用全彩图展示十大智能体行业级落地案例。从底层认知逻辑出发，而非单一框架教学；强调全链路实现思路，帮助读者真正搭建可运行、可扩展的智能体；内容兼具科研深度与工业可落地性，配备案例与代码，可直接应用于实际项目开发。 @微博抽奖平台抽奖详情

54. 3天赚1200刀？纯聊天就能捏出个能搞钱的 AI Agent！【教程】

55. 一张表，就把电商直播行业拉进AI时代了？#飞书多维表格 #飞书 #AI新星计划 #科技改变生活 #玩个很新的东西

56. 从能聊天的大模型，到会干活的智能体，AI正迎来全新进化。企业AI落地的机会就藏在这里。#网络名人赞两会 #2026全国两会 #红衣聊AI #产业升级

57. 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

58. 「Github一周热点106期」阿里的openclaw替代、WiFi 感知人体活动、实时全球情报监控、代码仓库生成知识图谱和字节的多智能体框架

59. 我用openclaw做了一个自媒体神器！云飞全自动压缩工具发布！

60. 为什么 Claude Skills 的爆发点在 2026 年 1 月？问：Claude Skills 是去年 10 月中就推出的，为什么现在才突然火起来？这是个很好的问题。Claude Skills 确实在 2025 年 10 月中旬就发布了，但直到 2026 年 1 月才真正爆火。这背后有表面原因，也有更深层的逻辑。核心原因就是这东西如果只能在技术圈自嗨，它是火不起来的。去年 10 月份 Skills 编程领域其实很快就开始用起来了，而现在火，只是因为它出圈了，在技术之外的领域火起来了，非技术人员也用起来了。Skills 真正的价值其实是在非编程领域。去年 Coding Agent（比如 Claude Code、OpenCode）开始在非编程领域开花，而 Skills 的设计特点让它能很快找到 Agent 在非编程领域上的场景落地。1. 有 bash 和脚本能力，可以自动化本机操作Skills 让 Claude 能借助代码脚本操作你的本机系统，把很多琐碎的电脑操作变成自动化操作。Claude Code 的创建者 Boris Cherny 在 X 上分享过一个有趣的观察：自从 Claude Code 发布以来，他发现用户们在用它做各种非编码的工作——做度假研究、做 PPT、清理邮件、取消订阅、从硬盘恢复婚礼照片、监控植物生长，甚至控制烤箱。> Since we launched Claude Code, we saw people using it for all sorts of non-coding work: doing vacation research, building slide decks, cleaning up your email, cancelling subscriptions, recovering wedding photos from a hard drive, monitoring plant growth, controlling your oven.>> 网页链接这些场景和写代码完全不沾边，但 Skills + bash 能力的组合让这一切成为可能。比如我自己就做了一些工作流，帮我采集信息、写作、写 PPT、画漫画、发布，极大提升效率。像发文章到公众号、X Article 这些，以前需要手动重复的操作，现在一个 Skill 就搞定了。2. Skills 可以相互调用，用自然语言编排工作流如果是单一的 skill，作用其实有限。但当你有多个 skills，并且 skills 还可以相互调用，那意味着你可以编排工作流。Skills 让 AI 可以像《黑客帝国》主角 Neo 那样瞬间学会新技能：“I know kung fu”。Claude 会根据任务自动加载需要的 Skill，完成后再卸载，整个过程无需用户干预。而最神奇的地方在于，你只需要用自然语言去编排工作流。这中间会有 Agent/大模型去解读你的自然语言，按照工作流执行，有问题还会帮你修复。这极大地解决了非专业用户需要程序员协助编排工作流的问题。3. Skills 本身易于分发，几乎成了每个 agent 的标配一个 skill 只要有一个 SKILL.md markdown 文件和辅助的脚本或者文档，打个 zip 包就能发布。这种轻量级的设计让分发变得极其简单。有个时间点很重要，2025 年 12 月 18 日，Anthropic 宣布将 Agent Skills 规范开放为跨平台标准。很快，微软在 VS Code 和 GitHub Copilot 中集成了对 Agent Skills 的支持，OpenAI 也在 ChatGPT 的代码解释器和 Codex CLI 中采用了几乎相同的技能目录结构。Skills 在 10 月发布时，主要还是被定位为开发者工具。但随着生态成熟、开放标准确立、以及 Cowork 这样面向普通用户的产品推出，Skills 在非编程领域的价值才真正被释放出来。回顾这个过程：10 月：Skills 发布，开发者圈小范围关注11-12 月：技能规范开放、生态扩展、用户积累经验1 月：产品更新 + 非编程场景落地 + 病毒式传播 = 爆发Skills 的爆发是现在它找到了真正的价值定位，让非程序员也能通过自然语言编排复杂的自动化工作流。这才是 Skills 真正火起来的原因，随着更多场景被发掘出来，还会持续的火上一段时间。

61. AI帮你接管流程：这次轮到差旅了

62. Kali Linux通过MCP集成Claude AI实现渗透测试自动化

63. 想深入掌握n8n自动化？《The Ultimate n8n Starter Kit（2025）》全方位解读n8n工作流自动化，从基础到AI集成，带你快速上手并提升效率。1. 工作流自动化基础- 工作流自动化利用技术自动执行重复任务，节省时间、减少错误、助力业务扩展。- 关键组成：触发器（如新邮件）、动作（如发送通知）、条件（如VIP判定）。2. n8n简介与优势- n8n是低代码、节点式自动化工具，支持自定义代码和API集成。- 相比Zapier、Make.com，n8n更灵活、成本更优且数据掌控更强。- 提供300+预置集成，社区节点丰富，支持自托管和云服务。3. 核心节点与数据转换- 触发节点启动流程，核心节点处理数据，动作节点执行任务。- Set节点调整数据，Code节点支持自定义JavaScript，HTTP请求节点调用API，Merge节点合并数据。- 深入理解JSON数据结构与表达式（如{{$json["field"]}}），灵活操作工作流数据。4. 工作流设计与调试- 明确目标、合理规划流程、选择合适节点、设置条件逻辑。- 支持手动测试和生产自动执行，实时监控执行记录，追踪错误。- 利用错误触发节点自动处理异常，Debug Helper节点帮助数据检查，提高可靠性。5. AI智能代理与集成- AI代理具备自主决策能力，广泛应用客服、内容生成、数据分析、代码辅助。- n8n内建多样AI节点，支持OpenAI、Google AI等平台，轻松构建AI驱动的自动化流程。- 精准提示设计（prompting）提升AI响应质量，结合多种策略保障任务准确执行。6. 进阶AI集成与实战案例- 获取API凭证，安全配置，监控调用限制，优雅处理错误。- 实例：自动生成社媒内容、AI客服、儿童故事机器人等，展示n8n与AI结合的强大潜力。- 分享SanctifAI、Telegram故事机器人等真实案例，启发创新应用。总之，n8n不仅是高效自动化的利器，更是AI智能集成的开放平台。掌握本套教程，你将具备设计复杂自动化流程和智能代理的能力，推动业务智能化升级！原文：drive.google.com/file/d/1aiqWO5NueoX6YUcTN8-GzxPgh2ZCpeFh/view

64. 盘点一周AI大事(11月23日)｜AI自己画CAD图纸 Google发布最强大模型Gemini 3、最强图像模型Nano Banana Pro OpenAI发布最强编码模型GPT-5.1-Codex-Max 马斯克升级Grok 4.1，情商最强字节开源最强空间重建模型Depth Anything 3 腾讯发布最强开源视频模型HunyuanVideo-1.5 Meta开源最强对象分割模型SAM 3，最强3D分割模型 SAM 3D Autodesk研发出最强CAD智能体VideoCAD AI2发布最强开源深度研究智能体Deep Research Tulu Google发布最强AI天气预报WeatherNext 2 Maxima推出AI会计智能体头号玩家套装问世 #AI新星计划 #人工智能 #AIGC #OpenAI #大模型

65. 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

66. AI下半场来了：从"魔术师"到"建筑师"，华为这场大会信息量爆炸#2025华为GDEAskO3 #科技改变生活 #AI新星计划 #玩儿个很新的东西

67. 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

68. 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

69. 从“淘女郎”到直播主播，从健身到爬宠，“双十一”见证了阿里敲钟人何宁宁的转型之路，电商生态在变，不变的是电商人的韧劲。 #从淘女郎到爬宠主播 #万物皆可上链接 #电商 #爬宠 #双十一

70. 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。

71. 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。

72. 在设计Agent系统提示词的时候，与其对一份系统提示词进行反复修改，不如让这个Agent使用的LLM模型自己生成系统提示词，你要修改的其实是LLM生成系统提示词的用户提示词，而不是直接修改系统提示词，应当对Agent进行版本控制的是用来生成系统提示词的用户提示词。

73. 开发Agent只懂拖拉拽？你真的能跟上生产级开发的节奏了吗？

74. 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）

75. 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

76. 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

77. 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

78. 2025年，Agent对于打工人真的有用吗？实测OK Computer

79. 用我们自家的AI，普通人也能享用优秀分析师的服务#AI #Reportify #商业研究 #智能体

80. Claude Code官方推出的入门课程，免费！有空补学习一下内容包括：1.使用 Claude Code 的核心工具进行文件操作、命令执行和代码分析。2 通过 /init、Claude.md 文件以及 (at) 引用来高效管理上下文。3. 利用多种快捷键和命令来控制对话流程。4. 在需要更深入分析的复杂任务中启用 Plan Mode 和 Thinking Mode。5. 创建自定义命令，用于自动化重复性的开发工作流。6. 通过 MCP 服务器扩展 Claude Code，引入浏览器自动化等能力。7. 配置 GitHub 集成，实现自动化的 PR 审查和 Issue 处理。8. 编写 hooks，为 Claude Code 添加额外的行为和能力。访问：anthropic.skilljar.com/claude-code-in-action#HOW I AI# #程序员#

81. 昨天去参加了 2025 ThinkPad 黑 FUN 礼，现场全程高能，不愧是年度科技盛宴！黄健翔和天禧 AI 足球智能体的世界杯人机对战超精彩，你来我往的交锋直接点燃全场。两款 ThinkPad 经典原型机首度亮相，X1 Carbon 的轻薄突破和 P1 的性能掌控力，让人直观感受到品牌的极致匠心。现场还有律师、探险博士、AI 创作者分享体验，搭载英特尔酷睿 Ultra 处理器的 ThinkPad AI PC 在法律文书处理、野外作业、微电影创作等场景里的表现太惊艳，真正实现了生产力升级。恰逢 ThinkPad 33 周年，现场还推出了超值宠粉福利，展区的沉浸式体验空间也很有新意。从科技创新到人文温度，这场活动让我真切感受到 ThinkPad “以思考进化时代” 的使命！

82. 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。

83. n8n工作流外接：零代码封装成应用，突破使用限制，自由分享！

84. 一个针对跨境卖家的AI智能体

85. 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#

86. #龙虾#如今，“龙虾”已成为AI智能体OpenClaw的代名词，从美食符号变身科技、政务、资本领域的热词。这款可直接执行操作的AI工具，已在深圳政务系统投入使用。OpenClaw能够自动分析、处理、执行任务，实现全流程自动化操作。深圳公务员借助它实时处理民生诉求、快速完成审批与数据分析，大幅提升政务效率与响应速度。从科技工具到政务刚需，“龙虾”AI正成为新一代实用型智能生产力代表。

87. 全球首个AI原生电商营销视频Multi-Agent Hilight Ai发布，有哪些亮点？

88. 在线自动化操作网页，总得切换浏览器和脚本，流程繁琐又低效。Vercel Labs 的开源项目 agent-browser，针对 AI 设计的浏览器自动化 CLI 工具，基于极速 Rust 原生二进制，性能超棒，还能回退到 Node.js，兼容性极强。它集成了完整的浏览器控制能力：打开页面、点击、填写输入框、截图、抓取元素文本，支持等待元素出现、滚动、键盘和鼠标事件注入，甚至还能管理多会话和持久化浏览数据。尤其适合 AI 代理执行自动化任务，比如自动登录、数据爬取、测试脚本自动执行，还支持 iOS 模拟器控制和云端远程浏览，非常适合各种自动化和 AI 助理场景。GitHub：github.com/vercel-labs/agent-browser主要功能：- 极速 Rust CLI，操作流畅且延迟极低；- 多种选择器支持，推荐用 refs 快速定位元素；- 支持截图、PDF导出、页面快照及元素高亮；- 多会话和持久化配置，支持加密保存浏览状态；- 可连接远程调试浏览器或用云端浏览器运行；- iOS 模拟器与真机皆可操控Safari；- 安全特性丰富，比如域名白名单、动作确认和内容边界标记。安装也极简单：npm全局安装agent-browser，再执行agent-browser install自动下载Chromium浏览器即可启动。适用 Web、macOS、Windows、Linux，适合开发者和AI从业人员构建智能自动化工作流。#AI创造营##人工智能#

89. 法律工作，是AI Agent的“天选之地”

90. 前沿

91. 老炮总结法律相关智能体实战经验（一）

92. AI Agent 与 CoWork

93. 法律科技正在进入“AI 代理时代”-LTH 发布 2026 法律 AI 代理市场全景图

94. 除了合同审查、文书写作，律师还能用 AI 做什么？丨iCourt

95. 律师职业系列【18】从“人机协同”到“深度智能”

96. 从0到1搭建自治AI代理

97. 2026年律所数字化转型范本

98. 从自动化客服到 ERP 任务代理

99. AI代理不是来抢工作而是“自动化任务”，专家教你如何高效打工

100. 大模型文档审核Agent技术揭秘

101. 律师用 AI Agent 做法律研究的 5 个关键步骤

102. 企业法律解决方案｜AI法律顾问如何5分钟高效审查&修订一份万字合同？

103. 律师实操指南

104. FastGPT精选案例｜10分钟搭建自动化合同审查Agent，效率提升90%

105. ⚖️AI Agent 在法律行业的真正机会

106. 实习律师搭建的第一个合同审核 AI agent

107. 合同审查AI，5000字合同2分钟“扫雷”|聚法AI（五）

108. 法律行业的智能体项目感受

109. 强烈推荐！律师办案时可用这个“AI智能体”，AI解析、AI生成文书

110. 「法律文书」新升级

111. 律师团队如何用「扣子」搭建 AI 助手丨iCourt

112. AI 写法律意见书，哪款效果最好？5 款高阶工具测评

113. 2026 年电商和工厂领域 AI Agent 应用落地

114. AI Agent（智能体）

115. AI 如何重塑电商运营

116. 2025年AI Agent行业价值及应用分析报告

117. 电商平台急需 AI Agent！

118. 律师用 AI 做案件分析的 5 个关键步骤｜iCourt

119. AIAgent颠覆电商运营，巨头已落地，从客服到库存全自动化

120. 一文盘点10个超超超核心的电商Agent

121. 从人工客服到智能客服

122. 智能客服系统如何重塑电商服务体验？客服AI聊天系统成增长新引擎

123. 电商智能客服系统

124. 熠智AI+Milvus:从Embedding 到数据处理，电商AI客服架构怎么搭？

125. 电商运营助理Agent.最近关于 AI 有一种挺魔幻的现象。

126. Skill+MCP协同

127. 【会员专享】电商客服Agent实战

128. 传统的“猜你喜欢”商品推荐功能 VS 前沿的“智能导购Agent”，AI如何从根本上重塑了产品的定义、构建与交付方式

129. 从工具到伙伴

130. 不只是 Chatbot

131. Agentic RAG

132. AI Agent

133. 客服扛不住、调度撕裂、上门失控

134. AI合同审核，建筑工程企业 AI 落地场景之一

135. 改变建筑业未来的八大AI应用

136. AI Agent 最先在电商场景落地放量

137. 读懂AI Agent核心逻辑，三步搞定落地实践，真实案例复盘经验

138. 从AI 1.0到AI 2.0

139. 工业 AI Agent 工厂落地实践案例研华 iFactory.AI Agent 工业智能体平台 - 哔哩哔哩

140. 最新企业级AI Agent应用报告发布，AI Agent大潮下，企业为何陷入“落地困局”？

141. 施工管理AI智能体

142. 未来智能进度中枢的管理场景

143. 我的智能建造探索之三

144. 建筑领域进度管理软件推荐

145. 智慧工地管理系统 | 建筑施工全流程数字化解决方案

146. 实用建筑进度软件大揭秘

147. 从“建造”到“智造”，新区绵中项目建设驶入“智慧快车道”

148. 企业级智能体优秀作品展播⑩｜企协智枢智能体

149. 年省百万成本！鼎捷图纸识别专家Agent实战案例集

150. 一文解锁AI Agent全栈架构

151. 去做垂类 Agent 【AI落地避坑指南】别再死磕通用智能体了！垂直细分才是王道！

152. 【深度分析】2026 AI Agent 商业化落地报告

153. 企业有哪些Agent应用场景（2026年3月）

154. 2025年AI Agent观察

155. 告别传统 RAG 低效！Agentic RAG 4 层架构拆解，企业 AI 落地准确率飙升 40%+

156. 30个OpenClaw生产级案例

157. 一切皆可Agent Skills，无处不在的AI Agent会替代业务流程吗？

158. 关于行业 Agent 的思考

159. 一文详解产品经理必懂的7种AI Agent产品形态

160. AI Agent与Workflow，撑起AI时代的“两面”

161. 和多位AI负责人交流后，我发现了Agent成功的真相

162. Agent 08

163. 解放双手还是解放大脑？AI Agent的三种落地方式全解析

164. 在美国，我看到法律类AI Agent到底有多火

165. 冷星谭

166. AI Agent应用案例集

167. AI Agent暗战，正在悄悄重构电商流量版图

168. 5个实操案例，看AI Agent指挥官如何将效率提升10倍

169. AI Agent 时代下的电商新体验

170. PDF|企业级Agent全景实战

171. 云栖大会学习笔记-AI技术在企业级应用的创新与实践

172. 报告（附下载）|《2025年中国企业级AI Agent应用实践研究报告》

173. 企业级Agent 平台底座开源，面向企业，一站式Agent开发平台，快速开发企业Agent应用

174. Agent Engineering 的 10 大工程维度

175. 麦肯锡1年实战总结

176. AI 赋能垂直产业

177. 2026 AI Agent趋势报告

178. 2026年AI Agent的终局猜想——垂直数据的深潜与业务流的“入骨”

179. 2026

180. 从大模型到AI Agent

181. 召唤Agent小分队高效“打工”!这个OpenAI前员工的Agent产品又上新了

182. 2025年Agent行业深度报告:Agent迎来爆发元年——打造个人“贾维斯”时刻(附下载)

183. AI如何重构电商?对话值得买CTO王云峰:Agent是AI领域里的下一个路标

184. 50+ 当下 Agent 关键数据与发展趋势预测

185. 计算机行业GenAI系列之四十八:Agent如何重构软件生态?-申万宏源

186. 2025年GenAI分析报告:Agent如何重构软件生态.pdf

187. AI Agent应用案例大揭秘:各行各业的创新实践

188. 从ChatGPT到AI Agent,一文讲透 Agent 的底层逻辑,大模型入门到精通,收藏这篇就足够了!

189. 一个邪修方法,帮你把用Agent的钱省掉80%。

190. Agent现状:软件之外,百亿独角兽沉睡不醒

191. 这才是未来 Agent 产品的范式

192. 三大行业案例:AI大模型+Agent实践全景

193. 我搭建了一个AI审查合同工作流，3分钟审完一份合同！（附教程）

194. 【2025必看】从入门到实践：中国企业级AI Agent应用全景指南，建议收藏！

195. “电商Agent”--庞大商业化潜力的AI应用正在“萌芽”

196. 2025年中国企业级AI Agent应用实践研究报告

197. AAAI'26 购物智能导购Agent ShoppingBenchmark，以及在国际化电商业务的落地应用

198. AI 法律检索全场景使用指引（附提示词）

199. 刑事律师快速上手AI的 5 个关键步骤

200. 蜂群智能与法律行业的未来：从 Subagent 到 Agent Swarm

201. 用这俩快速搞定法律人的合同审查

202. 不用请律师，法律AI 智能体就能搞定！

203. 电商智能客服系统：从成本中心到利润增长点的进化之路

204. 企业级AI Agent应用指南：21个头部企业实践及落地建议

205. 融芯物联AI订单Agent：智能下单解决方案专家

206. 【同济大学】面向建筑施工进度场景的AI识别方法（论文下载）

207. 法宝赋能・智启新程 | 法宝律爱多文书评审智能体助力西安AI法律文书技能大赛

208. 电商服务升级：智能客服系统如何重塑购物体验

209. LegalOn 推出面向法务团队的智能体集合

210. 字节跳动 Agent 实践手册

211. Agent工业界实战电商篇

212. 《电商客服效率提升18倍？详解多智能体AI实战开发（附源码）》多智能体实战-电商客服（四）

213. 1. 告别低效客服！AI自动化如何为电商企业节省30%成本并

214. 智能导购Agent设计

215. 会员版亲测（一）：manus能帮律师干什么

216. 【Agent工具调用】一文详解三大主流Agent工具调用机制和三大核心工具

217. 电商店铺提质增效：AI 智能客服工具如何优化全流程服务

218. 硅谷建筑AI | （9）11个最佳建筑AI软件

219. 2025年中国企业级AI Agent应用实践研究

220. 工程图纸都能搜索？CAD尺寸、架构细节秒级定位，手搓工业级多模态Agentic RAG系统，精准解析复杂图纸小字，告别肉眼翻阅几百页图纸的痛苦，效率直接拉满！

221. 【资本动态】AI Agent 掀效率革命，具身智能 + 高壁垒垂直领域成资本必争之地

222. 生产级Agentic AI工作流实战指南：9大最佳实践+完整案例

223. 避免AI编造案例的进阶：“AI浏览器Agent × 专业法律数据库”实现AI自动化检索

224. 创新奇智 AI Agent 平台入选 2025 AIIA 智能体优秀案例，领跑工业智能体落地实践

225. 抖音电商：基于Coze的Agent智能客服项目

226. AI Agent行业分析：2026年的3个关键趋势与机会

227. 立案新体验：法大夫两状要素式生成智能体，3分钟生成合规文书！

228. AI垂直领域怎么落地? 垂直领域AI落地实战心得：放弃“全自动Agent”幻想，拥抱“工作流拆分”！视频内容涵盖： ✅ 当前AI落地最大技术壁垒分析 ✅ Workflow拆分核心方法论 ✅ 研究员Agent项目完整拆解 ✅ 上下文工程关键作用解析 #AI落地 #垂直领域 #Agent #Workflow #AI实战 #上下文工程 #LLM #人工智能 #技术干货 #AI应用

229. 智慧建造新引擎：解码广联达斑马进度计划在施工管理中的革新应用

230. 2026 Claw 生态 AI Agent 全解析：5 款工具选型对比 + 部署避坑指南

231. 这款合同审查工具竟然完全免费了...专业律师都在抢着用！

232. 智能知识管理：企业日报周报智能体实现管理闭环，提升团队管理效率

233. 2万律师都在用：半小时的活儿，这款AI工具30秒搞定

234. 进度延误“零容忍”？施工企业数字化管理赋能项目全周期精准管控

235. 能按CAD图纸快速计算工程量的AI软件

236. Agentic RAG × 生成式排序：大模型时代搜索推荐系统的核心架构

237. 2026 年 AI Agent 发展趋势：从概念到落地的关键突破

合同审核从4小时缩至20分钟？三大行业Agent提效实战攻略

精选参考来源