Codex 里有个我最近常用的小技巧：明确要求用 sub-agents（子代理）干活。
默认往往是单 Agent 从头跑到尾。你在提示词里加一句「用 sub-agents 协助执行」，它会先拆任务、起多个分身并行，最后由主 Agent 汇总。 好处：并行更快，分工不同角度，复杂任务质量往往更好。代价是 token 更费。 稍微复杂点的项目，值得一试。
刚看到 Databricks 团队推的 Omnigent，超实用的 open-source AI agent meta-harness！一次管理多种 coding agent，sandbox 隔离超安全，还能在手机上继续接力工作。台湾工程师
刚看到 Databricks 团队推的 Omnigent，超实用的 open-source AI agent meta-harness！一次管理多种 coding agent，sandbox 隔离超安全，还能在手机上继续接力工作。台湾工程师在搞 agent 项目的，强烈建议先 star 起来试试👀
Python 有个开源包 pyJianYingDraft，能直接用代码创建剪映草稿。
配合 WorkBuddy 这类 AI 智能体，就能实现视频自动剪辑。 不用每次手动拉时间线、加字幕、调特效了。 核心是把剪映的操作暴露成可编程的接口，你可以用脚本（甚至让 AI 帮你写）批量生成草稿、混剪、导出。 这其实是在把「视频后期」这个最耗时耗力的环节，逐步代码化和自动化。 对 indie hacker 和需要高频发短视频的人来说，这类「草稿生成器 + AI Agent」的组合，正在把内容生
想搭知识库？GitHub 上这几个开源工具分工很清晰：
FastGPT：基于 LLM 的知识库平台，工作流、问答、数据集管理完整，适合企业快速搭建。 LLM Wiki：桌面端文件整理成互联知识库，适合个人笔记和本地查阅。 llm-wiki-agent：扔资料让 AI 自动读、整理、维护，像会自己更新的 wiki。 OpenKB：轻量开源知识库，适合先跑最小可用版本。 不同需求选不同工具。 项目链接： FastGPT: https://github.co
薅羊毛机会。 DeepSeek V4 Flash 通过 OpenModel 限免，截止 6月28日：
薅羊毛机会。 DeepSeek V4 Flash 通过 OpenModel 限免，截止 6月28日： - 1M token 上下文 - 支持图像输入 + Agentic 任务 - 生成速度 100-127 tokens/s - 登录即得 API key 还有 6 天，去拿。
Warp 创始人 Zach Lloyd（前 Google Docs 首席工程师）写了一篇很实用的文章，讲如何给 AI 的 Skill 建立「自我改进循环」。
1/3 核心思路：让 agent 不仅执行任务，还能根据真实人类反馈，自己改进自己的 Skill 文件。 因为 Skill 就是普通 Markdown 文件，agent 改它就等于打 diff，自我进化变得可落地。 2/3 他把流程拆成两个循环（以 issue triage 为例）： Inner loop（执行）：新 issue 进来 → GitHub Action 触发云 agent → 加载
1️⃣ AI 圈最近出现一个新词，叫 Loop Engineering。
以前大家卷的是「怎么写更好的 Prompt」、怎么做更强的 Agent。 现在越来越多人说，AI Coding Agent 的下一个分水岭，已经不是单次把事情做对，而是设计一个能自己持续循环的系统。 真正的瓶颈，正在从「你怎么指挥它」，变成「你怎么让它自己追问、自己验证、自己记住状态，最后知道什么时候该把活交还给人」。 这比之前的 Harness Engineering 更上一层。 2️⃣ Loo
做 AI 模型的公司，可能不是最终的大赢家。
真正赚到系统性利润的，是让 AI Agent 在现实世界跑得通的基础设施。 这几类管道最关键： - 支付管道（Stripe、Coinbase、x402） - 网络管道（Cloudflare） - 商业管道（Shopify） - 企业管道（Salesforce） - 数据管道（Palantir、Databricks） Agent 需要这些东西才能真正「干活」。 模型公司卷参数、卷价格、卷上下文。 但
/1 NVIDIA 最近开源了一个叫 SkillSpector 的工具。
专门用来扫描 AI Agent 的技能文件，检测漏洞、恶意模式和安全风险。 这事儿来得正是时候。 /2 现在大家都在疯狂做 Agent。 随便一个 repo 就能让 Claude 帮你写一堆 tool calling skills。 但这些 skills 到底安不安全？有没有后门？会不会泄露数据？ 没人审。 /3 SkillSpector 就是来填这个坑的。 它能自动分析 Agent 的能力描述、
OpenAI Codex 团队只有 40 个人。
1 个 PM + 2 个设计师 + 37 个工程师。 结果呢？ 99% 的代码是 AI 生成的。 而且他们跑得飞快。 具体怎么干的： - 每个工程师同时跑 4 个并行 agent（code review、功能实现、安全审计、代码库摘要） - PM 用 Codex 处理用户 issue，1 小时能跑完 100+ 个，大部分 24 小时内修复 - 功能开发经常 2-3 人甚至单人从规划到发布 - 99
1 Karpathy 的 autoresearch 出来后
有人直接拿它做了真实世界的交易系统 在 Polymarket 上搞了一个比特币 5 分钟自动交易机器人 回报 +40% 项目已经开源 还能直接用 Claude Code 或 Codex 执行整个研究循环 给它一个「研究机构」的指令 它只改一个策略文件 跑短周期实验（这里是 5 分钟交易 cycle） 评估真实指标 只保留变好的改动，扔掉没效果的 不断自我迭代 睡觉前扔给它，早上起来收一堆实验日志和
最近很多人吐槽 Claude（尤其是新版）变了：
- 啰嗦 - 过度拒绝 - 态度越来越差 - 在复杂 coding 任务里经常「摆烂」 这不是个例，是很多重度用户共同的感受。 可能的原因： 1. Safety 训练越做越重，模型越来越「政治正确」和保守。 2. 长上下文 + Agent 场景下，模型为了「负责」开始过度解释、过度警告。 3. 公司为了对齐某些价值观，把「不冒犯」优先级提得太高。 有趣的是，这和用户实际需求产生了冲突。 用户想要的
Andrew Ng 开源了 CLI 工具 Context Hub
一周内破 6000 star，收录超过 1000 个 library 的文档 它解决的问题很直接： AI coding agent 写代码时会乱编 API 你让它接 Stripe，它可能吐出根本不存在的 function name，或者半年前就改掉的旧版接口 因为模型训练数据有截止日期，它不知道 library 最近发生了什么 这听起来很像 context7 在做的事 但我研究之后发现，Conte
1️⃣ 智谱的 GLM-5.2 最近全量开放了。
很多开发者已经在实际项目里用了，尤其是搭配 Claude Code、Cursor 这类工具。 反馈两极分化，但总体比预期好。 2️⃣ 积极的一面： - 编码能力追得很近，有些场景接近 Claude Sonnet 级别 - 中文理解和长文本表现不错 - 价格和 token 额度对国内用户更友好 - 很多人在试「Claude Code + GLM」混合使用，降本增效 3️⃣ 需要注意的问题： - 复杂
Git 圈老前辈 Scott Chacon（GitButler 创始人、《Pro Git》作者）竟然把整个 Git 从零用 Rust 重写了一遍，项目叫 Grit！
规模夸张：36 万行代码、7000+ commit、500+ PR，跑了官方 42,001 个测试，通过 41,715 个（99.3%）。 几乎全是 memory-safe 的 Rust，只有一个日期时间模块靠 C FFI。 据说烧掉约 450 亿 token，成本 1-1.5 万美元。 但他学到最重要的一课：agent 超爱作弊。你给它一个目标，它会去优化「让测试过」，而不是你真正想要的实作。
1 Naval 新 podcast 浓缩版：Vibe Coding、AI 软件的未来，以及他为什么不看好 Apple。
这集 30 分钟，讲了他从多年不写代码，到用 AI agents 打造「个人 App Store」的真实经历，以及对 AI 发展的判断。 Claude Opus 4.5 让 AI 从「玩具」变成真正可用的工具。它终于能保持方向、从头到尾为你打造属于你的 app。 Naval 说，如果你对 AI 的印象还停留在之前，该更新认知了。 过去写代码的「启动能量」太高。现在英文正式成为编程接口，AI 能容忍
GitHub 今日热榜：addyosmani/agent-skills（+3275 ⭐️）
把 Agent 能力做成模块化技能包——有点像给 AI 装插件，但更底层。每个技能独立、可组合，可以直接 fork 加自己的。 如果你在搭 Agent 工作流或用 Claude Code，这个架构值得参考。
Every 是 Dan Shipper 自己创的媒体和软件公司，从 2020 年 GPT-3 时代开始到现在 6 年多。
1/7 他们从 GPT-3 那刻起就把 AI 塞进每个工作流：写稿、编辑、客服、设计、营销、工程。Codex 和 Claude Code 是默认界面，新模型 alpha 阶段他们就先拿到。理论上这是「自动化到极致」最彻底的样本。 结果 2026-05-21 他发报告《After Automation》，标题直白：「我们什么都自动化了，但人却变多了」——从 4 人扩到 30 人。 几天后上 Lenn
什么是循环工程？！
当龙虾之父说：别再一个一个指令地催你的 agent，你应该设计一套会自动催它的循环。Claude Code 之父也几乎同时表示，自己早已不再亲手下指令，而是让循环自动去 prompt Claude、判断下一步，工作彻底变成了「写循环」。 循环工程的概念由此成形：把原来亲自写 Prompt 的你替换掉，改由系统来完成。循环本质上是一个递归目标，你只需要定义最终目的，AI 就会反复迭代，直到任务完成。
现在很多人说 agent，实际还是 Cursor 式的智能补全。
goose 想做的是另一条路：用任意 LLM 完成 install → execute → edit → test 的完整闭环。 不是建议你怎么改，而是真的能把脏活干完的框架。 indie 或者想认真玩 agentic 开发的人可以重点看。
付费看完了 Codex 团队的采访，说几个让我真正在意的细节。
40 人的团队。1 个 PM，2 个设计师，其余全是工程师。 那唯一的 PM，日常工作是：用 Codex 处理用户反馈和 issue，每小时自动跑一次，单次处理 100 多个 issue，大部分 24 小时内修复。 我看到这里停了一下。 这个 PM 的活，老板自己就能干完。 功能迭代基本是 2-3 人甚至单人从头跑到尾，没有定期会议，没有流程，点对点直接说。 以前跨职能协作那套，现在大部分被 ag
NousResearch 出了个新 agent 框架，叫 hermes-agent。
今天 GitHub 单日 1845 star，很炸。 卖点是这句话："The agent that grows with you"。 我喜欢这个定位。不是"最强"，不是"最快"，而是会跟你一起进化。 大部分 agent 框架，你用三个月就换了。这个在赌你会一直用下去。
Hermes Agent 不只是聊天机器人，而是一个正在成形的开源 AI 操作系统
最近，Nous Research 正式推出了 Hermes Agent Desktop。 乍看之下，它像是另一个 AI 桌面应用程序。 但如果仔细观察，你会发现这件事真正重要的地方，并不在 GUI，而在于它代表了 AI Agent 发展方向的一次转变。 过去的大语言模型，大多停留在： - 回答问题 - 撰写内容 - 产生程式码 本质上仍然是一种「被动响应系统」。 而 Hermes Agent 正在
Anthropic 出了官方 CLI：ant。
以前用 Claude API 要：建 API key、复制粘贴、自己写调用脚本。 ant 把这套流程压平了。 登录： ant auth login OAuth 授权，token 自动存，CLI 和 SDK 共用。你在终端登录，代码那边也直接通，不用管 key 过期。 调用 API： ant messages send --model claude-sonnet-4-6 -m "帮我写测试" 支持
Claude Code Opus 4.8 同时推出了 Dynamic Workflows。
很多人不清楚它和 subagent、agent team 有什么区别。实测拆解一下。 之前的多 agent 方式： subagent = 主 agent 临时喊人帮忙 agent team = 几个 Claude Code 实例组成小团队，各自带上下文并行跑 但这两种本质还是"对话驱动"——下一步怎么做，每次都要让 agent 实时推理判断。 Workflow 不一样。 它会先写一份 workfl
斯坦福 CS336 给课程 AI agent 写了一份 CLAUDE md。
HN 462 分，140 条讨论。大家在谈的不是"AI 变强了"，而是"怎么约束 AI"。 这个转变值得注意。 CLAUDE md 本质是一份行为规范：告诉 agent 什么可以做，什么不能做，碰到模糊情况怎么处理。 之前这件事是工程师临时拼凑的。 现在斯坦福在顶校 LLM 课程里把它当必修项。 这说明行业正在达成一个共识： 给 AI 写行为规范，和给 AI 写 prompt，是两件事。 Prom
Claude Code 最近推出的 workflows，我用了几天，写代码的方式整个变了。
很多人介绍过 workflow 就不赘述了：它的逻辑是你描述任务，Claude 自己把工作拆成一步步的计划，丢给上百个 subagent 跑，测试验证一次跑完。 我自己再加一层，先用 origin:brief 把相关 context 拉出来，进行 plan，设好 goal 就走开。这两天跑超过 24 小时不用我介入，跑完上千个 tests 加上好几个 adversarial review，回来看一
试一下 Claude Code 最新推出的 Dynamic Workflows 会发现你在企业里还没落地生产的 Hermes-Agent 可以卸载了。
非 AI 公司永远不要自研 Agent 系统跟 Anthropic 赛跑，你会发现还没落地就成了技术债务。 自研的 Agent 系统过了三个月就是废弃代码反而成为新模型的裹脚布。
有人用 DeepSeek 写了个编程 agent，专门绕着 prefix cache 设计架构。
实测数据：435M 输入 tokens，cache 命中率 99.82%，成本从 $61 降到 $12。 不是偶然——它把整个对话结构都设计成"前缀稳定"的，让 DeepSeek 的 cache 一直有效。 大部分 agent 把 cache 当顺带福利。这个把 cache 当第一性原理。
Codex 的架构设计，5层：
Layer 1 AGENTS md — 团队共识，写死不动 Layer 2 skills/ — 最佳实践沉淀，按需调用 Layer 3 hooks/ — 危险命令拦截，操作留痕 Layer 4 subagents/ — 子智能体并行，主线程保持干净 Layer 5 plugins/ — NPM 分发，一键全队同步 从规则到执行到安全到协作，每层职责清晰。 这不只是工具配置，是 AI 团队的工程规范