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。
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。