本文介绍如何通过上下文压缩代理 headroom 减少 Agent 调用 Gemini 模型时的 token 消耗。作者指出 agent 上下文中大部分 token 来自工具输出的冗余 JSON、日志和搜索结果，而非精心设计的提示词。通过在 Gemini 3.8 Flash 前部署 headroom 代理，在四种生产级 agent 工作负载测试中，prompt token 减少 76%，任务准确率保持 100%，首 token 时间有所改善，建模成本下降约 70%。文章同时诚实探讨了压缩的有损性：压缩器保留模式、分布和异常值，但会丢弃普通记录，模型在数据缺失时会拒绝编造。项目开源且可复现。
作者商科出身，曾做投资和猫粮创业，2026年1月才开始借助AI写代码。因业务需求接触爬虫工具OpenCLI并参与开源，后开发团队AI工作台PawWork，并参与Apache孵化项目Maka。Maka在Terminal-Bench 2.1测试中通过率77.5%，排名第二。作者认为LLM+Harness=Agent，强调Harness需要benchmark，并分享了对Vibe Coding、开源协作和知识原理的思考，最后给想参与开源的朋友提出建议。
本文是一篇详细教程，介绍如何使用 Hermes Agent 自动管理 X 账号。作者从准备工作开始，逐步讲解在 X Developer Console 创建应用、启用 OAuth 2.0 并设置回调地址、让 Hermes 准备配置脚本、在 SSH 终端完成授权，以及后续让 Hermes 检查账号和试发布。文章还分享了在聊天中改稿排版、读取私信、搜索内容等常见用例，并建议添加费用计算和提醒。最后推荐了 HermesCN 中文社区供进一步交流。
本文详细介绍如何用 xAI 推出的 Grok Bot（配有云端电脑的 AI Agent）搭建一支自媒体内容团队。作者配置了五个角色：情报侦察员、选题策划师、内容主笔、事实编辑和数据复盘师，形成从信息收集到发布复盘的完整内容流水线。文章涵盖 Grok Bot 与 Codex、Claude Code 的区别、权限边界设置、共享目录结构搭建，以及每个 Bot 的完整提示词配置。作者强调保留人工确认环节：发布、点赞、私信等敏感操作必须人工执行，并给出了关掉本地电脑执行、写入禁止项等安全建议。
文章从工程视角系统讲解 Agent 概念：首先对比 AI 应用的三种形态——Chatbot（对话驱动）、Workflow（预设流程）与 Agent（ReAct 自主循环），分析各自优缺点及区分方法；随后给出最小 Agent 的循环伪代码，演示思考-决策-行动-感知的闭环机制；再梳理生产级 Agent 所需的八大能力模块，包括上下文管理、任务管理、记忆、连接器、Trace、容灾、编排与安全；最后探讨实际工程中三者混合使用的架构策略，如 Agentic Workflow、Workflow 包装为工具、前置路由分发等。
作者使用 Apodex 1.1 的 Deep Discover 功能，对 43 条 AI 裁员公开案例进行核验研究，并重点复现 Salesforce、Klarna、Duolingo 和 Snap 四家公司。研究发现：只有 17/43 条案例与 AI 存在明确或模糊关联，最值得关注的信号不是裁员本身，而是“岗位入口收缩”——离职后不补、初级岗减少、岗位职责扩大。文章详细演示了如何用 Agent Team 并行查证、中途追加招聘入口核验、通过 Statement Review 复核结论，最终交付可复用的报告、证据表和 CSV。核心观点：AI 对就业的影响更常表现为招聘入口变窄，而非直接裁员。
作者继续测试GPT-6 Astra设计无人机飞控PCB板。为了让AI设计的板子享受嘉立创6层板免费打样优惠，作者尝试让Codex连接嘉立创EDA。出乎意料的是，Codex没有使用MCP或API，而是直接像人一样操作嘉立创EDA软件，自主查阅引脚资料和图纸后绘制PCB。作者原本对Computer Use功能不屑一顾，认为会干扰日常工作，此次体验后表示必须重新审视该功能。过程中AI还将4层板自行改为6层板，引发网友讨论。
作者分享了如何用AI将一人分发代理做到月经常性收入7.8万美元的完整系统。核心理念是：代理业务本质是七个循环（研究、筛选、生产、审核、策略、运营、客户维护），过去是七份工资，现在可用AI自动化。系统只需月成本约1400美元，服务9个客户。关键在于两个自我改进机制：每个部门维护自己的playbook.md，记录成功与失败经验并在每次任务后更新；结合模型路由层为不同任务分配最优模型。文章还提供12周构建顺序和真实单位经济数据。
作者分享了不用背电脑、仅用手机远程控制Claude Code、Codex等Agent的工作流。通过UU远程低延迟连接，解决了SSH不稳定、切换慢的问题。新功能包括手机端终端与TUI完整支持、多终端并行会话、跨端接管、小窗口挂机看进度、文件传输和CLI脚本化管理多台设备，配合Herdr插件可视化管理Agent状态。作者认为电脑应是工具而非负重，远程桌面、终端、CLI各司其职，极大延伸了AI使用的场景。
本文系统介绍了 Agent 工具 Pi 的理念与用法。Pi 是一个极简的 Agent Harness（工作台），默认只提供读、写、改文件和运行终端命令四种基础工具，不绑定任何模型，可接入 Codex、Claude、Gemini 或本地模型。作者通过 Databricks 和 Fullscript 的实测说明其轻量设计能显著降低 Token 成本。文章按使用顺序展开：安装并接通模型、跑通第一个任务、利用 /tree 会话树实现多模型同起点分叉比较，最后通过 AGENTS.md、Skill 和 Extension 让 Pi 自我扩展，逐步长成专属 Agent。
花叔开源了浏览器操控工具huashu-chrome，让Claude Code、Codex、Cursor等Agent直接借用用户当前浏览器的登录态操作网页，无需API和重新登录。文章阐述三大核心设计：一是验证页面真实反应而非轻信工具返回值，解决"说做完但没做"的问题；二是通过批处理减少Agent逐步思考造成的等待，写操作四成走批处理；三是将撞坑经验存入本机经验库供后续复用，第二次任务调用量从281次降至10次以内。安全方面坚持判断不交给模型：提交、支付等危险动作弹确认卡且Agent无法绕过。十四天执行两万余条命令，成功率96%。
作者介绍了一套将 GTM 数据能力直接接入 Codex、Claude 等 Agent 的工具，整合了 Similarweb、Ahrefs、Semrush、DataForSEO 等多个数据源，涵盖网站流量、SEO、外链、社交媒体讨论、AI 可见度等方面。作者以自己做 AI UGC 产品的经历为例，展示了 Agent 只需一个业务目标，就能自动调用十几个产品、分析 40 个关键词，产出竞品分析、需求痛点、SEO/GEO 机会和获客方向等完整的市场研究报告，大幅降低传统市场研究的成本和时间。
作者开源了一套AI视频自动化生产工作流BoomEarth，一周内在多个平台涨粉2000多。该工作流从定稿到出片仅需20-30分钟，内置九套视频风格，支持自定义IP形象。文章详细介绍了部署步骤：安装Git、Node.js、FFmpeg等基础环境，接入本地IndexTTS2配音，配置生图与ASR字幕服务，并通过Agent编排内容理解、画面生成、配音字幕、视频合成与质检归档的完整流程。文章强调先跑通30秒短验证片再扩展，按阶段恢复失败任务，避免重复扣费，实现部署一次、重复使用的低门槛视频生产线。
作者介绍了一个基于 GPT-6 Astra 与 Codex 构建的销售线索外呼机器人系统。该系统通过 profile.json 定义产品offer与理想客户画像（ICP），利用 AGENTS.md 约束 Agent 行为，自动搜索近期商业事件作为购买信号，验证公司与买家信息，并起草待人工审核的外联消息。文章详细讲解了四个实施步骤：为模型设定具体任务、将 offer 与 ICP 结合、选择能改变工作方式的信号、寻找能解释时机的信号组合。仓库包含信号目录、验证规则和示例，所有产出均附带来源链接与联系理由，代码免费开源。
作者基于 Matt Pocock 的《A Complete Guide To AGENTS.md》撰写读后复盘。文章指出 AGENTS.md 是定制 AI 编程 Agent 行为的配置层，常见问题是规则不断累加形成难以维护的泥球，并消耗模型上下文与注意力。原文提出指令预算和渐进披露等治理方法。作者提炼出四条认识：AGENTS.md 是配置不是百科、稀缺的是上下文、好规则需有证据与作用域与长期价值、按需加载有成本。面对原文反对自动生成与其自身开发生成器 AgentsMD-GEN 的表面矛盾，作者主张用纪律约束自动化，介绍了该 Skill 的指令放置、克制、只读检查器和验证等机制，把认真维护配置从自觉变成可执行流程。
作者介绍了 nanobot 的上下文压缩机制与长期记忆设计。上下文由 system prompt、历史消息和当前消息构成，当输入达到上下文窗口的 input budget 时，nanobot 压缩历史消息为新 summary，保留未发送的增量消息。生成摘要时通过模拟用户指令请求模型总结，并保持 system prompt 和工具定义一致以复用 KV cache 降低成本。对 OpenAI 原生压缩 API，nanobot 在加密 compaction item 之外额外生成文本 summary 供长期记忆使用。长期记忆通过 consolidator_archive 和 dream 两份提示词模板定制，用户可调整记忆筛选与整理规则，甚至整理成 skill。
作者以一次真实任务体验豆包工作客户端：派给云端Agent一份AI对就业市场影响的调研报告任务。通过上传自写的huashu-report技能和飞书资料文档，Agent全程自主执行：遇到权限问题主动停下询问、自己修复代码报错、安装环境依赖、逐页自检报告。15分钟交付28页PDF报告，规范执行到位，还主动列出报告的局限性。作者重点分享报告四条发现：就业总量稳健但结构分化、入门岗位变质而非消失、跨界工作成常态、建议成为AI使用者而非开发者。文章强调云端执行、多设备接续的体验差异，认为全民级产品配上这种Agent体验难得。
作者分享如何用 Codex 配合 Obsidian 搭建一套自媒体内容复盘系统。首先在 Obsidian 建立结构化工作区，写入防止 Agent 臆测的复盘规则；然后通过提示词模板让 Agent 采集自己的账号与帖子数据、观察同赛道优秀创作者、输出深度复盘判断；再结合数据落地下一周期的具体行动计划（继续做、少做、新试三类方向）；最后通过周期性循环复盘，形成复盘→创作→再复盘的成长闭环。该流程也适用于其他周期性自我复盘场景，帮助创作者摆脱盲目输出，看清内容表现的真实轨迹。
GPT-6 Astra上线后，其Computer Use能力引发全网轰动：AI可直接操控Blender、Houdini、Unity等专业软件，自主完成3D建模、动画制作甚至游戏Demo。作者以《神之天平》为例，感慨过去独立开发者15年心血才能完成的作品，如今上限被大幅提升。文章指出，AI对GUI操作的泛化，让'执行能力'失去稀缺性，职业价值将被拆解为判断力与执行能力两层。但吊诡的是，人类的判断力恰恰从执行中磨炼而来——执行贬值而能力长于执行，这是时代最大的矛盾。作者担忧AI替人绕过痛苦的同时，也带走了人的成长路径，乃至传承。
文章介绍了用AI推进真实项目时面临的两大痛点：材料多且杂导致AI抓错文件，以及新开对话后进度全丢失。作者提出「项目分身」方法：一是将项目文件夹规范为四区（01原始材料只读、02过程草稿、03内容底稿、04交付成果）；二是在根目录建立两份核心文件——CODEBUDDY.md写长期规则、00_项目总览.md记录动态进度，实现规则与进度物理分离。文章还讲解了用户提示词与系统提示词的区别、AGENTS.md跨生态通用标准及全局与项目规则分层，附上开箱即用的初始化提示词，并以「换对话不换文件夹，AI 10秒无缝接手」作为硬验收标准。
作者分享了使用 UU远程新推出的终端功能，在手机上统一管理多个 Coding Agent 的体验。针对 Agent 任务常卡在确认页面等待人工操作的问题，传统方案如官方 Remote、内网穿透 SSH 或远程桌面都需分别配置、较为繁琐。借助 UU远程的终端多会话管理，作者将 Hermes、Codex、Claude、Grok 等 Agent 的终端会话集中在一个手机入口，可随时查看进度、补充 Prompt 和确认操作；配合 Herdr 工作区还能在手机端切换管理多个 Agent。此外支持 Mac 端通过 uuyc-cli 跨端接管会话，且该功能完全免费。
作者基于阿里巴巴开源的进程内向量数据库 zvec 及面向代码仓库的语义检索工具 zvec-grep，开发了一个 DeepSeek Harness（DSH）插件 dsh-zvec-grep。文章是开发笔记，先通过真实仓库实验确认语义搜索的价值：在不知道代码命名时提供更好的“第一跳”，与 rg 精确搜索形成互补。插件没有简单包装 CLI，而是直接使用 createZvecGrep() 引擎 API，以 workspace 为运行时边界共享索引与 watcher，实现自动索引、增量更新与每小时校准，并通过状态胶囊向用户暴露索引进度与错误，退出时用 AbortController 清理资源。作者总结插件设计理念：替用户承担复杂度，暴露不确定性，让语义搜索负责模糊发现、精确搜索负责已知匹配。
本文是 Nick Spisak 的 13 节课教程指南，讲解如何为企业搭建'第二大脑'（second brain）知识库，并结合 AI Agent 使用。作者以自己的公司 Capstone Brands 为例，完整展示了从选择业务问题、创建 GitHub 组织与仓库、用 GitHub Desktop 克隆本地副本、在 Codex 中使用知识库模板发起构建请求，到按销售、营销、情报、财务、运营五大业务职能组织知识的全过程。最终目标是让 Slack 中的 Agent 能阅读公司知识库、回答真实业务问题并引用来源文件。教程还涵盖版本历史管理、访问权限控制、标准操作流程转化为 Agent Skill 等实践要点。
作者分享了一套通过 AI Agent 自动化个人生活的实用方案。文章提供了一份可直接复制使用的 Markdown 提示词，角色为「AI Agent 架构师」，用于对用户的生活和工作做全面审计与访谈。核心原则是最小化有用的 Agent 编制（通常 1-3 个即可），遵循从手动任务到一次性 AI 任务、技能、例行程序、命名专家 Agent、多 Agent 协作再到定时自动化的渐进升级层级。文章详细给出工作流决策漏斗、Agent 拆分测试的六个维度（所有权、上下文、工具、工作风格、审批边界、触发节奏）、Agent ROI 评估方法，以及 Grok Bot 与 Hermes 两个运行时平台的选型指导。
文章面向 FDE（深入客户现场做 AI 落地的工程师），介绍微软开源的长期 Agent 运行框架 Argus 如何与 GPT-6 配合完成 AI 长任务交付。通过一个企业周报工具项目案例，讲解 Argus 规划者、执行者、评审者的角色分工，如何发现并修正跨周退款统计口径错误（差 4000 元问题）、如何用第二周样例验证规则处理而非只修当前样例、客户追加按店铺拆分需求时如何保留进度继续开发，以及项目交接时的信息留存检查。文章强调 Argus 的价值在于跨阶段任务组织、进度保存与按需评审，减少 FDE 传递要求与恢复状态的组织负担，并通过 Flash Linear Attention 的公开 PR 案例佐证其成果。
文章对Datawhale 24个真实企业AI落地案例进行分析，涵盖制造、政务、法律、物流、电商、金融等行业。企业需求集中在隐性知识沉淀、重复流程自动化、经营数据打通、内容生产提效、决策智能辅助等方向。主要交付难度包括：需求难以转化为技术任务、隐性经验显性化困难、数据基础薄弱、上线不等于落地、员工接受度低、价值衡量标准缺失等。核心结论：AI落地的最大障碍不是模型能力，而是问题定义、数据基础和组织接受度，FDE的核心价值在于深入业务现场定义问题并长期陪跑。
本文推荐斯坦福研究生研讨课 CS329A，课程以'一线经验+论文精读'形式讲授如何构建自我改进的智能体，共 9 讲并全部收录于 YouTube。课程主线为：生成→验证→筛选→训练→更强模型的循环。内容涵盖 test-time compute scaling、稳健验证（ORM/PRM/Math-Shepherd/Weaver）、反馈学习（ReAct/RLEF/CAI）、规划与多步推理、RL scaling（STaR/GRPO/DAPO）、Deep Research Agents 及长期任务评估。核心结论：瓶颈在于验证而非生成，可验证领域（数学、代码）飞轮转得快，当前 RL 提升的是一致性而非根本能力。
作者分享了其搭建的AI跨境电商指挥中心系统的完整架构与实践。系统涵盖客户发现、调研、SEO、客服、报价、订单分析等模块，通过统一的AI网关接入多个AI项目，实现成本、Token、延迟、错误率的统一监控，并提供预算预警、Prompt版本管理和API Key安全等能力。文章还讲解了电商财务模型（毛利、获客成本、复购）和业务流程拆解方法，强调把AI项目从黑盒变成可管理、可复盘的经营数据，最终形成一套每天自动运转的电商业务机器。
文章提出未来2-5年大规模进入普通人生活的Physical Agent可能不是机器人，而是床、枕头、衣服等普通物件。作者以Eight Sleep为例，指出真正的产品范式变化在于把感知和干预装进同一产品，形成感知-判断-执行-反馈的完整闭环，而非传统智能硬件只停留在监测和通知。过去十年机会在Sensor，接下来的机会在Actuator。判断创业机会的简单方法是看人们每天还在手动重复调节什么。好的Physical Agent需满足高频、连续可调、快速反馈、无需用户管理等条件。硬件创业将因感知与执行能力的成熟而重新变得有意思，无数被认为没有创新空间的普通物件都有机会被重新定义。
作者从两块钱的 SuperGrok 试用号出发，分享了为 Grok Build 开发 PC 桌面端 Grok App 的经历，以及如何让 Grok Bot 维护 Awesome Grok Bot 仓库。面对 Grok Bot 一周额度烧光的困境，作者提出将 Grok Bot 作为调度端、把执行任务交给 Grok Build 的方案，进而总结出"能力路由 + 额度路由"的三层架构（规划、调度、执行），实现多模型、多订阅之间的额度负载均衡。文章还分享了本地授权迁移到 Bot 虚拟机的"邪修"技巧和 X 开发者积分的节省策略，核心理念是：不要让一个 Agent 干完所有活，让每个模型干自己最擅长的事。
