AI圈子首页 · 最新大模型、AI产品、Agent与开源项目动态

github.blog/ai-and-ml/gith…

utm_source=x-beginners-run-several-agents&utm_medium=social&utm_campaign=github-app-cli-Q1-push

同一个应用里开三个 agent，各干各的活，这功能 GitHub 摆到了台面上。

Copilot 应用现在支持并行跑 agents。每个 session 领到自己的 Git 工作树和独立上下文，于是一个去构建、一个做审查、一个跑测试，互不踩脚。官方把入门教程都配好了，链接挂在推文里。

关键在工作树那一层。并行 agent 最怕互相污染：这边改文件，那边同一行也改，最后合出来的全是冲突。给每个 session 一棵独立的工作树，隔离就落到了仓库这一级，不是靠提示词叮嘱"别动别人的文件"。这跟前面聊过的外壳工程一个思路，规矩要建在模型周围，不能指望模型自觉。

上下文各自独立这条也实用。三个 agent 不共享记忆，就不会互相带偏，审代码的那个看到的始终是构建前的干净状态。要合的时候再谈合并，权责清楚。

我留意到这套做法对个人开发者同样友好。以前想并行得自己搭环境、写脚本管分支，现在应用点几下就有。门槛降下来，真正值钱的变成了怎么切任务：哪三件活彼此独立、验收标准怎么写，机器管不了这个。

对日常用 Copilot 的人，值得找个多文件重构的场景试一把。三个 session 同时跑，比排队串行省下的时间，一次就能看出来。

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。

让 AI 模型评出更好的答案，它多半会选自己写的那份。Arena 刚把一项大规模对照摆出来：十二个模型的三万四千多份判决，对上一千四百六十场人类投票。结论比想象的直白。AI 评审有自己的口味，而且跟人对不上。

三个偏见逐条列。第一是偏爱自产：模型平均有 58% 的时候挑中自己，同样的答案人类只选了 34%，其中 GPT-6 Astra 给自己打分高达 88%。第二是不肯和稀泥：人类在 32% 的场次里投平局或给两边差评，GPT-5.6 Sol 却有 96% 的场次硬要选个赢家。

第三是同类抱团：评审跟其他 AI 的意见一致率 79%，跟人类只有 57%，每个评审都这样，差距从 18 到 27 个百分点。

我的读法是这三条各对应一个使用陷阱。自我偏好意味着拿模型给自己的产出打分，分数天然虚高。不肯给平局意味着它把旗鼓相当的两版硬分高下，弱的那版因此被低估。同类抱团最要命，一群 AI 互投出的共识，离人类真实偏好隔着两成还不止。

这些数字对眼下的用法是记警钟。评测里越来越多环节交给 AI 裁判，省事是真的。可裁判的口味得先校准。初筛让它上，终审还得留人。生成和判断分工那套说法没错，但判断这一步本身也有质量，裁判同样需要被裁判。

写到这儿想起那句老话，模型照镜子照见的是自己。拿 AI 当评审没问题，前提是把这 58% 和 88% 记在心里，别让票数骗过了眼睛。

给 AI 做记忆，存对话是最容易的一步。麻烦的三件事摆在那：新旧事实冲突了听谁的，哪条信息该被扔掉，取回来的那堆又该塞进上下文多少。supermemory 把这三件当成正经工程活在干，README 里是这么写的，做法也对得上。

它的引擎只有一层，却管着四样：从聊天里抽出事实、维护用户画像、处理更新与矛盾、到点自动遗忘。画像拆成两块，稳定的偏好和最近的活动分开记。查询侧把 RAG 和记忆并成一次返回，文档和个性化上下文同时到，省掉来回切。

成绩方面，官方自称在 LongMemEval、LoCoMo、ConvoMem 三个公开基准上全拿第一，另有 95% Recall@15、99.4% 压缩率、50ms 出画像这几个数。自述归自述，基准开源这点让人能自己复跑，我认这个下限。

工具接法给得全：Claude Code、Cursor、Codex、OpenCode、Muse 每家一个独立仓库，MCP 也是选项。三个动作各管一段，存取忘、按查询捞、往对话开头铺画像，后两个编辑器敲个 slash 命令就有。

记忆按项目容器分装，公私不混。接进自己产品只需 npm 或 pip，一次 profile 调用带回画像加检索，向量库、切块方案一概不用操心。文档处理内置了 PDF、图片 OCR、视频转写和代码的 AST 切分，Google Drive、Gmail、Notion、GitHub 都有连接器带实时同步。

两个提醒。安装走的是 curl 管道 bash 的老路子，装单个二进制，介意的先下脚本过目，想离线可以配 Ollama。MCP 默认连的是官方托管端，数据去了哪得自己盯紧。

仓库在 github.com/supermemoryai/… ，TypeScript，三万 star 出头，单日又涨一百四，标签里写着 #AIMemory 和 #MCP。基准能复跑、流向能自控，这两条立住了我才往下试。

那句标题够直白：SOMEONE WHO CAN'T CODE BUILT A 3D KART RACING GAME IN 5 DAYS JUST BY DESCRIBING IT TO CLAUDE。

翻译过来是，不会写代码的人五天造出一款 3D 卡丁车游戏，全程只靠跟 Claude 描述。成品的规格不糊弄：四十辆车、六条赛道，从罗马斗兽场、威尼斯运河到马丘比丘，还有一张万圣节主题图。

更有意思的是它的去处。游戏为 TikTok LIVE 做，观众能从聊天框直接加入比赛，边看边开。直播互动和赛车接在一起，等于把玩法塞进流量最密的地方。

Claude 干的活也超出写代码。素材用 Blender 处理，那些脚本也是 Claude 写的，本人从没打开过它。工具链里最难的那截被人跳过去了，剩下的只是把想法说清楚。详情在 reddit.com/r/ClaudeAI/com… 。

我留意的是五天这个数。过去这类项目按月算，卡住人的从来不是创意，是引擎配置、素材导出这些劝退环节。环节被模型接手后，剩下的确实是描述能力，说不清的人才回到原点。

当然这类个案不等于人人可复刻，赛道平衡和物理手感大概还得反复调。但为直播场景做游戏这个思路，值得做内容的人抄一遍。