AI圈子首页 · 最新大模型、AI产品、Agent与开源项目动态

Android Studio 有新动作：Bring Your Own Agent 开始在 Canary 最新构建里公测——在 Android Studio 里，你可以任选自己的 agent 来干活，首批列出 Claude Agent、Codex、Antigravity 等。官方页面：goo.gle/4xOgmiP

这条消息的分量不在功能，在姿态。Android Studio 是谷歌自家的 IDE，默认搭档本该是 Gemini；现在它把插槽打开，让别家 agent 进来站 C 位——相当于承认了一件事：IDE 的价值正在从"自带的 AI"变成"能接任何 AI 的插座"。

宿主中立化，是今晚这条线的主线之一：前面看过工具侧的 draw.io 把自己挂上 MCP、市场侧的聚合平台开货架，这次轮到 IDE 侧交出选择权。三步走完，"用谁的模型"这道题被从厂商手里挪回了用户手里。

对开发者来说，最实际的变化是工作流不再被绑定。写 Android 的人未必想被一个模型锁死——调试想用推理强的、生成想用速度快的、重构想用上下文长的，按环节换人本来就是合理的用法；插槽化让这种"按环节配 agent"第一次在官方地盘上成为正路。这也是今晚反复出现的配方在 IDE 上的重演：壳归壳、能力归能力，壳不必为某一家能力背书。

Canary 加 preview 这两个词也提醒了预期管理：预览构建意味着接口还会动、体验还会糙，拿来做日常主力开发要留心；但方向已经清楚——等它进稳定版，IDE 大概率都会补上这一格。届时挑编辑器的清单里会多一个问题：你的 agent 想接几个，它让不让接。

给想先试的人一句落地的：装最新 Canary、在设置里找到 BYOA，把你手上已在用的 agent 配一个进去跑一个真实任务——重点观察它接管项目索引和构建的深度，是只做补全，还是真能读仓库、跑构建、提修改。深度决定它是插座还是贴纸。

LMArena 转发祝贺腾讯混元的 WebCraftBench，开头一句就点了题：真实世界的应用需求，从来不会以完美规格的形式出现。这个基准建在他们内部复刻的 Code Arena 收集的 369 个真实请求之上，专门拥抱人类用法里那些乱糟糟的细节——非正式的语言、不完整的指令、五花八门的项目范围、各不相同的偏好。

它测的是 AI 搭出来的应用在观感、功能和交付上怎么回应这些请求。跨 17 个模型的排名与 Code Arena 自家榜单相关系数 0.89。开放数据集：huggingface.co/lmarena-ai/dat…

"不完美 spec"这半句，是今晚"任务规格是最稀缺资产"那条论断的对照实验。软件工厂那篇说，规格写不清楚是瓶颈；这个基准换个方向，把"写不清楚"本身当成了考题——因为这才是需求侧的真实状态。两边合起来才是完整的一句话：规格质量决定产线质量，而真实用户的规格永远是残缺的；能出好应用的模型，得学会在残缺里做推断，而不是等着被喂满。

0.89 这个相关系数是第二个看点。它意味着"真实请求测出来的排名"和"竞技场里排出来的名次"高度一致——两家独立的测法互证，榜单可信度又加了一层。这和今晚另一条 AA 榜与官方口径对表是同一个信号：单一榜单可以质疑，多源互证的排位没什么可吵的。对挑模型的人来说，可参考的排序又多了一条独立坐标。

其三，开放数据集这个动作比榜单本身更值钱。369 个真实请求把"什么是好需求样本"公开了出来——非正式、残缺、多样，这三样以前只存在于各家内部的用户日志里。现在任何人都能拿它做训练集、做评测、做回归测试；把脏数据洗成公共资产，这一步比任何分数都更能推动行业。

给做 AI 应用的人一句落地的：别再等产品把需求文档写完美才动工，把你手里最真实的三个客户原话原样丢给模型——它答得好的地方就是可用的，答崩的地方就是你该补的规格层。真实需求考的是推断力，而推断力，恰恰是接下来模型分档的地方。

draw.io 的 VS Code 扩展 1.10 发布，核心一句话：在 Markdown 里直接内联编辑图——drawio 代码块、链接的 .drawio.svg 文件、Mermaid 图转 draw.io，全在编辑器里完成。

扩展页：marketplace.visualstudio.com/items?itemName… 主站：draw.io

发布文案里最值钱的是那句不起眼的说明：它是纯 XML，所以能进 git diff，你的 AI agent 也能读。

三个动词串成一条线。"能 diff"意味着图进入了版本管理的世界——改了哪根线、谁改的、为什么改，从此有据可查，图和代码第一次享受同等待遇；"agent 能读"意味着图不再是知识的死角——今晚讲过入口统一，文字类文件靠 Markdown 收编，图这一侧的最后一块拼图正好由纯 XML 补上；而"内联编辑"则是把改动成本压到最低的那一步，不用开浏览器、不用拖窗口，写文档顺手就把图画了。

把 draw.io 这一周的动作连起来看，生态是分三层长的：先是官方 MCP server 上 Docker Hub 让 agent 能调它画图，再是本体在 Markdown 里安家让文档能带它走，最后是 Mermaid 转换接住存量画法。

三层凑齐，一张图在团队里的完整生命周期就通了——被画出来、被写进文档、被 agent 读取、被 git 追踪、被审阅改动。这正是"可检视才是信任"在图形资产上的落实：图能被读、被 diff、被 review，才谈得上是团队资产，而不是某人硬盘里的截图。

给要画架构图的人一句落地的：从今天起，把图当代码管——进仓库、走 PR、改动留痕。写 README 的时候顺手把图画在同一个 Markdown 里，你的文档、图和 agent 从此住在同一个文件里，谁都不用再问"那张图最新版在哪"。

OrcaRouter 放出了 OrcaSAQ-2 27B：把 Qwen3.8 做成面向长程 agent 的高保真混合精度版本。仓库：huggingface.co/orcarouter/Orc…

四个数字先摆出来：55.59GB 压到 12.06GB——体积小 78.3%、等于 4.61 倍；量化到 3.21 bpw，Top-1 一致率仍有 93.2%；SWE-bench Verified 70.0、Terminal-Bench 2.1 58.4；上下文 262K。

定位一句话：为编码、终端、浏览器、安全和多工具 agent 准备的 27B，脚印小到真能部署——并称在同等规模的模型里，agentic 能力密度是他们评测过的 SOTA。

"能力密度"这个词值得留着，它正接上今晚另一条"差一分、差十五倍"的思路：那条讲旗舰与子模的两档账，这条给出压缩侧的定价器——压缩不是无损魔术，保真率才是折扣的边界。4.61 倍的瘦身换来 93.2% 的一致率，这组比值告诉你压缩的"汇率"在哪：丢掉的 6.8% 是你为部署便利付的税，而这个税合不合理，得看你的任务落在哪一层。

SWE 70、终端 58.4 这两个分数就是答案的样本——重活的领域分数还在，说明这次剃掉的主要是冗余而非能力。

放到蒸馏线的坐标系里，这是第五击，也是最"账房"的一击：四次前向砍时长、0.8B 重写器砍组件、turbo 四步砍采样、全家桶砍环境，本篇砍的是权重文件本身。五击合起来说明同一件事——模型的"大"是一种研发形态，不是部署形态；真正出厂的那一刻，谁都想轻。

262K 上下文配 12GB 文件也顺手改写了部署算式。过去 27B 要跑出长程能力，动辄得准备一张大卡；现在 12GB 的权重塞进消费级显卡还有余量给上下文，长程 agent 的本地试跑门槛被拉低了一档。对想在自己机器上跑多工具 agent 的人，这比榜单上那两分更有意义。

给想试的人一句落地的：别只看那两个 benchmark 分数，先拿你自己的十个任务量一遍——特别是你最依赖工具链的那类。93.2% 的一致率是统计平均，落到具体任务上是"零差别"还是"恰好差在关键步"，只有你自己的任务单能回答；跑完再决定它进不进你的日常清单。

马斯克发了三条短的，条条都是战略级：持续加速；硬件难；以及被最多人转的那句——一旦你在某类任务上远超所需的智能水平，额外的智能就没有意义了，你不需要、也不该把牛顿级的智能放进烤面包机里。

三条分开看，各自是一堂课。

第一条是他的数学。xAI 的 AI 努力只有三年，而 Anthropic 六年、OpenAI 十年——追赶者的时间账摆得很直白；但他赌的不是线性追赶，是二阶导：如果加速度保持住，SpaceX 系统约六个月就能到杆位。

这句正好接上几个小时前那条"你落后的是枚仍在加速的火箭"——喊话人用的是比喻，他直接把比喻翻译成了二阶导。时间差的竞赛里，起步晚不是致命的，增速慢才是；六个月这个数字敢喊出来，说明他要的不是说服别人，是把日程表亮出来让人对表。

第二条是他的分寸感，也是今晚最值得收藏的一句。"够用线"理论：智能对任务的价值只在跨过门槛之前有效，跨过去之后就是浪费——给烤面包机配牛顿级智力，既没必要，也是残忍。这句话其实给整个行业降了温：模型竞赛不等于无限堆料，每一类任务都有一条够用线，线下的部分该省。

它也暗合了另一条我们刚聊过的判断——便宜的王座在换人，因为多数任务根本用不到旗舰那截智能。牛顿烤面包，是把研发成本错记进推理账单的另一种说法。

第三条是他的自我表扬，但内容扎实：硬件难，把大规模算力快速上线极其困难，而 SpaceX 恰好示范过这种能力，并且只会更好。这条把 AI 竞赛的底牌摊开了——纸面上的算法优势要变成杆位，中间隔着电、冷却、机架和供应链。谁能把部署速度当武器，谁的二阶导才有地方落脚。

三条合起来看，是他对"火箭"隐喻的官方回应：别人说你落后在加速，他说我的加速度有名字、有期限、有地基。给观察的人一个落地的对表方法——把这三条当成 xAI 的公开承诺清单：六个月后看杆位、下个季度看"够用线"有没有兑现成产品分层、年底看算力上线速度。承诺敢写进时间表，本身就值半分可信；剩下半分，等他对表。

顺带记一句：这是最近少见的、纯战略不含时政的完整表态，也是把"二阶导"从数学课带进公关稿的一次示范。

Dario Amodei 今天亲自写了四千多字，为 Claude 发现的那个噬菌体 DNA 里的未知酶系统补上方法论与时间表。发现事实本身已经通报过——一段像 CRISPR 的重复序列坐在酶基因旁边，功能未明、已知同特征的系统都能剪切、复制、粘贴 DNA；这篇的价值不在结果，在他把这件事放进了多大的坐标系里。

第一个坐标是指数。他给了一条数学能力的五年轨迹：2023 年模型挣扎在普通高中生的数学水平；2024 年在全国顶尖高中生的竞赛题上开始表现良好；2025 年开始解出小的开放问题；2026 年初解出更重要的开放问题；到 2026 年底，它们开始解出全部数学中排名最前的少数几个开放问题。

他的判断是：AI 在生物学里正沿着类似的指数走。这条时间线最扎人的不是终点，是节奏——每个台阶只隔一年，而多数人对"新领域从弱到超人"的心理预期还停在十年起步。按这条尺子量，生物学现在大概站在数学 2023 到 2024 的位置：能做好"高中生水平"的基础题，还没到竞赛级，更没碰开放问题——但只要指数同构，剩下的台阶就不是要不要来的问题，是以年来计的问题。

给押这个方向的人一个校准：不要用"今天 AI 能不能独立完成实验"做判据，要用"每年它跨过的是小坎还是大坎"做判据；坎的大小一年一年在变，才是指数真正露脸的地方。

第二个坐标回应了最常见的质疑：生物学不做实验怎么办。Dario 的回答分三层。第一层是当下已经发生的：人类与 AI 协作完成实验，关键结果几周内验证，必要时再带着 AI 迭代。值得把"几周"这个词放在传统旁边掂一掂——一个新靶点从假设到初步验证，在没有 AI 的节奏里常以年计；几周完成一轮，意味着一年里能跑的迭代次数从个位数变成两位数，而生物学史上的突破恰恰多数来自"多试了几轮"的偶然。

协作的具体形态也不神秘：AI 提假设和实验设计、人与自动化设备执行、AI 读结果再修下一轮——每个环节都还是人机搭档，只是对话的颗粒度细到了每一步。第二层是远景：未来或许能让 Claude 在适当防护下自主控制实验设备——但他明确划了两条边界，今天不做，且实验室本身是 BSL1/BSL2 设施、不处理对人有危险的材料。

BSL 这句不是免责声明，是安全围栏的自我说明：等级决定了哪些活轮不到 agent 碰，把围栏写进公告，比任何"我们很负责"都有力。第三层是逻辑层：需要用实验这件事，恰恰不能推出"AI 在生物学里用处有限"，它只说明协作方式与数学不同。这段边界声明值得单独记——把"我们不做什么"写清楚的乐观，比无边界的乐观可信得多。

第三个坐标是管线与吞吐。他把生物医学的推进拆成多段：基础生物发现、转化研究、药物发现、临床试验，最后才是把药和医疗送到患者手里。他们也对后段感兴趣，但当下的主张是：只加速第一段的基础发现，就可能提速并拓宽整条管线——发现新药靶、找到新的治疗模态、让测量更精确、加快本身又反过来加速理解的实验循环。

然后是全篇最冷静的一句：这本身不会缩短临床试验的时间，但如果成功，能让进入管线的有前景候选数量大大增加——吞吐上去了，延迟保持不变。用出片线的话说，这叫把"排队量"打上去而不是把"单次时长"砍下来；瓶颈论的另一种写法。

这个区分之所以值钱，是因为它和排队论的基本常识严丝合缝：任何流水线的总产出由最慢一段的吞吐决定，而单件时长里最不可压缩的部分（人体的生理时间、监管的审查时间）几乎与 AI 无关。晶圆厂扩产、医院加床、论文审稿提速，历史上都遵循同一个次序——先让进入队列的东西变多，瓶颈前的堆积才会逼着整条线改造；反过来，只砍单件时长而队列为空，产线照样闲着。

所以"临床试验不会因此变快"不是坏消息，是把功劳记对地方：AI 的第一笔账记在候选数量上，第二笔才轮得到环节改造，而后者要等前者把管线填满才会发生。对盯这个行业的人，读法也随之改变——短期看的是 IND 数量与临床前周期，不是三期试验的时长表。

第 Machines of Loving Grace 那段把目标重新钉了一次：他写过"5 到 10 年内治愈大多数疾病"，听起来不可能，但他认为只要 AI 应用到管线的每一个环节，就勉强够得着。而第一步，是先证明 AI 能帮助、然后主导生物发现。从"帮助"到"主导"的这个次序，和今晚反复出现的节奏一致：先当学徒，再进编辑岗，最后才谈独立操作。

谱系坐标给这次发现排了辈分。这条线回溯几十年，从 CRISPR 起步，近年接上 bridge recombinase 和 VIPR；最近基于逆转录酶的研究热度陡增——而 Claude 找到的系统，其核心正是这种酶。

把辈分摊开更清楚：锌指核酸酶、TALEN 到 CRISPR，可编程剪切的工具每一代都更便宜、更准；而逆转录酶系的特殊在于，它们不只"切"，还写和贴——发现与编辑的能力被压进了同一套机器。

这也是为什么 RT 阵列的热度不是追热点：底料换了，能做的事就换了类别。还有一个耐人寻味的细节：斯坦福团队独立描述了一个新型 RT 系统，带一段在某些方面相似、但彼此独立演化的非编码阵列。

两个团队各自撞见类似结构，是这个方向正在收敛的证据——演化生物学里有个朴素的道理，功能压力下反复独立出现的结构，往往是自然对"可编程性"给出的暗示。他因此判断：这类系统的发现与工具化，才刚开了个头。

最后一段是招手：他为 Anthropic 在生命科学上的投入感到自豪，生命科学团队要扩、要与其他科学家合作把这套方法推到更广的问题上——有合作提案或想加入的，直接联系。

把这篇和今晚的线摆在一起，四点值得存档。其一，数学五年轨迹是"加速第一阶段"最直观的注脚——今天另一条"缺流程、取错码、才动权重"讲的是 agent 内部的三层归因，这条讲的是领域之间的迁移速度：方法一旦对路，换学科只是换数据。

其二，吞吐与延迟的区分是全文的工程学精华——它解释了为什么管线型行业会被 AI 改造却不会立刻提速：先变多，再变快，次序很少颠倒。其三，独立演化那句是给怀疑论者的软钉子：不是孤例、不是巧合，是多点同时浮现的结构。

其四，边界声明（今天不做自主实验、BSL 限制、吞吐不改延迟）几乎可以当范文读——把限制写进公告的团队，才配让别人认真对待它的愿景。

不同角色还能各取所需。做研究的，看协作三层与谱系坐标——"帮助、主导、再自主"的梯度就是给课题组排的引入顺序，先让 AI 进假设与设计，别急着交出设备控制权。做投资的，盯吞吐那句对应的信号：候选数量是先行指标，试验时长是滞后指标，两者别混在一张表里读。

写代码的，把这篇当需求文档读——"人类定义目标和评测的质量是最稀缺资产"在生物实验里同样成立，实验设计与判读标准就是这个领域的任务规格与门禁。

最后一段是招手：他为 Anthropic 在生命科学上的投入感到自豪，生命科学团队要扩、要与其他科学家合作把这套方法推到更广的问题上——有合作提案或想加入的，直接联系。把招手和今晚另一条"把复核工具递给别人"放在一起，姿态是同一套：开放基准、开源发现、开放合作——一个领域想被这套方法接管，先得让外部的人能验、能进、能用。招手放在方法论之后、愿景之前，顺序本身就是论据：先把怎么做的讲清楚，再说要往哪去。

给读者的落地句只有一条：下次看到"AI 将治愈一切"的转述，退回去看吞吐和延迟两句——能分清这两者的人，才真正读懂了这篇长文在承诺什么。

微软的 MarkItDown 干的活简单到可以用两个字概括：统一。Word、PDF、Excel、PPT、图片、音频、HTML、JSON、压缩包，扔进去，全吐成带格式的 Markdown——标题、列表、表格、链接结构一项不缺。仓库：github.com/microsoft/mark…

它踩中的痛点，喂过文件给大模型的人都懂：格式五花八门搅成一团、文档结构全被弄丢、模型压根闹不清你喂的是啥。MarkItDown 给出的逻辑链清楚得很：原始文件 → 带语义结构的 Markdown → LLM 或 Embedding 或 Agent。一行 pip install，或者直接上 MCP 版本。

这条链看着朴素，位置却卡在所有大模型应用的咽喉上。模型不缺聪明，缺的是能读的输入——PDF 进去变成一坨乱码、Excel 丢了表头、PPT 没了页序，后面接什么智能都白搭。今晚聊过三层归因，那是说"失败往哪层归"；这条讲的是更上游的一层：先得有干净的底料，归因才有对象。

知识框架里的 L1 层、检索课讲的喂前准备、索引工具要还原的结构，全都以"统一"这一步为前提。

"原始文件→语义结构→模型"这个中间件思路，还顺手解释了为什么 Markdown 正在变成 AI 世界的通用语。它够简单，人能读；它够结构，模型好切；两头都不得罪，于是所有工具都开始向它对齐——从笔记软件到发布系统，再到今天这个入口转换器。生态的通用语从来不是被委员会选出来的，是被"两头都方便"磨出来的。

两个工程细节也值得记。一是它带 MCP 版本——转换能力不只给你本地脚本用，也能直接挂进 agent 工作流，让"读文件"变成工具调用里的一步；二是压缩包也收——真实项目里的材料从来不是一个文件，是一坨带目录的打包货，能整包拆解才叫收拾干净。

给做大模型应用的人一句落地的：把你喂给模型的所有入口过一遍 MarkItDown，重点看三样——表格结构还在不在、标题层级丢没丢、多文件的相对关系保没保。三样全绿，你再调 prompt 才有意义；入口的脏，是后面所有精细操作都救不回来的。

DeepLearning.AI 和 Oracle 出了门免费课，叫 Building Adaptive AI Agents，讲的是一个所有用 agent 的人都撞过的问题：同一条失败，agent 这次修好了、下次照犯。免费，不用任何 Oracle 经验：fandf.co/4yR3etB

课程先把病根说透：执行轨迹里其实藏着改进所需的一切——失败的命令、相关的文件、纠正过程、最终解法。但把原始轨迹存下来直接回灌是不够的，因为轨迹里同时躺着废弃的假设、重复的工具调用、以及"这次碰巧работ了但不该变成通则"的步骤。全量塞回去，只增加了语境，没保住真正有用的程序。

于是课程把"从历史里学"拆成了三层，这个分层本身就值回票价。

第一层，行为适应：技能归纳。agent 从过往轨迹里抽出一条可复用的流程，系统入库之前先过人审，之后再为类似任务检索回来。课程的例子很典型——某个仓库必须先跑数据库迁移才能做集成测试，agent 学到这条之后，下个会话直接取用，不再把同一个错误调试一遍。注意那个"人审"：归纳出来的技能和凭空冒出来的建议一样，都得有人把关才配入库。

第二层，知识适应：代码知识图谱。用 import 关系、函数调用、Git 里的共同编辑史搭一张图。这层解决的是关键词搜不到的场景——相关的文件未必长得像，它们的关系藏在结构里。图能捞出字面检索和语义检索双双漏掉的那部分。

第三层，模型适应：微调。有些失败在 agent 拿到了正确的上下文和流程之后依然复现，课程教你判断：什么样的重复失败才值得去动模型权重。

我喜欢这个三层分离，因为它把"重复失败"按层归因了。同样的错误，可能是缺一条可复用流程（补第一层），可能是检索没捞对代码（补第二层），只有排到第三层的，才轮得到改权重。这正好把今晚散落的几条线编成了一份课纲：记忆六板讲的是上下文怎么管、权重可演化讲的是第三层的未来、新鲜上下文评审讲的是人审那道门——这门课把三件事放进了一个可以照着实现的工作流。

放到更大的坐标里，第一层就是"把经验蒸成资产"的标准动作。今晚读过的那些统计告诉我们，skills 已经是十一家生产工具里九家在用的扩展方式；这门课补的是另一半问题——skill 从哪来。

不是靠人拍脑袋写，而是让 agent 从自己的失败里归纳、再由人签字入库。一边是说明书族的普及率，一边是说明书的生产线，两边接上，自适应才算闭环。第二层的图谱也值得单说一句：它不追求理解代码的含义，只记录谁 import 谁、谁和谁一起被改——用最便宜的结构信号，补最贵的检索盲区，和今晚"先有数后有盘"是同一个节俭哲学。

给想上手的人两句落地的。一是先做归因再谈改进：把你 agent 最近重复的失败列三条，分别贴到三层里——多数会落在前两层，贴完你就知道该写 skill 还是该修索引。二是记住顺序：上下文、流程、权重，一层一层往深走；一上来就微调的，多半是拿昂贵的手术治本该写个备忘录的病。

补一个实操的分辨技巧：同一条错误如果换个仓库就不再犯，那是第一层的事——缺流程；如果只在某几处文件上犯，那是第二层的事——检索没连上结构；如果换了几种上下文和流程还是顽固复现，才轮到第三层——这时微调的收益才盖得过代价。三层各有一张体检表，混在一起治，只会把预算烧在最贵的那一层上。

课程配套的实现工作流都教，门槛友好，值得排进这周的清单。

"软件工厂"这四个字正在被玩坏——全网拿它当融资的新口号，嘴上拥抱自动化，身体每天还在会议室里跟大模型手把手聊天改代码。Matt Pocock 用一套极度克制的词典定义，把这个概念拉回了工程地面；两组姿态摆在一起，才是这个词最值钱的切口。

一边是大多数人以为的软件工厂：在 IDE 聊天框里敲一段提示词、等几分钟看一眼。这不叫工厂，本质上只是雇了个稍微听话的远程学徒——你不动，它就不动。

另一边是真正跑通的软件工厂：启动一个会话的从来不是人的手指，而是生产环境的告警、工单和监控指标。模型在后台离席自主改代码、跑单测、提改动；工程师只把有限的注意力留给关键的门禁审核。人从操作者退成审核者，这才是工厂和学徒的分界线。

第三个词更狠——暗工厂：代码从写出来到合入主分支，全程无人审查。激进的自媒体把它吹成终极未来，严肃工程里它是灾难。Pocock 的比喻很利：车厂焊歪一块零件，顶多坏掉那一辆车；软件工厂里合进一段垃圾代码，它会立刻变成后续所有智能体的上下文和范例，直接导致整条产线自我投毒。坏零件污染的是一辆车，坏上下文污染的是还没出生的所有 agent。

一线数据给这场争论结了账：纯无人的全自动合入率只有 55% 左右，有人兜底把关的流水线能稳稳冲到 86% 以上。三十一个百分点的差距，买的就是门口那道人。

所以真正的瓶颈从来不是模型生成代码的速度——当代码生成像自来水一样便宜，稀缺的变成三样：写得清楚的任务规格、治理到智能体能看懂的类型与单测架构的仓库、以及守住哪些改动必须人工签发的门禁。

Guillermo Rauch 那句收得很准：软件公司的护城河，正在从"写过的代码"变成"生产代码的这套手段"。以前拼谁键盘敲得快、谁记的 API 多，往后拼的是谁的规格清楚、谁的仓库干净、谁的门禁敢拦。

给正在搭流水线的人一句自查：把你现在的自动化按三态对号入座——敲一句动一下的还停在学徒档；没人触发不了的，离工厂差一套告警接入；至于全自动合入，先去看你那 55% 还是 86%。三格里最该投的不是更多模型，是那份详细到让人嫌烦的任务规格。

有人列了个清单问了个好玩的问题：今天大多数 AI 工具是不是都以 C 开头？ChatGPT、Copilot、Claude、Cursor、Codex、Cline——是巧合，还是大家商量好的？

先看巧合的可能性有多大。C 能被盯上不是偶然，它背后压着两个最高频的心智词：chat 和 code。几乎每一家都在抢这两个入口——聊天的要占"对话"，编程的要占"编码"——于是名字里带个 C 成了最省力的占位方式。

六个名字里，Cursor 和 Codex 直接是编码词根，ChatGPT 和 Claude 是对话系，Copilot 挂在编码边上，Cline 又是代码世界里常见的命令。不是商量好的，是需求同构撞出来的拼写巧合。

再看这份清单的边界在哪。反例其实一抓一大把：Grok、Gemini、Kimi、MiMo、Qwen、Llama——尤其是国产这几家，一个 C 都不带，照样站稳了。所以更准确的结论是两种命名路线并存：C 系走的是占关键词的路子，借现成词汇让用户望文生义；音节系走的是造独名的路子，赌自己能把一个生造词养出含义。

两条路各有代价。占关键词的好处是第一眼就懂，代价是同质化——六个名字站一排，用户记不住谁是谁，最后靠颜色和图标区分；造独名的好处是独占，代价是要养——没养起来就成了没人会念的生僻词。昨晚刚聊过品牌死掉的三笔账，C 系的隐性风险也在同一处：名字占住了品类，品类本身却没定义清楚，照样白搭。

给要起名的人一句落地的：先问你的产品是在抢一个现成心智（那就借词，借得越准越好），还是在开一个新品类（那就造名，造得越短越敢养）。最怕的是两头都不沾——既不像个大家认识的词，又短到没人记得住。

有句判断切在了要害上：大多数 AI agent 都能完成一个任务，难的是让一整队 agent 协同干活，还不丢上下文、不丢归属、不丢决策。围绕这个难点，openJiuwen 开源了 WorkSwarm，把方法论起名叫"协调工程"（Coordination Engineering）——覆盖多 agent 系统的搭建、运行与持续改进。

Apache 2.0，仓库：github.com/openJiuwen-ai/

"协调工程"这个造词挺准。今晚反复出现的两块拼图正好被它拼上了：一块是"完成任务"的能力，单 agent 时代已经基本解决；另一块是"一队人不失忆地干成事"——这恰是软件工程老问题在 agent 上的复刻：三个人改一份代码就会撞车，三十个 agent 跑一条链路，撞的是上下文、归属和决策记录。

三个"不丢"值得逐个对号。丢上下文，说的是任务交出去、背景没跟上，下游 agent 只拿到指令拿不到来龙去脉——今晚聊过 subagent 黑箱，第一味药就是把背景随任务打包；丢归属，说的是每个子任务没有明确的"这是谁的"，出错时互相等、出活时抢着领——工程上这就是责任边界没画；丢决策，说的是关键选择只发生在某次对话里、没落盘，三轮之后没人记得当初为什么这么定。三样加起来，正是从 demo 走到生产要过的三道坎。

所以"协调工程"的野心不是再造一个编排框架，而是把这三道坎变成可重复的工程动作：搭建时定好结构、运行时盯住状态、改进时把教训沉淀回去。这个三段式和今晚出现过的几条完全同构——建、跑、改，任何一门工程成熟起来都是这个循环，agent 团队管理也不例外。

给正被多 agent 搞得头疼的人一句落地的：先别急着加第四个 agent，把你现有的链路按三个"不丢"过一遍——每步的上下文谁打包、每个子任务谁签字、每个决策有没有落盘。三格里缺哪格补哪格，通常补完一格，能少开两个 agent。

有条提醒挺及时：真该普及一下 AGENTS.md 和 SKILL.md 这类文件的基本原理了。要点就一句——现在都讲究渐进式披露，用到什么再去读什么，关键在于分层：该 references 的放 references，该 scripts 的放 scripts，该 config 的放 config。

这三层怎么分，可以直接当口诀记。references 是"读的"——背景、规范、示例，agent 翻它长见识；scripts 是"跑的"——能执行的动作，一次调用就有一次结果；config 是"定的"——环境、开关、边界，读一遍就该记住。

放错层的代价很具体：把脚本塞进 references，agent 会照着念却不会跑；把规范塞进 config，每轮都占窗口却没人翻。

渐进式披露则是这套分层的读法。它和今晚反复出现的检索课是同一件事的两面：与其把一切都塞进初始上下文，不如让 agent 按需去取——文件结构就是它的检索地图，分层乱了，检索再智能也是在垃圾堆里翻。157 张分镜卡要按用途归组、几百个 skill 要按岗位归目录，都是同一个道理。

原帖还留了一个更好的判断：随着模型能力越来越强，这些文件或许不再必要——但梳理好数据分层，本身就是在考验一个人如何定义一个 Agent 的能力。这句话把文件的作用抬高了一档。skill 写得好不好，是模型替你干多少活的分水岭；而你能不能把一个 Agent 的能力边界说清楚——哪层是知识、哪层是动作、哪层是约束——就是那个更根本的问题。文件会进化，定义能力的功夫不会过时。

给正在写 AGENTS.md 的人一句落地的：写完做一次"层检"——每段贴标签，读的、跑的、定的，三类之外的段落基本都可以删。删完还剩一页的版本，往往比五页的更有用。

阶跃星辰把自家天天用的 CLI 开源了：Step Code v0.1.0，MIT 协议，一个命令行走完读改代码、跑测试、发货的全开发环。平台入口：platform.stepfun.com/step-code 仓库：github.com/stepfun-ai/Ste…

官方给出的三个定位词是：执行快、token 效率高、长程可靠。评测数字：Terminal-Bench 2.1 拿到 80.9%；他们自己建的 Multi-Frame——150 任务的长程基准——是 73.3%；另配 StepPage 做一键静态站发布（预览页：swift-otter-ca0f.page.stepcloud.com ）。

先把官方那三个定位词翻译成工程语言。执行快，指的是单步动作不拖沓——agent 的时间预算有限，每次工具调用省下的十秒，累积到几十步就是质变；token 效率高，指的是同样的任务不多吃上下文——长任务最怕中间过程把窗口挤爆，省 token 就是给长程续命；长程可靠，指的是跑五十步还记得第一步的意图——这条对应他们自建的 150 任务基准，短跑好看、长跑不散架才是两回事。

MIT 开源这层也别略过：模型是他们家的，CLI 却按最宽松的协议放出去，等于把入口工具的生态位让给社区先占。

比数字更好看的是团队自己讲的那段故事，四段都值得记。

第一段是 harness 本体论的起点。他们的第一个能用的 agent 模型叫 Flash 3.5，不强但快、结果糙——就在那个瞬间冒出个念头：能不能不动模型、只加强 harness 本身，把效果顶上去？

今晚读过 400 万行源码解剖，知道这正是十一家生产级工具的共同选择；阶跃这条线的特别之处在于，它把这个念头当成了团队的第一性原理，连那只（其实是鹈鹕的）鸭子 logo 都是那个时期的纪念。

第二段是搞砸的记录。他们曾梦想过一个语音编程 CLI——边说话边改代码，听起来是把今晚那条"带宽阶梯"直接接进开发流的完美方案——然后正经做出来过，又自己毙了。语音输入的问题不在识别，在节奏：写代码需要的是精确到符号的表达，说话天然做不到，多轮返工比打字还慢。

公开承认这条路走死的团队不多，敢把"我们搞砸过"写进发布故事的更少——这份自曝比任何 benchmark 都更像一份体检报告。

第三段是评估失控的自救。评测报告一度野蛮生长，HTML 报告多到远超飞书文档，于是他们加了静态站托管，就为了让 HTML 产物好分享——附了一句很实在的话：你得先有个发布计划。工具追不上文档的时候，先修的往往不是内容而是管道，这跟今晚"档案柜不修、开再多窗都是堆料"是同一个道理。

第四段是自谦的坐标。他们直接说：作为 v0.1.0，它不会像 DSH 那样的正式推理，打磨也远不及 Claude Code——它只是个天天用的工具，会继续把自己的用例往里砸，比如画鹈鹕。把 DSH 当作正式推理的参照系，这个对照本身就很有信息量：国产 harness 阵营已经默认拿最重的那台做标尺了。

给想试的人一句落地的：先看它的两个数字落在不落在你的场景里——Terminal-Bench 高说明终端任务靠谱，自建 150 任务高说明长程不散架；这两个都对口，再谈把它放不放进日常。毕竟他们自己也是"用了很多天"才敢开源的。

有条学习路线说得挺准：学 Agent 最好的方式，是去玩一个极简的 Harness，把整条链路搞懂。

拿 Pi 这类极简 Harness 举例：从你发出提示词，到它改文件、再到把结果返回给你——这一整条就是 Agent Loop。把这条链走通之后，剩下的全是横向扩展：调用工具时，看它用什么格式调、工具是怎么暴露给模型的；用 Skill 时，看它怎么发现 Skill、Skill 长什么格式。

MCP、Skill、Tools、Context 这些名词，一旦放进同一条链路里，就不再是需要背的概念，而是链路上的零件——它们统称叫 Harness。

这个视角的锋利之处在于后半句：市面上的 Agent 产品，差异基本就是 Harness 的差异，无非工具的区别。有的产品最大卖点是连接器，能连企微、飞书——说穿了连接器就是 MCP 的一种实现；有的主打和自家办公生态的深度融合，逻辑相同、只是各自绑定了自己的地盘。

往海外看，Claude Code 和 Codex 也都是一个 Agent Loop 在不停跑，区别在于上下文管理、记忆管理、任务编排、subagent 管理这些外围件的厚薄。

把产品拆到这一层，选型和排障都会简单很多。选型时别看宣传词，看链路上每一环：它的循环怎么触发、工具怎么注册、记忆存哪、子任务怎么分。排障时也一样——出问题的从来不是"智能"，是链路上某一环没接好：工具没暴露给模型、Skill 放错了发现路径、上下文在某一步被截断。

原帖最后留了一句更重要的话：最重要的还是 Agent 面向的场景。链路可以抄，场景抄不来——同样一条 Loop，放在客服、放在代码审查、放在财务对账里，需要的外围件完全不是一回事。

给想入门的人一条落地路径：别同时学五个框架，挑一个极简 Harness 把它的 Agent Loop 从头到尾读一遍——提示词进、工具调、文件改、结果出，四步都亲手跑过。这一遍走下来，再看任何 Agent 产品的宣传页，你读的都是结构而不是形容词。

有个问题问得很实在：大家用 Vibe Coding 写界面的时候，真的会精心挑各种 UI Skill 吗，还是基本全靠模型自己的直觉？（原帖没给答案）

答案大致分三种人。

第一种人确实挑，而且挑得很有章法。圈里流行的设计类 Skill 一抓一大把——UI/UX Pro Max 十三万星、Anthropic 的前端设计规范接近十八万星、Taste Skill 九万、Impeccable 七万——能堆到这个量级，说明需求真实存在。

挑的人看两个东西：一是规范里有没有"可执行的反面清单"（禁止什么比推荐什么更管用），二是有没有可对照的样例。挑对了，后面三十次生成里至少二十次不用返工。

第二种人不挑，但给约束。不装 Skill，改用一段自己的设计守则当系统提示：字号阶梯、间距规则、只许用哪几个颜色。效果常常不比装三个 Skill 差——因为通用 Skill 得先猜你的口味，而你自己的守则不用猜。这条路上更狠的一招是把参考稿喂进去：给一张设计图说"照这个气质来"，比给一堆形容词管用得多，今晚另一条"看图比读形容词可靠"讲的就是这件事。

第三种人全靠直觉，然后每次都撞同一个坑：模型的默认审美是安全牌——圆角、渐变、居中大标题，能过稿但没记忆点。对练手项目这无所谓，对正经产品这就是返工单的来源。

所以问题的答案不是挑不挑，是约束放在哪。Skill 只是约束的一种容器，自己的守则、参考稿、乃至一张截图都是。真正的分水岭是：你有没有一套能说出口的界面标准——有，挑 Skill 就是锦上添花；没有，挑一百个也填不上那道空。

给正在纠结的人一句落地的：先别问用哪个 Skill，把你最近三次觉得"哪里不对"的界面翻出来，写清楚到底不对在哪。写不满三行，说明缺的是审美判断，不是工具；写得清清楚楚，挑一个带反面清单的 Skill 装上，立刻见效。