推荐这篇，Cursor 把一年来构建云端 agent 的工程经验全部写了出来——从单 9 到双 9 的可靠性、从 work-stealing 到 Temporal 的架构迁移、agent 和机器状态与对话状态的解耦、环境自愈。如果你们团队在做 agent 基础设施，这篇等于一个季节的架构文档。 Cursor 构建云端 agent 的工程经验 一年前云端 agent 看起来像本地 agent 的直接延伸。现在它们在独立 VM 上跑，有自己的环境和依赖，能并行工作、无人值守、处理比笔记本上更长的任务。 开发环境就是产品本身 过去一年最大的教训：云端 agent 输出质量的最关键因素不是模型，而是它是否有完整的开发环境。本地 agent 免费继承你笔记本的工作环境。云端你得从零重建，而且很难感知你做得不完美。不是报错——只是输出质量微妙的下降。你第一次可能注意不到，或者注意到之后归咎于模型。一遍又一遍，我们发现根因是同一个：云端 agent 没有它需要的环境来执行或验证自己的工作。一年前这不重要因为模型也用不好环境。但当它们变聪明后，环境设置变成了它们是否能发挥全部潜力的决定因素。 现在要达到"完整环境"需要重建大量基础设施：用于构建 agent 环境的用户工具、高效休眠和恢复 agent VM 的方法、快速持久检查点/恢复/分支 VM 镜像的管道、紧密结合的 harness 和客户端集成。而且随着云端 agent 承担更多工作，它们需要有控制的网络访问来创建 PR、拉取依赖和做研究。Cursor 最终建了企业 IT 给 agent——完整的秘密信息脱敏、网络策略和凭证管理。 长时间运行的 agent 需要持久执行 云端 agent 跑在隔离 VM 里，而不是笔记本上，更容易并排跑很多 agent 和委派几小时的长任务。但运行在 VM 里暴露了模型服务端宕机、pod 替换、EC2 节点挂掉的风险。 最初用 work-stealing 架构——worker 节点抓取 agent 并循环到完成。早期 beta 经常只有单 9 可靠性。 后来迁移到 Temporal。当前在 Temporal 上的 agent 循环能扛过推理可靠性波动、pod 休眠恢复、跨几天甚至几周的运行。迁移后达到双 9 可靠性，现在每天处理 5 千万次操作、7 百万个独特工作流。内部超过 40% 的 PR 来自云端 agent，且仍在增长。 Cursor 的 Temporal 架构也在进化：从"永恒"agent 工作流变成了多个运行后退出、每完成一个任务退出的短工作流，版本升级更容易。拆分活动以更好地捕获超时和重试。 解耦 agent 和机器状态与对话状态 云端 agent 不再是一个循环跑在一台机器上。它可能在机器 A 跑、在 B 和 C 上孵化异步子 agent、从本地开始然后委派到云端。子 agent 可能比父 agent 活更久，跑在完全不同类型的 pod 上。 关键是保持 agent 循环、机器状态和对话状态解耦。agent 循环在 Temporal 里而非 VM 上，就能独立管理 pod 生命周期，在只读 VM 或预热 VM 上跑 agent。 对话层：分离了存储和流层。高效的只追加存储机制将对话更新流到 web 和桌面客户端。这一层处理重试——agent 循环的某步在流了部分输出后失败了然后重试了，客户端能检测、回退、展示新数据而不是旧的。 知道什么时候让开 早期不相信 agent，harness 每个任务后都检查、强制 commit、推送。现在把逻辑从 harness 移出来变成 agent 控制的工具。一年前多仓库设置需要硬编码 harness 行为。现在给 agent 仓库布局、分支和 PR 工具，让它自己决定。 harness 不会消失，但它包含的内容在变。Computer use 是个例子——云端 agent harness 有专用的子 agent 类型给 computer use，有自己的模型路由、custom prompt 和屏幕录制。但因为模型还没准备好自己处理 computer use，harness 保留了脚手架。 云端 agent 还需要不同的 prompt——鼓励更高自治性，因为本地 agent 能看见停了在等权限，云端可能是几小时后你才回来检查。 自愈式 agent 环境 未来不在"手把手管"和"放手不管"之间二选一。更好的模式是给 agent 理解和操作系统环境的工具。让它们能报告缺失密钥、网络被阻、环境阻止了进展，然后自愈。 原文：Cursor (Josh Ma), "What we've learned building cloud agents", 2026-06-02 #Agent工程# #云端基础设施# #Cursor#

分享 8 个我最近在用的 AI Coding Agent 基础设施开源项目,全部破万星,最高 68k ⭐ Agent 干活的两大瓶颈:反复 grep 找代码,和爆炸的上下文成本。这 8 个项目从压缩层、代码记忆、技能安全到长任务稳定性,基本覆盖了 Agent 工程化的关键缺口 1️⃣ headroom ⭐53k 日志/文件/工具输出/RAG 分块进 LLM 前先压缩,号称省 60–95% token。库 / 代理 / MCP 三种接入,本地优先、可逆。 上下文成本是长任务核心瓶颈,压缩层是省钱最直接的方向。 2️⃣ agent-skills ⭐68k 面向编程 Agent 的生产级工程技能集,把资深工程师的纪律(写 spec、测试、review、何时 ship)固化成结构化工作流,灵感来自 Google 工程实践。 Agent 默认走"最短路径完成",这个把不体现在 diff 里、却决定质量的环节补回来。 3️⃣ Agent-Reach ⭐45k 给 Agent "看见互联网"的能力,读取/搜索 Twitter、Reddit、YouTube、GitHub、B站、小红书。定位是能力层(选型+安装+体检+路由),一个 CLI、零 API 费用。 内容监控和自媒体选题神器。⚠️需登录的平台建议用专用小号,有封号风险。 4️⃣ OpenMontage ⭐28k 开源 Agentic 视频生产系统,把 AI 编程助手变成完整视频工作室。12 条流水线、52 个工具,支持纯免费本地链路(Piper TTS、FFmpeg、Remotion、开放素材)也支持付费云端。 从研究、脚本到剪辑合成的端到端流水线,内容人值得关注。 5️⃣ DeepSeek-Reasonix ⭐25k DeepSeek-native 终端 coding agent,围绕字节稳定的 prefix-cache 优化运行循环,长会话缓存命中 90%+、输入 token 成本大幅下降。单 Go 二进制。 DeepSeek 生态里的 coding agent,低成本、国内开发者友好。 6️⃣ Planning with Files ⭐24k 给 coding agent 基于 Markdown 的持久计划管理:长任务、上下文丢失/clear 后恢复、确定性完成校验、多 Agent 共享状态。本质是 Claude Code skill,兼容 60+ Agent。 Agent 做复杂任务最容易"忘记计划",解决的是长任务稳定性。 7️⃣ codebase-memory-mcp ⭐21k 高性能代码智能 MCP Server,把代码库索引成持久知识图谱,支持 158 种语言,亚毫秒查询,号称省约 99% token。单静态二进制、零依赖。 让 Agent 不再反复 grep,而是拥有可查询、可复用的代码库记忆。 8️⃣ SkillSpector ⭐11k NVIDIA 开源的技能安全扫描工具,安装前检测技能里的漏洞、恶意模式和潜在风险(68 个模式、17 类),输出 0–100 安全评分。 技能以隐式信任执行,是个基本没被审查的攻击面,装前先扫一遍。

一个人用 Claude Code 写代码，和一套 Agent 团队写代码，完全不是一个级别。 ECC 这个项目最近我觉得很值得研究。 它不是简单的提示词合集，而是一套面向 Claude Code、Codex、Opencode、Cursor 的 Agent 工程化系统。 GitHub 页面显示已经 192k stars，这个热度不是没原因的。 它真正有价值的地方，是把 AI 编程拆成了可复用的流程： 规划有人管 架构有人管 测试有人管 安全有人审 代码有人改 上下文有人记 有效经验还能沉淀成 skill 这才是 AI 编程下一阶段的样子。 不是你对着聊天框喊一句“帮我写个项目”。 而是你有一套规则、一组 Agent、一堆 Skill，把重复工作持续沉淀下来。 做工具站、做交易系统、做数据面板、做自动化脚本的人，真该研究这种框架。 🔗

问：上下文（Context）和上下文窗口（Context Window）什么差别？ 这两个概念经常被混用，但其实指的是不同层面的东西： 上下文是指 AI Agent 在执行任务时实际拥有的所有信息，包括系统提示词、用户的对话历史、检索到的文档、工具调用的结果、记忆模块注入的内容等等。你可以把它理解为“Agent 此刻脑子里装的所有东西”。上下文是一个动态的、可以被工程化管理的概念——哪些信息该放进来、什么时候放、怎么组织，这就是现在越来越多人说的 Context Engineering。 上下文窗口则是模型层面的一个硬性限制，指的是模型单次推理能处理的最大 token 数量。比如 128K、200K、1M 这些数字，说的就是上下文窗口的大小。它本质上是一个“容器的容量”。 打个比方：上下文窗口是你厨房操作台的面积，上下文是你实际摆在台面上的食材、调料、菜谱和工具。台面就那么大（上下文窗口有上限），但你放什么上去、怎么摆放（上下文的管理）决定了你能不能高效做菜。 在 Agent 开发中，一个核心挑战就是：Agent 需要的上下文往往远超上下文窗口的容量。对话越来越长、工具调用结果越来越多、检索的文档越来越大——这些都在消耗上下文窗口的空间。所以才需要各种策略来管理：摘要压缩历史对话、选择性检索而不是全量灌入、及时清理不再需要的中间结果等等。 简单总结就是：上下文（Context）是“内容”，上下文窗口（Context Window）是“装内容的容器”。做 Agent 工程的核心功夫之一，就是在有限的“上下文窗口”里塞进最有价值的“上下文”。

看完了 Claude Code 主席 Boris 的播客采访，他从去年 11 月起没有手写过一行代码，每天提交 10 到 30 个 PR，同时跑 5 个 agent。 听完 Lenny 对他一个多小时的采访，信息密度很高，分享一些我的收获。 1️⃣ Claude Code 的起源：一个人，两个赞 最初就是 Boris 一个人在 Anthropic Labs 搞的 side project，同期他也做了很多其他的side project，大部分都死掉了。 选了终端是因为一个人开发最简单，在内网发了篇帖子介绍，两个赞，没人觉得一个 CLI 能成事。 但是迄今为止这东西贡献了 GitHub 上 4% 的 commit，如果算上私有仓库，这个比例还会更高，Semi-Analysis 预测年底到 50%。 从两个赞到覆盖 50% 的 commit，中间只隔了不到两年，AI时代的产品进化速度可见一斑。 2️⃣ 核心产品哲学：为六个月后的模型而建 Boris 反复强调这一点，Claude Code 早期只能写 20% 的代码，他自己都不信任它。 但产品架构留好了扩展空间，等 Opus 4 一出来，PMF 瞬间 click。 现在做 AI 产品的人，最大的错误就是按今天的模型能力做产品设计。 你应该赌的是下一代模型。赌对了你起飞，赌错了你也没亏多少。 3️⃣ 委派，而非指示 很多人做 AI 产品的思路是给模型设计死板的 step 1 → step 2 → step 3 workflow，把模型当成一个系统里的函数来调用。 Boris 说一年前你确实需要大量 scaffolding 来兜底，但现在完全不需要了。 给模型工具，给它目标，让它自己想办法。 对于 Agent 开发者来说，这点尤其重要。别太迷信 LangChain、LangGraph、AutoGen 这类框架，别尝试用流程图把模型框住。 Agent 应该为目标负责，而不为流程、中间态、执行路径负责。 这就是 Claude Code 一直强调的：delegate, don't dictate。 4️⃣ 编程已经被解决了，接下来是工具和多模态 Boris 认为 coding 对模型来说已经基本解决了接下来的方向是让模型接入更多工具，让 Agent 能操作的东西变多。浏览器、API、数据库、部署流水线，全都会变成模型的手和脚。 更有意思的是他提到一个现象：提升模型 X 方向的能力通常也会提升 Y 方向。模型能力的增长不是线性叠加，而是能力之间互相加速。 这意味着一旦某个能力突破阈值，其他方向也会跟着跳一级。 5️⃣ 软件工程师这个岗位会消失，Builder 会出现 Boris 的判断：也许今年年底，AI 就能包揽 100% 的代码编写。 传统意义上的软件工程师将不复存在。取而代之的是一个集合了产品、研发、测试、部署的综合岗位，大概叫 Builder。 他观察到 Anthropic 内部已经在发生这种融合。设计师在写代码，PM 在跑 Agent，工程师在做产品决策。三个角色的边界已经开始模糊，50% 的日常工作其实是重叠的。 有个数据很说明问题：Boris 在推特做了个调查，70% 的工程师和设计师表示有 AI 之后更享受工作了。不是因为工作变少了，是因为终于可以把时间花在真正重要的事情上。 6️⃣ 自然语言是新时代的编程语言，编程语言是新时代的汇编 未来编程可能就是和 AI 交互。手写代码会变成和今天写汇编一样的存在：深入底层，写一些计算机能直接看懂的东西，极少数人需要做，大多数人永远不碰。 自然语言会变成新时代的编程语言。编程语言会变成新时代的汇编语言。 怎么理解要不要学编程这件事？Boris 给了一个非常精准的历史类比。和程序员最像的历史角色是 1400 年代欧洲的抄写员，垄断了所有的读写工作。古腾堡印刷术出来后 50 年，印刷量超过此前 1000 年的总和，价格暴跌 80%，识字率从 1% 飙到 70%，抄写员这个职业直接消失了。 编程正在经历一模一样的过程，你可以觉得这话狂。但说这话的人，曾在 Meta 负责过 Facebook、Instagram、WhatsApp 的代码质量基础设施，是那个时代最顶级的 infra 工程师之一。 他不是不会写代码，他是写了太多代码之后，深刻认识到代码从来都只是手段，build才是目的。 7️⃣ 200% 的提效，到底意味着什么 Anthropic 工程师人均 PR 数提升了 200%。 200% 听着好像还好，但 Boris 之前在 Meta 就是做工程生产力的，负责 Facebook、Instagram、WhatsApp 全线的代码质量基础设施。 在那个体量的公司里，工程效率提升几个百分点都是巨大的飞跃，足够写进年度 OKR 当 两点。 200%，是完全不同量级的事情。 这就是为什么他每天能 ship 10 到 30 个 PR 还觉得很正常，游戏规则已经彻底变了。 8️⃣ 代码现在是真的廉价 这个观点对老工程师的冲击最大。 AI 现在会写大量的即时代码，用完就丢，只是为了完成某一次任务。跑个数据分析、做个格式转换、写个一次性脚本，用完就删，毫不心疼。 之前代码是很贵的。你需要几年的学习成本才能写出能跑的东西，coding 和 debug 的时间成本都很高昂。 所以老一代工程师对代码有一种天然的珍惜感，写出来的东西要 review、要重构、要维护。 但现在代码的边际成本趋近于零。认识到代码很便宜，非常重要。很多老工程师过不了这个心理关，还在用写精品代码的心态对待每一行输出。这就像印刷术时代还在手抄经文。 9️⃣ 给企业的建议：别限制 token，别省钱 Anthropic 内部有些工程师每月 token 花费过十万美元。 Boris 的建议：给工程师无限 token 预算，让他们可以大胆探索落地想法，甚至允许 token 费用超过工程师本身的薪资。 听着疯狂？对比人均产出提升 200% 的数据，这笔账太好算了。真正有创造力的想法往往来自某个人不计成本地试了一个看起来太疯狂的点子，你限制 token 就是在限制创新的上界。 用 Boris 的话说：先别急着衡量 ROI，先让工程师用起来，价值自己会显现。 🔟 成为通才，而不是单一技能点的专家 Boris 给工程师的职业建议：尝试真正成为一个通才。只会一个垂直能力的人未来会越来越吃亏。 未来几年能获得最大回报的那批人，不只是 AI native、拥抱 AI 的人。还要充满好奇心，知识广博。 你还得懂产品、懂设计、懂用户心理、懂商业逻辑。 单点深入的价值在被 AI 快速拉平，广度 × 判断力才是新的护城河。 1️⃣1️⃣ 一些CC的使用建议 Boris 分享了几个 Claude Code 的实战 tips： 1.一直用最强的模型。经济型模型可能因为能力不够强需要多次尝试，最终的 token 成本也许比最强模型更贵。考虑到时间成本更是如此，目前最强的是 Opus 4.6 2.多用 Plan Mode。先让模型理解全局再动手，效果远好于直接开干 3.尝试多种使用形态。终端、桌面应用、移动端，每种形态适合不同场景。Boris 提到 Anthropic 的设计师更多用 Desktop App 里的 Code tab，不需要打开 IDE 就能调用同等能力 他还推荐写好 CLAUDE.md，这跟我之前分享的 Claude Code 最佳实践完全吻合。 最后的彩蛋：味噌哲学 Boris 是乌克兰人，加入 Anthropic 前住在日本中部乡下好几年，是整个城市唯一的工程师和英语使用者。每周骑车去农贸市场，和邻居交换自制食物，学会了做味噌和发酵食品。 主持人问他 AGI 之后的计划？继续做味噌。 一个在日本乡下做味噌的乌克兰人，回到硅谷造了个改变所有工程师工作方式的工具。 编程是建造的方式，味噌也是。工具会变，建造的欲望不会。 这种人你很难不服。

兄弟们，我用 Tanka + 禅道 实现了自动输出需求文档！ 先快速说一下 Tanka 是什么。它不是一个普通的聊天工具，而是一个AI-native 的下一代工作空间。最打动我的几个点： ✅️ Long-term Memory：它不是金鱼记忆，能把团队每天的对话、文件、决策、工具数据，持续沉淀成 AI 的长期记忆层。AI 终于开始记住你的团队了。 ✅️ Action Agent：不只是回答问题，而是能真正执行动作——自动创建审批、生成文档、操作 CRM、安排会议、跑 workflow。 ✅️ 100+ 应用双向打通：邮件、CRM、文档、Drive 都能接，而且不强迫你迁移数据，直接长在现有 workflow 上。 ✅️ 组织级 Skill/SOP 共享：不只是个人 prompt，而是团队可复用的资产，把 senior 员工的经验变成组织记忆。 传送门：🔗 然后说说我是怎么把它和禅道结合起来的。 五一前我想辞职 all in AI，被领导当场反杀："给你新开个 AI Agent 工程师岗，专职负责公司 AI 方向！" 我以为从此可以天天刷 B 站看论文没人管，结果上班第一天领导就丢过来："你先给公司提个效吧，PRD 能不能写快点？" 我：？？？ 写 PRD 有多折磨，懂的都懂。 禅道里需求零散挂着，会议纪要在飞书，历史决策在各种群聊，客户反馈散在邮件和 Notion……更崩溃的是，AI 问一句答一句，完全忘了我们团队上个月为什么定这个风格、哪个方案被否过。 每次都要我把背景重新喂一遍，我才是那个 AI 助手吧？ 现在完全不一样了。我把 Tanka 直接接进禅道 workflow： 1️⃣ Agent 自动拉取：从禅道拉最新需求 + 关联任务 + 历史 Bug 2️⃣ 结合长记忆：Tanka 的 Long-term Memory 把我们团队过去所有讨论、决策上下文、我的 AIGC SOP 都沉淀成了组织级记忆 3️⃣ 一键生成 PRD：触发 workflow，自动生成完整、规范、带我们自己团队风格的 PRD。不光格式漂亮，还真正懂业务——历史项目的隐性知识、关键决策背景自动带上 4️⃣ 自动同步落地：写完后 Agent 自动同步回禅道 + Google Docs + 飞书，需要审批直接创建审批流程 现在我不再是一个人追技术迭代了。Tanka 的 Action Agent 成了我真正的 AI Coworker——我负责 strategy，它负责 execution + 记忆 + 落地。 公司同事看到后都惊了："原来 AI 真能这么干活？" 辞职没辞成，反而让我把 AI 真正落地到了公司日常流程里。Tanka + 禅道这套组合，让我第一次感觉到：AI 不是聊天机器人，而是懂团队、记得住、能帮团队干活的下一代工作空间。 正在做公司 AI 选型、或者想把需求/PRD workflow 升级的朋友，欢迎来聊真实使用感受～

给 AI 编程 Agent 装“工程脑子”的仓库来了 这个仓库有点夸张，GitHub 232k stars 它叫 Superpowers，不是给人用的，是给 AI 编程 Agent 用的 现在很多人用 Claude Code、Codex、Cursor 写代码，但最大的问题是： AI 写得很快， 但经常不问需求、不写计划、不做测试， 最后看起来完成了，其实一堆坑 Superpowers 做的事，就是给 AI Agent 套一套真正的软件开发流程。 它会让 Agent： 1. 先问清楚你到底要什么 2. 再写设计方案 3. 拆成执行计划 4. 按 TDD 写测试和代码 5. 用子 Agent 分工开发 6. 写完做代码审查 7. 最后验证再收尾 说白了： 以前 AI Agent 像一个很猛但容易乱来的实习生； 装上 Superpowers 后，它开始像一个有流程的工程团队。 支持 Claude Code、Codex、Cursor、Gemini CLI、OpenCode 等一堆工具。 链接：

最近各家 AI Agent 又开始发力了～ 但我觉得目前的 Agent 还停留在一个十分受限的阶段： 它可以帮你分析、生成、执行一部分任务 一旦涉及钱包、身份、支付、部署、续费这些敏感环节 还是得用户自己上手操作 这就说明大部分 Agent 现在还是半自动化工具 还没真正进化成一个能长期在线的链上执行牛马 这次 @BNBCHAINZH 上线的 BNB Agent Studio，解决的痛点就在这： 一句提示词，就能把钱包、链上身份、支付、部署这些麻烦事一起打包处理，跑出一个属于你自己的链上 AI Agent 以前想做一个真正能在链上跑起来的 AI Agent，至少要研究学习一堆东西： 钱包要接、链上身份要搞、支付协议要接、AI 模型要调、托管环境还得自己部署 对于轻量开发者来说，光是这些前置工作就已经劝退一大半了 BNB Agent Studio 直接把这套流程简化成更顺手的工作流： 你在 Claude Code 或 Cursor 里描述自己想要的 Agent 它就可以帮你完成搭建和部署 Agent 上链以后，还会拥有自己的链上身份和钱包 我看完这套流程后，迫不及待地上手体验： 给我的感觉更像是一条完整的自动化流水线，把 Claude Code / Cursor、链上钱包、Agent 身份、支付和部署这些原本很分散的环节全部串了起来 对我这种非纯开发者、但又长期对 AI Agent 和链上应用感兴趣的用户来说，门槛真的下降了许多！ 以前看到链上 Agent，第一反应是很牛逼 但真要自己上手，基本会被各种配置和集成劝退 这次至少可以从一句提示词开始 先把想法跑起来，再慢慢完善 所以它已经不只是让 AI 帮你写代码这么简单了 更像是让 AI Agent 开始拥有自己的链上身份、钱包和运行能力 其中 Self-funding 这个机制我觉得非常有意思 这里要说清楚： 它不是挖矿，也不是躺赚收益 本质上是 Agent 会监控自己的 LLM 余额，并通过 x402 协议自动补充运行成本 这个逻辑很重要 如果一个 Agent 每次快没钱、快停机、需要续费时都要人手动介入 那它再聪明，也还是一个高级工具 但如果它可以自己处理一部分运营成本 那它才更接近一个能长期在线的链上执行单元 当然，BNB Agent Studio 目前还是更适合开发者、创作者，以及愿意折腾 AI Agent 的老哥 比如你可以做一个链上数据监控 Agent 也可以做一个自动执行特定任务的工具型 Agent 甚至结合 PancakeSwap 链上场景，让它按照你的策略去读取池子、调用合约、执行固定策略流程 重点不是让大家无脑冲什么收益 而是把过去很复杂的链上 Agent 开发门槛降下来 以前可能需要懂 Solidity、懂钱包集成、懂云部署、懂支付协议 现在至少可以从 Python + 自然语言开始切入 所以这次不是停留在 PPT 上面 CLI 已经发布，SDK 也能通过 pip 安装，并且已经跑在 BNB Smart Chain 主网上 底层还有 AWS Bedrock AgentCore 支撑 这就比很多玩具级 Demo 更加符合生产环境的需求了 我个人理解，BNB Chain 这次想推的 是把 AI Agent 变成链上资产的基础设施： Agent 有身份 Agent 有钱包 Agent 可以接任务 Agent 可以支付自己的运行成本 Agent 未来还可以暂停、恢复、迁移、转让，甚至进一步代币化 这条线真正跑通后，AI Agent 就不只是帮人干活的工具 它会逐渐进化成一个可以长期存在、可验证归属、可组合调用的链上实体 这才是我觉得有无限可能和未来的地方 对于普通用户来说，短期内没必要把它想得太玄乎 大家可以先把它理解成： 以前部署链上 Agent 是工程活 现在开始变成一句话就能尝试的产品体验 如果后面越来越多链上应用接入这种标准 那 BNB Chain 的 AI 生态可能会从单点工具，慢慢长成一套 Agent 网络 想体验的可以去看一下： #BNBChain# #BNBAgentStudio# #AIAgent#