Xudong Han
@Xudong07452910
PhD ing @ University of Sussex | LLM & AI Agents 🎓
AI Agent Product Development
Sharing AI tech insights
DM for collab 📩
719 正在關注 15.2K 粉絲
DeepSeek 刚提出 Super-agent，LangChain 又发布了《Agents Are Going Async》，两篇文章放在一起看，感觉 Agent 的架构正在发生一个很重要的变化。
现在 Agent 越来越能干，但执行一个长任务时，人经常还得盯着 Session，等它跑完才能继续安排工作。
LangChain 在 Deep Agents 中引入了 Async Subagents，给出了一套很具体的解决方案。
主 Agent（Orchestrator）负责和用户交互，耗时任务交给后台 Subagent，每个任务都有独立的 Thread，启动后立即返回，不会一直阻塞主 Agent。
更实用的是，任务跑起来后依然可以控制。
比如 Coding Agent 正在修改代码，你突然想换个技术方案，主 Agent 可以把新指令发给后台任务，选择中断重跑，或者等当前工作完成后再执行。
还有个我挺喜欢的工程细节。
LangChain 把后台任务状态单独保存，避免 Context 压缩后丢失任务记录。任务完成后还能主动通知主 Agent，即使主 Agent 正在处理其他工作，或者等待人工审批，也有对应的处理机制。
这和 DeepSeek 的 Super-agent 思路很接近。区别在于，LangChain 更关注任务执行过程中的异步调度与控制，DeepSeek 则进一步探索通过 GitHub、飞书等事件主动发现和推进工作。
我觉得两者都指向一个趋势：Agent 正在从单个 Session 的执行循环，走向能够持续处理多项任务的工作系统。
以后 Agent 好不好用，可能很大程度上取决于你能不能放心把任务交出去，又能在需要时随时介入。
LangChain 原文：
顯示更多
AI 玩「狼人杀」已经会主动卖队友了，甚至能借此把自己洗成全场最受信任的人。
Dwarkesh 最近花了约 2 万美元，做了个挺有意思的 Agent Benchmark，叫 Clocktower Bench。
让 10–12 个 AI 分成好人和邪恶阵营，互相私聊、交换线索、编造谎言、公开投票，最后用 386 场比赛评估不同模型的表现。
有一局 GPT-6 Astra 假扮调查员，主动指认自己的邪恶队友。队友被处决后，身份得到验证，其他玩家反而更信任它，最后成功获胜。
但看完文章，我更关注另一个发现。
在这个 Benchmark 中，OpenAI 较新模型的领先优势主要体现在识破骗局上。它们会不断对照前后的证据，重新判断谁更可疑，而部分 Claude 模型更容易过早相信某条线索。
这让我想到平时做 Agent Eval，面对错误信息或相互矛盾的工具结果，Agent 能不能及时发现问题、修正之前的判断，其实很值得单独测试。
作者还开源了完整的评测 Harness 和对局记录，可以自己复现、分析，甚至和 AI 直接对战。挺推荐做 Agent 研究的朋友看看。
文章：
顯示更多
被 AI Engineer 大会创办人 swyx @swyx 翻牌子了😂，期待下一次大会在国内举办。
很推荐 Anthropic 刚发布的《The components of agent memory》，尤其是最近在研究 Agent Memory 的朋友。
之前看过不少 Memory 相关论文，这次可以从 Claude 的工程视角，看看它到底怎么管理、压缩和维护长期记忆。
文章有个很重要的设计，就是分层存储。
原始会话记录保留作证据，关键经验写入 Memory Notes，再通过 Dreaming 整理成相互关联的 Wiki。新会话只加载少量索引，需要时再查找详细内容。
比如 Claude Code 的 Auto Memory，每次只预加载 "MEMORY.md" 前 200 行或 25 KB，避免把大量历史信息塞进 Context。
文章中提到的 Dreaming 机制非常有意思。
Claude 可以在会话之外回查原始记录，合并重复经验、纠正错误记忆，甚至重新组织 Wiki，让过去积累的信息更容易被后续任务使用。
不过，维护这些记忆也需要额外计算。文章还发现，有些 Wiki 最后甚至比原始文档更大。
感觉 Agent Memory 还有很多值得探索的地方。如何让 Agent 留下真正有价值的经验，并在下一次任务中准确用上，可能比单纯追求记忆容量更重要。
原文：
顯示更多
非常感谢 Ronny @Ronny_MiniMax 在 AI Engineer 大会上的精彩分享！
我印象最深的是这句话: Harness Engineering 正在成为一门实验科学。AI 正在让工程回归科学方法的本质：提出假设、设计实验、观察结果，再通过验证不断迭代。
大家可以多关注 Ronny 老师，他经常会发一些前沿的技术Blog，非常值得阅读，大会上很多的观点都来自于他之前的Blog。
顯示更多
DeepSeek 刚提出 Super-agent，LangChain 又发布了《Agents Are Going Async》，两篇文章放在一起看，感觉 Agent 的架构正在发生一个很重要的变化。
现在 Agent 越来越能干，但执行一个长任务时，人经常还得盯着 Session，等它跑完才能继续安排工作。
LangChain 在 Deep Agents 中引入了 Async Subagents，给出了一套很具体的解决方案。
主 Agent（Orchestrator）负责和用户交互，耗时任务交给后台 Subagent，每个任务都有独立的 Thread，启动后立即返回，不会一直阻塞主 Agent。
更实用的是，任务跑起来后依然可以控制。
比如 Coding Agent 正在修改代码，你突然想换个技术方案，主 Agent 可以把新指令发给后台任务，选择中断重跑，或者等当前工作完成后再执行。
还有个我挺喜欢的工程细节。
LangChain 把后台任务状态单独保存，避免 Context 压缩后丢失任务记录。任务完成后还能主动通知主 Agent，即使主 Agent 正在处理其他工作，或者等待人工审批，也有对应的处理机制。
这和 DeepSeek 的 Super-agent 思路很接近。区别在于，LangChain 更关注任务执行过程中的异步调度与控制，DeepSeek 则进一步探索通过 GitHub、飞书等事件主动发现和推进工作。
我觉得两者都指向一个趋势：Agent 正在从单个 Session 的执行循环，走向能够持续处理多项任务的工作系统。
以后 Agent 好不好用，可能很大程度上取决于你能不能放心把任务交出去，又能在需要时随时介入。
LangChain 原文：
顯示更多
投资人说了，他们拒掉最多的就是围绕 RSI 创业的项目😂。
哈哈，多关注 Soren，做游戏算法和视频 Agent 的大佬，很开心一起同行高强度参加两天大会👀。
“做东西，不只是
把想好的自己表达出来
它也会让你遇见
原本不认识的自己”
和 @Xudong07452910 一起来参加 AI Engineer，完全感受到这里的 AI native 氛围。
@ryolu_ 的分享像散文诗：当我们什么都能做了，还知道自己想做什么吗？他不想要一个更会回应自己的世界，想保留一个能让他改变的世界。
not a world that no longer needs us. a world we have more ability to shape.
杨滢（屠龙的胭脂井）的观点很有趣：科学的本质是编解码——Science 是编码，engineering 和 technology 是解码。AGI 是最强的解码器，在编码最清晰的地方最厉害。编码不清、充满隐性知识的群岛，才是垂直 AI 该去填的海。
@Saccc_c 用 16 天在 Unity 里做出《小王子》，全网曝光超 4000 万。让人感叹 Opus 5.5 写代码、操纵 DCC 的能力。他说自己不太懂游戏和建模，最重要的是想法。
Manus 分享了自己的 AI native 协作方式，我也深深受用。组织方式要进化：多个任务的上限是人的注意力。真的需要一个 Super Agent，来减少对齐成本，而不是牺牲大量注意力。
Panel 上主持人问这些 VC 拒得最多的项目是什么。
王淮说，拒得最多的是 physical AI 里的世界模型，以及 RSI。关键是 RSI for what。
真格戴雨森更谨慎那些偏科研、还没想过技术和商业怎么结合的项目；更愿意看动手做出结果、有真实用户反馈的，像 Hypit。
之前曲凯也说到，更怀念 23、24 年，那时更纯粹。现在听得最多的是模型解锁了什么、用最新模型讲了什么故事。
对做游戏来说，目标就是两字：好玩。要从真实研发宣发侧需求出发去解决，而不应是世界模型那样一键生成。
要学会自己掌舵
在不确定里睡觉、吃饭
在空白里识别渴望
不再把浪当成命运
也不再把岸当成答案
回去继续做 Artstrio
继续遇见新的自己
顯示更多
是这样的，一点都不夸张，数据远比想象的重要。
很多做垂直 AI 应用的公司还没被吃掉，部分原因就是掌握一些行业数据，他们卖数据可能都比做业务赚钱。
顯示更多
大模型的数据生意：人类如何蒸馏自己
-当网上现成的文本越来越难满足训练需求，模型公司开始从人类的实际工作中收集数据。 2026 年初，中国模型公司开始行动，腾讯混元负责人姚顺雨直接管理混元数据团队；阿里将服务大模型的数据团队交给集团合伙人委员会成员范禹；字节在年中将 Seed 旗下 Global Data 团队升级为 AI 数据与安全部门，与 Seed 平行，服务所有大模型团队。
- 用户完成任务时留下的操作轨迹，成为模型训练最受重视的数据之一。一位互联网公司数据团队人士说，目前最迫切的需求是编程和工作两类。编程数据有两种用途：练习评测集中的题目，在排行榜上拿高分；或学习实际任务，比如开发游戏、搭建 3D 模型。据我们了解，需求最旺盛时，一些模型厂每天在编程数据上的投入可以超过 1000 万美元。
工作数据则要还原办公过程：从文件里找资料、读懂邮件中的要求和期限，再往表格里填数字、编辑文档、查询网页和数据库、调用工具。一位数据服务商创始人说，金融和法律行业的经济价值高，大量任务在线上完成、以 Office 文件交付，是比较理想的训练环境。
- 一条人工数据售价从几百元到上万元不等，一批通常至少 1000 条。海外报价的数字相近，单位则换成美元。一位 Seed 后训练团队人士说，员工为 AI 陪伴产品猫箱编写对话，用户说一句、模型回复一次算一轮。一条长数据有 100-200 轮，审核通过后报酬基本能上千元。参与者有编剧、文学创作者，也有审核和编辑人员。“有的人一个月就能拿上万元。”一位在 AI 数据平台兼职的法律行业人士说，她每月交付约 40 条数据，拿到 2 万多元，平均每条约 600 元。第一次做一条花了 75 分钟，熟悉后约半小时。
- 还有一些交易不在明面上。创业公司攒下一批模型厂商账号，转卖 API 调用服务，再出售调用产生的数据。另一些公司从模型公司内部人员手里买数据，转卖给同行；经手人可能在算法、工程、基础设施或采购岗位。部分交易靠回扣维系，单笔合同数百万元乃至上千万元，内部人员从中分成。“每天就像是在捡钱。” 一位数据供应商说。
- 模型公司很难全靠自己生产数据。外部供应商愿意一份数据卖多家。但大厂则普遍愿意支付 3-4 倍溢价，永久买断或限时独占。今天合格的训练数据，半年后可能只剩一成有用。等竞争对手能买到，价值已经不同了。
- 大厂高价买断数据，但买家仍得知道自己要什么。蚂蚁买金融数据时，会把一个投研报告类需求拆成上百个案例、十多个子类，写清每类多少篇、案例什么样。“做蚂蚁的项目很多时候是亏钱的。” 一位服务商说，细致的要求增加了交付难度。
- 在 DeepSeek，绝大多数员工从事数据相关工作。“梁文峰偶尔也会参与数据标记。” 一位 DeepSeek 人士说。姚顺雨接手混元后，重新清洗已有数据、迭代基础设施，让混元 3 Preview 明显超越前代；正式版再优化后训练数据、扩大强化学习规模，能力又有提升。
- 数据工作的重要性上升，但数据生产人员的收入不一定能跟着模型能力涨。一位头部互联网公司的研究员说，公司一支团队做了 1 万条数据，训练效果很好。很多参与者月薪只有 8000-9000 元，按 18 薪算，一年不到 20 万元。同一公司的算法人员，年薪包则在 1000 万元左右。效果上去了，奖励主要给算法团队；数据做得好坏，员工到手的钱差别不大。
- 最近一年，多个公司的后训练团队往往每一两个月就要发一个版本，研究员从早上 10 点半工作到深夜，休假也带着电脑。“本质上大家在技术路径、数据处理和质量上都拉不开代差，就看谁先发出来。” 一位后训练研究员说，“很多事拖个两三个月，做出来也没了意义。”
- 为了加快训练，研究员开始让模型参与数据生产和研发。他们指挥模型批量收集、修改数据，再让更强的模型检查结果。OpenAI 披露，编程 Agent 已参与研究员的日常工作，包括写实验代码、跑测试和排查基础设施故障；Anthropic 也称，Claude 曾在约 2 小时内完成一项通常需要工程师两三天的故障排查和修复工作。
- 研究员把各行业专家的知识、经验和判断做成数据，训练模型接手他们的工作。现在，模型要学的，也包括研究员每天正在做的事。
顯示更多
“做东西，不只是
把想好的自己表达出来
它也会让你遇见
原本不认识的自己”
和 @Xudong07452910 一起来参加 AI Engineer，完全感受到这里的 AI native 氛围。
@ryolu_ 的分享像散文诗：当我们什么都能做了，还知道自己想做什么吗？他不想要一个更会回应自己的世界，想保留一个能让他改变的世界。
not a world that no longer needs us. a world we have more ability to shape.
杨滢（屠龙的胭脂井）的观点很有趣：科学的本质是编解码——Science 是编码，engineering 和 technology 是解码。AGI 是最强的解码器，在编码最清晰的地方最厉害。编码不清、充满隐性知识的群岛，才是垂直 AI 该去填的海。
@Saccc_c 用 16 天在 Unity 里做出《小王子》，全网曝光超 4000 万。让人感叹 Opus 5.5 写代码、操纵 DCC 的能力。他说自己不太懂游戏和建模，最重要的是想法。
Manus 分享了自己的 AI native 协作方式，我也深深受用。组织方式要进化：多个任务的上限是人的注意力。真的需要一个 Super Agent，来减少对齐成本，而不是牺牲大量注意力。
Panel 上主持人问这些 VC 拒得最多的项目是什么。
王淮说，拒得最多的是 physical AI 里的世界模型，以及 RSI。关键是 RSI for what。
真格戴雨森更谨慎那些偏科研、还没想过技术和商业怎么结合的项目；更愿意看动手做出结果、有真实用户反馈的，像 Hypit。
之前曲凯也说到，更怀念 23、24 年，那时更纯粹。现在听得最多的是模型解锁了什么、用最新模型讲了什么故事。
对做游戏来说，目标就是两字：好玩。要从真实研发宣发侧需求出发去解决，而不应是世界模型那样一键生成。
要学会自己掌舵
在不确定里睡觉、吃饭
在空白里识别渴望
不再把浪当成命运
也不再把岸当成答案
回去继续做 Artstrio
继续遇见新的自己
顯示更多
你是否需要很长的上下文？
NVIDIA 新论文标题给了一种答案:《You don't need long context》。
现在模型的 context window 越做越长，128K、256K、1M 已经很常见。
但论文先指出一个很现实的问题：context 越长，后面的 token 越贵。
在他们测试的开放模型上，256K context 相比 16K，每个输出 token 的推理成本高出约 3.6–7 倍。
作者于是做了一件很简单的事：
让 Agent 定期「压缩」自己的工作状态。
对话变长以后，把当前进度、关键发现和下一步计划总结成一个更短的 semantic state，再从新的 context 继续执行。
原始历史依然可以保存，需要时再选择性读取；模型没必要每一步都把全部历史重新塞进 context。
结果在 6 个长时任务上，Claude Opus 4.5 和 GPT-5.6 Sol 即使把 context 压到很短，整体准确率依然基本保持稳定；估算推理成本分别最高降低约 8.8× 和 5×。
他们甚至测试了一个更极端的版本：
Agent 每执行一个动作，就重新压缩一次 context。
性能依然没有崩。
这也引出了论文里一个挺有意思的概念：Semantic State Space Model。
未来长时 Agent 也许不需要维护一条越来越长的聊天记录，而是持续维护一个小而清晰的「当前状态」，执行一步，再更新一次。
长 context 当然有价值，但很多 Agent 任务真正需要的，可能是更好的状态管理和按需检索。
把所有历史一直带在身上，未必是最好的长期记忆方式。
📎 arxiv:
顯示更多
非常感谢 Ronny @Ronny_MiniMax 在 AI Engineer 大会上的精彩分享！
我印象最深的是这句话: Harness Engineering 正在成为一门实验科学。AI 正在让工程回归科学方法的本质：提出假设、设计实验、观察结果，再通过验证不断迭代。
大家可以多关注 Ronny 老师，他经常会发一些前沿的技术Blog，非常值得阅读，大会上很多的观点都来自于他之前的Blog。
顯示更多
你是否需要很长的上下文？
NVIDIA 新论文标题给了一种答案:《You don't need long context》。
现在模型的 context window 越做越长，128K、256K、1M 已经很常见。
但论文先指出一个很现实的问题：context 越长，后面的 token 越贵。
在他们测试的开放模型上，256K context 相比 16K，每个输出 token 的推理成本高出约 3.6–7 倍。
作者于是做了一件很简单的事：
让 Agent 定期「压缩」自己的工作状态。
对话变长以后，把当前进度、关键发现和下一步计划总结成一个更短的 semantic state，再从新的 context 继续执行。
原始历史依然可以保存，需要时再选择性读取；模型没必要每一步都把全部历史重新塞进 context。
结果在 6 个长时任务上，Claude Opus 4.5 和 GPT-5.6 Sol 即使把 context 压到很短，整体准确率依然基本保持稳定；估算推理成本分别最高降低约 8.8× 和 5×。
他们甚至测试了一个更极端的版本：
Agent 每执行一个动作，就重新压缩一次 context。
性能依然没有崩。
这也引出了论文里一个挺有意思的概念：Semantic State Space Model。
未来长时 Agent 也许不需要维护一条越来越长的聊天记录，而是持续维护一个小而清晰的「当前状态」，执行一步，再更新一次。
长 context 当然有价值，但很多 Agent 任务真正需要的，可能是更好的状态管理和按需检索。
把所有历史一直带在身上，未必是最好的长期记忆方式。
📎 arxiv:
顯示更多
很高兴在我的时间线上看到越来越多的在读 PhD 或者 PhD 都开始尝试运营自己的 X 了。
很惭愧的是，我五月份开始决定好好运营自己账号时，都不好意思告诉身边人😂，怕别人感觉自己“不务正业”，不好好搞学术，因为运营账号是要付出很多时间成本的，必须要做取舍。
不过在 X 上接触到更多的人之后，我开始坚定并感谢当初的选择，也看到了这个时代自媒体对个人的意义。
期待可以和更多的同学交流！
顯示更多
有点没想到，我以为会离开 Anthropic 去创业，结果跑对家 OpenAI 了😂。
Some news: I’m joining OpenAI to lead product management for Core Products!
I have a lot of respect for OpenAI for showing the world that scaling works, for bringing AI to over a billion people, and for believing great products are core to the mission.
I’m excited to work with @thsottiaux, an incredible PM team, and everyone across OpenAI. Together, we’ll build agents that have your back and your team’s, and keep you in control, so you get more time for the people and work you love.
Lots to learn, and lots to build. Please keep your feedback coming!
顯示更多
很高兴在我的时间线上看到越来越多的在读 PhD 或者 PhD 都开始尝试运营自己的 X 了。
很惭愧的是，我五月份开始决定好好运营自己账号时，都不好意思告诉身边人😂，怕别人感觉自己“不务正业”，不好好搞学术，因为运营账号是要付出很多时间成本的，必须要做取舍。
不过在 X 上接触到更多的人之后，我开始坚定并感谢当初的选择，也看到了这个时代自媒体对个人的意义。
期待可以和更多的同学交流！
顯示更多
Anthropic 最近开始建议企业「少用点 Subagent」，甚至把一些专家 Agent 重新合并回主 Agent Loop。
他们在多个企业项目中发现，单 Agent + Skills 的效果经常比复杂的多 Agent 架构更好。有个客户改成单 Loop 后，运行速度甚至快了约 2 倍。
原因很容易理解。
多个 Agent 之间反复交接任务，每次都要传递和总结 Context，信息容易丢失，延迟和成本也跟着增加。
Anthropic 现在更推荐让一个主 Agent 负责规划和执行，需要时再动态加载 Skills 和 Tools，把业务流程和领域知识留在可复用的组件里。
不过文章里有个细节值得关注。
他们曾把客服系统里的 Subagent 合并，延迟确实降低了，却让一个原本能完成的任务失败了，因为主 Agent 漏掉了向物流专家确认送达时间这一步。
所以作者强调，每合并一个 Subagent，都要用端到端 Eval 验证，尤其要检查哪些原本通过的任务突然失败了。
当然，并行研究、独立验证、Context 隔离这些场景，Subagent 依然有价值。
这样看来以后设计 Multi-Agent，可能得先问问自己，每个 Subagent 真的需要独立的 Context 和执行循环吗？
Anthropic 还开源了一套迁移工具，可以帮你分析现有架构，逐步合并 Subagent，并比较改动前后的质量、成本和延迟。很推荐做 Agent 工程的朋友试试。
原文：
顯示更多
Terminal Agent 很容易遇到一种失败是前面修对了 90%，最后一个 hidden test 没过，最终结果还是失败。
这篇 Terminal-RSI 研究的，就是怎么把这种「差一点成功」也变成下一轮真正有用的训练信号。
它交替做两件事。
RSR 会从已经验证成功的轨迹里提炼可复现的做法，再教回 Agent；
RPR 则继续用强化学习消化执行反馈，让局部进展可以获得 credit，同时保证「真正完成任务」始终比只通过部分检查更重要。
论文还有一个很细的设计是 Terminal 里一次命令可能吐出几千 token 日志，但期间 Agent 根本没有做新决策。
所以它把信用分配的时间尺度从「token 数量」改到「交互轮次」，避免日志越长，前面的关键决策反而被稀释。
基于 Qwen3.8-27B，经过两轮 RSR + RPR 后，四个 Terminal-Bench 的平均成功率从 20.68% 提升到 50.58%；Terminal-Bench Hard 从 31% 提升到 79%。
我比较喜欢这篇对「失败轨迹」的处理方式。
一次任务没通过终验，不代表前面所有判断都没有价值。
真正好的自我改进系统，应该能把已经走对的部分留下来，同时知道最后为什么还差那一步。
📎 arxiv:
顯示更多
