我一直以为AI学习就是： 问一个问题，它给你一段文字，你自己慢慢读 然后看到这个项目，有点没反应过来 说一句"教我Python基础" 它自动生成课程大纲，每个章节变成独立的课—— PPT有AI老师配音讲解 有随堂测验实时批改 有3D可视化模型可以拖着转 有互动编程环境在浏览器里直接跑代码 多个AI角色同时在线，会主动发起讨论 会在白板上手写公式、画流程图 清华出品，18.8k星，MIT免费用 👉 你现在用AI学东西是怎么学的？ #AgentWorkflow# #AI教育# #开源工具#

我一直以为AI学习就是： 问一个问题，它给你一段文字，你自己慢慢读 然后看到这个项目，有点没反应过来 说一句"教我Python基础"， 它自动生成课程大纲，每个章节变成独立的课—— PPT有AI老师配音讲解， 有随堂测验实时批改， 有3D可视化模型可以拖着转， 有互动编程环境在浏览器里直接跑代码 多个AI角色同时在线，会主动发起讨论， 会在白板上手写公式、画流程图 清华出品，18.8k星，MIT免费用 👉 你现在用AI学东西是怎么学的？ #AgentWorkflow# #AI教育# #开源工具#

我以为企业微信这种地方 AI Agent进不去，只能手动点 然后发现企微自己出了个CLI工具 装完之后，Agent能干的事有点多—— 发消息、建文档、改智能表格 创建会议、管日程、增删待办 一句话描述任务，它在终端里直接跑 不是Webhook推消息那种程度， 是真的能读写数据、操作业务流程的那种 一行命令装Skill，接进Claude Code或者hermes-agent， 企微的东西就全在Agent工作流里了 2.3k星，MIT免费，企微官方维护 👉 你现在Agent工作流里有没有接企微？ #AgentSkill# #企业微信# #AgentWorkflow#

43 个可安装的 AI 编码 skills，一条 npx 命令同时装进 Claude Code 和 Codex——从模糊想法到合并的 PR，整个交付流程有了统一闭环。 《Agent 工作流工具包》 agent-workflow-kit 是一个把"想法 → 合并的 PR"完整开发流程打包成 43 个可安装 skills 的开源工具包，同时支持 Claude Code 和 Codex 两个编码 agent，来自一个德语项目团队的内部实践沉淀（README 自述）。 一条命令装机。 在目标仓库根目录跑 npx github:iKon85/agent-workflow-kit init，skills 和辅助脚本会同时写入 .claude/skills（Claude Code）和 .agents/skills（Codex）。装完跑一次 /setup-workflow，它会探测你的 issue tracker，把 label、GitHub Projects 的字段 ID 写进配置——board 脚本里没有任何硬编码的 ID。 四阶段闭环。 Plan 阶段有 grill-me / grill-with-docs 拷问需求、to-prd 把想法变成 Draft-PRD、to-issues 拆成原子 issue（1 个 slice 一个 issue，多个 slice 升成 wave anchor）；Execute 阶段是严格的 tdd 红绿循环和 implement；Land 阶段 make-landable 跑本地 CI 闸门，land 负责 push、合并 PR、清理 worktree，pre-commit 钩子自动挡坏提交；Learn 阶段 retro 做复盘，把教训写回 rules 配置。另有 codex-review / codex-build 用第二个模型交叉审查 plan。 更新不覆盖你的改动。 init 会记录每个文件的 sha256。update 时你自己改过的文件先备份成 .bak 再替换，或者用 own 声明某个文件永久归你，更新直接跳过。kit 无遥测、MIT 许可，43 个 skills 里有一部分改编自 Matt Pocock 的开源 skills，每个都带 THIRD-PARTY-NOTICES 标注来源。 可选的 wave 管理。 board-to-waves 把积压 backlog 聚类成主题波次；当 slice 之间文件不相交、spec 锁定时，orchestrate-wave 可以端到端落地整个 wave——每个 slice 派一个 implementer 进独立 worktree，常常 AFK 跑完。 适合想让编码 agent 从"聊天写代码"升级成"按流程交付"的团队或个人。要求 Node ≥ 20、Claude Code 或 Codex；repo 今年 6 月才开源，还在 0.x 迭代，流程文档和更新机制已经相当完整，建议先在项目里小范围试。 原文： #AgentWorkflow# #ClaudeCode# #Codex#

最近一直在找 Agent Dynamic Workflow 的替代方案。 一开始是沿着 Temporal 这条线找的。Temporal 很强，但如果只是想把 agent、脚本、数据处理、运维任务动态串起来，有时候会觉得整套体系有点重。 然后翻到了 Dagu，感觉方向很对。 单个 binary 就能跑，流程用 YAML 写，本地文件管理，带 Web UI，也不用额外起 DB 或 broker。 内置动作也挺多：shell、Docker、K8s Job、SSH 这些都有。比较惊喜的是还有 coding agent CLI 接进流程里。 我喜欢它的点是：流程本身就是文件，状态、日志、重试、依赖和界面都帮你兜住了。 对小团队、私有环境、个人自动化，还有 agent workflow 来说，Dagu 这种本地优先的路线反而很舒服。

最近看到几类 Agent workflow 相关工具： 移动端 code agent、CRDT 状态同步、Agent 组件注册表、可执行上下文层、隐私代理。 第一反应很容易是： 这个也想接一下，那个也想试一下。 但我现在反而越来越觉得，个人 AI 工作流最危险的地方，就是把未来产品形态提前硬塞进今天的工作流里。 对一个人或小团队来说，真正该吸收的可能不是工具，而是背后的几层问题： 1. 重要项目不能只靠聊天记忆 要有一套 agent 都能读到的上下文入口，最好是可查询、可验证、可复用的。 2. skill / hook / MCP 不能无限堆 经常救场的留下；很少改变结果、只是让人安心的压缩；老项目遗留的归档。 3. 敏感信息要有前置 gate 当你开始把更多本地上下文、日志、账号信息、项目资料交给 AI，隐私和凭证检查就不是“以后再说”的事。 4. 移动端更适合做控制面板，而不是新的复杂工作台 真正有价值的是 review、approve、dispatch、看结果，不一定是把所有工作都搬到手机上完成。 所以我现在对 Agent command center 的理解有点变了： 方向是对的，但个人系统不应该先追求“全接入”。 更重要的是分清： 哪些是今天能救场的机制； 哪些只是未来产品的影子； 哪些应该吸收成原则； 哪些应该坚决不装。 AI 工作流真正变强，有时候不是多加一层，而是知道哪一层暂时不要加。

为什么给 Agent 分工太细，反而会拖慢你 GitHub 最近有一篇文章讨论度很高，讲 Copilot CLI 怎么变得更「克制」。 不是更会写代码。 是更少乱派活。 这个点我觉得对我很有启发意义。 很多人一听到 agent workflow，就会本能地想多搞几个角色。一个负责搜索，一个负责改代码，一个负责测试，一个负责 review，一个负责写总结。 听起来很像团队协作。 但你真用久了会发现，有些任务一拆开，反而变慢了。 比如你只是想改一个按钮文案。 主 Agent 明明自己读文件、改一行、跑一下测试就结束了。结果它先派一个子 Agent 去搜索组件位置，再等子 Agent 回来，再自己判断，再派另一个子 Agent 检查样式。 本来一步能做完，硬是走成了三步。 这不是智能。 这是过度转包。 GitHub 这篇文章里有一个很好的判断，delegation isn’t free--委派不是免费的。每一次交接都会产生协调成本、工具调用、等待时间和误解空间。 这句话放到普通 AI 使用里也成立。 我们现在太容易把「多 Agent」当成高级感了。 好像一个任务只要拆成五个角色，系统就更专业。 但真实项目不是这样。 真实项目里，很多麻烦就死在交接上。 一个人查到的信息，另一个人没读懂。 一个 Agent 排除过的方向，另一个 Agent 又重新排一遍。 主 Agent 本来已经有判断了，子 Agent 又带回来一堆噪音。 最后你坐在屏幕前，看它们非常忙，心里越来越虚。 我自己现在判断要不要派子 Agent，会看三件事。 第一，这个任务能不能独立完成。 如果一个子任务不依赖主线判断，也不会频繁打断当前上下文，那它适合外包。比如让一个 Agent 去跑一组长测试，或者单独检查无障碍问题，或者检索某个模块的历史改动。 第二，它有没有专业增益。 安全审计、性能分析、可访问性检查、数据库迁移，这些确实适合专门的 Agent。因为它们有独立标准，有固定工具，也有一套和普通改代码不一样的判断方式。 第三，交接结果能不能被验证。 子 Agent 不能只回来一句「我查过了」。它必须带着文件、命令、结论、风险和下一步动作回来。否则主 Agent 拿到的不是帮助，是一团雾。 这三个条件其实都挺朴素。 能独立。 有增益。 可验证。 不满足这三条，就不要急着拆。 少派活，有时候真的会更快。 这对我们平时写 prompt 很有启发。 以后别再一上来就说： 「请你调用多个专家 Agent 分别分析。」 这句话看着专业，但很容易制造无效协作。 更好的说法是： 「先判断这个任务是否需要委派。只有当子任务独立、专业性强、结果可验证时，才交给子 Agent。否则由主 Agent 直接完成。每次委派前说明为什么值得委派，委派后返回证据和下一步决策。」 尤其是代码任务，过度委派很容易带来两个问题。 一个是上下文碎裂。 主 Agent 本来知道用户目标、历史决策、风险边界。子 Agent 如果只拿到局部任务，很容易做出局部正确、整体添乱的事。 另一个是责任漂移。 出了问题以后，主 Agent 说子 Agent 查过了，子 Agent 说自己只负责局部。最后没有一个角色真正对结果负责。 这在真实团队里也一样，人多不一定快。 交接多，反而容易把责任磨薄。 所以我现在更喜欢一种轻一点的 Agent 组织方式： 主 Agent 负责目标、边界和最终判断。 子 Agent 只负责明确的、可验证的、可以并行的任务。 所有子 Agent 输出都必须回到主线，被主 Agent 消化，而不是直接变成最终结论。 可以把它想成一个简单规则： 不要为了分工而分工。 只为了减少不确定性而分工。 如果委派之后，不确定性变少了，值得。 如果委派之后，只是多了一段看起来很努力的过程，不值。 很多时候，效率不是来自更多角色。 是来自更少没必要的交接。

推荐这篇文章，Together AI 的 ThunderAgent（ICML 2026 Spotlight）。 把 agent 工作流当成一个"程序"来调度，而非一系列无关的请求——单节点吞吐翻倍，8 节点近线性扩展。 Together AI 在 7 月 29 日发布了 ThunderAgent——一个面向 agentic 推理的高吞吐调度系统。ICML 2026 Spotlight 论文。核心贡献：把 agent workflow 抽象为"程序"而非"一系列不相关的请求"。 问题：KV Cache Thrashing Agent 工作流在两个阶段之间交替：GPU 密集的推理阶段和 GPU 空闲的等待工具返回阶段。当数百个 agent 并发运行时，各自的 KV cache 在每轮不断增长，竞争有限的 GPU 内存。 传统推理引擎（vLLM、SGLang、TensorRT-LLM）按请求级别调度——agent A 暂停等待工具调用时，它的 KV cache 被 LRU 淘汰腾出空间给 agent B 的 prefill。当 A 的工具返回，引擎必须从头重算 A 的整段对话历史，这又淘汰了 C 的 cache。高并发下，这种淘汰和重算的级联反应导致严重的吞吐量和延迟退化——论文称之为 KV cache thrashing。 能通过加 GPU 节点解决吗？不完全。现有多节点路由器（如 SGLang Gateway）把每个 agent 钉在固定节点上以保留 cache 局部性——但 agent 的上下文长度不可预测增长，某些节点被赋予长上下文 agent 导致内存耗尽，其他节点闲置。 能通过 KV cache offloading 解决吗？也解决不了。LMCache 和 HiCache 把 KV cache 卸载到 CPU 内存或磁盘，扩大了总容量但只是延迟 thrasthing。当并发 agent 的工作集超过所有存储层级时，淘汰恢复，同一个恶性循环重现。 ThunderAgent 的解法 ThunderAgent 在 agentic 客户端和推理后端之间插入一个轻量调度层。它将每个 agent 工作流抽象为一个可调度程序（program），追踪其执行阶段、KV cache 占用和节点位置。 Program-level admission control：监控每个节点的内存压力，选择性暂停低优先级工作流，减少竞争 cache 的程序数量。当被暂停的工作流准备恢复时，通过全局等待队列路由到容量最充足的节点。 多节点部署：用全局等待队列替代了基于 session 的静态节点绑定。暂停的工作流恢复时被路由到可用容量最多的节点，在 KV cache 局部性和多节点负载均衡之间取得平衡。 评测 集成在 Together AI 自己的合成数据生成管道里——就是产生 CoderForge 等数据集的那套基础设施。对比 SGLang 默认调度器： 单节点 8×H100（HiCache offloading），batch size 192： • SGLang：吞吐 390 token/s，平均延迟 65s • ThunderAgent：吞吐 803 token/s，平均延迟 10.6s 多节点（2→8 节点）： • 近线性扩展，16 GPU 到 64 GPU 吞吐从 671 增长到 2248 steps/min • 加速比随集群规模增大：2 节点 1.79× → 8 节点 2.39× 使用 一个 program_id 字段，OpenAI 兼容 API，直接适配现成的 offloading 和 speculative decoding。已被 SkyRL 和 NVIDIA Dynamo 集成。 GitHub： 论文： #AgentInference# #KVcache# #ThunderAgent#

AI 赚钱指南（2026 版） 不需要每个机会都参与，找到适合自己的机会就行 上游：卖资源 • 电力 • 数据中心 • GPU / 算力租赁 • 模型训练 • 模型 API • Token 转售 中游：卖能力 • Agent • Workflow • SaaS • 垂直应用 • 企业解决方案 • AI 外包与咨询 • 定制开发 下游：卖结果 • 帮企业赚钱 • 帮企业降本 • 帮个人提效 • 帮个人找工作 • 帮创作者涨粉 • 帮老板做决策 流量层：卖注意力 • 广告 • 自媒体 • Newsletter • 社群 • Affiliate • Sponsorship 教育层：卖认知 • 课程 • 培训 • 咨询 • 陪跑 • 企业内训 情绪层：卖陪伴 • AI 心理咨询 • AI 陪聊 • AI 陪伴 • AI 情感产品 资产层：卖可复制产品 • Prompt • Skill • MCP Server • Workflow 模板 • Agent 模板 • 数据集 • 数字商品 • 开源项目商业化 本质来看，其实所有 AI 生意最后都会落到五种交易： 卖资源，电、卡、Token。 卖工具，模型、SaaS、Agent。 卖服务，咨询、交付、定制。 卖流量，广告、媒体、社区。 卖信任，品牌、教育、陪伴。 AI 只是新的生产工具，赚钱的逻辑几乎没有变 变化最大的地方，是越来越多的行业开始从卖时间，转向卖自动化、卖结果、卖信任

2025年起，我反复强调的四个原则： 原则1，时代的第一性原理：LLM一定会越来越聪明，benchmark越来越高，context window越来越大，reasoning越来越长，价格越来越便宜，inference速度越来越快， 这是scaling law今天依然持续的具体方向，不用你质疑，这是你唯一的信仰和行业最大共识。 原则2， 管理学设计红利：从我提出“自动编程机”、行业提出vibe coding、SWE-Agent以来，从cursor到manus到metaGPT到claude code， 人们逐渐把LLM Agent抽象成人，把软件管理、工程管理、管理学等等所有方法论直接套在multi agent workflow上面，严格按照人类管理学的方式去拆分、review、执行、反馈、循环， 这一波很快红利也吃完了，因为 a. LLM Agent毕竟不是人，存在着memory有限、执行力有限、function calling工具有限等等局限；b. 人类用于管理学的各种方法，直接套在LLM Agent上有利有弊，红利迅速挖掘完，剩下的弊端大量存在，比如过度交流、七手八脚、随时停工等等。 原则3，LLM Agent的职位和定位：绝大多数人，把claude code当做一个工具，最终的产品是用工具来完成的，最终的代码也是人与SWE Agent一步一步interactively迭代产生、迭代review、迭代部署的， 而我反复告诉过所有人，也是我又一条首次提出的原创观点，multi agent未来越来越会变成本身的一个runtime，这个runtime就运行在production里面，产品和面向的对象消费的，不只是软件或者SaaS本身，而是这个runtime实时产生的内容， 所以claude code/opencode/codex/openclaw这些agent，本身将会越来越多地被嵌入到产品本身，在产品关键逻辑和决策中发挥作用， 而绝对不仅仅停留在开发层面，把产品仅仅局限在SWE Agent单向产出和部署的代码和服务上。 原则4，也是我一直强调的，就是当人们试用了SWE Agent这种强大工具之后，人们还有哪些low hanging fruits可以寻找？SWE Agent目前最适合解决哪类问题？ 我反复讲过的一点是，对于一个设计复杂、环境复杂、场景复杂、用户复杂、体量复杂、范式复杂、一切开放、一切无解的超级复杂系统，这并不是SWE Agent最擅长的领域，相反这些场景需要人去和环境、客户、场景、性能一点点迭代才能打磨好的产品， 比如微信的100种功能，Facebook的一大堆功能模块和十几年来迭代出来的极其复杂的infra，支付宝后面成千上万的基金和风控，这些都不是AI Agent能一次性解决的问题，相反这些场景和问题不仅高度开放，更高度依赖人的观察、人的设计、人的反馈、人的定义。 AI Agent最适合的场景，甚至是我原创提出goal driven（ a. 定义简单、干净、封闭（一道数学系、一个确定性最小系统、一个编译器、一种算法、一个lean证明、一个电路或者信号模拟、蛋白质模拟和预测、CAD设计与仿真、游戏关卡测试、行为经济学仿真，都是well-defined problems，都有非常明确且封闭的边界） b. 解决问题的搜索空间巨大（可能有100~10万种天马行空的解决方案，并且绝大多数都是错的） c. 容易验证，容易verify，验证的成本是设计成本的千分之一（比如编译器，设计可能需要几万行甚至几十万行，验证只需要2000个test case全面覆盖，或者一道数学题，解决需要100步，验证答案只需要带入或者lean编译这一步） 当然，写一段简单的代码，定义一个封闭、完整、定义完全的编程问题，符合上面这些定义， 但是设计一套巨大、复杂、开放、与现实世界深度绑定、高度耦合的系统，让这个系统复杂迭代、添加功能、沟通、review、工程管理、产品管理，这些问题都远远超出这个范畴，很明显是不符合这个要求的。 人们未来探索这些multi agent产品和场景的最关键出路，在于继续挖掘这一类问题，而不是盲目把agent比作一个人，乱套各种管理学方法。