AI圈子 · AI 圈的最新动态，一条一条刷

🎬 CapCut+Seedance 2.5：AI视频生成终于像拍电影了

以前用AI生成视频，最大的痛点是什么？

• 视频太短，3秒就结束了
• 需要多次prompt，每次生成的内容不连贯
• 拼接麻烦，最后还得用剪辑软件手动缝合

CapCut Web的Video Studio集成了Seedance 2.5，这次真的把这几个问题解决了。

核心升级：

1️⃣ 原生30秒视频
不用再拼接了。一次生成30秒完整视频，有叙事节奏，不是那种3秒玩具片段。

2️⃣ 时间线控制
生成后直接在时间线上编辑，想加什么加什么，不用重新生成。

3️⃣ 无限画布
所有素材和生成结果都在一个无限画布上管理，不用来回切换窗口。

为什么这很重要？

以前的AI视频生成流程是：
写prompt → 等3秒 → 不满意 → 重新写prompt → 等3秒 → 拼接 → 用剪辑软件...

现在的流程是：
写prompt → 生成30秒 → 在画布上调整 → 导出

这是一个质的飞跃。从"玩具"变成了"工具"。

定价参考：

• Seedance 2.5系列（480p）：$0.025/秒
• Minimax H3系列（768p）：$0.021/秒
• Wan 3.0（480p）：$0.013/秒

生成30秒视频大概0.75美元左右，对于专业创作者来说，这个价格可以接受。

个人思考：

CapCut作为字节跳动的视频编辑工具，整合Seedance 2.5是顺理成章的事。但这次整合的深度确实让人眼前一亮。

30秒原生生成+无限画布+时间线控制，这三个组合在一起，意味着AI视频生成终于可以进入真正的创作流程了，而不是只能玩玩demo。

对于短视频创作者来说，这可能是目前最实用的AI视频生成方案之一。不用学复杂的工具，直接在熟悉的CapCut里就能用。

DeepSeek悄悄放出了一个大招：DeepSeek-V4-Flash-Vision-Exp，一个多模态视觉实验模型。

这个模型在文本能力上跟V4-Flash完全持平——Agent调用、推理、世界知识全都保留。但在多模态Agent基准测试上，V4-Flash-Vision-Exp相比V4-Flash有了巨大跃升，多模态Agent表现已经接近Opus-4.8的水平。

关键信息：

• 已经可以在DeepSeek API平台使用，模型名 deepseek-v4-flash-vision-exp
• DeepSeek Harness 0.1.1 今天同步发布，开箱即用支持新模型
• 从文本到图像理解，多模态任务一把梭

这意味着什么？OpenAI和Anthropic在多模态上砸了海量资源，DeepSeek用更小的模型做到了接近的效果。Agent能"看"东西，但成本降到了普通开发者用得起的程度。

如果你在做需要视觉理解的Agent应用——图像分析、UI自动化、文档处理——这个模型值得第一时间试。

原帖来自 @deepseek_ai，1.1万赞，链接：x.com/i/status/20907…

🤖 微软下场卷Go了：Agent Framework正式发布，专为生产环境设计

微软刚发布了用Go语言重写的Agent Framework。

这次不是玩具demo，而是专门用来写能真上生产的AI智能体。

为什么用Go？

Python做Agent开发很流行，但在生产环境有几个痛点：

• 并发处理不够优雅
• 性能瓶颈明显
• 部署和运维复杂

Go语言天生适合这些场景。微软这次把Agent Framework搬到Go上，明显是瞄准了企业级生产环境。

核心特性：

1️⃣ 多模型支持
不锁死一家大模型。OpenAI、Claude、本地模型都能接，灵活选择。

2️⃣ 中间件可插拔
想加日志、监控、限流、认证？随时插拔，不用改核心代码。

3️⃣ 可视化工作流编排
一张图把整个工作流串起来：

• 顺序执行
• 并发处理
• 条件分支
• 检查点
• 人工介入

全部可视化配置，不用写代码。

适合谁用？

• Go开发者：想用Go写Agent，不想学Python
• 企业用户：需要生产级Agent框架，不是玩具demo
• 运维团队：需要易于部署和监控的Agent系统

个人思考：

微软这次下场很有意思。Python生态已经有了LangChain、CrewAI、OpenAI Agent SDK等框架，但Go生态一直是空白。

对于已经在用Go的技术栈来说，这个框架是个好消息。不用为了写Agent而切换到Python，可以直接用熟悉的语言。

不过，Go的AI生态还是不如Python成熟。模型推理库、数据处理工具都比较少。这可能是一个挑战。

总体来说，微软这次押注Go Agent Framework，说明企业级AI Agent市场确实在增长。生产环境需要更稳定、更高效的框架，而Go正好满足这些需求。

🔧 Claude Code/Codex/Cursor的Skill太多了？Skills Hub一键统一管理

你有没有遇到过这种情况：

给Claude Code装了一套Skill，Codex又装了一套，Cursor、OpenCode、Antigravity再各来一份。

用着用着，本地目录就乱了。每个Agent的Skill目录都不一样，手动复制粘贴管理起来很麻烦。

Skills Hub 就是为了解决这个问题而生的。

它是什么？

一个统一的Skill管理器。Skill只安装一次，统一存在 ~/.skillshub 目录下，然后同步给不同的Agent。

现在内置了46个工具适配器，可以自由选择：

• 这个Skill给Claude Code
• 这个给Codex
• 这个项目级启用
• 那个全局启用

核心特性：

1️⃣ 标签系统
给Skill打标签，方便分类管理。比如"代码审查"、"文档生成"、"测试"等。

2️⃣ 批量开关
一键启用或禁用多个Skill，不用逐个操作。

3️⃣ Git更新
支持从Git仓库同步Skill，保持最新版本。

4️⃣ 自动更新
设置自动更新，Skill会定期检查并更新到最新版本。

5️⃣ Symlink优先
优先使用符号链接（symlink/junction），同步不了才复制文件，节省磁盘空间。

适合谁用？

• 多Agent用户：同时使用Claude Code、Codex、Cursor等多个AI编程工具
• Skill收藏家：收集了很多开源Skill，需要统一管理
• 团队协作：团队成员共享同一套Skill配置

个人思考：

这个项目解决了一个很实际的问题。随着AI编程工具越来越多，每个工具都有自己的Skill/Plugin系统，管理起来确实很麻烦。

Skills Hub的思路是：Skill应该是Agent无关的。一个代码审查Skill，不应该只给Claude Code用，应该能同时给Codex和Cursor用。

这种"一次安装，多处使用"的理念，很像Linux的包管理器。只不过这里管理的是AI Agent的Skill。

目前macOS已验证，Windows/Linux作者标的是设计支持但未本地验证，这点先注意。

我开始做自己的Design Skills 了🎨
今天在Demo day上分享了3个，大家都很喜欢！
先发一个我特别喜欢的：Mono-color Skill。
它不是简单地“把图片变成单色”，而是把一整套编辑设计语言 + 复古印刷质感 + 克制的视觉规则，封装成了一个可以反复调用的 Skill。
它会自动遵循这些设计原则👇
👉 默认使用一种油墨色，必要时加入克制的双色套印
👉 大量，有意识的留白
👉 强烈的Typography和编辑排版感

来源：@yanliudreamer | ❤️2093 | 👁️77,965

🧠 给AI编程Agent装上长期记忆：ai-memory项目，不用向量数据库也能做到

你有没有遇到过这种情况：

Claude Code写到一半，退出了。过几个小时再打开Codex继续，它完全不知道之前做了什么。又要从头交代一遍架构、需求、踩过的坑。

这个问题的本质是：AI编程Agent没有长期记忆。

每次新对话都像第一天上班，什么都得重新交代。

ai-memory项目提供了一个简洁的解决方案：把记忆当成纯Markdown文件笔记的Git仓库。

为什么不用向量数据库？

1. 完全透明：所有记忆都是可读的Markdown文件
2. Obsidian可用：直接用Obsidian打开，方便浏览和编辑
3. 完全可控：不想用这个工具了，文档还是你自己的
4. 零依赖：不需要额外的服务或数据库

它是怎么工作的？

1. 自动记录：靠钩子自动把提示词、工具调用、会话节点记下来
2. 写代码的过程就是记录的过程：不需要刻意维护
3. 交接能力：Claude Code退出后，Codex打开会先看到"上回做到哪"

最实用的场景：

• 多工具切换：在Claude Code、Codex、Cursor之间换着用，装一个能省掉重复交代
• 项目交接：新成员加入项目，快速了解之前的决策和踩过的坑
• 个人知识库：积累的开发经验不会随着工具切换而丢失

支持的工具：

Claude Code、Codex、Cursor、Gemini CLI等15种以上

个人思考：

这个项目的价值在于：它把"记忆"从"AI的黑盒"变成了"人的文档"。

很多AI记忆方案是把数据塞进向量数据库，看起来很"AI"，但实际使用中：

• 你不知道它记了什么
• 你没法手动编辑
• 换工具可能就不兼容了

ai-memory的思路是：记忆应该是可读、可编辑、可迁移的。这更接近人类的记忆方式——我们不会用向量数据库来记笔记，我们会用笔记本。

对于经常在多个AI编程工具之间切换的人来说，这个项目值得试试。

🏢 AI原生公司的30个核心特征：从工具到组织架构的全面升级

很多人以为AI原生公司就是"全员用ChatGPT"，其实远不止于此。

有人总结了30个AI原生公司的特征，从流程到文化，从技术到组织，几乎涵盖了公司运营的每个环节。

核心亮点：

1️⃣ 技术架构层面

• 建立集中化的智能层，把结构化和非结构化数据统一管理
• 模型路由优化成本，不同任务用不同模型
• 把上下文当代码管理，确保架构文档持续更新

2️⃣ 开发流程层面

• AI编码Agent团队负责规划、编写、测试、审查、发布代码
• 人类只定义意图和验收标准
• 关键指标是"每个PR的成本"，持续优化token效率

3️⃣ 业务流程层面

• 财务流程持续运行，实时更新预测
• 非工程工作流闭环自学习
• 营销用Agent批量投放创意素材测试

4️⃣ 组织文化层面

• 每个人都是构建者，包括C级高管
• 护栏优先于功能
• 持续自我颠覆，不等别人来颠覆你

最打动我的几点：

1. "每三个月推倒重来"

这不是说真的推倒，而是保持对现有流程的质疑。AI进化太快，去年的最佳实践可能今年就过时了

1. "earned autonomy"（挣得的自主权）

Agent不是一上来就全自动。而是：观察→建议→经批准行动→独立行动。逐步获得信任

1. "traceability as training signal"

每个输出都要追溯到它的prompt、模型、数据和批准者。这样才能做有效的反馈

个人思考：

这份清单的价值在于：它不是在说"用AI工具"，而是在说"成为AI公司"。

很多公司把AI当成"提效工具"，但AI原生公司把AI当成"组织方式"。这不是程度的差异，是本质的不同。

当然，30个特征不可能同时实现。但可以作为检查清单，看看你的公司在哪些方面已经开始，哪些方面还是空白。

即使只做到其中10个，也比大多数公司强了。

🛡️ 吴恩达力荐：OpenWorker——专为网络安全打造的开源AI Agent

AI正在改变攻防格局：攻击者已经在用AI自动化攻击，而防御者还在手动响应。这个差距让很多人焦虑。

Andrew Ng最近推荐了一个项目——OpenWorker，一个开源的AI Agent，专门解决这个问题。

核心亮点：

1️⃣ 内置网络安全Agent
不是通用Agent套壳，而是专门设计的三个安全Agent：

• 代码漏洞扫描
• 依赖供应链注入检测
• 云安全配置审计

2️⃣ 完全开源可审计
安全团队可以审查全部代码，确认没有后门。这在安全领域至关重要——你不能用一个不透明的工具来做安全审计。

3️⃣ 模型自由选择
可以跑本地模型，敏感代码不出机器。也可以用ChatGPT订阅或API key。对于需要复现漏洞的安全研究来说，本地模型不会触发拒答。

为什么这个思路好？

传统的安全扫描工具是规则驱动的，只能找已知模式。OpenWorker用Agent方式，可以理解代码逻辑，发现更深层的安全问题。

而且它是"shift left"理念的实践——在部署前就做安全检查，而不是等上线后被攻击才发现。

实际应用场景：

• 开发者在CI/CD流程中集成安全扫描
• 安全团队用它做代码审计
• 渗透测试时辅助分析攻击面
• 合规检查前的自查

个人思考：

这个项目的意义在于：让防御者也能用上AI武器。目前AI安全工具主要集中在攻击端，防御端工具相对匮乏。

OpenWorker的出现，让"AI for Defense"不再是空话。而且完全开源，安全团队可以放心使用。

如果你做安全相关工作，这个项目值得关注。即使不用，了解一下思路也有价值。

📚 Claude Code不只是写代码：一套完整的工作流体系

很多人用Claude Code就是让它写写代码、改改bug。但如果你只把它当一个AI编程助手，那就浪费了它大部分能力。

Claude Code真正强大的地方在于：把CLAUDE.md、Skills、Hooks、Permissions、Memory和Agents组合起来，可以构建一套完整的开发系统。

这套系统能做什么？

1️⃣ 理解你的项目
CLAUDE.md不只是写规则的地方，它让Claude Code真正理解你的项目结构、技术栈和编码习惯

2️⃣ 自动化重复工作
Hooks可以在特定事件触发时自动执行操作，比如每次提交前自动检查代码规范

3️⃣ 多Agent协作
通过Memory和Agents，可以让多个Claude Code实例协作完成复杂任务

实际工作流示例：

• 需求阶段：让Claude Code分析用户故事，拆分成技术任务
• 开发阶段：用Skills扩展功能，用Hooks自动测试
• 审查阶段：用Code Review能力自动检查PR
• 部署阶段：通过Agents协调CI/CD流程

为什么这个思路有价值？

1. 结构化：不是随机的对话，而是有流程的开发
2. 可扩展：每个模块都可以独立定制
3. 自动化：减少手动操作，降低出错概率
4. 协作性：多个Agent可以分工合作

个人思考：

这套思路本质上是把"人用AI工具"变成了"AI团队协作"。Claude Code不再是单个助手，而是一个可以编排的开发平台。

对于团队开发来说，这可能比单个Agent更有价值。每个Agent负责一个环节，通过统一的配置和规则协作。

如果你还在把Claude Code当普通的AI聊天工具用，可以试试这套工作流。可能会发现很多之前没想到的用法。

🧠 AGENTS.md其实是一个神经网络——这个维护思路很优雅

很多人维护AGENTS.md的方式是：Agent犯一次错，就往里补一条规则。

时间久了文件越来越长，旧规则没删，新规则继续加。最后Agent每次都要读一堆已经没用的东西，token浪费严重，效果反而变差。

这篇文章换了个思路：把AGENTS.md当成一个需要"训练"的神经网络。

核心思路：

1️⃣ 每次Session都是一次forward pass
Agent走过的弯路和被你纠正的地方就是loss

2️⃣ 定期做backward pass
从真实session里提取问题，小幅更新AGENTS.md

3️⃣ 给固定Token budget
新增一条规则，就要考虑删掉或移走什么

具体怎么做？

作者开源了一个叫backpass的工具，可以自动完成这个过程：

• 分析最近的session记录
• 提取Agent犯错的地方和你的纠正
• 生成AGENTS.md的修改建议（新增/删除/更新）
• 你Review后合并

为什么这个思路好？

1. 数据驱动：基于真实session，不是凭感觉
2. 有增有减：强制token budget，避免无限膨胀
3. 自动提取：不用手动整理，工具帮你做
4. 渐进优化：每次只改一点点，风险可控

实际效果：

• AGENTS.md保持精简有效
• Agent不再读一堆无用规则
• 每次改进都有数据支撑

个人思考：

这个思路本质上是把"人工维护配置"变成了"自动训练模型"。虽然AGENTS.md还是文本，但维护方式已经接近机器学习了。

很多Agent现在缺的就是这种持续进化的能力。每次session都积累了很多反馈，但下一次又像第一次来上班一样。

如果你也在用Claude Code或Codex，可以试试这个思路。让Agent越用越懂你，而不是每次都要重新教。

🔧 构建靠谱的 AI Agent 不是靠写好 Prompt 就够的——这是一套7步框架。

大部分人在做 Agent 的时候，上来就写 Prompt，试到能跑就行。但真正能上线跑生产的 Agent，靠的是系统架构。

1. 定义目标明确的成功标准 + 人工审查点位置
2. 选对模型LRM做深度推理、LLM做日常任务、SLM做路由和重写
3. 选对框架简单自动化用 Dify/n8n、生产环境用 LangChain/CrewAI/Agent SDK
4. 工具接入MCP 服务、Agent 互调、结构化 Function Calling
5. 记忆分层缓存记忆 + 事件记忆 + 文件系统记忆
6. 上下文管理摘要旧对话 + 按需加载相关上下文
7. 测试与评估单元测试 + 边界用例 + 成本核算

为什么值得看？因为大部分人做 Agent 的思路是"Prompt → 跑通 → 上线"，而生产级 Agent 的思路是"架构 → 分层 → 测试 → 上线"。差距就在这个地方。

🔥 语音Agent终于不用再"卡顿"了！PhoneLLM开源发布

做语音Agent最头疼的是什么？延迟。

用户说完话，Agent要等好几秒才回应，体验直接崩盘。问题出在哪？主流大模型都依赖"思考"模式（thinking），生成质量是上去了，但延迟也跟着上去了。

PhoneLLM的出现解决了一个关键矛盾：怎么在关闭thinking模式下，依然保持高质量的工具调用和指令跟随？

核心数据很亮眼：

• 基于NVIDIA Nemotron Nano 30B全权重微调
• 在典型语音Agent任务上达到GPT 5.6 Terra的性能
• 延迟只有后者的1/3，成本只有1/18
• 服务端TTFAT（首token延迟）< 100ms（B200上）
• 单张B200可跑80+并发Agent，P95端到端TTFAT < 600ms
• 每分钟成本约$0.0025（四分之一美分）

训练方法很有意思：

团队收集了大量真实电话和客服场景数据，专门训练模型在"思考关闭"状态下完成典型语音Agent任务。结果是：长对话中依然能准确调用工具、简洁切题地回复。

这解决了什么问题？

目前语音Agent领域有个尴尬的trade-off：要么选高质量但慢的模型（用户等得烦），要么选快但笨的模型（答非所问）。PhoneLLM证明了一条路：通过领域特定的微调，让小模型在特定场景下达到大模型的效果，同时保持极低延迟。

实际意义：

对于做语音Agent的开发者来说，这意味着：

1. 用户体验大幅提升（响应速度接近真人对话）
2. 成本大幅下降（1/18的API调用成本）
3. 部署门槛降低（单卡就能跑）

开源权重已经上Hugging Face，还有一键部署到Modal的方案和示例代码。做语音Agent的朋友可以冲了。

这可能是目前解决"语音Agent延迟问题"最优雅的方案。你觉得语音Agent的下一步会往哪个方向走？

🔄 Warp 的「自进化 Agent」做法，可能正是解决 Agent 没有记忆问题的关键。

Agent 干完活，人类正常给反馈。另一个 Improver Agent 会定期把这些反馈捞出来，看它哪里反复犯错，再对原来的 Skill 提一个小修改。修改直接走 Git PR，人 Review、Merge 以后，下一次 Agent 就会带着这次经验继续工作。

Warp 已经把这套机制用到了 Code Review、写 Spec 和 GitHub Issue Triage。

关键最佳实践：

1. 写原则，不要写死规则。像指导聪明人一样写 Skill，而不是给计算机编程。
2. 解释为什么。说明规则背后的理由，让智能体能推理，更容易举一反三。
3. 让反馈没有摩擦。在人们原本工作的地方收集反馈，比如 PR 评论，自动收集。
4. 保持 Skill 精简。引用资源文件和脚本，而不是一次性塞进所有内容。
5. 反馈质量大于数量。资深工程师少量详细反馈，比大量草率反馈更有价值。
6. 做好改进 Skill 的 Skill，可以用来改进其他 Skill。

个人点评：这解决了 Agent 最大的痛点——每次 Session 都像第一次上班。通过人类反馈自动改进 Skill，Agent 能持续学习。这种自进化机制很朴素但很有效：Agent 干活 → 人纠正 → Agent 总结 → 修改 Skill → 下一次少犯一次。

对于正在做 Agent 开发的人来说，这套做法值得参考。不只是 Code Review，任何需要持续改进的 Agent 工作流都可以借鉴。