本文是作者在承德OPC线下实训的万字分享整理。前半部分分析一人公司（OPC）兴起的真正原因：Agent使AI能端到端交付任务，突破了个人交付能力的天花板。文章拆解了四种个人商业模式：AI博主卖注意力、专业人士用内容获客、行业小产品变现、知识付费教学，并指出最大的坑是先做产品再找客户。后半部分为完整实操，讲解如何搭建由Context、Memory、Skill、Agent四模块组成的AI分身系统，通过固化身份、知识库与技能，让AI代替自己完成重复交代，实现个人业务的系统化交付。
剪映官方推出 Agent，走封闭全家桶路线，能力仅限软件内并售卖 AI 会员。与此相反，逸尘开源的逆向项目 jianying-headless 将剪映控制权交还外部 Agent：可用 Codex 一条指令批量粗剪、加字幕、配 BGM；借助 DeepSeek 和豆包 ASR，一小时视频成本不到一块钱；生成的是剪映原生工程文件，可随时人工微调。作者认为这是目前最自由、成本最低的视频剪辑自动化方案，并建议大家尽快 Fork 以防项目被下架（404）。该项目替代了此前用 Computer Use 模拟鼠标操作的笨办法。
文章介绍了如何将 TypeSafe 的轻量分类模型 Jev 接入 Grok Bot：包括申请 API Key、通过安全卡片保存密钥、安装 SDK 并测试调用，最后将流程保存为 Skill 复用。作者强调并非工具越多越好，在自己早期游戏项目中接入 Jev 属于负优化，并给出两个适合的场景：一是 Bot 挂载 Skill 过多时让 Jev 先筛候选（官方测试错误率从16.8%降至7.3%），二是搜索结果排序（正确段落进入前十比例从38%提升到62%）。最后建议判断标准是：多接一个模型到底改变了什么。
AX 是 Google 开源的 agent 编排器，借用 Kubernetes 的心智模型来管理大规模 agent。它针对 agent 需要积累状态、严格隔离、调用外部模型 API 且容易在循环中消耗资源的特点，提供四个声明式原语：Task（最小隔离执行单元）、Workspace（声明化环境装配）、Gateway（网络边界控制）和 Model（命名化模型配置）。命令行刻意设计成 kubectl 风格，支持秒级挂起与恢复。架构上状态存储在 Redis 而非 etcd，底层依赖独立项目 Agent Substrate 作为执行层。部署需要 Kubernetes 集群，适合大规模 agent 评测、RL 循环和管 coding agent 的团队，不适合个人开发者。
作者介绍了 TypeSafe 推出的 Jev（业内称 System One），一个快速判断模型：输入状态和固定题目，仅返回选项、分数或概率并带置信度，延迟约 70-500ms。作者将 Jev 与 Grok Bot 结合：Grok Bot 负责抓取时间线、读提及、执行动作等重活，Jev 负责快速分流判断（值不值得管、急不急、是不是广告等）。作者以盯 X 时间线为例，对每条帖子跑四问测试，平均耗时约 235ms，下一步判断 8/8 正确。作者提醒不要神化 Jev，其 confidence 不等于统计准确率，敏感操作仍需人工把关。核心思路：Jev 管判，Grok Bot 管干。
文章深度拆解了海外操盘手 Lucas Patiri 一个人调度 590 位博主、累计 26 亿播放的 AI 短视频带货系统。其核心逻辑是：文案话术才是卖货关键，画面只要真实自然即可。系统通过爬取 13 万条真实买家评价提炼痛点话术、逆向拆解同行爆款前 3 秒、按开场骨架结构分类钩子、为博主生成个性化脚本、以及发布前用 Agent 严格审查前 3 秒是否跑题，解决'钩子缺失导致播放暴跌 4.2 倍'的死穴。文中还提供了三套可直接复用的中文 Prompt 模版，并给出国内商家、出海卖家和个人创作者的落地建议。
文章探讨 Cua 团队基于 TypeSafe 发布的 System One 模型 Jev 的实验。Jev 不做开放式文本生成，而是提供决策接口：输入上下文和候选选项，返回类型化决策（Choice、Score、Noul 三种原语）。作者分析在 computer-use agent 中，表单填写等局部决策并不都需要通用 LLM 完成，可将应用观察状态、构建候选动作，由模型评分选择，再由应用验证执行的循环架构。文中还讨论了纯文本决策模型如何借助 OmniParser 等感知模块将截图转为结构化元素，以及 Kahneman 快慢思维类比在模型分类中的局限。
文章介绍了一个面向小企业、小团队的多租户 Agent Dashboard——腾讯开源的 Octop。团队可以在内部共享一个 Agent 平台来创建技能和 Agent。亮点包括：支持单点登录和简单的多租户权限控制；支持 Docker 服务端部署并提供 Web Dashboard；可对接不同的存储后端、数据库以及沙盒服务。作者将其定位为 Grok Bot 的小团队版，与面向个人的 OpenClaw/Hermes 和桌面端的 WorkBuddy 形成差异化。作者表示非广告，如果领导要求做类似系统可直接参考。
本期早报围绕 AI 工程化落地的三大层面展开：小红书 Muse 的 Agentic 架构解决研发任务连续性问题，通过统一上下文与 Harness 机制衔接需求、设计、编码与交付全链路；OpenAI 分享生产环境 LLM 推理路由设计，从引擎信号到策略层面优化容量、网络与缓存的多维权衡；LinkedIn 通过 MCP 构建组织级上下文层，用渐进披露的 playbook 让 Agent 按需发现和维护操作经验。速览部分还涵盖内存墙问题、扩散模型推理、AI 数学能力、医疗影像模型、Claude Code 多智能体架构等前沿内容。
作者因收藏夹里长文太多而没时间阅读，萌生把X内容转化为播客的想法，于是用Grokbot从零搭建了ListenX平台。文章详细介绍了全AI自动化工作流的搭建过程：先用《Grokbot橙皮书》注入认知并拆解架构，再部署五大AI专家角色——文本脱水与清洗员、播客金牌编剧、全栈开发工程师、视觉设计总监、声音导演与TTS调度员，每个角色都附有完整系统提示词。最后通过群聊协同与SOP工作流实现全自动化：丢入推文链接即可自动生成播客并上线，让X内容可以随时随地用耳朵消费。
作者分享了一个用Fable-5.1破解热敏标签打印机固件的神奇项目。打印机通过RFID检测非原厂耗材后降速降质，有人用物理方法绕过检测。作者则用AI逆向固件：Fable-5.1推导出打印浓度公式、定位内存位置，并通过Cortex-M0汇编代码洞跳转技术注入动态重映射逻辑，彻底绕过限制。过程中AI负责ARM逆向、数学推导和汇编注入，人类只负责按键和观察结果。作者认为AI正把逆向工程平民化，硬件厂商的防伪锁在代码Agent面前形同虚设。
作者整理了25道Agent方向高频实操面试题，聚焦一线项目落地痛点，分为五大模块：Agent核心架构（ReAct与Plan-and-Execute选型、多Agent设计、HITL机制）、工具调用落地（Function Calling、Schema设计、重试熔断降级）、记忆与状态管理（长短记忆、Token溢出）、效果优化与问题排查（Bad Case溯源、性能瓶颈定位）以及Agent+RAG落地（检索优化、幻觉防控）。这些题目针对FDE等需要真实项目落地经验的岗位，大多是开放性问题，能同时考察面试官和面试者的实战深度。
腾讯开源了 BrowserSkill，作者用 WorkBuddy 实测后评价很高。该工具由 Skill 指令、bsk CLI 和 Chrome 插件三部分组成，可让 Agent 直接复用已登录的浏览器状态，在独立 Agent Window 中打开网页、搜索、点击、读取数据和截图，不影响用户正在使用的页面。它兼容 WorkBuddy、Codex、Cursor、Claude Code 等支持 Shell 调用的 Agent。作者实测完成了环境检查、识别 17 个标签页、搜索并整理结果等任务，安装过程简单，适合网页调研、热点搜索、后台操作和前端测试等场景。
作者借 E.M. Forster 1909 年的科幻小说《机器休止》，剖析企业 AI 转型失败的根源：真正懂业务运转的人已离开，知识只存在于个人脑中、Slack 记录和部落经验里。AI 无法修复无人理解的流程，只会以机器速度放大混乱。MIT 与 RAND 的研究显示，绝大多数 GenAI 试点失败的原因是组织性而非技术性。作者提出解决方案：先梳理并文档化关键流程，建立基线和评估体系，再构建 AI Agent，用循环迭代的方式重新获取并固化组织知识，避免机器在无人理解中停摆。
本文介绍 TypeSafe AI 推出的 System One 决策模型 Jev，其理念源自杰文斯悖论——通过分离 Agent 中的小型判断决策，降低成本并提升效率。文章以 10 步路线图讲解如何从零搭建和使用 Jev：识别 Agent 中可交由 Jev 接管的决策点、在 Playground 中测试单一决策、配置 API 与 Python SDK、编写 chief.py 脚本将请求转化为带置信度的任务分发文件（handoff），并存入本地任务队列供后续 Worker 消费。文中还展示了 Browser Use 结合 Jev 后 7 秒、$0.0039 完成机票搜索的案例。
UC Berkeley教授Ken Goldberg提出Agentic Robotics（AR）新范式：将机器人策略生成视为编程问题，用多智能体AI系统离线编写、测试、诊断和迭代改进结构化机器人程序。团队开发了图策略框架GaP，将控制表示为模块化组件图，多个编码智能体在仿真中递归优化。借助Newton物理仿真器和Robot Sim Studio工具，GPT-6 Astra展现了从真实场景视频推断物理参数的'逆物理'能力，生成了能直接在真实机器人上运行的代码。AR结合了模型方法的速度可靠性与前沿AI的适应性，Real2Sim正从人工工程任务转变为智能体学习过程，机器人学迎来范式转变。
作者分享用 AI 智能体工作流制作热点深度长视频的实操复盘：3 天涨粉 9149，总播放 258 万，单条最高 108 万。文章回顾了从模仿大号遇挫、车企热点短暂爆发到流量断崖的经历，以及关键的转折——抛弃固化的旧 Skill，让新模型自由发挥后画面匹配度大幅提升。作者总结了四大生产流水线（抓热点、审选题、跑生产、细核对）、选题内审五道安全阀（热点时效、人群普适、增量材料、情绪脱水、叙事轮换），并分享视频号、小红书、抖音、B 站等 8 个平台的分发体感与应对策略。
作者分享了WorkBuddy这款work类agent在安全机制上的实测体验。作者从早年AI改代码踩坑的经历出发，指出不写代码的白领用户同样需要'撤销键'。实测中，WorkBuddy在批量删除55个文件时主动确认、先备份再移入废纸篓，备份经sha256校验逐字节一致；其操作日志为哈希链可防篡改，技能安装有风险检查。此外，WorkBuddy开放十几个模型可选、连接飞书钉钉等第三方办公产品，并内置独立开发者的开源skill。作者认为安全能力本质是给用户加了胆子，让非技术用户也能放心尝试和迭代。
文章深入剖析了 Pi 这个 Agent 框架的插件扩展机制。作者通过阅读源码，将插件能力归纳为四个关键切面：input 入口拦截与改写、context 视图投影（控制模型可见内容、压缩日志、脱敏）、tool_call/tool_result 工具执行前后的参数修改与结果加工、以及通过 sendMessage 的 steer/followUp/nextTurn 策略主动驱动循环，实现自愈回路。文章强调建立 Prompt、Turn、Loop 三个执行尺度的思维模型，并给出工程实践建议：优先使用社区插件，或把 Hook 机制交给 AI 代写插件。
本文介绍 Ben Clavié 在 AI Engineer World's Fair 的演讲，主张知识型 Agent 不应照搬 Coding Agent 范式。核心观点：编程智能体的成功源于代码环境的结构化红利；而法律、医疗、投研等知识任务的难点在于正确定位、理解和验证证据。要构建可用的知识 Agent，需具备面向任务的高质量检索工具（含图表、扫描件等多模态内容），以及主智能体负责任务分解、子智能体承担专业分工的编排架构。文章还给出企业级建设的优先级建议：定义可验证任务、建设证据层、按需拆分智能体、多维度评估并保留人工审核。
作者介绍了开源视频制作工具 Hypit，一个为 Codex、Claude Code 等 AI Agent 打造的视频开源语言和系统，上线不到3天获得 GitHub 7.4k star。Hypit 能将脚本、素材、配音、字幕、B-roll 和动效组织成可执行工作流，创作者只需描述需求即可让 Agent 编写、修改结构，并在 Hypit Studio 中查看时间轴。作者演示了 Clone → Edit → Reuse 实验：先复刻唐代纸片拼贴风格视频，再用同一工作流生成中国瓷器历史宣传片，并追加流程动效。一次实践留下的脚本结构、样式和动效组件可复用于后续创作，适合需要持续制作产品介绍、知识视频的创作者。
作者 Fred-New 分享了如何将 Grok Bot 从单一聊天工具打造为长期数字员工团队的方法论。核心思路是：先给一个 Bot 一个窄岗位和明确验收标准，跑通真实任务；结果稳定后把流程保存成 Skill，再做回归测试；稳定后设置 Routine 让 Bot 定时自动工作。当出现稳定分工需求后，再组建多 Bot 团队（情报员、爆款分析师、Researcher、Writer、Reviewer、Visual Planner 六岗位）。文章强调岗位边界、工具接入、薄 Context Pack、固定交接格式（如 Research Pack 和 Handoff）的重要性，并指出真正的多 Agent 协作关键在于可替换的模块和清晰的接口，而非人数。
文章探讨了 Agent 自动改进系统（Meta-Harness）的构建方法。核心问题是如何让 Agent 自动进步又无法伪造进步。作者提出将三种权力拆开：Agent 负责提出修改，评测系统负责拿证据，上线门禁决定是否升级。文章通过一个补货建议 Demo，演示了从失败记录到修改验证的完整闭环，包括锁定 Agent 不可修改的文件（密封考题、评分器、上线标准）、生成结构化故障单、构建逐层收窄的评测漏斗等实践。同时分析了 Agent 容易刷分的三种捷径：讨好评分器、记住考题、自己宣布通过，并指出 Meta-Harness 只在基础 Eval 成熟、人工改进成为瓶颈时才值得搭建。
作者分享了自己获批使用 TypeSafe AI 推出的 Jev 模型后的体验，并整理了一份 Awesome Jev 项目清单。Jev 是一个不生成文本、只返回选项、分数和概率的低延迟判断模型，可并行输出结果。文中介绍了 14 个基于 Jev 的项目，包括高速浏览器 Agent、MCP 集成工具、命令行语义判断工具、模型路由器、上下文垃圾回收、代码审查前置筛选、语义寻路、知识图谱、桌面自动化、交易流动性分析以及 FPS 游戏等应用场景。核心思路是：用 Jev 反复做'要不要、选哪个、打几分、下一步干什么'的判断，复杂推理和生成任务仍交给传统大模型，从而降低成本、提升速度。
文章实测了 xAI 与 Cursor 团队联合推出的新产品 GrokBot。作者将市面 Agent 分为三类：闭源桌面办公 Agent、开源系统级 Agent、IDE/终端编码 Agent，指出 GrokBot 属于全新的 Bot 驱动形态——它是'数字员工'而非工具箱，每个 Bot 对应一个领域职责，拥有极强的电脑操控能力，本机不在线时可在云电脑上 7×24 运行。实测中，GrokBot 完成了写公众号文章、配图排版、操作浏览器插件存入草稿箱等全流程任务，并支持多端同步与多 Bot 协作。作者认为其设计更简单、运行更稳定、能力更强，已初具'贾维斯'的样子，预示移动办公是未来。
作者作为AI博主，分享了自己搭建「选题雷达」系统的完整流程。系统包含两个AI编辑：一个负责AI大新闻选题，通过AIHOT热点榜、精选流和Follow Builders追踪正在爆的事件；另一个负责实战心法选题，通过best-skills排行榜和GitHub Trending筛选值得亲测的工具。每条选题需经过48小时时效、目标用户相关度、一小时内可执行动作等多重过滤，并由Agent打分排序。作者强调AI只决定「值得看」，最终「值得写」的判断仍靠人的体感。整个系统跑在HermesAgent和GrokBot上，让作者把重复性工作交给AI，只保留判断、体验和表达。
作者实测开源 AI 视频工具 Hypit，验证其能否把已验证的爆款短视频复刻成可反复修改、批量运行的代码化工作流。文中通过两个案例展示：一是复刻抖音'从夯到拉'榜单视频，由 Codex 拆解内容、Hypit 串联脚本、配音（MiMo）、字幕与画面动画；二是不给参考视频，仅凭一句创意生成完整硬件榜单成片。两条视频总成本约 1100 积分（约 1 美元/条），并对比了 Creatify、revid.ai 等竞品，指出 Hypit 在整片克隆、批量变体和成本上的独特优势。
本文介绍 TypeSafe AI 发布的新模型 Jev，一种名为 System One 的非传统 LLM 模型。Jev 不生成文本，而是通过 RLCD 强化学习训练，对给定状态快速返回结构化决策（Choice、Score、Noul 三种问题类型）及概率，推理速度最高快 200 倍、成本低至 1/400。文章展示了如何通过 LangChain 的 TypeSafeClassifier 集成 Jev，并给出两大应用场景：模型路由（根据任务复杂度自动选择低成本或高性能模型）和 Auto Mode（对危险工具调用进行分类守护，提升 Agent 可信度）。Jev 适合作为 LLM 的补充，在 Agent 循环中承担快速、低成本的分类决策。
本文整理了 Matt Pocock 与 Gergely Orosz 的 96 分钟深度访谈精华。Matt 提出'知识已死，智慧永存'：AI 吃掉了战术性编程，人类须守住战略性编程。他分享了完整 AI 协作方法论：grill me（让 Agent 无情拷问以对齐需求）、spec→tickets 拆分工单绕开 15 万 token 注意力限制、wayfinder 用地图+战争迷雾隐喻管理超大工程、日班/夜班节奏。最具原创性的发现是'引导词'技巧：把经典软件工程书籍中的术语写入提示词，能激活模型深层概念、改变行为。他强调代码库就是 Agent 的运行环境，工程师应成为 Agent 的平台团队与园丁。结论是：帮助他的不是新方法，而是 25 年前的经典软件工程智慧。
OpenAI 宣布 Agents API 进入公测，将支撑 Codex 的同一套 harness 和基础设施通过 API 开放给开发者。文章提出 Agent ≈ Model + Harness 的简化框架，解释了 Harness 如何组织上下文、工具调用、Session 状态和子 Agent，使模型能够持续执行长任务。文章以老项目依赖升级为例，说明长任务并非让模型持续思考，而是通过工具调用循环、留下可复用的工作产物来推进。同时强调工具权限应按任务开放、子 Agent 适合并行独立工作、验收标准应写入任务目标。Codex 是现成的 Agent 工作环境，而 Agents API 让开发者把这种能力接入自己的产品。
