2024年人机交互范式重构：Agent时代从目标委托到边界设定_服务软件

1. 盘点一周AI大事(11月2日)｜OpenAI放出AGI时间表 OpenAI公布AGI路线图，202626年上岗AI研究员，能独立研究大型科研项目，2028年发布重大科研成果达成AGI，10年内冲刺超级智能 OpenAI正式重组为营利实体，估值1万亿 MiniMax推出最强开源大模型M2 字节发布最强通用游戏智能体Game-TARS Anthropic推出Excel分析师 Gemini上线一键做PPT Odyssey发布能实时交互的视频模型Odyssey-2 Adobe推出一键P视频Frame Forward 科学家研发出热力学采样芯片架构TSU，能效提升1万倍奥特曼押注非侵入脑机接口，用超声波直接读取意念马斯克的脑机接口Neuralink即将开启人脑增强实验 #AI新星计划 #人工智能 #AIGC #OpenAI #机器人

2. 看懂“超级公司”，普通人也能成为AI时代的赢家#AI #超级公司 #云栖大会 #阿里云 #瓴羊

3. #豆包手机#豆包手机发布，AI Agent才是未来？泛化通用能力，或许是未来终端AI真正服务消费者的支点。这依赖于端侧大模型对模糊需求的精准解读，以及操作系统对生态服务的无缝调用。在AI手机的赛道上，硬件厂商基于自身OS能力部署AI Agent，荣耀最早开启端侧AI研究和应用的手机厂商，在荣耀Magic8系列上，AI agent自动执行覆盖衣食住行3000+场景，支持通过YOYO语音交互实现操控。当AI开始自主串联“感知-决策-执行”的完整链条，未来的终端，是否会从“工具”演变为“生活流程的默认知情者”？

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

5. Agent Infra到底是什么？【AI基建】

6. 实测荣威M7 DMH豆包深度思考大模型上车！荣威M7 DMH的豆包升级了！告别“指令式”交互，更有“真人感”和“人情味”！从此车机系统真正进入“能推理、会思考、懂情绪”的新阶段。 listter乐的微博视频

7. 梦想照进现实！AI大模型全屋智能居然成了?!

8. 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！

9. 半夜，小米大模型团队发布小米全模态Agent基座大模型 MiMo-V2-Omni“MiMo-V2-Omni 专为现实世界中复杂的多模态交互与执行场景而生。从底层构建了融合文本、视觉、语音的全模态基座，并以统一架构将“感知”与“行动”深度绑定。这不仅打破了传统模型“重理解、轻执行”的局限，更让模型原生具备了多模态感知、工具调用、函数执行及 GUI 操作能力。”“MiMo-V2-Omni 可无缝接入各种 Agent 框架，实现了从理解到操控的跨越，大幅降低了全模态 Agent 的落地门槛。”“在正式发布之前，我们将一个早期测试版本以「Healer Alpha」为代号匿名上架 OpenRouter，没有任何宣传，纯粹让模型能力说话。结果调用量自然攀升至平台前列，并在 OpenClaw 测评榜单 PinchBench 上拿下均分第一，用户和基准双双给出了同一个答案。” “我们还与金山办公合作，将 MiMo-V2-Omni 接入 WPS Office，探索全模态智能体模型在日常生产力场景中的表现。”

10. 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

11. ICLR 2026 | FlowAD：隐空间时空世界模型构建自车场景交互新范式（上交&百度）

12. #岚图泰山首搭鸿蒙座舱语音大模型#在10月29日的岚图泰山发布会上，岚图汽车宣布新车将首搭鸿蒙座舱5语音大模型，标志着车载语音交互迎来重要升级。借助大模型技术，系统从过去仅能“听懂字面”进阶为“理解意图”，可精准解析口语化指令，实现拟人化交流与深度互动。现场体验显示，其响应迅速、理解准确、回答自然，展现出高度默契的AI交互能力，推动智能座舱体验迈向新阶段。#大v聊车#

13. 大模型（LLM）和智能体（Agent）有什么区别？

14. 基于 Spring AI Alibaba + Nacos 的分布式 Multi-Agent 构建指南

15. 探访云栖（二）：AI Agent元年，谁在打造“数字员工”？【101 Weekly】

16. 人类交互史的奇点：OpenAI发布的不是浏览器是一个“活”的互联网 #openai #Atlas #agent #AI新星计划 #科技改变生活

17. 360发布“养龙虾”安全指南！ #大有学问 #养龙虾 #OpenClaw #AI工具 #红衣聊AI

18. 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

19. 2025年被科技界提及最多的词—Agent！大家都把它视为下一个风口。那究竟什么是Agent？Agent到底能做些什么？这期视频，带大家看看理想同学Agent又能带给我们的生活哪些改变？ #理想i8# 骆智慧的微博视频抽奖详情

20. 为AI智能体（Agent）增加「记忆」能力有哪些好用的工具和方案？

21. 理解 LangChain 智能体：create_react_agent 与 create_tool_calling_agent

22. 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

23. 当大模型接上“机械臂”！不会编程也能学的n8n教程——第一期

24. 如果你现在还没用Agent帮自己干活，那其实很危险

25. TRAE中国版白送SOLO，一人指挥一支AI大军重磅消息！SOLO终于上线TRAE中国版了，Waitlist免费开放中本期视频实测TRAE的新版本，亮点很多 1、先规划再动手的 Plan 模式 2、带专家团一起干活的 Subagent 子智能体 3、DiffView 差异视图 4、多任务并行 5、上下文智能压缩长时运行不掉链子 SOLO终于把AI从“瞎干活的外包”变成了“懂协作的队友” #AI #人工智能 #TRAE #AI编程 #vibecoding

26. 2026年除夕夜，魔法原子机器人与罗嘉豪的互动画面，成为春晚最温暖的记忆之一。那一刻，机器不再冰冷，科技有了温度。魔法原子用全栈自研的技术实力，让人机交互从“指令式”走向“理解式”，怎么不算聪明能干呢。#首秀封神魔法原子智造未来##易烊千玺##春晚机器人##春晚分会场上大分# 娱乐圣体娱猫猫的微博视频

27. 盘点一周AI大事(2月15日)｜王炸视频模型字节正式上线最强视频模型「Seedance 2.0」字节发布最强开源视频模型「Alive」工程师davidohyun开源龙虾女友「Clawra」爆火 Google升级最强推理模型「Gemini 3 Deep Think」智谱发布最强开源大模型「GLM-5」 MiniMax发布最强开源编码模型「M2.5」 Google官宣AI互联网协议「WebMCP」 Claude上线Windows版「Cowork」 Google Stitch炸裂升级千问发布最强开源图像模型「Qwen-Image-2.0」研究员开源最强语音合成模型「MOSS-TTS」研究员推出最强开源音乐模型「SoulX-Singer」研究员开源最强配音模型「Just-Dub-It」 #AI新星计划 #抖音年味新知贺岁 #前沿科技趋势发布月 #AIGC #人工智能

28. iPhone 17 的人机交互革新，给汽车智能化带来了哪些新的思考？以精品小车代表 MINI 为例，看看一个拥有“活人感”的人车交互，都有哪些必备素质！电车同学的微博视频

29. 如果人还需要刻意的去区分Script（脚本）、Skills、Agent，说明 Agent 还不够聪明。理想情况下，任何要求都只需要跟 Agent 说，如果一个要求 Agent 被要求处理很多次，它应该结合历史记忆，主动把这个要求自己整理成 Skills，Script 则是 Skills 的一部分。并且这些 Skills 它是持续更新维护的。所以我现在是什么事都跟 Agent 说，但是我会在执行任务后，引导它去写 Skills 或者更新 Skills

30. 上个月，谷歌悄然发布了五篇关于AI Agent的重磅论文，连续五天每天一篇，深入探讨了Agent的构建、评估、安全和部署等核心问题。没有大张旗鼓，250多页的技术细节静静铺开，值得每个AI从业者认真研读。这五篇论文的核心内容总结如下：1. 什么是Agent？谷歌重新定义了Agent，强调它们能力的演进和为何大多数Agent一离开演示环境就崩盘。现有Agent更像是复杂的工作流和工具编排，而非真正的自主系统。kaggle.com/whitepaper-introduction-to-agents2. 工具和MCP（多能力协议） MCP允许服务器无须用户同意即添加工具，虽然增强了能力，但也带来边界风险。换句话说，Agent仍然无法“感知”世界，只是更有效地调用API。kaggle.com/whitepaper-agent-tools-and-interoperability-with-mcp3. 记忆问题真正的记忆不是简单的上下文窗口、检索增强生成（RAG）或向量存储，而是一个动态、结构化的长期记忆，影响未来推理和行为。谷歌提出了会话拼接和动态上下文窗口，但本质差距依然存在。kaggle.com/whitepaper-context-engineering-sessions-and-memory4. Agent质量评估评价不仅是输出正确与否，更重视Agent的推理过程。论文提出了正确性、鲁棒性、重复性、多步稳定性和幻觉控制等指标，揭示当前架构在这些方面的脆弱。kaggle.com/whitepaper-agent-quality5. 从原型到生产构建Agent简单，信任它完成真实任务困难。论文详细说明了沙盒环境、安全护栏、评估循环和人工干预机制，反映出系统的不确定性和脆弱，需要大量安全网。kaggle.com/whitepaper-prototype-to-production深度思考：谷歌的努力展现了巨大的工程投入，但他们依然被“语言模型物理学”所限制。试图通过不断修补LLM来实现真正的Agent，是在用“token机”伪装认知。真正的自治智能需要内在的组织、自我预测、力量感知和发展结构，而这些是现有LLM架构根本不具备的。这五篇论文不仅是技术文档，更是行业缺失的蓝图。它们提醒我们，构建Agent不仅是搭建工具链，更是要建立能够自我调整、自我稳定的认知架构。谷歌在工程上走得很远，但未来的Agent革命还在于基础架构的重塑。x.com/techNmak/status

31. 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。

32. OpenClaw狂揽16万star，是时候聊聊Agent Tools的AB面了

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

34. #荣耀RobotPhone成精了# MWC 2026巴塞罗那开幕，荣耀ROBOT PHONE惊艳登场，以创新形态与主动AI交互惊艳全球科技圈。它重构人机交互逻辑，推动行业从工具向智能伙伴进化，开启终端新赛道。这就是我耀的AI，让全球科技大V纷纷惊叹的“新物种”！

35. 在 AI Agent 的开发中，交互设计（壳）和底层模型能力哪个更重要？未来哪一方会成为竞争核心？

36. memsearch：OpenClaw同源的记忆系统Zilliz 最近开源了 memsearch，从 OpenClaw 的记忆系统里提取出来的，核心思路很干净：Markdown 文件就是记忆的唯一真相。设计理念：Markdown is the source of truthAgent 的记忆就是本地文件，按天存，人能读、能改、Git 可以管理版本。索引坏了？删掉重建，原始记忆一行不丢。这是对"数据库黑盒"方案的直接反叛。三步记忆范式- Recall：用混合检索（向量语义 + BM25 关键词）从历史记忆里找相关上下文- Think：把检索结果注入 LLM，做有记忆支撑的推理- Remember：把这次对话写回 Markdown，自动重新索引几个工程细节值得关注- SHA-256 内容哈希去重：内容没变就不重复 embed，大幅降低 API 成本- 文件监听自动索引：开启后，文件一保存立刻更新向量库，删文件时对应 chunk 也同步清除- 多 embedding 引擎：支持 Gemini、Voyage AI、Ollama（本地）、sentence-transformers（离线），换引擎只改配置，历史记忆不影响和 Mem0 / Zep 的本质区别Mem0、Zep 把记忆存在数据库里，人看不到、改不了、换供应商就麻烦。memsearch 的记忆就是普通文本文件：看改动，查历史，跨机器同步，零供应商锁定。主要短板：暂不支持时序关系图谱和多 Agent 共享记忆，适合单 Agent 长期记忆场景，不适合复杂多 Agent 协作系统。🔑 三个关键点① Markdown 文件即记忆，人类可读可编辑，彻底解决 AI 记忆的"黑盒"问题② 混合检索（向量 + BM25）比单纯语义检索精度更高，"Redis 缓存"能精确匹配到相关决策③ SHA-256 去重 + 文件监听自动索引，工程上几乎是零维护成本GitHub：github.com/zilliztech/memsearch#how i ai##程序员#

37. Agent 真正的护城河，正在从工具转向记忆资产

38. 实测扣子视频Agent，一句话量产爆款，适合起号的工具来了 #扣子Coze #AI #AIGC #智能体

39. 10月29日岚图泰山座舱发布会官宣，这款车成首个搭载鸿蒙座舱5语音大模型的车型以前车内语音交互像“机械响应”，只能执行命令、查信息，没什么交流感；现在有大模型加持，能理解口语指令、懂用户意图，连“弦外之音”都能get，回复和音色也更拟人。其实语音大模型“上车”不只是替代按键或屏幕，而是和汽车硬件、用车场景结合，变成真正的“个人出行助理”，以后开车用语音交流或许会成常态#岚图泰山首搭鸿蒙座舱语音大模型##汽场全开##大v聊车#

40. Agent Skills 终极指南：入门、精通、预测网页链接“应该是全网最好的 Skills 中文指南与教程，全文 1.2w 字，包含了我对 Skills 的完整应用思考。巧借通用 Agent 内核，只靠 Skills 设计，就能低成本创造具有通用 AI 智能上限的垂直 Agent 应用。”内容包含： 1.最容易读懂的 Skills 概念与原理介绍 2.讨论 Skills 的真实价值、技术优势、对 AI 产品设计的影响 3.非常完整的 Skills 使用与开发教程 4.Skills 的场景识别，什么时候适合开发、使用 Skills？#AI创造营##科技先锋官#

41. AI Agent 很火，但 Agent Infra 准备好了吗？

42. 这篇文章《Agent Design Is Still Hard》写的太好了，值得逐行细读！看完的6个感受：1. 如果你自己写 agent，建议尽量直接用底层 SDK（而不是高层抽象）；2. 明确缓存策略 — 尤其是对大模型 + 多步骤任务，非常关键；3. 引入强化机制（reinforcement）和 sub-agent / sub-inference，以提高 agent 的稳定性／可靠性；4. 如果你的 agent 会生成实际输出 (邮件、文件、报告等)，考虑用专门的 output tool，而不是把 “输出内容” 混在 agent loop 的消息里；5. 在设计共享状态 (shared state) 时，引入类似“虚拟文件系统 (virtual file system)”的机制，会让系统更模块化，也更适合复杂任务 + 多工具调用；6. 最难也是最重要的一点 —— 测试与评估 (testing & evals) 是 agent 系统工程中最棘手的问题，目前还没有通用／优雅的解决方案。原文转译如下：Agent 设计依然很难我觉得现在是时候写写我新学到的一些东西了。大部分内容与构建 agent 有关，少部分与使用 agent 式编程工具有关。总结：构建 agent 依然混乱。只要真正开始用工具，SDK 抽象就会崩。缓存如果你自己管会更好，但不同模型间差异很大。强化（reinforcement）比预期承担更多“驱动”任务，而失败必须严格隔离以避免把循环带偏。通过类似文件系统的共享状态是非常重要的基石。输出工具比想象中更棘手，模型选择依然强依赖任务类型。一、选择哪个 Agent SDK？当你构建自己的 agent，你可以选择直接使用 OpenAI SDK、Anthropic SDK 等底层 SDK，也可以选择更高层的抽象，例如 Vercel AI SDK 或 Pydantic。我们之前做的选择是采用 Vercel AI SDK，但只用其 provider 抽象，然后基本上自己驱动 agent loop。现在来看，我们不会再做这个选择。Vercel AI SDK 本身没有问题，但当你要真正构建 agent，会发生两个我们没预料到的事：第一，不同模型之间的差异大到不得不自己构建 agent 抽象。我们没发现任何 SDK 提供的抽象能真正匹配 agent 的需求。部分原因是：虽然 agent 的基础设计就只是一个 loop，但工具集不同会带来微妙差异。这些差异会影响抽象是否容易找到（比如缓存控制、不同的强化需求、工具提示、provider 侧工具等）。因为“正确抽象”现在还不清晰，所以使用平台的原生 SDK 让你掌控更多。而很多高层 SDK 要你构建在它们的抽象之上，最后这些抽象可能并不是你真正需要的。第二，当涉及 provider 侧工具时，我们发现使用 Vercel SDK 非常困难。消息格式尝试统一，但并不真正奏效。例如 Anthropic 的网页搜索工具会频繁破坏 Vercel SDK 的消息历史，我们至今还没完全搞清原因。此外，在 Anthropic 的情况下，缓存管理在其原生 SDK 中比在 Vercel 中容易得多，而且错误信息也更清晰。也许未来会变化，但至少现在，我们不会在构建 agent 时使用抽象层，除非整个生态已经稳定。对我们来说，目前抽象层的收益远远不足以抵消其成本。也许别人已经解决这个问题了。如果你看了觉得我错了，欢迎发邮件，我非常愿意学习。二、关于缓存的经验不同平台对缓存的处理方式非常不同。大家已经讨论过很多，例如 Anthropic 的缓存是收费的，并且需要你显式管理缓存点，这会从 agent 工程角度完全改变你的交互方式。一开始我觉得手动管理缓存很蠢：为什么平台不自动管理？但现在我完全反过来了，非常喜欢显式管理缓存。它让成本与缓存利用率都更可预测。显式缓存能让你做一些否则很难做的事情。例如，你可以把会话分叉成两个不同方向并行执行。你也能进行上下文编辑。最佳策略尚不明确，但你确实有更多控制权，而且这种控制权非常宝贵，也让你更容易理解 agent 的成本结构。你可以更好地预测缓存命中率，而其他平台我们发现经常是碰运气。我们在 Anthropic 的 agent 中的缓存策略很直接：一个缓存点放在 system prompt 后；两个缓存点放在对话开头，并随对话尾部不断前移；除此之外还有一些小优化。因为 system prompt 和工具选择必须尽可能静态，我们会在之后的动态消息里提供时间等信息，否则会破坏缓存。我们在循环中也更多利用强化。三、Agent Loop 中的强化每次 agent 调用工具，你不仅可以返回工具的执行结果，还可以向循环中注入更多信息。例如，你可以提醒 agent 宏观目标、子任务状态，也可以在工具失败时提供如何让工具调用成功的提示。另一个用途是在后台状态发生变化时告知系统。如果 agent 会使用并行处理，你可以在每次工具调用后注入状态变化信息。有时 agent 自我强化就够了。例如在 Claude Code 中，todo write 工具本质上是个自我强化工具——它只是接收 agent 给出的一组任务，再原样返回。这基本就是个 echo 工具，但却足以让 agent 推进得比只在上下文开头给任务列表要好得多。我们也使用强化来告诉系统环境是否在执行过程中发生了问题。例如，如果 agent 在某一步失败并重试，但恢复基于损坏的数据，我们会注入消息告诉它应该回退几步重新来。四、隔离失败如果你预计代码执行中会有很多失败，有机会把这些失败从上下文中隐藏。主要方式有两种。第一，把可能需要多次迭代的任务单独运行。你可以在子 agent 中运行任务直到成功，再只把成功结果（可能带一段失败策略摘要）回传。让 agent 看到一些失败尝试是有价值的，因为它可以在后续任务中利用这些信息避免重复错误。第二，并非所有模型都支持，但 Anthropic 支持上下文编辑。我们还没取得太多成功，但觉得非常值得继续探索。上下文编辑理论上可以保留更多 token 用于后续循环。例如你可以从上下文中删除对解决问题没有帮助的失败输出。但如前所述，让 agent 知道“什么没成功”有价值，只是不需要保留全面状态。唯一的问题是：上下文编辑会自动使缓存失效，这是无可避免的。因此是否值得这样做往往难以判断。五、子 Agent / 子推理（Sub Inference）如我之前提过，我们的 agent 多基于代码执行与代码生成。这要求 agent 有一个公共的数据存储位置。我们采用文件系统——在我们这里是虚拟文件系统。为了支持子 agent 或子推理，这要求所有工具都能访问这个文件系统。你应该尽量构建没有死路的 agent。所谓“死路”是指任务只能在某个特定工具内部继续。例如你做了一个图像生成工具，但它只能将图像交给另一个特定工具使用，那就会造成死路。如果你希望把生成的图像打包成 zip，需要代码执行工具能读取这些图像。因此必须让图像生成工具把文件写到虚拟文件系统，而代码执行工具也能读同一位置。反之亦然。你可能需要代码执行工具解压 zip 文件，然后让推理工具描述这些图片，之后再回到代码执行工具继续处理。文件系统就是实现这一点的机制。但这要求所有工具都支持从虚拟文件系统读取路径。因此“ExecuteCode” 工具和 “RunInference” 工具应该都能访问同一文件系统。六、输出工具的使用我们的 agent 不是一个聊天式系统。它最终会输出给用户或外部世界一些内容，但中间所有消息通常不会暴露出去。问题是：它如何生成最终输出？我们有一个专门的输出工具，agent 必须显式调用它来对人类输出。我们通过 prompt 告诉它何时使用该工具。在我们的场景中，输出工具负责发送邮件。但这反而带来很多意外问题。最难的是：相比直接在 agent loop 中输出文本，让输出工具生成“最终信息”时很难控制语气与措辞。我不知道为什么，但推测与模型训练方式有关。我们尝试过让输出工具再调用一个小模型（如 Gemini 2.5 Flash）进行文本润色。但这增加了延迟，而且反而降低输出质量。部分原因是小模型没完整上下文，无法正确措辞。而为了给它更多上下文又会变得昂贵，而且仍不能解决所有问题。有时还会泄露我们不想让最终用户看到的中间步骤。另一个问题是 agent 有时根本不调用输出工具。我们强制要求记录输出工具是否调用过。若循环结束前还没调用，我们会注入强化消息提醒它调用。七、模型选择总体上我们的模型选择最近没有太大变化。Haiku 和 Sonnet 依然是目前最好的工具调用模型，因此非常适合作为 agent loop 的主模型。它们对 RL 的行为也比较透明。另一个明显选择是 Gemini 模型。我们在主循环中并未在 GPT 系列上获得太多成功。对于子工具（例如需要额外推理的工具），我们目前主要用 Gemini 2.5——尤其是处理长文档、PDF、图像信息抽取等任务。特别是因为 Sonnet 系列容易被安全过滤器挡住，处理图像比较麻烦。另外一个显而易见的结论：token 价格并不能决定 agent 的整体成本。工具调用更强的模型能用更少 token 完成任务。有些模型 token 更便宜，但不一定在 loop 中更省钱。总的来说，过去几周变化不大。八、测试与 Evals测试与评估是我们认为最难的问题。这并不意外，但 agent 的特性让问题更棘手。与 prompt 不同，你无法在某个外部系统里轻松做 eval，因为需要提供太多上下文。这意味着 eval 必须基于观测数据或在真实测试运行中进行仪表化。目前我们试过的所有解决方案都没让我们满意。遗憾的是，现在我们还没有找到让人真正开心的 eval 方法。希望能尽快找到，因为这已经变成构建 agent 时最令人沮丧的问题之一。九、Coding Agent 的一些更新关于编码 agent，我的体验没有太多变化。主要的新点是我在试用 Amp。原因不是它一定比我现用的 agent 更强，而是我非常喜欢他们对 agent 的设计方式。从他们公开内容能看出，他们的子 agent（如 Oracle）与主循环交互方式非常优雅，而今天市面上很少有框架能做到这一点。这也是我用它来验证不同 agent 设计方式的原因。Amp 和 Claude Code 一样，让人感觉是“使用者自己做的产品”。行业里并非所有 agent 产品都有这种感觉。十、最近读的东西下面是一些我觉得值得分享的内容。1. 《What if you don't need MCP at all?》：Mario 认为很多 MCP 服务器过度工程化，工具过多占用上下文。他提出一种极简浏览器 agent 方案：只依赖简单 CLI 工具（start、navigate、evaluate JS、screenshot），不仅 token 使用小，而且流程更灵活。我据此做了一个 Claude/Amp 的 skill。2. 《The fate of "small" open source》：作者认为微型开源库时代正在结束，因为平台 API 与 AI 工具足以按需生成简单实用工具。对此我非常认同。3. 《Tmux is love》：没有文章，但结论是 Tmux 很棒。如果你的 agent 要与任何交互式系统工作，都应该考虑添加 Tmux 能力。4. 《LLM APIs are a Synchronization Problem》：这是我最近的一个发现，内容太长写成了另一篇文章。#ai创造营# #程序员# 黄建同学的微博视频

43. 回复@伧僧旧义:跟是不是要用第三方工具没关系，Skill 是用来补充 Agent 本身不具备、而你又“反复”需要的信息：网页链接 //@伧僧旧义:这种无需调用第三方工具的任务需要用 skills吗？用 agent 就可以了吧//@宝玉xp:回复@Tmp_情绪疯子:1. A skill 里面说明完成后调用 B；2. 做个 C Skill，调用A和B//@Tmp_情绪疯子:宝玉老师，我有一个问题想请教一下，例如：目前我有两个skill，一个是需求分析的skill，根据自然语言，分析成产品经理的需求；第二个skill是通过分析后的产品需求，将需求拆解成任务，这个是一个拆解的s

44. 谷歌Chrome深夜爆更，Agent不用「装」人了！前端最后防线崩了？

45. 热ma吉避坑三要素 #医美 #热玛吉 #避雷 #虚假宣传

46. Skill 调用 Skill：Agent Skills 的乐高式组合写 Skill 的时候遇到一个问题：我的漫画生成 Skill 需要画图，但用户可能装了 Nano Banana Pro 的 Skill，也可能装了 Midjourney 的。我要在代码里写死调用哪个吗？不用。这正是 Agent Skills 设计的精妙之处。原理：启动即感知Claude 调用 Skill 时会加载 SKILL.md、注入指令、修改执行环境。但更关键的是启动阶段——Agent 启动时就预加载了所有已安装 Skill 的名称和描述。换句话说：Agent 一启动就知道自己有哪些能力。实践：松耦合调用我的漫画 Skill 里，画图环节是这样写的：> Check available image generation skills If multiple skills available, ask user preference> 检查可用的画图 Skill，如果有多个则提示用户选择好处是解耦。我不依赖任何特定的画图实现，用户装了什么画图 Skill，Claude 就调用什么。更妙的是 Claude 能动态适配目标 Skill 的能力：- 支持参考图 → 传角色设计图- 只支持文本 → 传文字描述所以我只需要说：“帮我画张图”，而不用：“用 Nano Banana Pro 的 API 帮我画张图”。为什么这样更好这种松耦合带来几个实际好处：1. 可替换：换画图引擎不用改上游 Skill2. 可扩展：新画图 Skill 自动可被调用3. 低维护：Skill 作者不用追踪下游依赖4. 用户自主：用户选自己喜欢的工具Skill 间相互调用是基于能力描述的松耦合。你只描述“需要什么能力”，Claude 在运行时自动匹配。这让 Skills 成了真正的乐高积木——独立模块，自由组合，构建复杂工作流。

47. 大模型Agent的核心还是prompt？

48. Agent时代，为什么多模态数据湖是必选项？

49. AI Agent 的工作原理和架构是什么？

50. 【Claude Code中文教程：10万字免费指南助你掌握AI编程新范式】一份专为开发者打造的Claude Code完整学习资源正式上线，从零基础到构建自定义AI智能体，全部免费开放。 + 这份教程解决什么问题？当AI编程助手成为开发者标配，真正的挑战不是“会不会用”，而是“能不能用好”。这份教程正是为此而生——帮助开发者系统掌握Claude Code，实现开发效率的质变。 + 九大核心模块，循序渐进 1. 基础入门：概述、安装配置、基础使用 2. 命令体系：CLI命令、标志说明、斜杠命令、自动化集成 3. 交互与工具：交互模式详解、工具调用集成 4. MCP协议：模型上下文协议的配置、管理与高级应用 5. 技能系统：从原理到实践，手把手教你开发自定义技能 6. 插件开发：从基础到高级的完整插件开发指南 7. 编程实战：代码生成、智能工作流、高级Agent功能 8. 技术原理：Agentic AI核心技术、架构解析、构建编程Agent 9. 企业部署：云集成、网络安全、LLM网关等企业级方案 + 三个值得关注的亮点 - 上下文感知编程：让AI理解整个代码库架构，提供深层建议而非简单补全 - 本地优先隐私保护：代码仅在授权上下文中运行，不用于公共模型训练 - 无缝CLI集成：在终端中实现AI结对编程，不离开熟悉的开发环境对于想深入理解AI编程工具工作原理、或计划构建自己编程Agent的开发者，这份教程提供了难得的系统性学习路径。 claudecode.tangshuang.net

51. Anthropic的Agent上下文工程官方指南来了！

52. 人机交互的范式正在发生结构性迁移，从最初的键盘指令到图形界面，再到如今以语音、实时影像与三维空间为主的沉浸式交互，整个链路正在被重新定义。每一次交互能力的跃迁，都会从根本上冲击前端作为“粘合层”的角色：从低代码、无代码，到 sketch2code、image2code，再到如今模型直接生成交互逻辑，传统意义上以切图、对齐 UI、手写交互为中心的人力需求自然会持续收缩，于是“前端已死”的声音周而复始地出现。但我眼中的前端，从来不是一门技术栈，而是一条翻译层。它负责将终端服务的能力翻译成可感知、可理解、可操作的体验，也负责将用户的行为、反馈与真实诉求翻译回底层系统。这是一条细腻、繁琐、又极度关键的链路，它贯穿任何时代的人机交互，不会因代码生成而消失，也不会因界面形式改变而过时。只有执行方式会换，角色本质不会换。前端市场的紧缩与释放，本质取决于范式成熟度与用户需求的离散度。在 Chatbot 这种高度同质化的交互形态下，对前端的需求自然趋向过剩；而当交互正式迈向语音、多模态、AR/VR、空间计算，新的交互结构和感知模式将迅速增殖，界面与操作将重新被塑造，前端的边界又会重新被拉伸。真正不会被淘汰的，不是某个技术栈，而是对“下一次人机关系”保持足够敏锐的洞察力，理解自己如何与未来的交互方式接驳。范式迁移不会淘汰人，只会淘汰那些不再迁移的人。

53. Antropic Claude 推出新概念 Agent Skills，让 Claude 从“通用模型”进化为“可编程的专用智能体”，它通过可加载的技能体系，将人类的知识和流程转化为可复用的智能模块。1. 核心概念：Agent Skills 是一种“技能包”，由说明文档、脚本和资源组成。Claude 可以在需要时动态加载这些技能，而不是一开始就加载全部上下文。2. 作用：让 Claude 能执行特定领域的任务，比如处理 PDF、填写表单、运行脚本、执行数据分析等，相当于给 Claude 增加“专业模块”。3. 结构：每个 Skill 是一个文件夹，核心文件是 SKILL.md，包含技能的元数据（名称、描述）和使用说明；也可包含其他资源文件或可执行代码。Claude 根据任务需要，分层加载这些内容。4. 原理：Claude 先读取每个技能的基本信息，当判断某个技能相关时，再逐步加载其详细内容或脚本执行逻辑，实现「渐进式上下文披露」。5. 优势：（1）增强 Claude 的专业性与上下文理解；（2）减少 token 占用，提高执行效率；（3）让组织可复用知识，把程序性经验打包成模块化能力。6. 安全与可扩展性：Skills 可以自由创建与共享，但要注意代码安全和上下文来源；未来 Claude 还将具备自动创建、评估和优化技能的能力。Blog：www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills#人工智能##程序员#

54. 大模型 Agent 和 workflow 的区别在哪里？

55. ai agent时代，大公司还需要这么多员工吗？

56. Agent 越用越聪明？AgentScope Java 在线训练插件来了！

57. 为什么鸿蒙座舱5可以把交代的事办得干净利落？看完MoLA智能化架构后我懂了

58. 真正的系统级Agent！这个桌面上的AI能帮你全自动干活

59. 给AI一个“身体”：3D数字人或是具身智能的解法？【硅谷101】

60. #中国版OpenClaw发布#同志们，网易有道最近发布了一款AI Agent——LobsterAI，中文名很有意思：有道龙虾。中午刚转了它的开源信息，忍不住体验了下，必须说几句。先说背景。很多人可能不了解，外网现在最火的AI产品之一是OpenClaw——一个能自主操作电脑完成复杂任务的AI Agent，开创了Agent桌面控制的先河。能力确实很强，但有三个致命问题：CLI门槛高（要敲命令行）、不适配中国生态、数据安全担忧。。直到看到LobsterAI——这个春节最让我惊喜的AI产品之一。不仅是“中国版的OpenClaw”，更是国产AI Agent第一次真正做出了能改变每个人工作乃至生活方式的产品。不是PPT，是真东西。市面上大部分AI还在"聊天+简单调用"阶段，LobsterAI把Agent的三个核心能力：自主规划、工具编排、异常处理——全部工程化落地了。并且在三个维度做了本地化创新：1）易用性代际跨越：从命令行到对话界面，不只是极客能用，职场人、学生，谁都能快速上手；2）Skills生态系统：十几个技能可以自由组合，单一模型做不到的，通过工具编排全实现；3）本地优先+沙盒隔离：数据不出境，深度适配钉钉飞书。于是，AI Agent从“开发者工具”，变成中国人的“大众产品”。我跑了个测试：让它"搜索2023-2026年AI Agent行业研究报告，提取主流AI工具的关键数据，做成对比分析网页"。不到2分钟，完整网站交付了。时间轴清晰展示了从ChatGPT到DeepSeek的关键节点，功能对比表列出了各工具的差异，还有用户增长趋势的可视化图表。这种"信息检索→数据提取→结构化分析→可视化呈现→前端开发"的全链路能力，以前得拆5个步骤执行，LobsterAI一句话全搞定。2023年ChatGPT震撼世界，2025年DeepSeek证明中国在模型层有了突破，2026年LobsterAI的出现，说明我们在AI应用层也快速追赶。还有值得一提的是，LobsterAI今天官宣开源，随着开源带来技术影响力的扩散，越来越多开发者基于LobsterAI构建自己的Agent应用，Skills生态被社区将不断丰富，这种技术势能将真正改变各位的工作方式。它自己工作的录屏我放下面了。这应该是国产AI应用层新的探索方向，同志们可以自己去"LobsterAI"官网看看，我就不多说了。。梁斌penny的微博视频

61. “豆包手机”这两天引发高度关注，荣耀终端股份有限公司产品线总裁方飞今日发文对该机的 AI 功能进行了揭秘，称豆包手机助手基于 UI Agent 实现对通用场景的支持并自动执行，这与荣耀 AI 从特定任务向通用化执行的发展道路是一致的

62. 在研究编程Agent，Agent核心就几十行代码，那剩下的几万行到底在解决什么问题？

63. 钉钉的这个变革很及时，其实 OpenClaw 给钉钉带来最大的启发就是：AI 时代的软件不一定会被 Agent 淘汰，而是未来的软件并不是基于人而开发的，而是适合 AI 调用和操作的软件。只有软件拥抱 AI，给 Agent 提供土壤，Agent 才能真正在企业里扎根干活。钉钉做的 CLI 化改造就是一个典型案例。过去所有的企业软件都是给人设计的，按钮、菜单、弹窗，一切交互逻辑都围绕人的眼睛和手指展开。但 Agent 不需要这些，它需要的是干净的接口、明确的指令、可编程的操作通道。这其实是一次软件设计哲学的根本转变：从"人机交互"走向"机机交互"。未来真正有生命力的软件，一定是同时服务两类用户的，人用 GUI，Agent 用 API 和 CLI。谁先把这层基础设施铺好，谁就能在 Agent 生态里占住身位。那些还在死守图形界面、不愿意把能力开放出来的软件，大概率会被绕过去。#How I AI##科技先锋官#

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

65. 苹果和飞书，快成新时代的Agent基建了。

66. Kimi的49元账户不值得花钱，99元账户值1块钱，但199元账户值199元。因为K2.5 Agent Swarm是一次比较狠的飞跃，最多可协调100多个子智能体并行处理大规模任务，相比之下其它几家国产不收费的Deep服务像是扣扣搜索的塑料碗。一直认为模型内化工具使用等能力反过来做群体智能，比第三方智能体调用模型的能力并实现多Agent要靠谱一些，K2.5验证了。

67. 《扣子开发 AI Agent 智能体应用》011-扣子工作流详解（工作流逻辑结构和常见节点）

68. 你最想让AI给你造个什么工具？是摸鱼神器还是效率助手？ #大咖观察 #红衣聊AI #AI工具

69. 「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

70. AWE展会作为消费电子科技风向标，圈粉不少数码爱好者。努比亚柏总那句出圈金句太形象：“OpenClaw需要大家养龙虾，未来的努比亚Agent手机会是直接把龙虾的能力养好了给到大家” #努比亚高管谈自动驾驶手机#近期OpenClaw掀起全民“养龙虾”热潮，本质是AI Agent赛道彻底火了，大家都意识到手机不能再做被动工具，人机交互必须从APP中心转向服务中心。但OpenClaw对普通用户门槛不低，需要自己调教部署，恰恰凸显了行业痛点：AI智能体想要普及，必须做到开箱即用。这一点努比亚早就走在了前面，作为AI手机赛道的先锋，努比亚主推的屏幕自动驾驶技术，就是让手机变成主动服务助手，不用用户手动点APP、做跳转，AI自主完成操作和任务，彻底重构人机交互逻辑。而且这不是概念，已经实打实落地——nubia M153豆包手机，就是当下最贴合理想状态的自动驾驶手机，把AI能力直接打磨好给到用户，不用折腾就能用。说到底，OpenClaw和努比亚，在行业趋势、技术方向、核心愿景上完全一致，一个深耕开源生态，一个专攻终端落地，刚好互补。看着努比亚把AI智能体手机从概念做成量产机，真的期待这家厂商带来更多未来手机的新可能～#AI手机进入自动驾驶时代##OpenClaw爆火#

71. #AI手机进入自动驾驶时代#OpenClaw需要大家养龙虾，未来的努比亚Agent手机会是直接把龙虾的能力养好了给到大家。#努比亚高管谈自动驾驶手机#就在今年AWE展会上，汇聚1200多家科技企业，AI成为大家讨论的焦点，就当努比亚张雷总说出“手机将从被动工具进化为主动助手”时，我深有感触，未来的“系统级AI智能体”就应该是“自动驾驶+主动服务”的人机交互，我感觉下一个手机交互的“诺曼底时刻”真的来了。这让我想到最近很火的OpenClaw，它率先探索自动驾驶式交互，跟3个月前发布的努比亚M153豆包手机的人机交互本质是一样的，无论是电脑还是手机，AI Agent的本质都是让机器理解意图，并自动执行，正如努比亚正通过AI先锋计划，将这种能力带入大众生活。AI不该只属于极客，而应属于每一个普通人。从去年的努比亚M153豆包手机就能看到，当设备学会“自动驾驶”，我们或许真要向下一代解释：为什么这个自动运行的设备，曾经叫“手”机，这不仅是交互变革，更是人机关系的重构，期待今年有更多自动驾驶的手机出现！#OpenClaw爆火#

72. 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

73. 这次vivo带来升级的蓝心语音大模型，通过蓝心语音大模型与多模态技术融合，能让小V语音交互更自然流畅，并且无需唤醒词即可直接下达指令，这个确实很方便#vivo X300系列#值得一提的是，它可以“聆听”与“响应”并行的全双工语音交互，超拟人音色在语调、韵律和呼吸细节上更接近真人，同声传译将拾音距离从 1 米提升至 3 米。支持自然打断，让语音交流像面对面对话一样顺畅自然。升级确实蛮大的#vivo全新系统OriginOS6#

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

75. 独家｜VUI Labs宇生月伴完成数千万元天使+轮融资，同创伟业领投，打造行业领先的情感语音大模型和多模态Agent

76. #岚图泰山首搭鸿蒙座舱语音大模型#岚图汽车在泰山座舱发布会上正式官宣，岚图泰山将成为行业内首款搭载鸿蒙座舱5语音大模型的车型，此举不仅标志着岚图在智能座舱领域的技术突破，更推动车载语音交互进入深度理解的全新阶段。回顾此前车载语音交互的发展，多数系统仍停留在“指令响应”层面，用户需使用标准化话术才能触发功能，交互的灵活性与拟人感存在明显局限。而岚图泰山所搭载的鸿蒙座舱5语音大模型，实现了从“听懂字面意思”到“解读用户意图”的关键跨越——通过对口语化表达的精准识别、多需求的整合分析，能有效捕捉用户未明确表述的潜在诉求，例如结合场景调整车内环境、同步处理多任务指令等，大幅提升了交互的智能化与便捷性。从发布会现场的实车演示来看，该语音大模型在响应速度、理解准确率与场景适配度上均表现突出，进一步验证了其技术成熟度。此次岚图与鸿蒙的深度合作，不仅为用户带来更优质的出行体验，更将为智能汽车行业的技术迭代提供重要参考，推动车载语音从“工具属性”向“个人出行助理”转型。#大v聊车#

77. 【AI学习】从豆包手机助手官方发布的10个演示案例，看AI Agent未来发展方向 #AI智能体 #AI应用场景 #豆包

78. 新阿维塔 12 搭载鸿蒙座舱 HarmonySpace 5，内置 MoLA 大模型，车机交互正式从 “听懂指令” 进阶到 “读懂人心”。地址拼接、多轮对话、沿途兴趣点搜索一气呵成，操作更流畅自然。更搭载行业首创三大模糊纠错能力，复杂生僻字、同音近音字都能精准识别，不用反复纠正。无论行车途中还是日常出行，随口问问小塔，就能轻松响应，真正做到随心交互、有问必答。#安全背后有乾崑##新阿维塔12搭载乾崑新四激光方案#

79. #26年你希望折叠屏怎么进化#重量，折痕和AI驱动交互上的进一步创新。特别是AI将成为发挥折叠屏潜力的关键。系统级AI可以智能识别手机折叠状态和使用场景，自动调整应用界面和分屏逻辑，甚至能理解用户意图，跨应用联动执行复杂任务，让大屏体验更智能、更高效。

80. Agent 时代的做事方式，你跟上了吗？

81. 从"人机交互"到"机机协作"

82. Agent范式转移

83. 下一个十年，为什么最重要的不是 App，而是 Agent？

84. Agent的时代来了

85. 软件业的范式转移

86. 小米之Agent时代

87. 马斯克预言验证

88. 下一个时代属于AI Agent！5分钟讲明白什么是Agent？

89. AI Agent

90. AI Infra

91. Agent 未来标准范式:CC！（二）Prompt Engineering转向Context Engineering，Anthropic团队通过四步法

92. 聊聊 CaveAgent！面向对象的 Agent Infra 新范式

93. re:Invent 2025 Swami博士主题演讲

94. LLM Agent新范式！宾大提出「偷听Agent」

95. Agentic Engineering

96. MWC26 | Agentic Operations新范式，释放Agent时代万亿级市场潜力

97. 大模型应用开发技术路线（下）

98. 从静态推理到动态交互

99. 一篇详解什么是AI Agent！

100. AI Agent 介绍

101. 当大模型开始“边看边听边接话”，人机交互真的变了

102. 代理式人工智能

103. AI 生产力范式演进

104. 从Prompt到Multi-Agent 大模型应用架构演进

105. openClaw Agent 深度解析

106. AI Agent 自主决策底层逻辑揭秘

107. Agent 是什么

108. Agent = 规划 + 记忆 + 工具 + 自我修正

109. 从 RAG 到 Agent——让模型“长出手脚”去干活（ReAct 原理与工程落地）

110. Workflow 和 Agent 的本质区别

111. 界面的终结？从”打开 App”到”说一句话”

112. AI Agent 技术解析

113. 2026:GUI Agent（图形界面智能体）

114. 多模态AI Agent

115. 收藏备用｜从LLM到AI Agent进化全解析，程序员必学的大模型进阶知识

116. 2026年，AI Agent才是真正的生产力革命

117. Agent 与传统软件的本质区别 - 哔哩哔哩

118. Agent的感知力

119. Agent 进化论（七）

120. AI Agent 的觉醒时刻

121. Agent 设计模式

122. 构建有记忆的 AI Agent

123. 🫖 Agent 会“记住”我吗？聊聊短期记忆、长期记忆与上下文窗口

124. 自主智能体

125. 一文详解产品经理必懂的7种AI Agent产品形态

126. AI Agent全方位学习第三章

127. 从0到1开发一个商用Agent（保姆级教程）

128. 用实例看清楚AI Agent全流程！

129. 谷歌正式定义生产级AI Agent

130. AI 生存指南（进阶篇）

131. 谷歌官方

132. 别瞎用Agent！90%企业踩坑场景错，OpenAI点名，这3类才管用

133. 关于Agent的一点看法

134. AI Agent火遍全网,为什么大部分公司都用错了?内行人揭秘真相

135. Gartner最新Agent应用落地报告，对企业规划AI招聘有什么启示？

136. 很多公司，都被“伪Agent”拖垮了

137. 默认式AI时代已至　——《2026年Agent领域十大趋势判断报告》

138. 2026 年 AI Agent 领域有哪些值得关注的趋势？我的 8 个观察

139. Agent科普避坑指南

140. 2025最后1/4，AI Agent能做的和不能做的

141. 2026年AI Agent将如何改变企业业务

142. 2026，AI Agent全面爆发！一个时代正式到来了

143. AI Agent行业分析

144. 2026年AI Agent的终局猜想——垂直数据的深潜与业务流的“入骨”

145. Agent是什么？怎么用？未来会怎么样？

146. 第十一篇丨2024-2030 AI Agent进化史

147. 再见程序员

148. 2025年俗称 Agent 元年，Agent 到底是神器还是坑？

149. 大模型时代,人机交互体验将被怎样重塑?

150. 2025，Agent不再是未来式——你的工作流即将被‘智’造革命

151. 2025年从技术演进到算力消耗估算,深度拆解AI Agent:AI进入Token时代,MCP赋能Agent迈向泛智能(附下载)

152. MBA智库百科

153. Agent Skills 傻瓜式教程,26 年最火 AI 技术就这?

154. 人机交互:人类与计算机的互动方式

155. Agents and Multi-Agents System 智能与多智能体系统

156. 科学网—十大科技发展未来趋势预测 - 许培扬的博文

157. 2026-2032年全球与中国人工智能交互型数字人行业发展调研及前景分析报告

158. Agent可应用的场景有哪些?智能体在各行业的实践盘点

159. Docs

160. 加拿大国家研究院沈卫明教授学术报告

161. 张福利:我国人机交互技术取得新突破 —教育在线

162. 人机交互试题答案

163. 人机交互-1 人机交互与虚拟现实-概述 2021

164. 别再卷RAG了，Agent才是「超级生产力」| 极客时间

165. 人机交互的未来发展趋势与应用领域

166. Agent开发者坦白:窘境中前行

167. Agent热度飙升,一场暂被高估的“效率游戏”

168. AI Agent的进化：为什么未来属于“Skills”？

169. 每天有10个 AI Agent 替我干活，但我却更累了

170. 智能涌现：大语言模型驱动的Agent新范式

171. 🫖 Agent 为什么能“动手”？揭秘工具调用（Tool Use）的幕后逻辑

172. 任务分解与协作：Subagent与Agent Teams的应用场景

173. Agent Skills：大模型能力的系统化演进与实践指南

174. Adaptive Agent UI (A²UI) 协议技术文档

175. Agent记忆系统: Letta vs Mem0 vs Zep vs Cognee

176. 谷歌A2UI震撼开源！AI Agent轻松绘制交互界面，智能交互迈入新时代！

177. 拒绝过度设计：Anthropic 官方指南，如何构建高效 AI Agent？

178. 别再被割韭菜了！99%人不懂Agent，但你的工作可能已经被它盯上了

179. 杭州 KCD&OID｜从Chatbot到Multi-Agent：用Agent Loop与MCP协议构建可组合的AI开发工作流

180. AI Agent学习笔记 —— 搭建AI智能体的两大基石：可编程调用与记忆管理（2）—— 记忆管理

181. 智能体来了（西南总部）：AI Agent指挥官与AI调度官任务编排逻辑

182. Agentic 应用开发 - 生成式 UI 的技术全景

183. 从“骂声一片“到“真香现场“：Agent技术逆袭全攻略，小白程序员必看！

184. .NET+AI | Agent | 启用工具调用（6）

185. 251209-Gartner AI Agents报告测评 | When to Use AI Agents Gartner AI Agents Report Re

186. AI Agent应用场景

187. [80页中英文报告]李飞飞最新Agent AI 重磅研究报告：多模态交互的未来前沿及在具身智能、医疗领域应用

188. Skills 比MCP好在哪儿？如何用Milvus-Skills 搭建知识库

189. Agent核心架构分层&数据流向？

190. Agent的多模态输入

191. 本地 AI 推理平台第五期这一期，我开始重构 Agent 的执行逻辑。以前的 Agent 是：输入 → 模型 → 输出。现在变成： Plan → Skill → Tool → Trace。也就是说，Agent 在回答之前，会先生成一个执行计划，然后逐步完成任务。为了演示这套机制，我做了一个「周报智能体」： * 自动抽取时间线 * 结构化整理工作内容 * 总结技术进展 * 生成本周总结 * 自动生成下周计划这一期真正的重点不是“写周报”，而是 Agent 架构的升级 —— 从对话式 Agent，到可规划 Agent。本系列持续记录一个本地 AI 推理平台的工程演进过程。 #本地AI平台 #Agent #Agent架构

192. 抛弃 LangChain，50 行代码手搓一个 AI Agent（快速入门）

193. AI Infra：Agent 与实时数据集成

194. 从调用到构建：Agent 时代的大学生能力重塑

195. 解码GUI Agent：语音与文本如何协同打造无缝交互体验

196. LLM笔记：让 LLM 从聊天到Agent

197. 实在 Agent 实操指南：从入门到落地，解锁智能效率新范式

198. 记忆，是 Agent 从 Demo 走向产品的分水岭

199. 2026年ChatBI技术将走向何方：AI Agent与多模态交互如何重塑商业智能？

200. AI Agent 架构与实践：自主性、目标导向与编排能力解析

201. Agent 七种常见模式

202. 【必学收藏】大模型Agent开发：小白也能掌握的三种核心设计范式详解

203. AI Agent架构解析：从感知-决策-执行闭环看新一代应用范式

204. 如何保障AI Agent能正确拆解任务，满足用户意图？

205. Agent的“记忆”到底怎么来？

206. 你还在重复搬砖？大模型 Agent 这 5 个实战场景，直接解放双手！

207. 想试 AI Agent，先跑通第一个场景再说

208. AI Agent开发入门：5 个关键步骤，帮你打通落地链路

2024年人机交互范式重构：Agent时代从目标委托到边界设定

精选参考来源