AI Agents > Virtuals Robotics 从链上 ai 代理到机器人能够进入经济系统 @virtuals_io 真的在 all in 机器人赛道 Virtuals Robotics 也不是单独做机器人硬件，而是让 AI 代理，能够直接参与真实机器的任务、协作和结算 这个能力的核心，是他们推出的 Agent Commerce Protocol ACP 就是 Virtuals 在 robotics 的核心竞争力，可以把 ACP 理解为一套为机器准备的商业协议 正因为 ACP 的存在将链上代理的流程标准化，下面这些项目才不是零散的机器人创业公司，而是被拼进同一条路径 📌@BitRobotNetwork 从真实世界采集可训练的机器人动作数据 关键进展： SeeSaw 成为其第 5 个子网（SN/05） 已收集 25,000+ 真实机器人训练任务 覆盖系鞋带、折衣服等日常动作 FrodoBots Lab 在 2025 年完成 800 万美元融资 这些数据都是货真价实的，它们是机器人进入经济系统之前，必须先补齐的常识层 📌@PrismaXai 让人类经验变成机器人资产 > 构建远程操作协调层 > 众包高质量 VLA（Vision-Language-Action）数据 > 把操作者经验变成可激励、可交易的数据 2025 年的进展: > 6 月完成 1100 万美元种子轮 > 实时远程操作平台上线 > 顶级操作员累计 100+ 小时 实操 > 通过 RoboCon AI、大会和周刊，持续吸引操作者 📌@openmind_agi OpenMind 是目前最接近机器人经济操作层的项目 2025 年最重要的一步，是 ACP 正式集成进 OM1 开源机器人 OS 这直接带来了非常具体的变化： > 机器人可以通过语音指令 > 调用代理 > 跨协议分配 1000 USDC > 执行接近 10% APY 的 delta-neutral 策略 > 全流程本地完成，无云依赖 📌@xmaquina 机器人当作生产资产，谁拥有机器人，谁分享自动化收益 他们的路径是把机器人资产直接 token 化： 推出 $DEUS，社区优先销售（2026 年 1 月 8 日） 构建机器人 DAO 已演示首个 tokenized robo-cafe（peaq 链） 把机器人视作可以被持有、被分红、被治理的生产资料，脑洞大开，牛逼！ ⭕️Robotics 的终极方向就是将机器人开始在一个完整体系里工作、协作、结算 也是 AI Agents 往现实世界延伸的那一步 2026年注定是 robotics 井喷的一年

Cursor 的 Agents Window 是针对 agentic engineering 场景的 agent-first Zen mode 交互界面。 和 Claude Code / Codex / Conductor 这种把 agents 当一等公民对待的 desktop GUI 对齐。 搞笑的是目前这个界面的配色和 Cursor IDE 用的无法统一，看起来非常难受。

「Meet the Agents」深圳 AI Happy Hour 圆满收官！ 由Donut × MANIC × SONIC联合主办，G+LABS协办的「Meet the Agents」AI聚会，昨晚顺利收尾🎉 我们邀请了一批优质 KOL 和 AI从业者伙伴来到现场，围坐在一起聊 Agents、聊落地、聊趋势、聊未来。感谢每一位到场的朋友！ 感谢联合主办 Donut × MANIC × SONIC 的信任与支持！ G+LABS 会继续把这样的高质量活动做下去，也欢迎更多朋友加入我们！ #MeetTheAgents# #AIHappyHour# #深圳AI# #GLABS#

2026 是 AI Agents 从 demo 走向生产落地的一年。 我们很高兴在旧金山共同主办 AI Agent Builders Gathering！ 联合主办方：@CreaoAI @GoKiteAI @YottaLabs @kuseHQ 活动合作伙伴：@JELabs2024 @CollovLabs @gptdaoglobal 汇聚 Agent 生态全栈力量，从模型、推理到框架和实际应用，让 Builders 进行真实对话。 没有 panel。没有 fluff。只有 Builders。 🗓️ 5月8日 | 晚上6:00–9:00 | 📍旧金山 快速自我介绍 + 开放式 networking，饮品美食相伴🍽️🍷 如果你正在 Agent 领域构建，欢迎加入我们： 🪁 现场见！

🎉 GCC AI Agents Hackathon 圆满收官 —— 获奖项目揭晓！ 这是 GCC 发起、筹办的首次黑客松，我们没有外包给现成的活动方，而是自己一步步把它从零搭起来： - 拉起黑客松社群，聚拢真正想做事的开发者 - 持续输出内容与分享（让 AI 智能体像人类一样协作、从 Agent Demo 到可落地系统……）让大家更加理解GCC想要传达什么样的理念 - 同步参赛进展，陪着每一个团队从 idea 走到 Demo 同时，我们与 Berkeley 黑客松 @Beta_ucb 达成合作，GCC 作为 "Crypto & Agents" 赛道嵌入其中，在 4 月 26 日 Berkeley 现场打通线下参赛渠道，把北美的优秀开发者也带进了同一场评比。 4 月 27 日，线上线下项目统一集中评审，当场拍板奖项 👇 🏆 各赛道获奖项目 🔐 AI Security 🥇 AgentGuard · 700U 🏛️ 治理 Governance 🥇 Governance Lens / 治理透镜 · 700U ⚙️ 工作流优化 Workflow 🥇 GCC Telegram 治理與資助助手 · 700U 💰 资金分配 Distribution 🥇 ClawTrace · 700U 🥈 GCC Milestone Agent · 300U 📊 影响力评估 Impact 🥇 zentient-regen · 700U 感谢所有参赛选手持续打磨项目、提交了高质量作品 🙌 特别感谢评委团队 @nake13 @wong_ssh @SARAHWAGMI @jiangplus @odysseus0z 4.27 集中评审、当场拍板的辛苦付出 ）🫡 以及 @Beta_ucb 的合作，让这场黑客松延展到了线下、延展到了北美。这种跨地域、跨场域的协作模式，让我们看到了开源公共品资助网络的更多可能性。 期待下次再见！✨

OpenAI 的 Agents SDK 最近做了一次重要升级，增加了两个关键功能：内置沙箱执行环境和模型原生执行框架（Harness）。这次更新的目标，是帮助开发者更容易地创建安全可靠、能长时间稳定运行的 Agent。 以前开发者使用 OpenAI 的模型来搭建 Agent 时，模型本身的能力虽然够强，但实际运行环境却需要自己搭建。比如文件读写、代码执行、依赖安装、状态保存等基础功能都需要开发者手动处理，费时费力。 现在，SDK 自带沙箱执行环境，Agent 可以在这个统一受控的环境里读写文件、运行代码命令、自动安装依赖，还能保存状态。开发者再也不用从头开始搭建底层环境。 这个沙箱环境支持很多常见的云厂商，包括 Cloudflare、Vercel、Modal、E2B、Daytona 等，也允许开发者接入自己的解决方案。 此外，SDK 还提供了一个名叫 Manifest 的统一配置层，可以挂载本地文件或云存储空间，比如 S3、Google Cloud Storage 和 Azure Blob。从本地开发调试到正式生产上线，开发者只需一套配置就能搞定。 另一个亮点是 SDK 采用了模型原生的 Harness 架构，这种设计将 Agent 的状态保存和计算执行分离开来。这样一来，即便运行 Agent 的容器意外崩溃，也能快速恢复状态，继续执行任务，无需从头开始。此外，这种状态外置的做法也能有效保护敏感数据和凭证，避免因提示注入等安全漏洞导致数据泄露。 除了以上这些功能，SDK 还内置了 MCP 工具调用、Skills 渐进式能力暴露、AGENTS.md 自定义指令、Shell 工具命令执行、Apply Patch 文件编辑工具和灵活的记忆系统。这些以前需要开发者自己用 LangChain 等通用框架组合或手写的功能，现在全部内置在 SDK 中，由 OpenAI 针对自家模型专门优化。Oscar Health 的工程师反馈称，使用新的 SDK 才真正实现了临床记录处理工作流在生产环境中的稳定运行，远超此前尝试过的方案。 放眼行业，类似的生态竞争越来越激烈：Anthropic 推出了 Claude Code，Google 提供了 Agent Development Kit（ADK），现在 OpenAI 也将自家的 SDK 从轻量级框架升级为带沙箱、带状态管理的完整开发平台。对于开发者来说，选择哪个平台生态可能会比单纯选模型本身更关键。 当前 SDK 支持 Python，TypeScript 支持也正在开发中。所有 OpenAI API 用户均可直接使用，计费方式维持不变，仍然按照 Token 和工具调用标准收费。

Vercel 开源了 Open Agents，一个用来搭建企业自有编程 Agent 平台的参考实现。 CEO Guillermo Rauch 说：现成的编程 Agent 在大型代码仓库上表现不行，也不了解你公司的知识体系和内部流程，所以 Stripe、Spotify、Block 这些公司都在造自己的 AI 软件工厂。 Open Agents 绑定了 Vercel 自家的 Fluid、Workflow、Sandbox 和 AI Gateway 这套底座。但不管怎么说，Open Agents 给了一个可以直接 fork 的起点。 架构分三层：前端负责会话和认证，Agent 作为持久化工作流运行在 Vercel 上，沙箱提供隔离的代码执行环境。一个关键设计是 Agent 不跑在沙箱里面，而是从外部通过工具调用（文件读写、Shell 命令、搜索等）操作沙箱。这样 Agent 的生命周期、沙箱的生命周期、模型的选择，三件事互不绑定，各自演进。 功能上已经比较完整：支持对话驱动的编程 Agent、沙箱快照恢复、仓库克隆和分支操作、自动提交和发 PR、会话分享，甚至还有语音输入。 对于正在考虑自建编程 Agent 的技术团队，这省了从零搭架子的功夫。对于没有这个需求的开发者，这个项目的架构设计本身也值得看看，尤其是 Agent 和执行环境分离这个思路，几乎是当前所有 Agent 框架都在趋同的方向。 对比下 Anthropic 的 Managed Agents。 Vercel 的 Open Agents 是开源参考实现，给你一套可以 fork 的代码，自己部署、自己改。Anthropic 的 Managed Agents 是全托管服务，你通过 API 定义 Agent 的行为，基础设施全部由 Anthropic 运行，连沙箱、状态管理、错误恢复都不用操心。 有意思的是，两者在架构核心上达成了同一个共识：Agent 和执行环境必须分离。Vercel 的文档里专门强调"the agent is not the sandbox"，Agent 从外部通过工具调用操作沙箱。Anthropic 的工程博客用了一个更形象的说法，把 Agent 拆成"大脑"和"手"，大脑（模型和调度循环）不住在容器里，通过接口远程操控沙箱。 Anthropic 的工程博客还解释了为什么要这么做：早期他们把所有东西塞进一个容器，结果容器变成了"宠物"（Pet），挂了就什么都丢了，调试还得钻进去看，而容器里又有用户数据，安全上也过不去。拆开之后，容器变成了"牲口"（Cattle），坏了就换一个，会话日志（Session）独立存储在外面，随时可以恢复。 除了架构哲学，两者的差异很明显： 模型锁定方面，Open Agents 不绑定模型，你可以接任何 LLM。Managed Agents 只能用 Claude 系列模型，但换来的是 Anthropic 在 harness 层面做的 prompt caching、上下文压缩、自动恢复这些优化，这些东西自己搭很难做好。 成本结构方面，Open Agents 的成本是你自己的基础设施费用加上模型 API 调用费。Managed Agents 是三层计费：模型 token 费 + 每小时 0.08 美元的运行时费（按毫秒计，空闲不收费）+ 网页搜索每千次 10 美元。 控制权方面，Open Agents 给你完整源码，怎么改都行，但搭建和维护是你的事。Managed Agents 上手快（有人说 30 分钟就能跑起来），但你被限制在 Anthropic 提供的 API 能力范围内。

建议给你的 Agents（包括 OpenClaw）都投喂如下提示词，好好排查下是否存在这波 axios 被投毒事件影响： 参考下面这个方法排查一遍我们的环境是否存在被投毒的 axios@1.14.1 与 axios@0.30.4，及恶意模块 plain-crypto-js，不能漏，确保排查全面： Check for the malicious axios versions in your project: npm list axios 2>/dev/null | grep -E "1\.14\.1|0\.30\.4" grep -A1 '"axios"' package-lock.json | grep -E "1\.14\.1|0\.30\.4" Check for plain-crypto-js in node_modules: ls node_modules/plain-crypto-js 2>/dev/null && echo "POTENTIALLY AFFECTED" If setup.js already ran, package.jsoninside this directory will have been replaced with a clean stub. The presence of the directory is sufficient evidence the dropper executed. Check for RAT artifacts on affected systems: # macOS ls -la /Library/Caches/com.apple.act.mond 2>/dev/null && echo "COMPROMISED" # Linux ls -la /tmp/ld.py 2>/dev/null && echo "COMPROMISED" "COMPROMISED" # Windows (cmd.exe) dir "%PROGRAMDATA%\wt.exe" 2>nul && echo COMPROMISED

有没有人感兴趣一款整合你所有 agents md 文件的可搜索记忆库？我设想的是它能够自动整理本地电脑所有 workspace 的 md 文件，自动处理相关文件的多模态向量化，并支持部署到任意云服务以支持意图创作的自动化。