Salesforce 6 月 9 日周二一刀切掉 86 人。 裁员重灾区：Agentforce AI、MuleSoft、Marketing Cloud。 CEO Marc Benioff 同期公开口径：「Agentforce 年化收入破 10 亿美元。」 收入破 10 亿，转头裁自家 AI 团队。 更早被裁的客户成功（CSM）岗位被 AI 客服顶替后，企业续约率掉头往下。 AI 没接住，人也回不来。 OPC 圈一直在传「用 AI 替代客服成本降 90%」的样板间。 样板间自家先塌了。

可以留意一下AI软件里被错杀的股票，美股A股都有不少。 1. $Salesforce（CRM 赛富时） • 回调幅度：年内最大跌幅33%，一年跌幅44%，高点回撤接近50% • 当前估值：前瞻PE仅18倍，PS跌到4倍左右，处在近5年1%-2%历史极低分位 • 错杀原因：市场怕AI智能体取代CRM销售席位，客户大幅退订账号 • 真实AI落地（订单实打实） 自研AI智能体Agentforce，2026年AI相关年收入ARR做到14亿美元，增速114%；拿下美国陆军56亿美金十年大单；商业模式已经从卖账号，改成按AI完成业务结果收费，席位不仅没减少，还在新增政企大客户。 • 现金流：每年稳定147亿美金自由现金流，毛利率常年77%，企业客户粘性极强。 2. $ServiceNow（NOW）服务现在 • 年内跌幅接近35%，股价从高点近乎腰斩 • 错杀逻辑：AI自动化会替代企业办公流程软件，工单、人事运维软件被智能体接管 • 真实情况：AI流程自动化反而变成新增收费项目，大型企业政企数字化刚需；AI运维智能体订单连续超预期，客户续约率常年96%以上，估值已经压缩到2019年水平。

之前软件SaaS股暴跌 20-30%，因为有被AI取代的担忧 整体蒸发1-2万亿美元市值 黄仁勋最近预言传统SaaS将演变为AaaS，AI不会取代SaaS，而是使用SaaS AI agents会像人一样使用软件、浏览器、工作流软件等，而不是从0重造一切 AI软件股下一轮大牛市名单曝光 👇 1. CrowdStrike $CRWD AI时代最核心的就是安全，全球企业越来越离不开网络防护，属于长期高增长赛道 2. 甲骨文 Oracle $ORCL AI数据中心爆发后，Oracle 云业务和数据库重新起飞，大资金正在持续回流 3. 赛富时 Salesforce $CRM CRM SaaS领导者，嵌入AI copilots和Agentforce，提升产品粘性 4. 云通信 Twilio $TWLO 经历暴跌后开始重新突破，很多人觉得它已经跌废了，但往往大行情都从这种位置开始 5. ServiceNow $NOW 企业AI自动化核心玩家之一，目前估值已经回调不少，属于机构喜欢偷偷吸筹的位置 6. MongoDB $MDB AI应用离不开数据库支持，MongoDB 属于开发者生态非常强的长期成长股 7. Datadog $DDOG AI和云计算越火，企业越需要数据监控，属于典型“卖铲子”的公司 8. Snowflake $SNOW 虽然走势偏弱，但数据依然是AI时代最值钱的资产之一，后面一旦反转空间可能很大 9. UiPath $PATH AI Agent 最大受益方向之一，未来大量重复工作都可能被自动化替代 10. Salesforce $CRM 全球CRM龙头，公司正在疯狂把AI整合进企业办公生态，现金流非常强 你觉得这里面谁最可能翻倍？

兄弟们，很多朋友一直问：想入门 AI，到底该从哪里开始学？ 今天特意给大家整理一波各大厂官方 AI 学习资源，很多免费课程，从 0 开始系统补课，或者继续进阶，都能用得上。 ✅ OpenAI Academy 基础、ChatGPT 使用、AI 工作流、Agent 应用。想把 AI 用到日常工作里的，先看这个。 ✅ Anthropic Academy 官方课程，AI Fluency、提示词、MCP、Claude Code。想系统学 Claude 和 AI 协作的，看这个。 ✅ Google AI Learning AI 素养、职场应用、Google AI 工具，也有专业证书。非技术/初学者友好。 ✅ Microsoft AI Learning Hub AI、AI Agent、应用开发。办公用户、开发者、企业技术都能用。 ✅ AWS AI Training AI、Amazon Bedrock、云上 AI 开发。想搞云端 AI 的，走这条路。 ✅ NVIDIA Deep Learning Institute 加速和部署。想进阶到模型训练、推理和工程部署的，硬核选手选这个。 ✅ IBM SkillsBuild ✅ Hugging Face Learn LLM、Agents、Diffusion、强化学习、语音、视觉。开源模型和 AI 工程，动手党必看。 ✅ Salesforce Trailhead AI 在 CRM、销售、客服、企业流程和 Agentforce 里的应用。做 ToB、销售运营、企业数字化的，看这个。 ✅ Oracle AI Training AI、生成式 AI、机器学习、企业级 AI。学 Oracle 云和企业 AI 方案的，走这个入口。 建议收藏，别再只刷碎片信息了。 AI 这东西，入门不难，难的是持续动手。 先把基础概念、提示词、Agent、应用开发这些补一遍，再结合自己的工作场景去实践，成长会快很多。

卧槽，兄弟们！AI硬件已经干翻10倍了，软件却还在地板上趴着！ 这才是超级周期下半场真正的核弹机会！我直说很多人不敢说的真实感受：Nvidia涨10倍、存储涨10倍、光互连涨10倍…… 结果你打开手机，有哪个AI应用让你真觉得“卧槽，这直接重塑我的工作”？ 硬件的狂欢是真实的，但应用层的狂欢还没开始！ 这焦虑感我有，你肯定也有。 但焦虑就是不对称赔率的信号——所有人都在抢GPU的时候，软件还没动！ AI浪潮三阶段，记住了：第一阶段（2023-2026）：卖铲子的时代 已结束 Nvidia、AMD、存储、光互连通通吃饱第二阶段（2026-2027）：平台+入口之战 正在爆发 谁掌握数据和调用入口谁赢第三阶段（2027+）：应用层真金白银 即将引爆 谁有真实用户和真实收入谁称王现在就是从第一阶段冲向第二阶段的最爽过渡期！ $DOCN（DigitalOcean） 三个月前还被叫“廉价云”，现在单日拉40%直接翻倍！ 为什么？AI初创公司要便宜、灵活、低延迟的推理接口，AWS太贵、GCP太复杂，它刚好卡位。 AI客户ARR 1.7亿，同比暴增221%！ 标签已换：从廉价云 → AI推理首选平台！白嫖党福音！$TEAM（Atlassian） 所有人都说AI要干掉Jira，结果AI Agent反而把Jira当命根子！ Agent需要企业真实数据和上下文，全在Jira+Confluence里。 Rovo上线后，用Rovo的客户增速是非用户的2倍，AI把护城河直接焊死了！ 即将引爆的两个重磅：$SNOW（Snowflake） 企业AI Agent的大脑控制层！ 5月27日财报看三件事：产品收入、RPO增速、AI工作负载。 全超预期的话，SNOW就是下一个DOCN！现在低位磨底就是送分题。$CRM（Salesforce） Agentforce ARR已经8亿刀，同比169%！ 不是画饼，是真金白银企业在付钱！ 还能跨系统执行，Google Workspace、BigQuery、ServiceNow全打通。 这不是工具，这是企业工作流的新入口！ 最被低估的暗线（通信基建）：AI Agent越多，通信调用就越爆炸！ AI客服要打电话、发短信、做验证，每一个背后都是通信网络在扛。 $BAND（Bandwidth）：自己有全球网络，不是租的。Salesforce都选它做AI客服核心伙伴，低延迟就是命根子！$TWLO（Twilio）：语音收入同比+20%，19个季度新高！企业真金白银在买AI互动能力。我自己重仓看好：$NOW（ServiceNow）：企业IT和运营端的AI操作系统，重复工单、审批、合规全交给Agent干，AI是它的燃料不是对手！ $RDDT（Reddit）：AI最稀缺的高质量人类对话数据！Google、OpenAI都在谈授权，130附近就是铁底，数据资产王者！ $ZM（Zoom）：争议最大但赔率最高！AI Companion活跃用户暴增3倍+，Virtual Agent已处理50%客服。如果从“开会软件”变成全场景AI工作流入口……估值直接重写！ 最终总结：$DOCN、$TEAM、$CRM 等财报验证：$SNOW（5/27）、$NOW 暗线黑马：$BAND、$TWLO 高赔率反转：$RDDT、$ZM硬件是AI第一章，应用才是第二章。 第一章10倍的公司，第二章不一定是它们。 故事已经讲够了，接下来看财报里的真金白银！ 等数字一出来，就是软件股集体起飞的时候！兄弟们，硬件已经上天，软件还在低位趴着…… 你准备好上车下半场了吗？#AgenticAI# #AI应用#

AWS 资深专家解决方案架构师 Daniel Abib 在官方博客里算了一笔账：同步调用时，Lambda 的计费时长几乎等于 agent 思考的时长，等待本身在按全量计算计费。 《在无服务器流水线中异步调用 Amazon Bedrock AgentCore agent 的模式》 在无服务器流水线里异步调用 Amazon Bedrock AgentCore agent，可以消除你的 AI agent 处理请求期间的空转计算成本。一个常见的例子是文档校验：在房地产融资的后台办公室里，agent 可以读取房产记录或贷款合同，推理信息是否完整、一致，然后返回一个下游步骤据此行动的结论。Amazon Bedrock AgentCore 提供了一个平台，让你能用任意框架或模型大规模地构建、连接和优化 agent。 这类 agent 带来一个传统流水线步骤没有的特性：它们在回答之前要思考一会儿。思考多久取决于提示词、模型和文档，但很少是即时的，而这个延迟改变了你调用它的方式。最常见的首版实现是用一个计算服务（比如 AWS Lambda 函数）调用 agent 并等待响应。函数等待期间什么都不做，但它仍在运行，每一秒都在计费。 值得看清成本到底落在哪里，因为调用的两侧计费方式不同。Amazon Bedrock AgentCore runtime（Amazon Bedrock AgentCore 的一项能力）采用基于消耗的计费模型，agent 空闲时不收 CPU 费用。例如，在等待大语言模型生成响应、或等待工具或 Model Context Protocol（MCP）调用返回的这段时间里，你只按内存计费，不按 CPU 计费。调用 agent 的那个计算服务没有这种特性。发出同步调用的 Lambda 函数、容器或 Amazon EC2 实例会一直阻塞，在 agent 响应之前始终持有（并支付）完整的计算配额。所以浪费不在 agent 一侧，而在调用方——它挂在一个打开的连接上空转。 这就让调用方的成本跟着 agent 的运行时间走。阻塞在 agent 上的函数，计费时长几乎等于整个处理时间；而启动 agent 后立即返回的函数，只按短暂的派发计费。解法是在等待期间释放调用方的计算资源，等 agent 出了结果再恢复流水线。本文展示三种做到这一点的模式（task-token 回调、直接服务集成、durable function），并与阻塞式反模式对比。 示例流水线 为了让各模式在同等条件下比较，我们把每个模式都跑在同一条流水线上，只更换调用 agent 的那一步。这条流水线是一个刻意简单、虚构的场景（房地产融资文档校验），选它只是为了把编排讲清楚。它不是本文的重点，它代表任何先调用 agent（或其他慢服务）、再对结果采取行动的流程，你可以把自家用例代入。 流水线有五个阶段： 1. Extract：一个 Lambda 函数对文档做 OCR 和文本提取。（提取是模拟的，所以场景不需要真实文档。） 2. Identify：一个 Lambda 函数对文档分类并设置路由标志（shouldOrganize、shouldValidate）。 3. Route：一个 Choice 状态根据这些标志决定流程走向。 4. Organize and Validate：一个 Parallel 状态在组织文档的同时，让 Amazon Bedrock AgentCore agent 在另一个分支里做校验。这个 Validate 分支是各模式之间唯一变化的部分。 5. Result：一个 Lambda 函数处理 agent 的结论，决定下一步动作（批准，或退回修改）。 图示如下：水平流程依次是 Start、Extract、Identify、Route（Choice）、并行的 Organize-and-Validate 阶段、Result、End，Validate 分支被标为可更换，图例列出了它的四种实现方式：阻塞反模式、模式 1（task token）、模式 2（直接集成）、模式 3（durable function）。流水线本身在每种情况下保持不变，只有 Validate 分支被换掉来演示各自的调用模式。 同一个 Amazon Bedrock AgentCore agent 服务全部四种情况。agent 检查每次调用并选择如何响应：如果收到 AWS Step Functions 的 task token，就在完成时唤醒那个执行；如果收到 durable function 的 callback ID，就唤醒那个 durable function；两者都没收到，就直接在响应里返回结论。这意味着你可以更换编排模式，而不必修改或重新部署 agent。 agent 如何不阻塞调用方就把控制权交回来 机制是 agent 的 action group 里的一个"归还控制权"动作。agent 推理结束后，调用一个 Lambda，把结果和 task token 发回 Step Functions。（后面的模式 2 会让 Step Functions 直接与 AgentCore 集成，完全省掉这个 Lambda。） 下面这段代码是这个 Lambda 的核心： The tool the agent calls once it reaches a verdict @tool def conclude_validation(approved: bool, issues: list, summary: str) -> str: verdict = {"approved": approved, "issues": issues, "summary": summary, "source": "agentcore"} # A Step Functions task token was passed: resume that execution if task_token: sfn.send_task_success(taskToken=task_token, output=json.dumps(verdict)) return "Step Functions resumed." # A durable-function callback ID was passed: resume the durable function if callback_id: lambda_client.send_durable_execution_callback_success( CallbackId=callback_id, Result=json.dumps(verdict).encode("utf-8")) return "Durable function resumed." # Neither was passed: this is a synchronous call, return the verdict inline return "Verdict recorded." 入口函数根据同样的信号决定在后台跑还是同步跑： @app.async_task async def validate_document_async(prompt, document, extracted_text): # Background work; conclude_validation fires the right callback when done agent = build_agent() await agent.invoke_async(message(prompt, document, extracted_text)) @app.entrypoint async def handler(event): task_token = event.get("taskToken") # passed by the task-token pattern callback_id = event.get("callbackId") # passed by the durable-function pattern # Asynchronous: start the work and return "accepted" right away if task_token or callback_id: asyncio.create_task(validate_document_async(...)) return {"status": "accepted"} # Synchronous: run now and return the verdict in the response agent = build_agent() await agent.invoke_async(message(...)) return verdict agent 就位之后，本文剩下的部分聚焦于调用它的四种方式。代码和基础设施定义都是示例中的摘录，用来演示每种模式。 调用 agent：四种方式 先讲阻塞式反模式以确立基准成本，再展示避开它的三个模式。 阻塞式反模式 最直接的实现：在同一个 Lambda 函数里调用 agent 并等待答案。它能用，而且实现简单——这正是它如此常见的原因——但函数在 agent 思考的整个期间一直活着。 // The Lambda function blocks here until the agent responds const response = await agentcore.send( new InvokeAgentRuntimeCommand({ agentRuntimeArn: AGENT_RUNTIME_ARN, payload: new TextEncoder().encode(JSON.stringify(payload)), runtimeSessionId: sessionId, }) ); // The function stays alive and billed for the entire time the agent is thinking. 函数的计费时长最终大约等于 agent 的处理时间。后面三个模式消除这段空闲成本，各自做出不同的取舍。特别是模式 2 使用 Step Functions 对 AgentCore Harness (InvokeHarness) 的优化集成，完全去掉 Lambda。 模式 1：task-token 回调 + 派发函数 这个模式在路径里保留一个 Lambda 做自定义逻辑，但去掉空闲成本。Step Functions 用 waitForTaskToken 集成调用这个函数——传入一个 task token 后暂停执行。函数用这个 token 启动 agent，然后在几秒内返回。执行保持暂停，不产生任何计算计费，直到 agent 用这个 token 调用 SendTaskSuccess 恢复它。 // Start the agent, pass the task token, and return without waiting const response = await agentcore.send( new InvokeAgentRuntimeCommand({ agentRuntimeArn: AGENT_RUNTIME_ARN, payload: new TextEncoder().encode(JSON.stringify({ ...payload, taskToken })), runtimeSessionId: sessionId, }) ); // Returning here does not complete the step. Step Functions stays paused until // the agent calls SendTaskSuccess with this task token. return { dispatched: true }; 对应的状态从上下文取出 token，并设置超时和心跳作为安全网——这样沉默的 agent 会让执行干净地失败，而不是无限期停在那里： "ValidateDispatch": { "Type": "Task", "Resource": "arn:aws:states:::lambda:invoke.waitForTaskToken", "Parameters": { "FunctionName": "${ValidateDispatcherFunctionArn}", "Payload": { "taskToken.$": "$$.Task.Token", "document.$": "$.document", "extractedText.$": "$.extract.extractedText", "executionId.$": "$$.Execution.Id" } }, "TimeoutSeconds": 120, "HeartbeatSeconds": 60, "Next": "AgentCoreValidation" } 成本。 Lambda 函数仍然会跑，但只跑到启动 agent 并返回为止：几秒钟，无论 agent 之后要跑多久。你只为这次短暂派发付费，不为等待付费——因为函数在 agent 干活时已经关掉了。等待由暂停的 Step Functions 执行承担，它不为空闲计算计费。这是与阻塞版本的关键区别：阻塞版本里函数的计费时间跟着 agent 的处理时间走。 模式 2：直接服务集成 当你不需要围绕 agent 调用写自定义代码时，可以去掉派发函数，让 Lambda 完全离开路径。Step Functions 可以通过 AWS SDK 服务集成直接调用 Amazon Bedrock AgentCore，所以 agent 的响应直接流入下一个状态。Validate 分支于是变成单个 Task 状态： "ValidateDirect": { "Type": "Task", "Resource": "arn:aws:states:::aws-sdk:bedrockagentcore:invokeAgentRuntime", "Parameters": { "AgentRuntimeArn": "${AgentRuntimeArn}", "RuntimeSessionId.$": "States.Hash($$.Execution.Id, 'SHA-256')", "Payload.$": "States.JsonToString($.prep.agentInput)" }, "ResultSelector": { "raw.$": "$.Response" }, "TimeoutSeconds": 120, "Next": "ParseVerdict" } 成本。 路径里没有 Lambda，所以没有空闲的 Lambda 计算可付。Step Functions 承担等待，Standard 工作流按状态转换计费而不是按等待时长计费——处理期间的实质成本只有 agent 本身。 模式 3：Lambda durable function 如果你更愿意用代码而不是状态机来表达编排，Lambda durable function 给你同样的成本行为。用 @aws/durable-execution-sdk-js SDK，流水线阶段变成 context.step 调用，并行工作变成 context.parallel，等待 agent 变成 context.waitForCallback。等待期间函数挂起，不计计算费。agent 用 SendDurableExecutionCallbackSuccess 恢复它。 // Suspend the function until the agent calls back const result = await ctx.waitForCallback( "validate-agentcore", async (callbackId) => dispatchAgentCore(callbackId, document, extractedText, executionId), { timeout: { seconds: 120 } } ); 成本。 一个函数承载整条流水线，但挂起等待 agent 期间不按计算计费。你只为挂起之间短暂爆发的那几次执行付费——与 task-token 模式相同的经济性——而不是为等待付费。 测量差异 重点不是某个具体数字。agent 的运行时间随提示词、模型和文档变化。重要的是 task-token 模式里两个值之间的关系：Validate 状态活跃了多久，对比派发函数实际被计费了多久。我们测试中的单次运行让这个关系可见： Step Functions, ValidateDispatch state Returned (TaskSubmitted): 14:08:19 <- the function returned and shut down Resumed (TaskSucceeded): 14:08:34 <- the agent woke the execution State active ........ 19.6s Lambda, dispatcher function (CloudWatch REPORT) Billed duration ..... 4.8s Result: the state was active for 19.6s, but the function was billed for 4.8s. The ~14.8s in between is wait time with no Lambda function running. 在 Step Functions 的事件历史里也能看到同样的事：task-token 模式下，TaskSubmitted 事件（函数返回）与 TaskSucceeded（agent 恢复流程）之间隔着 agent 的处理时间。同步调用没有这样的间隔。 下表总结了每种模式下 Validate 分支（前面图示中高亮的部分）的实现方式： • 编排器：阻塞＝Step Functions；模式 1＝Step Functions；模式 2＝Step Functions；模式 3＝Lambda（代码） • 路径中的 Lambda：阻塞＝有，存活且计费；模式 1＝有，但提前返回；模式 2＝无；模式 3＝durable function 本身（挂起） • 等待期间的空闲 Lambda 计算：阻塞＝为整个等待付费；模式 1＝无；模式 2＝无；模式 3＝无 • agent 调用周围的自定义代码：阻塞＝有；模式 1＝有；模式 2＝有限（状态转换）；模式 3＝有 • 调用方与 agent 解耦：阻塞＝否；模式 1＝是；模式 2＝否；模式 3＝是 • 相对复杂度：阻塞＝最低；模式 1＝较高（token 和回调的 IAM）；模式 2＝最低；模式 3＝中等（检查点/重放） 读这张表时有一个提醒：总流水线时长不是有用的比较指标，因为它被 agent 自己的推理时间主导——每次运行都不同，而且在所有场景里基本相同。有意义的差异是等待期间你为多少计算付了钱，这由上表和计费时长读数体现。agent 运行时间增长时，派发函数的计费时间保持平稳。上面的数字来自单次运行，把它们当作这个关系的示意而非基准，请测量你自己的负载。 如何选择模式 下表总结了取舍，帮你选择模式： • 调用方成本：阻塞＝整个 agent 处理时间；模式 1＝几秒（仅派发）；模式 2＝零（无 Lambda）；模式 3＝几秒（仅派发） • 集成工作量：阻塞＝低；模式 1＝中高（IAM、心跳、超时）；模式 2＝低（单个 Task 状态）；模式 3＝中等（检查点-重放模型） • 业务逻辑位置：阻塞＝在 Lambda（前 + 后）；模式 1＝在 Lambda（前 + 后）；模式 2＝只在 Amazon States Language（ASL）（内置函数）；模式 3＝在 Lambda（顺序代码） • 最适合：阻塞＝原型、短 agent；模式 1＝自定义前后处理逻辑；模式 2＝纯编排、无自定义代码；模式 3＝单个函数里的复杂异步工作流 最佳实践 防 agent 永不回答。 给每个 waitForTaskToken 状态设置 TimeoutSeconds，让执行以 States.Timeout 失败，而不是无限期挂起。如果你的 agent 发送心跳，也设置 HeartbeatSeconds 以更快发现死掉的 agent。捕获错误并路由到失败或人工审核路径。 重试时使用稳定的会话 ID。 把 sessionId 设为从执行上下文派生的值（比如 Step Functions 执行名），这样重试会恢复同一个 agent 会话，而不是重新开始。task-token 模式里在派发函数中设置；直接集成模式里在 Task 状态参数中设置。 打开 AWS X-Ray。 在 Step Functions 和 Lambda 配置中启用 Tracing: Active。X-Ray 会精确显示 agent 思考了多久、调用方等待了多久，确认你的模式确实在间隔期间释放了计算。 按速度而不是按 agent 的负载来配派发函数。 派发函数只序列化请求并调用端点。256 MB 内存和 30 秒超时通常就够。重活都在 agent 那边。 成本 这些模式会产生 Lambda 计算、Step Functions 状态转换、durable function 执行存储的费用，以及所有方案共有的 Amazon Bedrock AgentCore runtime 和 Amazon Bedrock 模型推理费用。agent 和模型成本在四种情况下相同。架构只改变编排开销，以及阻塞反模式中浪费的空闲 Lambda 计算。当前价格请查看各服务的定价页。 结论 把 AI agent 放进流水线是简单的部分。让它被经济地调用，才是区分原型与生产设计的地方。阻塞在 agent 上的 Lambda 函数实现简单，却在悄悄烧钱——计费时间里的大部分都在等待。本文展示了三种规避方式：需要在路径里保留 Lambda 时用 task-token 回调；最简单的情况用直接服务集成；偏好用代码表达编排时用 durable function。三者由同一个 Amazon Bedrock AgentCore agent 驱动，它会根据被调用方式调整自己的响应。 完整示例（完整的 agent、状态机定义和 durable function）在 GitHub 的 sample-bedrock-agentcore-async-stepfunctions 仓库。想深入的话，可以看 Amazon Bedrock AgentCore 关于异步任务处理的文档。生产部署请使用 Amazon Bedrock Guardrails，对 agent 的输入输出实施负责任 AI 控制。 原文： #Bedrock# #Serverless# #StepFunctions#

看到 @Cloudflare 发布 Kitesurf，我第一反应是：能不能直接装进自己的 Hermes Agent？ 结果发现，它不是这么用的。 Kitesurf 跑在 Cloudflare Workers 的 V8 isolates 里，通过 Browser Run 提供网页读取、HTML 提取、截图和页面操作。它服务的是已经部署在 Workers 上的 Agent。 对长期运行的 Agent 来说，如果每个实例都自己起 Chromium，CPU、内存和稳定性都会变成持续成本。Cloudflare 把这部分放到了自己的运行环境里。 8 月 4 日，Cloudflare 发布 Wallets。8 月 6 日，Kitesurf 上线。 一个是 Agent 的可编程钱包，一个是给 Workers 上的 Agent 处理网页任务的能力。 同一天，@awscloud 发布 AgentCore Runtime instances，为生产环境中的 Agent 提供可长期运行、保留状态的托管实例。 也是 8 月 6 日，@MetaMask 发布 Agent Wallet。用户可以设置 spend limit、协议 allowlist，选择 Guard Mode 或 Beast Mode；交易执行前还会经过模拟、威胁扫描和 MEV 防护。MetaMask 官方列出的可接入框架里，也有 Hermes。 @CanPayAI 更早发布 Agent Wallet 时，已经把身份、钱包、支付额度和可执行动作放进同一套约束里：Agent 付款前，先锁定是谁在执行、能花多少、能做什么。 MetaMask 把这些边界带进链上交易；CanPay 则从 Agent 进入支付和结算的那一刻开始处理它们。 这些产品未必彼此关联，也不需要硬凑成同一套故事。 但 Agent 要在云端长期跑、处理网页、持有资产，并在预设规则下替用户执行任务——这些能力偏偏在几天内被不同公司接连摆到了台面上。 如果它们隔着几个月出现，可能只是各自的产品更新。 但现在，很难不让人联想：Agent 经济的第一簇火，也许已经在大多数人还没注意到的地方烧起来了。 来源： - Cloudflare Kitesurf｜2026-08-06 Introducing Kitesurf: The agent-first browser that runs in V8 isolates on Cloudflare Workers - AWS AgentCore Runtime instances｜2026-08-06 22:58 UTC 标题：Runtime instances: persistent compute for production AI agents on Amazon Bedrock AgentCore AWS Machine Learning Blog - MetaMask Agent Wallet｜2026-08-06 MetaMask Agent Wallet is live: self-custodial AI trading

BNB Chain 宣布上线 BNB Agent Studio，开发者可在 Cursor、Claude Code 等 AI IDE 中通过提示词生成并部署 AI Agent，系统支持自动完成钱包创建、身份注册和上链部署。每个 Agent 可通过 ERC-8004 获得链上身份，通过 ERC-8183 提供任务接口，并可通过 x402 协议使用预充值钱包支付 LLM 调用费用。该产品依托 AWS Bedrock AgentCore 托管运行，SDK 已支持 Python，目前已在 BNB Smart Chain 主网上线。

今日crcl最低跌到了67u/股 市值跌破了170亿美金 btc跌到了最低58000 usdc的发行量目前跌到了738亿u 与峰值相比btc跌了53% usdc的发行量与峰值相比只跌了10% 但即使如此 crcl还是跟随btc的趋势一起大跌 一个月前crcl140u如今跌了50%到70u不足 有人说是因为usdc增发不及预期 其实对比btc的跌幅由于beta是-50% usdc是-10% 实际crcl的成长速度是满足40%的 而且这还只是半年数据 短期内并不指望btc能大涨 带动usdc发行量增发了 但不管是币安上美股还是hype交易量增长 其实都在拉动usdc增发 各种RWA 以及越南等稳定币支付也在加速稳定币渗透 币圈如果还有牛市 稳定币会很快继续保持增发 币圈如果没有牛市 稳定币可能慢一点但是稳稳增长也是可预期的 ARC这里的收入和增长还没有计入crcl的财报 AI货币支付方面也有进展 5 月 7 日亚马逊云联合 Coinbase、Stripe 推出 Bedrock AgentCore Payments 预览版 底层完全依托 USDC 协议 支持 AI 智能体自主支付算力 无需人工授权设置单笔预算交易时效风控围栏 6 月 1 日官方发布完整技术白皮书服务开放 美欧亚四大区域云节点 AI 智能体不触碰私钥 由 Coinbase 托管钱包完成 USDC 毫秒级结算 6 月 15 日行业数据显示 接入该体系的 AI 机器交易 70% 使用 USDC 完成结算 所以crcl还是一只AI概念股 随着btc可能继续新低 crcl短线依然有下跌可能 但这主要是情绪而不是crcl的价值面真的变了 我每天使用ai也在每天使用稳定币 如果稳定币未来是万亿美金以上发行量 crcl的未来没有理由不是万亿美金的企业 守着一堆美元拿国债稳定收益 妥妥的钱矿 可能还是会被骂 但会保持继续买入 坚定持有 耐心等待

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#