AI圈子 · AI 圈的最新动态，一条一条刷

🔄 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。

🔧 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。

🧠 LangChain、LangGraph、DeepAgents到底该怎么选？很多人搞不清这三者的区别。

首先，官方是这么介绍的：

• LangChain 是 Agent Framework，提供抽象化的模型，比如结构化内容块、agent 循环、middleware 等，帮助你快速上手，统一构建方式。
• LangGraph 是 Agent Runtime，更底层一些，面向生产环境运行的基础设施，比如支持流式响应、线程级持久化、跨线程状态、human-in-the-loop 等。
• DeepAgents 是 Agent Harness，在框架之上、配置更开箱即用、带默认提示、工具调用管理、规划工具、文件系统访问等。

使用场景：

• 构建新项目，想快速围绕 LLM + 工具搭起结构：用 LangChain。
• 已经进入生产环境，想做稳定执行、状态持久、弹性伸缩：用 LangGraph。
• 想要有直接用级别的 agent 体验，比如尽量少的自己定义、更多的开箱方案，可以用 DeepAgents。

个人点评：这三者不是互斥的，而是可以递进组合。基于 LangChain 构建 agent，跑在 LangGraph 上，最终用户体验用 DeepAgents 的开箱化方案。理解这种层次关系，能帮助我们在AI系统设计中选对工具。

搞清楚现在是在哪个阶段，搞清楚这几个的层级比记住名字更重要一些。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

🔧 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。

🔥 10个你不能错过的AI GitHub仓库，全部开源，值得收藏。

AI发展太快，这些仓库正在推动AI代理、编码工作流、研究和自动化走向新高度。挑几个最值得关注的：

1. OpenClaw — 强大的个人AI助手，跨操作系统和平台运行。
2. Superpowers — AI编码代理的技能框架和软件开发方法论。
3. OpenAI Codex — 开源编码代理，将AI驱动的软件开发带到终端。
4. Everything Claude Code — 为Claude Code打造的技能、工作流和工具集合。
5. Scientific Agent Skills — 将AI代理变成研究助手，提供现成的科学技能和数据库。
6. Claude Plugins Official — Anthropic官方Claude Code扩展插件集。
7. OpenHands — 开源AI开发者平台，代理可处理真实软件工程任务。
8. Browser Use — 让AI代理与网站交互，自动化浏览器任务。
9. OpenViking — 为AI代理打造的开源上下文数据库，集成记忆、资源和技能。
10. Hermes Agent — 基于工具、技能、持久记忆和自主工作流的个人AI代理。

个人点评：这些仓库涵盖了AI开发的完整链条——从个人助手到开发框架，从研究工具到浏览器自动化。特别推荐OpenClaw和Superpowers，前者是全能型个人AI助手，后者为编码代理提供了结构化的工作方法。在AI工具爆炸式增长的当下，这份清单能帮你快速找到最有价值的开源项目，避免在无数仓库中迷失方向。

建议收藏，需要时按需选用。AI代理时代才刚刚开始，这些工具会让你事半功倍。

🧠 LangChain、LangGraph、DeepAgents到底该怎么选？很多人搞不清这三者的区别。

首先，官方是这么介绍的：

• LangChain 是 Agent Framework，提供抽象化的模型，比如结构化内容块、agent 循环、middleware 等，帮助你快速上手，统一构建方式。
• LangGraph 是 Agent Runtime，更底层一些，面向生产环境运行的基础设施，比如支持流式响应、线程级持久化、跨线程状态、human-in-the-loop 等。
• DeepAgents 是 Agent Harness，在框架之上、配置更开箱即用、带默认提示、工具调用管理、规划工具、文件系统访问等。

使用场景：

• 构建新项目，想快速围绕 LLM + 工具搭起结构：用 LangChain。
• 已经进入生产环境，想做稳定执行、状态持久、弹性伸缩：用 LangGraph。
• 想要有直接用级别的 agent 体验，比如尽量少的自己定义、更多的开箱方案，可以用 DeepAgents。

个人点评：这三者不是互斥的，而是可以递进组合。基于 LangChain 构建 agent，跑在 LangGraph 上，最终用户体验用 DeepAgents 的开箱化方案。理解这种层次关系，能帮助我们在AI系统设计中选对工具。

搞清楚现在是在哪个阶段，搞清楚这几个的层级比记住名字更重要一些。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

🔧 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。

🧠 LangChain、LangGraph、DeepAgents到底该怎么选？很多人搞不清这三者的区别。

首先，官方是这么介绍的：

• LangChain 是 Agent Framework，提供抽象化的模型，比如结构化内容块、agent 循环、middleware 等，帮助你快速上手，统一构建方式。
• LangGraph 是 Agent Runtime，更底层一些，面向生产环境运行的基础设施，比如支持流式响应、线程级持久化、跨线程状态、human-in-the-loop 等。
• DeepAgents 是 Agent Harness，在框架之上、配置更开箱即用、带默认提示、工具调用管理、规划工具、文件系统访问等。

使用场景：

• 构建新项目，想快速围绕 LLM + 工具搭起结构：用 LangChain。
• 已经进入生产环境，想做稳定执行、状态持久、弹性伸缩：用 LangGraph。
• 想要有直接用级别的 agent 体验，比如尽量少的自己定义、更多的开箱方案，可以用 DeepAgents。

个人点评：这三者不是互斥的，而是可以递进组合。基于 LangChain 构建 agent，跑在 LangGraph 上，最终用户体验用 DeepAgents 的开箱化方案。理解这种层次关系，能帮助我们在AI系统设计中选对工具。

搞清楚现在是在哪个阶段，搞清楚这几个的层级比记住名字更重要一些。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

🔧 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。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

🔧 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。