菠萝与大西瓜（@zuoyou）的 AI 短帖

图像生成要是被彻底解决，会变天吗？

要点照录。If image generation was suddenly completely solved, how much would change?这句问得挺狠。放到 2026 年的现状看，AI 图像生成已经是成熟技术，photorealism、速度、一致性、可及性各有强项。

2025 年到 2026 年初，好几项技术进展凑到一起，把这一代图像模型顶到了现在这个水平。Nano Banana 2、Flux 2 Pro、Kling O3、Seedream 5.0 各自解决的是生成流程里的一块。

过去爱出乱码字符的模型，如今能做出像素级整齐的标牌、海报和品牌素材；不请自来的文字生成这个老大难，也在被一点点治。

"how much would change"这半句是场重心。前面那份基准尺讲的是量要真，这条讲的是假设真。跟前面那场酒吧访谈呼应，那条在小桌上谈模型即产品，这条在假设题里看行业被推到哪一步。两头都在提醒同一件事，成熟不等于解决，解决之后的账才刚开始算。

"我不这么认为"这半句我单独拎出来。前面那份专用模型路线讲的是把自己那摊事做好，这条讲的是把"彻底解决"四个字看清楚。生成流程里各家啃的是一块，真要全解决，得连一致性、可控性、版权这三头一起过；现在还差着。彻底这东西，最怕的是口头上到了，实际还差一截。

我留的疑问有三处。什么叫"完全解决"没有统一标准；那几家工具的差距具体在哪没说；解决之后最先被冲掉的岗位是哪批也没讲，这些都在后续评测里才看得到。

这周拿手头最难的那个场景试一遍，看看离"彻底解决"还差多远。

github.com/EverMind-AI/Ra…

一个外壳管不住所有活，那就把外壳也编成一个团队。

Raven 0.2.0 自称 Harness of Harnesses。它带四个专业外壳：Research、Code、Design、Oncall，各自管一摊，再把外面已经在用的 agent 一起拉进同一张任务图。

Claude Code、Codex 都能入伙，共享一份记忆，由它统一编排。编排成绩也亮了，多 agent 编排基准上 Node F1 拿到 0.963。

我最感兴趣的是它冲着 RSI 去的那部分。RSI 是递归自我改进，这里落得很具体：提示词、策略、策略代码、playbook，这四样都能被 AI 自己重写，连编排层本身也是个可被改进的实例。外壳不再是一堆写死的配置，是能自己长的家伙。

这跟前面看过的几篇接得上。评测那篇说外壳和模型要分开算账，OpenCode 那篇说把 LLM 弄便宜才是硬功夫，Raven 走的是第三条路：让外壳自己进化。三篇凑一起，外壳这个从前只算配角的东西，忽然成了各家押注的方向。

保留的也有。RSI 那块自己标着实验性，自我改进会不会把策略改歪，消息里没交代。共享记忆听着美好，多个 agent 同时写一份记忆时怎么防打架，也没细说。

开源，Apache-2.0，仓库和社区都在推文里：
github.com/EverMind-AI/Ra…
discord.gg/VVSm8MESch
标签打的还是 #OpenSource。想试的人可以先拉起来跑一段 Oncall，让它连轴转几天看看活儿断不断。

给 AI 出网络安全题，这份新榜单把拒答也算了进去。

Artificial Analysis 发布了 Cyber Index，还拉起一个评测联盟。它衡量的是模型做企业网络防御的水平。启动伙伴请来了 @CollinearAI、@IBM、@nvidia 和 @vercel。榜单由三个合作方贡献的开放基准拼成，专测 agent 找漏洞、修漏洞的本事。

三块基准各管一段。CWE-Bench-AA 管审计与修补，120 道留出任务覆盖 OWASP Top 10 (2025) 全部十类，语言横跨 C/C++、Go、Java、JavaScript/TypeScript、Python 和 Rust。

DeepsecBench-AA 只考发现：给一个代码库和一份预算，把漏洞全找出来。评分对着人类安全评审的黄金集，真漏洞找到了加分，把良性代码误报成漏洞要扣分。CyberGym-E2E-AA 跑端到端：找出内存安全缺陷，写出触发崩溃的验证程序，再打补丁让崩溃无法复现。

榜单头名有点意思。Grok 4.7 (xhigh) 和 MiMo-V2.6-Pro 并列 56 分领跑。后面是 GPT-6 Luna (max) 53 分、GLM-5.3-Flash 50 分、Muse Spark 1.3 (xhigh) 44 分。

真正扎眼的是第二条结论。GPT-6 Sol、GPT-6 Astra、Claude Opus 5.5、Claude Fable 5.1、Gemini 3.8 Flash 这批前沿模型，以安全为由拒绝了占榜单 32% 到 38% 的任务，总分因此落后领先者 19 到 31 分。

差距主要砸在端到端那关：Sol 和 Astra 一道题都拒，Opus 5.5 拒了 98%，Fable 5.1 拒了 99%。

我的看法是这题没有标准答案。对做防御工具的团队，拒答意味着模型在真实攻防里也未必肯干活，选型时得把这条一起称重。对模型厂商，防守任务被拒之门外，等于在自家宣传的"防御能力"上自打折扣，这里面的张力迟早要找个出口。

保留意见在于，拒答多少是必要安全、多少是过度保守，榜单分数说不清，还得看具体被拒的是哪类任务。

记忆系统不是选个向量库就完事，它有六层。

这份路线把 Agent 记忆从头到尾拆开，标题就说清了目标：检索极速、召回忠实、演进安全。我按它的顺序捋一遍，顺带说说我卡在哪层。

第一层管上下文和工作记忆。窗口策略给了四个选法：滑动窗口（Sliding Window / FIFO）简单但会丢早期约束；动态摘要省地方却可能失真；按 token 权重裁剪偏实用；层次化则把核心提示、概要历史、实时输入分开摆。

状态机这节提到 LangGraph 的显式状态，靠结构化变量传递。最讨巧的是 MemGPT 式虚拟内存，借操作系统的主存外存思路，让 agent 自己调用 core_memory_append 这类指令，在有限窗口里做出无限上下文的假象。

第二层是存储引擎。向量库管语义检索，密集向量和稀疏向量（Sparse / BM25）配合混合检索加重排，RAG 应用全靠这层撑；图数据库管关系推理，三元组抽实体和关系，Neo4j、Memgraph、FalkorDB 在列，图检索走 Graph RAG。

PostgreSQL、Redis、SQLite 这类管硬约束和审计日志。单用一种都不够，正解是三种协同，语义、关系、精确属性各归各家。

第三层是我最看重的生命周期：写入、检索、反思、遗忘。检索那节给了公式化的三件套，相关性看余弦相似度，时效按指数衰减，重要性交给模型打分，还有时间感知检索区分先后说过的话。遗忘那节更实用，类 LRU 的淘汰加上 GDPR 被遗忘权，敏感信息 PII 自动脱敏抹除。前面聊过的记忆纠错和时间戳问题，全落在这层。

第四层列了工程件。LangChain、AutoGen、CrewAI 这些框架内置的内存属轻量选法，LangGraph 的 MemorySaver 和 LlamaIndex 的索引式记忆都在此列。认真做就看专用引擎：Mem0 管多级记忆，Zep 自带时序和摘要图谱，Letta 按 OS 理论做内存服务。评估则看召回率、精准率和检索里的幻觉率。

第五层安全隔离，我看得心里一紧。租户隔离必须严，A 的记忆绝不能被 B 召回；还要防投毒，一句注入就能把恶意内容写进记忆；外加 ABAC、RBAC 权限控制和审计日志，得能回答"agent 为什么做这个决定、是哪条记忆引发的"。

第六层才是场景实战，伴侣助理、客服、NPC、编程助手、多 agent 共享黑板，各有一套搭配。路线末尾还顺带比了两条进阶路线，HippoRAG 这类图式检索对上 LoRA 微调，让记忆沉淀进权重还是留在检索侧，得看任务。

我自己的进度停在第三层。存和取早跑通了，冲突判优和定期整理一直没做，图谱里新旧事实打架都没人裁决。下一步我打算先补冲突检测和一次离线整理，把这条链闭上，再去折腾选型。

agent 最大的拦路虎，其实是登录这一步。

Shengkun Ye 宣布把登录墙干掉了：人工登录一次、保存 session，之后 agent 每次运行都自带认证。覆盖 LinkedIn、Amazon、Workday、Facebook、Instagram，一个浏览器配一个 profile。

由 @Tiny_Fish 和 @MonidHQ 提供底层支持，单步成本 $0.015 per agent step。

我第一反应是这也太琐碎了，直到想起自己盯着 agent 的糗样。让它去 LinkedIn 拉一份资料，它卡在密码框前反复试。我人在会议室，只能干等。

session 持久化加按步计价，这个组合才是重点。前者把人工重复劳动砍掉，后者让每次带着登录态的行动几乎免费。$0.015 一步，意味着 agent 可以放心多试几轮，不用担心费用叠上去。

我最欣赏的其实是 profile 的设计。一个浏览器配一个身份，不混用，账号之间互相看不见。这点比"永久在线"更重要，能把风险控在单个 profile 内。

要说保留意见，我更关心 session 过期和验证码怎么办。外加 LinkedIn 这类平台对自动化脚本一直敏感，认证能解决，风控不一定买账。我打算先拿自己的 Amazon 账号跑一周，看它到底稳不稳。

这类工具值得留意的不是省了几次输密码，而是它把"agent 能不能一直待在登录状态"从玄学变成了明码标价的服务。下一步我会盯着的，是它怎么处理登录态过期后的自动续期。