AI圈子首页 · 最新大模型、AI产品、Agent与开源项目动态

谷歌终于把新一代旗舰摆上桌，正式名叫 Gemini 4 Argon。上次主力模型还是 2 月的 Gemini 3.1 Pro，说好的 3.5 Pro 到现在也没影。这次落地，我第一反应是先看代码分，那是我最常用的场景。

结果代码分让我心里一紧。谷歌摆了 18 项 benchmark，拉来 OpenAI 的 GPT-6 Astra、Anthropic 的 Claude Fable 5.1 和 Claude Opus 5.5 当对照。

12 项第一加 1 项并列，光看数字很风光，办公室那几项赢得漂亮，金融分析师 65.4%，第二名 58.9%；法律 19.6%，别家连 7% 都不到。可换到写代码只剩 2 项第一，还有 2 项掉到四家垫底。

那道 Terminal-bench 4.0 要模型在命令行里一步步把活干完，Argon 得 57.4%，Claude Opus 5.5 得 66.4%。换块场地就换张脸。

有意思的还在后面。模型定在收盘前亮相，彭博社提前放料，引用谷歌内部员工的说法，说 Gemini 4 跑分漂亮，真上手写代码做界面没那么灵。谷歌回应说法不准，可股价不听，从 345 掉到 337.72，收在 340.74，全天仍涨 1.01%。跑分和内部说法对得上，我心里那点怀疑算是落了地。

最让我意外的是开放顺序。现在普通人用不了，头一批只给 Fairwind 计划里做网络安全防守的机构。政府网安部门算一类，医疗、电信、能源、金融这些关键基础设施也在名单上。这批人拿到去掉安全限制的版本，任务是抢在前面挖漏洞。再往后才轮到花 API 钱的开发者和 Google AI Ultra 会员，日期未定。

我记住的是这个次序：先给最懂风险的人，再给掏钱的人。这跟我以前的预期完全不同，原来通用旗舰也能先当专业工具用。等我能上手，第一件事就是把写代码那两项跑一遍，看看 57.4% 是发挥失常还是真短板。

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。

Agent 的能力曲线一路向上，但让它真正参与一笔生意的，可能不是下一个更强的模型。一个叫 TermiX 的项目把问题拆得很直白：当编码 agent 接到任务后要自己找活、报价、接单、交付，中间缺的是四件与智能无关的事——谁知道它是谁、怎么判断它交付了、钱先放哪里、出问题找谁。市场入口在 agent.family 。

这四件事恰好是人类商业花了几百年才建齐的配套：身份、验收、托管、信誉。缺身份，交易对手无从建立认知；缺验收标准，"完成了"三个字没有仲裁依据；缺托管，先干活还是先付款永远谈不拢；缺信誉，每次合作都要从零开始证明自己。

项目用一套协议把任务发布、服务发现、竞价、托管结算、交付验证、信誉与争议处理串成一条链，agent 以自己的身份进场，完成工作后结算，并在过程中积累记录。

把这层基础设施放在大背景下看更有意思。过去一年 agent 的叙事集中在"能做多难的任务"，这半年开始出现另一条线——"能被多方便地信任"：只读评审位、参数核对、动作分级解决的是给 agent 授权的安心，交易与信誉解决的是 agent 作为对手方的可信。两条线合起来指向同一个判断：agent 的下一阶段瓶颈不在推理，在记账。

对观察者，这套形态落地与否值得盯三个细节：验收由谁定义（人、模型还是标准件）、争议怎么裁（仲裁机制比签名更难做）、信誉能否迁移（一个平台的分数换到别处还算不算数）。三个问题有答案之前，"agent 自己赚钱"仍停留在概念演示；有答案之后，它就是一类新的生意主体。

一篇关于网络出口自查的实测记录，价值一半在方法、一半在它对"结论"的克制。作者让编码 agent 给电脑做了一次网络体检，全程只查不改：浏览器出口、网页指纹、WebRTC 公网地址、DNS 探测服务器逐项对齐——都落在预期的代理出口上，只有 IPv6 一直超时。

接下来的处理最见功力。换三个公网 IPv6 目标全部超时、IPv4 正常走代理，可以下的结论是"这套配置下公网 IPv6 不通"；故障点尚未定位，就没有把它写成"防泄露检测通过"。两句话之间的距离，正是多数教程翻车的地方——把"没测到问题"当成"测过了没问题"，把一次环境的正常当成配置的正确。验证的价值取决于它承认了多少边界，超边界的结论比没有结论更危险。

记录还顺手纠了三处常见误判。第一，浏览器和终端显示不同 IP，只能说明两次请求的出口不同——分流规则、多代理、出口轮换都会造成差异，看到不一致应当继续追路径，不能直接断定终端裸连。

第二，普通命令行工具的连通测试替代不了真正的客户端，何况教程里一边设置代理变量、一边用没带协议头的地址去测，两步压根没测到同一份配置。第三，客户端对 SOCKS 代理的支持有明确边界，照教程硬配只会配了个寂寞。

这类自查在今天格外有意义，是因为环境本身比教程里复杂得多。代理分流、多出口轮换、客户端各自的连接策略，让"我在哪个出口"成了一个需要动态核对而不是一次配置完就永久有效的状态；教程写得再细，也追不上配置组合的变化速度。真正可迁移的不是某个教程的具体操作，而是这记录里展示的验证习惯——每一步都确认测的是哪一层、每个结论都带上它的适用范围。

把这次自查整理成可复用的顺序，大致四步：先测浏览器出口与网页指纹，再看实时通道与 DNS 是否与之一致，然后用多个目标交叉验证异常项，最后写结论——每个结论都标注它覆盖了什么、没覆盖什么。对经常需要核对网络环境的人，最后这步最值钱：一份写明边界的报告，比一句"一切正常"有用得多，后者只适合写在祈祷里。

看别人做了一堆 Skill、轮到自己反而不知道做什么，是常见的卡点。一条经验给出解法：别抄别人的，先翻自己过去一个月干过的事，只找一种——反复出现、每次做法都差不多的任务。

筛选这步交给模型，指令浓缩为：拿过去 30 天记录，不总结内容，只找适合做 Skill 的重复工作，重点四条——重复出现、步骤固定、输入明确、结果可检查。对每项输出频次、触发情境、输入、步骤、产出、人工确认点、是否值得做成 Skill、有无定时条件；只留最值得的五项按频率耗时返工排序，信息不足标注、不要假设。

"结果可检查"那条最关键——能自动验收的任务才配得上自动化，否则只是把没人验证的流程固定下来。

两个配套动作让方法落地：没有完整日志也没关系，把反复干的事讲给模型让它拆——口述同样是记录；先挑每周出现、几步能跑完的任务跑通一个。跑通一个比装几十个别人的有用，因为自己跑通的带着参数、例外和踩过的坑，别人的只带着作者的习惯。

Skill 本质是把重复劳动的说明书交给机器，前提是你先知道哪段劳动在重复。多数人卡的不是写不出来，而是没回头看过记录——把筛选做一次，可自动化的清单比想象中长。