AI圈子首页 · 最新大模型、AI产品、Agent与开源项目动态

GitHub 官方开源 gh-aw（GitHub Agentic Workflows），把 agent 搬进仓库自动化的老地盘，仓库在 github.com/github/gh-aw 。

用法延续 Actions 直觉：任务目标写在 Markdown，触发、权限、工具与 AI 引擎配在 YAML 头部，编译成标准工作流；运行时由所选引擎读指令、调工具完成。Issue 分类、PR 审查、CI 失败排查、文档维护、仓库周报都是它的场景。

引擎被做成配置项：Copilot、Claude Code、Codex、Gemini、Pi 都在名单里，默认 Copilot。用谁的模型从架构决策降级为参数——工作流归你，引擎随换随迁。

真正值得抄的是权限设计。代理默认跑在沙盒里、持只读权限，凡产生副作用的动作——发评论、开 Issue、建 PR——先过安全输出机制校验，再交给单独一个持指定权限的任务执行。AI 负责判断，落笔由受限的另一双手完成，读写分离把"agent 把仓库搞乱"的尾部风险切掉大半。给的权力越大，越要把执行和决策拆开。

对已有 CI 的团队，上手路径最短：挑一个每周手工做两次的维护活，写成工作流，先只产建议不落笔，跑顺两周再逐步放行写入。放开的节奏决定它是资产还是事故源。

编码 agent 的主战场正从几小时的会话挪向几天的任务，Prime Agent 这个开源项目把长时程拆成两个核心设计，仓库在 github.com/PrimeIntellect… 。

第一个设计叫递归语言模型：把上下文当变量、子 agent 当函数，塞进持久的解释器里持续运行。短会话范式里上下文是只增不减的包袱，超了就截断重来；递归结构把它变成可传参、可返回的单元，子任务带自己的上下文跑完交回结果，主干因此一直轻。

第二个是持续 Harness：记忆、技能、补充提示存成持久状态，agent 按任务反馈不断完善自己的配置——壳不是装好不动的脚手架，而是一份随工作成长的活文档。

配套特性都为"跑得久"服务：agent 间直接通信、断开终端后台不断、长任务自动压缩、心跳与定时唤醒、可回滚的自我改进、代码编排文件与工具。合起来看，它把长期自主 agent 的工程清单摆全了——多数团队缺的不是某一项，而是这些项之间的咬合。

对想研究长任务的开发者，最短路径是先跑通最小闭环：一个心跳任务加一次自动压缩加一条可回滚的改进指令，让它隔夜工作、早上查看结果。观察一晚比读十份架构文档更能暴露问题——断点在哪、上下文何时漂移、回滚能不能救回来，答案都在那次隔夜运行里。

一篇值得收藏的实践长文，把决策与生成分离做成了四组对照实验，入口在 nowledge-labs.ai/zh/blog/reflex… 。

最漂亮的一组在同一个模型上完成：记忆审核改为问题清单、只给答案后，"过度解读"识别从 0.27 到 1.00，"长期保留价值"从 0.83 到 1.00，费用反而更低。两个反直觉发现更值钱：让模型为答案补一句理由，分数没涨、费用加四成、延迟翻倍——程序只消费结论，生成理由是纯开销；六道题挨个调用要等 50 秒，一次读完材料问完六题只要 11.6 秒，费用降约六成五——判断的组织方式本身就是成本项。

更宏观的一笔账在流程侧：判断类调用占过半次数，费用只占约四分之一，大头在生成。判断前置剪枝、批量合并，开销从 100 降到 37，再换便宜的决策模型降到 26——约 85% 的节省来自流程调整，只有 15% 来自模型差价。

换模型不是主要杠杆，重排先判断还是先生成才是。文中对照的诚实同样值得记：小样本实测每线程只降 10–19%，远低于估算——建议路径是同模型先测拆分、再换模型、最后看真实流量。

三步顺序可直接抄：先不动模型、只把判断拆成独立问题看收益，再固定问题换便宜模型，最后用完整流程对照确认收益落到用户账单上。每一步都有独立对照，才知道省下的钱来自哪里。

语音生成的一次代际升级值得拆开看。ElevenLabs v4 被官方称作"最有感情的一代"，一位早期测试者的直观感受是质感明显起飞，列出的参数更能说明它迈过了哪几道坎。

第一道是表现力。语气、节奏、情绪直接写进文案里指挥，传统的语音标记语法可以收起来——模型从照着念进到照着演，配音这类需要情绪层次的工作流第一次能靠一句话调整。第二道是一致性：长篇内容里跨对话、跨段落、反复改写台词时说话者身份稳定保留，这对播客、有声书、多角色短剧是硬需求——音色串了整条作品就废。

第三道是延迟，Turbo 版压到 100 毫秒，实时语音 agent 的交互感跨过可用线。

配套能力补齐：十秒音频完成即时克隆，专业克隆档位保真更高；语种扩到九十余种，中文与日语提升最受国内创作者关注；每千字约 0.08 美元，免费档足以试水。对做短剧、播客、AI 配音的团队，这三项参数正对应日常最头疼的三个问题——演得假、串了音、等太久。

落地顺序很直接：先用免费档把最常交付的那类内容各跑一版，重点听长段落里的音色稳定度与情绪贴合；满意再按字数折算 API 成本接入现有工作流。语音是替换成本最低的生成环节，试错一次远小于继续忍受旧方案。

Perplexity 公布了一种训练上下文嵌入模型的新方法，改动集中在两处，效果却直接刷新了榜单。第一处是编码方式：不再孤立地把每个分块塞进向量，而是整篇文档先编码一次，再回过头池化出各块的向量——于是每一块都"看得见"全文。

第二处是训练信号：抛弃每个查询只配一个标准答案块的老做法，改用自家上下文压缩模型给文档里每个 token 打相关性分，把这种软性判断蒸馏进嵌入模型，教它同时找回答案本身和支撑答案的上下文。

成绩摆出来是双榜刷新：在公开的上下文检索基准与一份私有盲测基准上都拿了新最好成绩，答案召回比同门此前最好的上下文模型高出十四点有余。更亮眼的是存储账：向量压到约 1KB 的低维整数表示，仍然打赢了每向量 8KB 的对手——检索质量与索引体积第一次可以同时要。

第一处改动解决的是嵌入模型的老毛病：逐块孤立编码让向量丢了段落之间的关系，检索时常出现"单看都相关、拼起来不通"的碎片答案。整篇再池化的思路把丢失的全局视野补了回来。第二处则把"相关"的定义变宽了——只教模型认答案块，它就学会抓关键词；教它认答案加支撑，召回的才是能直接送进上下文的证据链，这正是问答系统里"找到"和"答对"之间的那道鸿沟。

对检索效果不理想的团队，两条排查比换模型更省事：先看现有嵌入是不是逐块孤立编码、彼此不知全文，再看训练或选型时有没有把"支撑上下文"算进相关性。多数 RAG 的短板不在生成端，在递过去的材料本就残缺。存储吃紧的场景则可以直接看低维整数方案——当每向量的字节数降到十分之一还能不掉点，索引规模就不再是预算问题。

一个可穿戴健康产品曾被自己的数据管道逼到墙角：每个用户每晚要上传约 3.2MB 的原始高频生物信号——连续心率变异区间、皮温漂移、腕部加速度尖峰，才四千台活跃设备，账单与数据库膨胀就先撑不住了，单条处理延迟到四秒。更麻烦的是另一重风险：把信号分析放在远程实例上跑，等于给最私密的用户数据另开了一块攻击面。

他们把集中式管道整个扔掉，改为一切过滤都在手机本地的运行时里完成。手表、戒指、腕带的数据流经端侧解析器，先在设备上提炼成干净的习惯分数，然后才谈得上网络：原始体征一个字节都不出设备，无线路上只传输不到 2KB 的零知识状态证明。

本地的例程还顺带吃掉了延迟——触发房间自动化只要 35 毫秒，不必再等一次云端往返。团队给出的总结可以当原则用：对个人数据，最好的架构是服务器从一开始就碰不到它。

一次架构调整同时解掉三个问题，这种"三鸟一石"并不常见，但仔细看其实是同一件事的三个侧面。数据不上传，账单自然不涨——成本问题来自传输本身；数据不出门，攻击面随之消失——安全问题来自集中存放；没有往返，响应天然变快——延迟问题来自地理位置。凡是被这三件事同时困扰的场景，多半都该往同一个方向改：把计算搬到数据所在的地方，而不是把数据搬到计算那里。

这条原则的适用边界也值得标清楚。它最适合高频、原始、亲密的个人数据——可穿戴信号、位置轨迹、家庭摄像头帧；对需要跨用户汇总的分析、需要强算力的模型推理，云仍有不可替代的位置，但那些场景传的应该是提炼后的特征或结论，而不是原始流。判断顺序因此很简单：先问这份数据非上云不可吗，再问上云的部分能否变成分数、向量或证明。两个问题答完，管道该长什么样基本就定了。

从工程节奏上看，这类改造不必一步到位。原始流的难点全在"来不及"上——存储、带宽、隐私三重压力同时到来时，先动哪一环都顾不全；而端侧过滤一旦接上，三重压力一起松绑，这也是案例里他们敢直接废弃整条集中式管道的原因。对正被数据账单追着跑的团队，最省力的起点是挑数据量最大的那一类先迁：它往往就是压垮预算的那一条，迁完之后账单、延迟与审计清单会同时变好看。

NVIDIA 发布 Open Agent Safety Platform，把一件事摆上台面：靠提示词与软件沙箱管住自主 agent，可能从根上就不成立。它的前提是所有部署过 agent 的人都见过的两个漏洞——只要给的上下文与工具足够多，应用层护栏常被绕开；软件沙箱漏掉一条系统调用，服务器权限就直接交出去了。解法因此下沉到硬件。

平台分两层。第一层 OpenShell 是开源的 CPU 级安全运行时，提供全链路动作追踪与不可越权的边界约束，Vera、Intel、Arm 架构都能跑——这一层解决"看得见"：agent 的每一步动作被记录，越权在到达之前就被边界拦住。

第二层 Sentry 跑在专用 DPU 上，做带外独立监控：与主计算环境物理隔离，agent 自身感知不到它的存在，一旦试图突破边界，芯片级在毫秒内强行隔离。软件层负责日常约束，硬件层负责最后那道谁也绕不过的墙。

生态阵容说明了行业的共识点：模型厂商、编程工具、数据与安全公司、机器人公司第一时间接入，连协作软件也提供一键审批越权申请的入口——把"人类确认"这个环节放回了高危动作的必经之路上。安全从各家的私有护栏变成公共设施，这一步由卖芯片的公司来推动并不意外：它卖的正是所有人都跑不掉的那层。

自主化的方向不会因此停下，但兜底的位置被重画了：过去出事兜底靠审计，现在兜底靠物理隔离。对跑长链路 agent 的团队，可以把失控场景先分级——删库、乱发邮件、越权调用外部接口，各自的代价与概率不同，对应的防线也不同。多数团队眼下最缺的其实是第一层的可见性：先把动作追踪接上，越界才有据可查，物理隔离那道墙留给真正的高危动作。