周末窝在家里，花半小时学习它吧！ 别光刷短视频， 看下Anthropic的上下文管理的视频！ 2026年AI DevCon上，Anthropic的Lamis做了一场关于上下文工程的演讲。 整场演讲浓缩了过去一年Anthropic在上下文管理上的所有实践，从最简单的方案到最前沿的架构。 从Claude MD文件开始。 一个纯Markdown文件，放在会话开头，告诉Agent代码库结构、组织信息、个人偏好。 效果出奇地好：Anthropic的原话是"unreasonably effective"。（效果惊人出奇的好） 但问题也明显：文件越来越长，上下文膨胀，管理困难。 第二步是记忆工具。 让Agent自主决定何时读取、何时写入、何时更新记忆。全部在带内完成，也就是在会话上下文中进行。 Anthropic发现，在这种场景下，自主性运作得非常好。Agent比人类更擅长判断什么值得记住。 第三步是Skills。 核心思想是渐进式披露。 Agent只看文件顶部几行前言，决定是否需要加载整个文件。 Lamis的比喻很精准：就像房间里有一个书架，每次有人跟我说话，我扫一眼书单，看有没有相关书籍，然后取下来读。 不需要提前把所有知识塞进上下文。 第四步是文件系统。 把记忆系统建模为普通文件系统，用Markdown文件填充，Agent用bash和grep搜索。 不需要花哨的向量数据库，不需要专门的工具——Agent本来就擅长操作文件系统。 但当这些方案扩展到生产环境，问题就来了。 多个Agent同时写入同一个记忆文件怎么办。一个Agent写入错误信息到组织级上下文，所有Agent都会受影响。记忆过时了怎么办。 有人通过提示词注入向记忆中写入恶意内容怎么办。 Anthropic给出的解决方案是四个原则：版本控制（能回滚）、并发控制（哈希校验）、权限管理（组织级只读、个人级可写）、可移植性（干净的API，跨系统访问）。 然后是最有意思的部分：做梦。 带内记忆有一个根本性局限：Agent既要完成任务，又要管理记忆，这是两个竞争性目标。 而且Agent只能看到当前会话的信息，无法识别跨会话的模式。 做梦是一个带外的异步处理过程。 它取一段时间内的所有会话记录，交给一个专门的Agent分析。 这个Agent查看记忆存储，识别模式，提出更改建议。比如：所有地理学生都答错了同一个问题:说明课程中缺少了某个主题。 所有数学考试的答案都用弧度制而不是角度制,说明工具配置有问题。 做梦本质上是一个批量处理的"校长"，审查所有"学生"的作业，发现问题，调整"课程"。 它有自己的专用资源，不和任务执行竞争上下文。 Anthropic已经在生产中运行这套系统。 他们发现：Agent第二次执行任务时做得更好，成本降低（因为能一次性完成），延迟下降。 做梦的额外token消耗被任务本身的效率提升抵消了。 最后Lamis说了一句话值得记住：上下文工程是过去一年才真正发展起来的领域。 模型智能本身不会产生复利:它需要上下文来执行你交给它的具体任务。 而上下文工程的效果是倍增智能，即使模型本身变得更聪明，这个投资依然有价值。

📢速报｜Hermes v0.18「裁决版」7 大核心更新（精简干货） 因为我最近一直在使用Hermes Agent 构建三维交易体系和妖币交易系统，体验感觉还是蛮不错的！所以也会关注它的最新动态。 7 月 2 日凌晨，Hermes Agent 正式推送 v0.18.0「裁决（The Judgment）」 大版本，确实很不一样！ 「裁决版」属于系统性级重构优化：累计 1720 次提交、998 次代码合并、2215 个文件变更、关闭 949 个问题工单，绝非常规小更新。最大亮点不再是堆砌新功能，而是彻底解决 AI Agent 不稳定、不可控、无验收标准的核心痛点。 核心重磅信号：清空最高级故障！ 「裁决版」更新最关键的突破：仓库所有 P0/P1 最高优先级 Bug、高危问题全部清零。 以往 AI Agent 普遍存在任务中断、定时任务不稳、旧 Bug 反复、执行无保障等问题。v0.18 优先补齐稳定性、可靠性、任务兜底能力，对于长期将 Hermes 作为生产力工作台的用户，价值远超新增功能。 七大核心更新详解： 多智能体协同，升级为官方原生模型。 MoA（多模型协同思考）从手动玩法，变成可直接调用的官方模型入口。 多模型交叉验证、多角度分析，适配复杂决策、代码审核、长文本梳理、方案对比等高精度场景。简单查询无需启用，复杂、高风险、高要求任务优先使用，大幅提升答案准确率。 全流程可视化，告别黑箱！这点很赞！ 新增多模型思考过程可视化，可查看每个参与模型的独立判断、分歧点、最终聚合逻辑。 彻底解决 "只给结果、不知过程" 的问题，结果可追溯、可校验、可复盘，让多模型协作从 "玄学高级" 变为可控可信的实用能力。 重磅升级：/goal 新增「完成合同」机制，是本次最核心、最实用更新。 以往 AI 最大弊端：自行判定任务完成，敷衍收尾、遗漏步骤、不校验结果。 新增 Completion Contract 验收合同：用户可提前定义。 任务完成标准、结果验证依据、操作约束范围、禁止改动边界、终止触发条件。 所有任务按标准验收，不凭 AI 主观判断，适配代码修复、文件整理、数据清洗、项目调研等全场景，极大提升落地可靠性。 后台任务异步等待，流程闭环更完整： /goal 支持后台任务持续监听、等待结果回调。 可自动监控脚本运行、CI 执行、文件转换等耗时后台任务，不再提前结束、卡顿中断，实现长流程、多步骤任务全自动闭环。 /learn + /journey：经验沉淀 + 记忆可管理： /learn：自动沉淀操作流程、工作范式为可复用 Skill，一次训练、无限复用。 /journey：可视化记忆与技能迭代轨迹，支持手动编辑、删除纠错： 彻底解决 AI 记忆混乱、经验丢失、无法迭代优化的问题，打造个人专属 AI 工作流资产库。 系统级能力升级，正式成型工作台。 全面优化三大底层能力： 子代理 Subagents：任务拆分、并行执行，效率翻倍； Projects 项目工作台：告别单纯聊天模式，支持长期项目管理； Gateway 服务调度：多会话、多流程统筹调度，后台服务更稳定； Hermes 彻底从聊天 AI，转型为专业化、系统化的智能工作终端。 细节优化，降低使用成本： 长文本提示词编辑器优化，告别单行输入局限； 智能精简复盘逻辑，降低自我迭代的算力成本； 接入 Vertex AI，适配企业级模型部署场景； 稳妥升级四步流程。 最后小结： v0.18「裁决版」的核心变革：从 "能干活" 升级为 "靠谱、可控、可验收、可迭代"。 普通闲聊感知微弱，但重度生产力用户，本次更新大幅提升 AI 落地稳定性与专业性，建议优先升级、小任务试水、逐步承接大型工作流。 Hermes v0.18，Windows GUI 界面，非常友好，你值得尝试，跟上AI 时代的变革，打造属于你自己的交易系统和AI agent 工作流程和AI 助理。 Hermes GUI 官方下载链接： 打开官网后，页面会自动识别你的操作系统，点击 “Download” 按钮下载 Windows 版本的 .exe 安装文件。 #Hermes# #AI交易系统# #AIagent#

今天周一起床又是瀑布洗脸，BTC 跌破 77000，ETH 2100 摇摇欲坠，不过相对韩国 KOSPI 下跌 5% 的熔断已经算很坚挺了 尽管 X 时间线上骤然冒出很多“看空大师”，各路空论不绝于耳，但丝毫不影响 Base 链上进行的局部牛市，特别是一些 AI Agent 项目的表现尤其亮眼 1. $aeon ( @aeonframework BNKR系) 0xbf8e8f0e8866a7052f948c16508644347c57aba3 接着奏乐接着舞，从昨天 5M 又拉了一倍到接近 10M！它能持续拉盘的核心逻辑在我看来是： • 强明牌背景，aeon 是纯正的 BNKR 系血统，dev 又被 a16z 的创始人 @pmarca 关注 • 产品技术落地，aeon 可以理解为加强版龙虾 Openclaw，它本质上是一个 Agent 自治框架，用户只需要设置一次，它就能自己管理自己、自动批量创建多个 AI 机器人、全天候监控 Crypto 市场 2. $ETHY （ @ethy_agent Virtuals系） 0xC44141a684f6AA4E36cD9264ab55550B03C88643 拉了 20 个点到 4.3M 这是目前 Virtuals 生态最活跃的 AI Agent 项目之一了，相对于去年很火的 AXR swap 是青出于蓝而胜于蓝。交易量占据 ACP 协议（手续费 40% 用户回购 & 销毁 ETHY以及质押激励 ）和 aGDP 经济体量的半壁江山 这次拉盘的主要利好在于 5 月底要推出 V2 版本，支持移动端 app 和 Social trading 等功能 3. $MUTE （@Mute_swap Virtuals 系） 0xa023316FA5c85dADF008C611790B3235433e781e 拉了 30 个点到 4.2M 这个项目是做 Agent 主动型隐私的，最近专为 Virtuals 蜂群打造，推出的轻量化隐私安全插件（Widget）能让任何 Agent 一键接入 Monero 级别的匿名与防夹（MEV）保护 这次拉盘的主要利好在于官方明牌预告即将公开发售“私密收益池”，内测长达 4 个月、利用 $ZEC 和 $XMR 跑出了 33% 的平均月化回报，然后官方还透露 6 月关于收入用户的“大惊喜”，盲猜是回购+销毁 4. SIBYL（@sibylcap Virtuals系） 0x797f214a2CD64a4963A91Fa21c8C55Ec3EBa4714 拉了 50 个点到 4.5M 这项目是做链上自主系统的底层记忆基建，致力于解决 Agent 短时记忆的痛点。其“基于文件的记忆架构”在 LongMemEval Oracle 评测中准确率高达 95.6%（全球第 2），能让 Agent 跨会话拥有持久记忆与行为连续性 这次拉盘的主要利好在于核心“记忆层”代码审计进入尾声，官方透露即将进军多代理操作系统互操作性。官方还明牌效仿 VVV 和 DIEM 模型，质押 SIBYL 即可免费白嫖后续推出的高级 AI 记忆与工具产品 写这么多，我想表达的是其实 @virtuals_io 一直领跑 Base AI 赛道。无论是 Virtuals 团队还是生态项目项目，都一直在积极 Keep Shipping 落地的产品 相信价值发现是迟早的事，别因为 $VIRTUAL 短期表现不佳而 fade 它，不然等下一个主声浪到来会被啪啪打脸

《用 CPV 模型预测 AI 技术演进》 过去几年，AI 领域几乎每天都有新概念出现。 Prompt Engineering、RAG、Memory、Agent、MCP、J-space、Tool Use、World Model…… 大多数讨论都围绕一个问题展开： 下一个热点是什么？ 我更关心另一个问题： 为什么热点会依次出现？ 如果一种理论只能解释已经发生的事情，它的价值有限；真正有价值的理论，应该能够预测未来。 CPV（Cognitive Positioning Value）提供的，正是这样一种视角。 它关注的不是某项技术，而是反馈最终作用到了系统的哪一层。 ⸻ AI 的发展，本质上是反馈不断向深层沉淀 CPV 将反馈划分为五个层级： CPV1：行为（Action） CPV2：状态（State） CPV3：模型（Model） CPV4：结构（Structure） CPV5：边界（Boundary） 越往下，反馈改变的对象越深。 AI 技术的发展，几乎就是沿着这五层不断推进。 ⸻ CPV1：改变输出 这一阶段的代表是 Prompt Engineering。 Prompt 改变输入。 模型改变输出。 任务结束，一切恢复原状。 模型没有成长。 它只是完成了一次推理。 后来出现的 Prompt 自动优化、思维链（Chain of Thought）、提示模板，本质上仍然属于这一层。 它们提高了完成任务的能力，却没有改变模型本身。 ⸻ CPV2：改变状态 随后，人们发现一个新的问题： 模型什么都记不住。 于是，Memory 出现了。 长期记忆、用户画像、上下文管理、会话历史…… 反馈终于开始影响模型的运行状态，而不是一轮对话。 模型开始拥有“今天的自己”。 但这里仍然存在明显的局限。 Memory 越来越长。 越来越混乱。 越来越互相矛盾。 于是，新的结构压力出现了。 ⸻ CPV3：改变模型 真正的成长，不应该只是不断累积记忆。 而应该修改世界模型。 例如： 昨天认为用户喜欢苹果。 后来连续半年都选择安卓。 系统不应该同时保存两条冲突的信息，而应该形成新的理解： 用户真正偏好的是开放生态。 这里发生变化的已经不是 Memory，而是模型本身。 未来的 AI 一定会越来越重视： 记忆巩固（Memory Consolidation） 经验抽象（Experience Abstraction） 世界模型更新（World Model Revision） 它们共同指向同一个方向： 反馈开始改变模型，而不是继续堆积数据。 ⸻ CPV4：改变结构 随着模型越来越复杂，另一个瓶颈出现了。 一个网络承担所有能力，越来越低效。 于是开始出现： Planner。 Executor。 Memory。 Vision。 Reflection。 Safety。 它们逐渐成为不同的功能模块。 MoE、Tool Use、Agent、MCP、多智能体协作，都可以看作这一趋势的不同表现。 未来 AI 更像一个组织。 而不是一个越来越大的 Transformer。 反馈开始重组系统结构。 ⸻ CPV5：改变边界 这是最深的一层。 今天，人们谈论 AI，通常想到的是： 一个模型。 未来，AI 的边界会不断扩展。 浏览器。 手机。 电脑。 机器人。 汽车。 摄像头。 传感器。 云端。 其他 Agent。 这些都会成为 AI 系统的一部分。 到那个时候，我们讨论的不再是一个模型，而是一个持续运行的智能系统。 它的边界不断重新定义。 人与 AI 的关系也会随之改变。 ⸻ 为什么 CPV 能预测未来？ 因为每一层都会产生新的结构压力。 Prompt 足够成熟之后，系统开始需要记忆。 记忆足够丰富之后，系统开始需要学习。 模型足够复杂之后，系统开始需要重新组织。 结构足够完善之后，系统开始突破自身边界。 技术演进并不是热点随机切换。 而是上一层已经无法继续承载反馈。 新的层级因此诞生。 这是一种复杂系统普遍存在的演化规律。 ⸻ J-space 给了我们一个验证 Anthropic 最近公开的 J-space 研究，让人们第一次能够观察模型内部的工作空间。 很多人关注的是： AI 是否拥有了类似意识的东西。 我关注的是另一件事。 J-space 解释的是： AI 此刻如何思考。 CPV 解释的是： AI 为什么会演化到下一阶段。 两者回答的是不同的问题。 前者研究计算过程。 后者研究反馈如何不断向更深层沉淀。 它们并不冲突。 反而共同构成了一幅更完整的智能演化图景。 ⸻ 一个理论真正的价值 未来几年，还会不断出现新的技术名词。 也许叫 Workspace Editing。 也许叫 Self Evolution。 也许叫 Autonomous Organization。 名字会不断变化。 但如果这些技术仍然停留在同一层反馈，它们只是同一类问题的不同实现。 真正值得关注的，不是名字。 而是它让反馈深入了哪一层。 能够回答这个问题，才能真正理解 AI 为什么会这样发展，以及下一次技术跃迁会发生在哪里。 CPV 的意义，不在于解释某一项 AI 技术。 它试图描述的是： 所有能够持续学习的复杂系统，都遵循着同一种反馈演化规律。 因此，它不仅可以解释 AI，也可以预测 AI。

这简直就是WAIC最值得听的演讲。 刚刚进入 2026 年下半年，AI 的进展依然非常快，信息多得让人有点喘不过气来。 在这样的时间节点，再听听阶跃董事长、千里科技董事长印奇 WAIC 在主论坛开幕式上讲他对 AI 发展脉络的理解，还是让我很受启发。 我想写写自己的感触。前奏可能有点长，因为印奇提到说他发现过去 70 年来 AI 技术的发展脉络，呈现出高度的连续性。 恰好这段时间我在看《人工智能简史》，深有感触。记得丘吉尔说过，你能看到多远的过去，就能看到多远的未来。 1 过去 70 年，人工智能一直在解决一个问题：怎么让机器拥有接近人类的通用智能？ 最早影响很大的一条路线是符号主义。基本想法是把人的知识和推理过程写成一套符号与规则。 比如，如果发生 A，就执行 B。满足某几个条件，就可以推出一个结论。 这个思路很好理解。既然人会根据规则推理，那就把规则教给机器。可现实世界太复杂了，规则无法穷举。 后来，机器学习逐渐成为主流。人们不再试图把所有规则一条条写给机器，而是让它自己从数据中寻找规律。 比如给模型看大量猫和狗的图片，经过训练之后，它逐渐能够判断一张新图片里出现的是猫还是狗。 再之后，深度学习和大模型把这条路线推到了新的高度。尤其是过去几年，模型开始拥有比较强的语言理解、内容生成和推理能力。 AI 第一次能够比较自然地和人交流，也能够处理过去很难通过固定规则解决的问题。 顺着这个框架继续往下看，到了 2026 年，大模型其实又走到了一个新的节点。 大家有没有发现，去年国内几家大厂还在争论元宝、千问、豆包这些聊天产品谁能抢到用户入口。 今年，大家争抢的重点已经慢慢变成了 Agent 入口。 因为过去我们使用 AI，主要还是让它回答问题，或者完成一个很短的任务。 现在的 Agent 已经开始处理持续几个小时甚至几十个小时的复杂任务。而且，AI 对于编程语言的驾驭能力也逐步超过人类。 Agent 的条件已经成熟。AI 从模仿人类逐步开始在部分任务上超越人类。 2 还有一个让我恍然大悟的观点，印奇说他发现这些年 AI 的发展过程中，所有的重要里程碑都和语言紧密相关。 维特根斯坦说过：语言的边界，就是世界的边界。大概意思是，人能够理解什么，很大程度取决于语言。 没有语言描述的东西，人就很难思考。比如一个人如果没有颜色的概念，他就很难理解红色。 对 AI 也一样。 如果 AI 只理解自然语言，它主要能进入的就是文字、知识和对话的世界。我们告诉它一件事情，它能够听懂。 我们问它一个问题，它能够回答。这已经非常重要，但它的能力大部分还停留在语言里。 这两年，Agent 能力突飞猛进的原因之一就是因为模型充分掌握了编程语言。 因为代码可以调用 API、读取数据库、操作软件、修改文件、控制系统。 AI 一旦能够理解和生成代码，就相当于拿到了进入整个计算机世界的一把通用钥匙。 这也是为什么过去一两年，模型 Coding 能力如此重要。编程语言会扩展 Agent 的边界。 紧接着，还有一个判断：Agent 肯定会成为未来生产力的最小单元。 过去的软件，其实没有资格成为一个独立的生产单元。Excel 很强，Photoshop 很强，搜索引擎也很强，但它们仍然是工具。 真正理解目标、拆解任务、检查结果的，始终是人。所以过去一个组织里，最小的执行单元通常是一个人或者一个岗位。 Agent 带来的变化，是它开始能够独立跑完一段相对完整的工作闭环。 我们给它一个目标，它可以自己拆解、调用资源、执行操作、检查结果，然后交付成果。 打个比方，过去的软件像车床和传送带，每台机器只能处理一个步骤，需要工人在中间操作和衔接。 Agent 更像一个可以独立接收任务的工作站，原料交给它，它能够自己安排步骤，处理过程中出现的问题，最后交付一个相对完整的产出。 或者这么讲，过去的软件，本质上增强人的能力。而 Agent，会直接成为生产过程的一部分。 一旦 Agent 成为这种基本执行单元，整个生产力的组织方式都会跟着变化。 3 会发生什么变化呢？简单来说，印奇认为会出现新系统、新载体、新网络。我分别讲下自己的理解。 第一个是新的系统。 过去几十年，每次计算平台发生重大变化，操作系统都会随之变化。 PC 时代出现了 Windows 和 macOS，主要负责管理电脑上的硬件、文件和软件。 移动互联网时代出现了 Android 和 iOS，手机上多了摄像头、定位、通知和各种传感器，操作系统需要把这些能力管理起来，再开放给不同的 App。 到了 Agent 时代，操作系统需要管理智能体的身份、权限、记忆和协作等等。 所以演讲里提出了一个公式：智能体能力，等于模型能力 × Agent 操作系统能力。模型像大脑，决定 Agent 能不能理解和思考。 Agent OS 负责把模型和外部世界连接起来，给它提供记忆、工具、数据、权限和运行环境。 这一点我听完还是挺有启发的。从 PC 到移动到 Agent，每一次平台变化，操作系统管理的对象都不一样，这条脉络一拉出来就很清楚。 第二个是新的载体。 相信看到这里，大家就能理解为什么 OpenAI 会做硬件了。 移动互联网时代，手机这样的终端主要负责连接人与数字世界，所有操作都由人来完成。 到了 Agent 时代，终端会重新围绕 Agent 来设计。 比如过去出门旅行，我们需要自己打开地图、查看日程、搜索航班，再分别处理各种信息。 未来 Agent 可能已经知道我们的行程，看到航班延误之后，主动调整后面的安排，并把新的方案告诉我们。这完全是不同的逻辑。 所以这一轮所谓的 AI 硬件，真正要解决的，可能也不是在现有设备上增加一个聊天入口。 大家都在寻找一种更适合智能体长期存在、持续感知和随时行动的载体。 它可能仍然是手机，也可能是耳机、眼镜、汽车或者机器人。 具体最后会长成什么样，现在还很难判断，但可以确定的是，一定会有新的载体出现。 第三个是新的网络。 互联网连接的是人、信息和服务。到了 Agent 时代，还会出现大量智能体之间的连接，也就是 A2A 网络。 最近我就在公司里搭了一个很小的 Agent 局域网，让不同同事的 Agent 可以互相发送任务、同步进度。 比如我的 Agent 发现一个产品问题，可以直接把问题交给研发同事的 Agent，后者分析原因、尝试修复，再把结果发回来。 当然，这套东西现在还很早期。诸如权限怎么管理，传递的信息出了错又该由谁负责，都还没有成熟的答案。 但只要 Agent 能够独立承接任务，它们之间产生连接和协作，就是很自然的结果。一个 Agent 不可能擅长所有事情，它也需要寻找其他 Agent，分配任务，再把结果整合起来。 很有启发。提纲挈领。

一个法学生，从0开始用 Codex 搞出了 AI 记忆系统和视频商业化产品，YouTube 一个月涨了十万粉，教程全部开源。 每次看完逸尘老师的文章，总有一种坐不住的感觉，想立刻打开 Codex 试试。 逸尘 @gengdaJ 法学出身，后来一头扎进 AI 创业和内容创作。 他现在做的事情是用工具搭知识库、效率系统和视频变现流程，已经跑通了好几个 AI 产品的营收，YouTube 增长速度也很猛。 最让我服气的一点是，他把那些听起来很复杂的工具教学，做成了你照着走就能跑起来的东西。 不是那种“来看看我用了什么工具”就结束的分享。 他是从记忆管理怎么搭、多 Agent 怎么协作、视频怎么剪怎么发怎么赚钱，一步步拆开给你看，核心代码和框架是直接开源的。 看他发的东西，你会有一种感觉：这些工具不是什么遥远的概念，就是能马上拿来干活的。 早期逸尘老师主要是记录自己拿 AI 工具做项目的实验，分享一些心得和踩坑。 后来他发现大家真正缺的不是“这工具好不好用”，而是“我到底怎么一步步靠它做出点成果来”。 于是他开始整理 Codex 的进阶玩法： 从基础记忆优化到复杂的 Agent 记忆库，再到视频自动化和商业化，学习过程全公开，开源项目不断迭代。 后来我觉得转折点是他想通了一件事： 别光讲功能，要讲“从0到1怎么把这东西变成钱或者变成产品”。 把工具和真实问题、收入场景绑在一起，内容的吸引力一下子就不一样了。 那么我们可以从逸尘老师身上学到什么 一个是专注沉淀自我 他不是那种什么新工具都要碰一下的人，就是把 Codex 吃透，拿真实项目反复练、反复优化。 其实今天就可以选一个 AI 工具，挑一个自己想解决的问题： 比如搭个人知识库或者搞个视频处理流程——边做边记录关键步骤和踩过的坑。 另一个是他分享的形式 他会把复杂操作拆成清晰的步骤，配上具体案例和代码，有用的部分直接开源。 以后学东西的时候可以试试这个： 先写基础设置，再写进阶应用，最后加一个实际场景。 这样既巩固了自己的理解，发出来别人也能直接照着做。 还有一个是他始终在想“这东西怎么帮我省时间或者多赚钱”，不是为了学而学 每周花点时间想想，手头的工具到底怎么帮自己创造价值，然后小范围试试，记录结果，慢慢形成自己的一套东西。 第四件事——他会记录完整的创业思考。 不只讲成功的部分，避坑、走弯路、调整方向这些他也说。 把自己的 AI 学习和项目经历整理成笔记，定期回头看看哪些方法有效、哪些该换，进步会快很多。 法学的背景让他讲东西的时候特别注重框架感和能不能落地。 他能把技术操作翻译成普通人看得懂的清晰思路，还会分析风险和实际怎么走通，这点对不是技术出身的人特别友好。 自己学工具的时候有时也会陷进细节里，他的方式提醒我——多想想这东西到底服务于什么目标。 看完他近半年的推文，我有一种很强的感觉： 逸尘在用行动回答一个我一直纠结的问题——文科生怎么把 AI 工具真正用起来，而不是永远停在“了解”的层面。 他的做法是：专注一个工具、把过程拆开分享、绑定实际价值、记录完整过程。 这四件事结合在一起，就是一条可复制的从0到1的路。

字节最近开源了一个很值得关注的超级智能体项目： DeerFlow 2.0。 GitHub 已经 50.7k+ Stars。 项目地址： DeerFlow 是什么？ 简单说，它是一套面向复杂 AI 工作流的智能体框架。 它把很多开发者原本要自己搭的基础设施，直接打包好了： • LangGraph 状态机能力 • 多 Agent 协作 • 沙盒安全机制 • 记忆管理 • MCP 扩展 • IM 接入 • 报告生成 • 任务规划与执行 对个人开发者、创业团队、企业内部自动化来说，都可以直接拿来做复杂 AI 应用落地。 比如： • 自动研究报告 • 趋势预测 • 数据分析 • AI 播客生成 • 旅行规划 • 企业知识助手 • 自动化工作流 官方演示站： 里面有不少真实案例和视频 Demo，包括趋势预测、AI 播客、Titanic 数据分析、旅行规划等。 看完基本能理解它能做什么。 学习资料整理： DeerFlow 自动化研究工具保姆级使用指南 多 Agent 协作 + 深度研究 + AI 播客生成案例 这个项目真正值得看的地方，不只是“字节开源了一个 Agent”。 而是它把复杂智能体应用里最麻烦的部分，比如状态流转、工具调用、记忆、沙盒、协作、报告输出，都做成了可复用框架。 一句话总结： DeerFlow 2.0 更像是一个 AI 工作流底座。 不是只让 Agent 聊天， 而是让 Agent 真正开始做复杂任务。

你觉得小龙虾(openclaw)最大的一个优点是什么？ 对我来讲，他就是一个完整的人，我让他干活，我就可以不停的用人话跟他讲，直到他最终给我一个结论。我相信这个事，小学生也能做到。 只要你部署好了之后，你就不停的骂他，直到他完成工作。你要记住，它是一个完整的系统。 试问其他的像cc像agent,skill，他能这样做吗？ 当然作为一个人，他确实有自己的一些特点。 这里总结 OpenClaw 的以下主要优点： 角色定位更适合非开发者：使用 OpenClaw 时，用户扮演的是 PM（产品经理）角色，不需要关心实现细节，只需关注产出结果，覆盖面更广，降低了使用门槛。 长期记忆与自动化能力更强：相比 Claude Code 只靠一个 claude.md 做长期记忆，OpenClaw 配备了记忆管理（如向量搜索），能根据数月前的记录帮助决策和执行任务，并且具备自动化能力。 IM（即时通讯）入口控制：通过聊天消息的方式操控，支持手机端简单操控，不要求用户是开发者，让普通人也能轻松使用。 主动任务能力：能主动执行定时任务，比如早上发消息叫你起床、下午要下雨时主动提醒等，具备主动触发的能力。 Skill 技能体系：将 Claude Code Agent 的理念独立出来，加入了 Skill（技能）的概念，使其能力可扩展。 远程操控能力：可以远程点歌、远程启动应用等，突破了本地操作的限制。 趣味性与"尊贵感"：IM 控制的方式给用户一种"有人可以指挥"的兴奋感和尊贵感，产品体验上带来了情感价值。 产品形态差异化：从产品角度看，虽然底层能力可能类似，但这些细微差别（IM 入口、主动任务、手机操控等）造成了巨大的用户体验差异，是完全不同的产品形态。 没当过老板的，你知道这种感觉吗 #AI# #AIAgent#

黄仁勋进一步解释，为什么 Marvell $MRVL 能到1万亿美金市值？！ 老黄的底层逻辑其实就4点： 1. AI 已经开始赚钱了！ 过去AI是在烧钱训练模型，现在AI开始生产Token，Token又能卖钱。只要能赚钱，企业就会更加疯狂扩建AI，增加CapEx，而Marvell正站在这条产业链最核心的位置！ 2. 未来AI是无数Agent协同工作！ 当计算被拆散以后，最重要的就不再只是GPU，而是把所有GPU、CPU、内存和存储连接起来的高速网络。 而Marvell正是全球最重要的数据中心互联芯片厂商之一。 3. AI工厂规模正在加速扩张。 以后，每新增1美元AI算力投资，背后都需要更多交换机、光模块、DSP、定制ASIC和高速互联芯片。 Marvell 你就躺着数钱吧！ 4. 未来Agent不仅要推理，还要： • 访问互联网 • 调用工具 • 管理长期记忆 • 管理短期记忆 • 调度多个模型协同工作 这一切都要大量连接，不论是铜缆和光模块，铜不够用了，就光互联。 Agent时代全面到来，未来AI最大的瓶颈之一，不是算力，而是连接！