用 orchestrator 搭了个「办公室」，让订阅里的几个 Agent 能互相说话。
不用串 API，纯烧订阅 token。 互相监督干活——只希望它们别搞小团体。 Agent 协作不一定要先上复杂编排：订阅额度 + 一个协作层，有时就够玩出多角色。
既能写 API，也能和客户喝 IPA：FDE 的核心素质
既能写 API，也能和客户喝 IPA。 这句话不是段子。 是 AI 落地里最稀缺的一种人。 OpenAI、Anthropic 都在招这种人，岗位名叫 FDE。 可我跟大厂工程师聊，很多人听都没听过。 至少在 AI Agent 落地这条线上，值钱的已经不是「把代码写对」， 而是「把业务结果扛下来」。 我把它拆成三件事：能交付 agent、能谈拢人、能为结果担责。 --- FDE 全称 Forward
Cloudflare 刚给 AI Agent 开了「临时账号」。
以前让 Agent 部署，最烦的是：先帮它申请账号、配 API Key、过 OAuth，还可能卡 MFA。 现在它可以直接用 Wrangler 起一个临时环境：写完、部署、验证、再改。 60 分钟内你可以 Claim 转成永久账号；不认领就自动销毁。 等于给 Agent 一套「可丢弃实验室」。 基础设施正在从「服务人类」转向「也服务 Agent」。 这比把一把永久钥匙塞给它安全多了。 有人已经试过
现在做 AI Agent，相当于 2017 年做抖音。
2017 年抖音打破的是「谁能被几百万人看到」。 AI Agent 打破的是下一层：当别人看到你之后，怎么把你的判断力和方法论，做成一个能被反复调用的产品，持续交付出去。 以前这需要一个团队。现在一个人也能做。
微软开源了一套免费课程《AI Agents for Beginners》，GitHub 已封战 61k+ 星。
课程内容：什么是 AI Agent、怎么用 Tool/MCP、多代理人系统、Context 管理、让 AI 操作浏览器、安全部署——一路到完整实战。 直接支持繁体中文，每课都有 YouTube 讲解和示例代码。 不是教你怎么聊天，是教你怎么让 AI 替你打工。
9 个免费 AI Agent 课程，全部官方出品：
DeepLearning.AI × crewAI：多智能体系统（2h41m） LangChain：LangGraph 入门（5h58m） DeepLearning.AI × LangGraph：AI Agents 进阶（1h32m） AWS SkillBuilder：Prompt Engineering 基础（3h50m） UC Berkeley：LLM Agents MOOC（4h20m） 还有
AI 编程进入下一个阶段了。
以前：一个人指挥一个 Agent。 现在：一个人管理一整支 AI 团队。 Antrigravity Agent Teams：输入 /teamwork-preview，自动组成 PM + 设计师 + 工程师 + QA。 这些 Agent 不是各做各的，会互相讨论。设计师做的颜色和规格不一致，工程师和 QA 直接指出，一起修改。 当 AI 开始拥有职位、分工和会议，真正被重新定义的，可能是「团队」这件
⚠️ 3 条 thread
1/3 孙正义：2040 年，地球由 100 兆个 AI Agent 接管，人类作为最高等生物的时代彻底结束。 朐人说笑他疑神？看看他的打脸历史： • 2000年：听了 6 分钟简报就把 2000 万美元投给初创的阿里巴巴，最终抱回 1400 亿美元 • 2016年：大家笑他花冤大头用 320 亿美元强娶 Arm，现在全天下最强 AI 芯片底层架构全得管他叫爸爸 （中间也有翻车。WeWork 慏赔
接 AI agent 到 Gmail、GitHub、Slack，卡的不是 prompt
是每个服务的 OAuth 都要自己刻一遍，API key 还得塞进 agent 手里 open-connector 反着来：1000+ 服务、上万个现成 action，一个 gateway 全包，secret 锁在 runtime 后面，agent 只拿到结果 还能自己部署
用自己域名收发邮件，不套第三方服务——Cloudflare 刚开源了做到这件事的方案。
叫 agentic-inbox，完全基于 Cloudflare 基础设施。 对 indie dev 来说：基础设施成本又可以往下砍一刀。
每 5 小时一次的 AI 配额，正在重写你的工作节奏
打开 Claude Code，提示说配额用完了。 不是月底。是今天早上十点。 你订的是 $100/月 的方案，按月算应该还有三周。那配额去哪了？ Claude Code、OpenAI Codex、Google Antigravity——这三家主流 AI 编程工具，在 2026 年中几乎同时换掉了计费逻辑。 不再是「这个月能用多少」，而是：每 5 小时一个滚动窗口，从你发出第一条 prompt 开始
AI 不是一个东西，它是一个能力演进的过程。
60 秒理解 AI 的 4 个阶段： ① 大脑（LLM）：思考 + 写作，但只知道训练数据里的东西 ② 大脑 + 书（RAG）：思考 + 实时检索，知识不再过期 ③ 大脑 + 工具（Agent）：思考 + 行动，能操作文件、浏览器、API ④ 大脑 + 团队（Multi-Agent）：多个 Agent 协作，并行完成复杂任务
AI agent 的「应用商店」来了：SkillCenter
一条命令装好现成 skill，直插 Claude Code、Codex、自定义 agent。 它干的事： - 爬 GitHub + skill 库 - 提取 SKILL.md / SOUL.md - 打成一个可搜索的索引 Docker / React / RAG / Security 千种 skill，拿来即用。
Meta 正式推出 Muse Spark 1.1，重点不是聊天，而是 agentic workflow、电脑操作、工具使用、写代码。
根据 Alexandr Wang 的说法，Spark 1.1 在多个 agentic 评测中已可与 GPT-5.5、Claude Opus 4.8 放在同一级别比较。 Spark 1.1 在 MCP Atlas、Finance Agent v2 等领先；但 SWE-Bench Pro、DeepSWE 等纯编码项目 Opus 4.8 或 GPT-5.5 仍领先。更准确的说法：Meta 终于有了一个可
GPT-5.6 Sol 现在跑在 Cerebras 的「一整片晶圆当一颗芯片」硬件上。
速度：每秒 750 token。 普通 GPU：每秒 40–12 0。 差距：10 倍。 4000 token 的输出，GPU 要等一分钟，Cerebras 大约 6 秒。 对做 AI agent 的人最有感：实时语音、实时 coding 的可行边界往前移了。 你用的 agent ，最卡的是不是它慢慢吐字那段？
ChatGPT Work是什么？新手完整教学：做什么、怎么用、风险在哪
ChatGPT Work 是 OpenAI 推出的工作型 AI Agent，和普通 ChatGPT 最大的区别是：它不只回答你的问题，而是能帮你完成一份完整的工作成果。 会议记录整理成待办清单、多份文件整理成简报大纲、表格分析后出具报告——这些都是它能做的事。 但它也有明确限制，不是什么都能交给它处理。本文用新手能看懂的方式说清楚：ChatGPT Work 能做什么、新手怎么开始用，以及最容易忽略
有人在 GitHub 做了一套免费 AI 课程。
不是理论，是完整实战系统： Week 1 → Docker + FastAPI + 数据库 Week 2 → 自动化数据管线 Week 3 → 自己搭搜索引擎（BM25） Week 4 → 混合搜索（语义+关键词） Week 5 → 完整 RAG 系统 Week 6 → 生产级（缓存+监控） Week 7 → 用 LangGraph 做 Agentic AI 不是「学 AI」，是动手做出来。
AI Agent 中文学习路径——两条路线，找到你的路：
路线 A（8-10 周）：CLI 进阶使用者，用好现有 Agent 工具 路线 B（16-22 周）：Agent 开发者，打造属于你自己的 Agent 共同经过 Claude Code 生态（MCP / Skills / Subagents）和 Agent Interfaces（Computer Use / Browser Use） 每周投入 5-8 小时，系统走完。
2026年AI从业者的知识鄙视链要变了。
光会调 API 不够了。这8个方向值得重点投入： Agentic Loops、MCP、MultiAgent System、AI Gateway Inference Economy、Evals、Guardrails、Observability 有个规律：前4个是"搭什么"，后4个是"怎么不翻车"。 只盯架构，不懂 Evals 和 Observability，系统上线就是盲飞。
2026年下半年，这8个AI概念值得重点关注：
- Agentic Loops（智能体循环） - MCP（模型上下文协议） - Subagents & MultiAgent System（多智能体系统） - AI Gateway（AI 网关） - Inference Economy（推理经济） - Evals（评估体系） - Guardrails（护栏机制） - Observability（可观测性）
2 分钟搭出一个能打电话的 AI，xAI 刚发了 Voice Agent Builder
以前做语音客服要拼三块：语音转文字 + 大模型 + 文字转语音，三个厂商，三倍延迟，三倍出故障的机会。 这个工具是端到端「语音对语音」，和 Grok Voice 紧耦合，不是拼装货。 跑分上 Grok Voice 在 τ-voice Bench 拿 67.3%，Gemini Flash Live 43.8%，GPT Realtime 35.3%。 怎么用：写段大白话描述通话流程 → 挂知识库 →
GitHub 上有一堆免费到离谱的项目，很多能力已经能干掉你正在月付的软件：
TradingAgents — AI 多 Agent 量化交易框架 LibreChat — 一个界面接入 GPT/Claude/Gemini HyperFrames — HeyGen 开源的视频生成引擎 Fincept Terminal — 开源版彭博终端 MoneyPrinterTurbo — AI 一键生成短视频 Agentic Inbox — Cloudflare 开源 AI 邮件助手
AI Agent 时代，真正赚到系统性利润的，不是做 AI 模型的公司，而是让 Agent 能在现实世界运作的基础设施：
支付管道：Stripe / Coinbase / x402 网络管道：Cloudflare 商业管道：Shopify 企业管道：Salesforce / Agentforce 数据管道：Palantir / Databricks 模型是燃料，管道才是收费站。
AI 从聊天工具变成 Agent，靠七层架构串联起来：
Token → 理解文字的最小单位 Prompt → 你交代的任务 Context → 对话记录+背景+角色设定 Agent → 规划、拆解步骤、执行 Harness → 管理整个工作流 MCP → 连接外部 API 和数据库 Skills → 可复用的能力模块 每层单独看都简单，七层串起来，AI 才真正具备思考、规划、执行的能力。
AI 幕僚团，一行命令全员上岗。
agency-agents 把前端工程师、社媒运营、创意策划、事实核查四个角色封装成 AI 代理，每个 Agent 有独立人设和标准交付流程。 不是聊天机器人，是真的帮你干活的 AI 同事。 开源 Shell 项目，119K ⭐，昨天单日新增 1,425 颗星。 github.com/msitarzewski/agency-agents
不用云端、直接在 iPhone 跑 AI Agent。
AI 开发者 Tanmay Shah 做了一个叫 Halo 的 iPhone 应用，开发超过一年： · 完全本机运行，不需要服务器 · 可自由切换任何 LLM 供应商，不被单一平台绑死 · 支持 MCP、Skills、Subagents——AI 像团队一样分工协作 · 内建类 Wiki 的自我更新记忆系统 + RAG，持续记住你的信息 隐私 + 本机算力 + 长期记忆 + 多代理协作，这四点同时满
新的 AI 原生浏览器 Aside 来了。
官方直接宣称自己是 SOTA browser agent，在 Online-Mind2Web、BU-Bench-V1、Odysseys 三个 benchmark 都拿下第一。 YC F25 项目，从底层重构浏览器，同时服务人类和 AI agent。
GLM-5.2 出来了。
在开源 Agent 模型里，被评为一次真正的跃升。 多步推理和工具调用，逼近闭源模型水平。 可本地部署，数据不出境。 对有数据合规要求的企业，这是重要选项。
做手机 GUI 自动化的很多，但大多数在长任务上会忘事。
快手出了 MemGUI-Agent，核心是主动上下文管理： 主动决定记什么、忘什么，不是被动等上下文溢出。 这才是长时域 Agent 真正难的地方。
清华 AIR 开源了一个 OS 级 Agent 框架。
最有意思的不是能做什么，而是怎么做到安全。 OS 级 Agent 最大的顾虑：它会不会乱动我的文件？ 这个框架重点解决了安全隔离和个性化。 方向对了，早晚是基础设施。