文章解读了一篇关于 FDE（Forward Deployed Engineer）的论文《FDE-Gym》。该论文将真实企业项目改造成覆盖金融、医疗、制造、能源等 18 个行业的 95 个任务，评测 AI Agent 承担真实企业交付工作的能力。Agent 仅获得客户最初的一句话需求，需自行读文档、查系统、确认信息并判断客户真正的问题。评分不仅要求完成需求，还要求交付系统真正改善业务指标，乱找人、反复试错都会产生成本。结果显示最强模型平均得分仅 0.56，95 个任务中仅真正解决 14 个，最大瓶颈在于未写入需求的业务规则、隐性约束以及客户未表达清楚的问题。文章指出 FDE 的难点在于在信息不完整、需求模糊的环境里判断该解决什么并真正交付。
作者分享张拳石老师《致 AI 圈的每一根韭菜》一文的读后感。文章指出一些本科生虽有3-5篇顶会论文，却答不上大模型生成token概率、交叉熵等基础问题，因为文献调研、代码、写作等环节都可由大模型代劳。论文越来越容易生产，数量加速贬值，真正难替代的是底层理解、问题判断与研究动机。作者结合读博经历感慨：读博需五六年，而AI研究范式一年数变，追热点风险极高。文章适合做AI研究和准备读博的人阅读，促使思考：当写论文变容易后，如何判断研究者真正的能力。
这是一篇关于从零搭建个人 AI Agent 的完整指南。作者分享了如何利用 Claude Code 和 Codex 进行 Vibe Coding，从选择基座、编写清晰 Spec、配置 TDD 测试到实现双模型互审的完整流程。文章强调掌握数据主权和通过“偷”设计来迭代系统，适合希望构建专属 AI 工作系统的非专业开发者阅读。
本文介绍了针对 Codex 的新手向十行核心配置。通过修改 `~/.codex/config.toml`，用户可以设置默认强模型、提高推理深度、优化审批策略、配置沙盒模式（限制仅修改当前项目并默认断网）、使用缓存搜索、保留终端历史及关闭日志与数据记录。这些配置旨在解决 AI 权限过大、思考不足及界面干扰等问题，提升日常开发的安全性与体验。
文章介绍了一种在等待 Codex 长任务时的有趣玩法：通过 GPT Image 2 生成人物动作素材，利用 Codex 将其转换为动态 GIF 表情包，并配置 AGENTS.md 规则，使 Codex 能根据不同工作状态（如敲代码、修 Bug、报错）自动展示对应的动态桌宠。作者认为这种软性的交互能有效缓解等待的焦虑感，让技术工具更具温度。
本文详细介绍了作者如何利用“Vibe Coding”理念和开源项目Nanobot，在15天内从零构建并迭代出一套个人Agent工作系统。文章提炼了一套可复制的方法论，涵盖轻量基座选择、Claude Code辅助开发、脚手架文件构建（CLAUDE.md、docs/）、需求规格化以及自动化测试配对五个关键步骤。作者特别强调了“先规划后编码”和“测试驱动”的重要性，旨在帮助非专业开发者也能快速上手。
文章深度解析了开源 AI 项目 Hermes Agent 及其团队 NousResearch 的崛起之路。该团队核心成员多为 Web3 领域的加密原住民，他们从开源社区起步，凭借 Hermes 系列模型、YaRN 论文等硬核技术迅速获得关注。作者指出，NousResearch 的成功并非简单的 Web3 转 AI，而是因技术需求（如算力去中心化）自然融合了 Web3 的激励机制。文章最后探讨了 Web3 与 AI 之间的人才与技术流动趋势，认为去中心化将成为解决 AI 算力和数据垄断的关键路径。
作者分享了将个人助手 EvoPaw 从 CrewAI 迁移到 Claude Agent SDK，并最终自建框架的经历。文章深入探讨了为何即便有 OpenClaw 等成熟方案，个人仍应自建 Agent：为了避免陷入工具频繁迭代的“注意力税”，掌握数据主权与隐私，以及通过“偷”学开源代码和利用 Claude Code 等 AI 辅助工具降低开发门槛。作者认为，自建的过程是一个让系统真正理解个人工作流并伴随需求共同进化的过程。
