本文介绍了如何利用国内流行的 AI Agent 产品 WorkBuddy，通过一段对话从零搭建个人作品集网站。作者以制作「糖果屋」作品集为例，详细讲解流程：明确需求并撰写提示词（特别强调要求 AI 不编造资料）、生成单文件网页、替换个人内容、利用 WorkBuddy 资料库作为小型服务器一键发布公开链接。文章还说明了发布后如何继续修改并保持原链接实时生效，最后给出验收清单：核对个人信息真实性、测试按钮跳转、检查手机排版、验证线上版本是否更新。
本文是 Agent 开发入门系列的实操篇，教读者用 88 行 Python 代码实现一个最小化的 Supervisor（主管）智能体。Supervisor 本身不干活，只负责拆任务、派活给手下 worker（coder 和 tester）、并验收汇报。文章对比了子智能体、智能体团队与 Supervisor 三种模式的差异，详细讲解了 agent_loop 循环、工具定义、delegate 派活机制、上下文隔离等核心概念，并给出完整可运行的代码、环境配置步骤、运行示例及常见坑点说明，最后引导读者扩展更多 worker 角色。
文章介绍 supermemory 团队如何将 API 从以人为中心（DX）重新设计为以 Agent 为中心（AX）。旧版 API 在 v4 时已膨胀至 41 个操作，字段冗余、命名混乱。团队从第一性原理出发重构为 v5：精简操作数量、引入 namespaces 替代 containerTag 明确作用域、支持 Markdown 响应格式、新增 /feedback 端点、遵循标准 REST 惯例、提供类型安全的统一过滤结构，并将 GET /document 从 23 个字段精简至 7 个。文章还介绍了基于单一 prompt 的迁移策略，让 agent 自动完成仓库迁移，并计划在 3-6 个月内逐步淘汰旧版本。
本文是开源系列「Learn Claude Code」的介绍入口，该系列共 20 集，从 102 行代码的 while 循环起步，逐步拆解 Claude Code 的 20 个机制。核心观点是：智能体机制很多，但循环就一个。文章介绍了 20 集地图，分为骨架（循环、工具、权限、钩子、计划）、干得久（子智能体、技能、压缩、记忆）、干得多（任务系统、后台任务、调度）、组队（多智能体协作）和外接（MCP）五段，并给出 S01 的完整安装运行教程，包括环境搭建、API 配置（支持 GLM、DeepSeek 等兼容服务）和常见错误排查。
文章探讨了为什么AI系统设计不应照搬人类职位描述。职位之所以是任务的捆绑体，是因为人类自带整体性且上下文迁移成本高昂，而AI改变了这两个前提。作者指出AI能力可以以更小的增量提供，需求可以早于职位存在。但拆分任务过细会让协调问题重新出现——每个Agent各自胜任不代表系统整体高效，设计接口和共享上下文变得至关重要。职位头衔仍有价值，让系统所有权清晰可读，但应从职责出发而非职位描述来设计边界。最后警告：被AI取代的重复性初级工作同时也是培养判断力的途径，学徒制将成为设计问题。
作者认为在 Agent 普及、生产力极大丰富的未来，拥有正确的资产才能占据优势，并归纳出 13 种值得构建的生意：AI 原生服务公司、线下体验生意、分发能力（ACP 漏斗：受众→社区→产品）、专有数据集、领域专属 Harness、机器人与物理 AI、有粉丝基础的实体产品、算力与能源、健康长寿与养老照护、市场与社交网络等。文章为每类生意解释了其在 Agent 时代的逻辑，并配有真实案例，如记账自动化公司、 sauna 俱乐部 Othership、Mercor、Osmo、Fellow、Crusoe 等，为创业者提供方向地图。
本文介绍了如何使用 TypeSafe AI 的决策模型 Jev 作为 LLM Judge 来评估 Agent 的表现（Jev-as-a-Judge）。与只看最终回复不同，Jev 会阅读完整轨迹（用户请求、工具调用及结果、最终回复），将标准转化为预定义问题，并返回带置信概率的判定。文章通过退款 Agent 示例演示了 Playground 的使用，说明如何设定阈值将运行分为通过、失败和人工复核三类。研究显示，该接受-升级模式比 GPT-6 单独判断更准确且成本大幅降低。作者强调需先用人工标注验证 Jev 的可靠性，能用代码检查的事实性问题就不需要 Judge，将 Jev 保留给需要阅读理解的判断。
文章介绍了 Grok Bot 的 Connectors 功能——通过 OAuth 授权或 MCP 服务器实现的认证集成，让 AI 代理无需定制开发即可读写外部服务，覆盖邮件、文件、代码、CRM、金融等系统。目前约有 110 个连接器（88 个官方、22 个自定义 MCP）。作者按使用场景分类列举了大量连接器及示例用例，包括生产力工具（Gmail、Slack、Notion）、开发与商务工具（GitHub、Shopify、Sentry）、会议与数据分析（Fireflies、BigQuery、Power BI）、销售与金融（Apollo.io、Coinbase、Robinhood）等，展示了代理直接操作现有工作系统的强大能力。
本文是 AI 名词扫盲系列第三期，面向小白讲解如何让 AI 工具变得更强，重点介绍与扩展 AI Agent 能力相关的常见名词。文章逐一解释了工具调用（Tool Calling）、API、MCP、CLI、连接器、插件、API 地址、API Key、模型 ID、Computer Use 等 10 个概念，并配以生活化的例子说明其作用与原理。作者还提醒读者注意保管 API Key、避免将密钥写入前端代码等安全事项，帮助读者理解 AI 如何连接外部工具完成实际任务。
本文解读 Lauren Tan 关于在生产线中大规模运行并行 agent 的视频，指出 2,000/2,500 个 PR 的数字并非关键，真正值得学习的是背后的 agent 信任系统。作者提出吞吐量来自一条信任链：验证把'完成'变成证据（'能编译不是证据'），agent-friendly 架构让正确路径成为最短路径，代码库通过消除注释和固化纠错来记住每次改进，园丁角色维护 paved path，外循环把线上问题送回内循环。文章还给出从最小闭环起步的五步实践建议，以及纠错应写入系统的五层顺序：codebase、静态分析、rules/skills、style guide 和人工评审。
作者介绍了 amontlabs/lcu 项目，它将 Codex 的 Computer Use 能力（让 AI 看屏幕、点鼠标、敲键盘操作电脑）拆分出来，通过 MCP 接口供 Claude Code、Codex CLI、Pi 等其他 AI Agent 工具调用。该项目并非重新实现，而是直接调用本机 ChatGPT 桌面版内置的 OpenAI 原版 Computer Use 运行时。它只提供 js 和 js_reset 两个工具，模型通过预置的 cua 对象编写 JavaScript 代码完成点击、输入、截图等操作，环境保留状态，并支持读取无障碍信息按元素点击。已适配 Pi、Codex CLI、Claude Code，支持 Apple Silicon Mac 和 X11 Linux，Windows 11 处于候选阶段。
本文是一篇面向新手的 AI 私人助理使用教程，对比了 Codex Dot、Meta Muse、Manus Cue、Grok Bot 四款 Agent 产品。作者首先讲解如何根据自身需求、已有订阅和资料存放位置选择合适的工具，然后详细梳理各产品的注册、开通、邀请码和候补流程，并介绍 Waitlist 卡住时的排查方法与当前可领取的福利。文章还提供了第一次交办任务的通用模板，强调写清楚任务范围、交付物和限制条件，并以会议纪要整理为例，演示如何用同一任务对比四款产品、如何验收结果，最后分别介绍 Dot 与 Muse 的具体使用场景与操作步骤。
文章介绍了用 AI Agent 自动化网盘拉新副业的完整链路，分为四段：网盘拉新（现金流入口）、夸克 MCP（自动管理网盘文件、批量改名、转存分享）、闲鱼 MCP（自动上架、改价、发布商品）、资源站（承接流量与复购）。作者详细讲解了网盘拉新的运作机制、结算归因规则、行情价格与注册流程，并给出夸克 MCP 和闲鱼 MCP 的安装配置方法、密钥管理与风控注意事项，最后分享了自己的项目实操，用智能体一句话完成 MCP 安装、闲鱼上架和 WordPress 资源站发布，实现人只负责选品和检查的全自动化流程。
文章介绍了10个循序渐进的 AI Agent 实战项目，帮助开发者从简单的工具调用进阶到自主智能体系统。项目包括：工具调用 Agent、ReAct 推理循环、多工具选择、记忆 Agent（短期与长期记忆）、规划 Agent（任务分解）、反思 Agent（自我评估与修订）、多 Agent 协作系统、研究 Agent、编码 Agent 等。文章通过架构图、技术栈（Python、OpenAI、LangGraph、Pydantic）和学习要点，阐述了智能体设计中的核心问题：工具选择、记忆管理、任务分解、错误恢复、自我验证及多 Agent 协调等。
文章转述了一篇关于使用 Grok Bot 和 AI Agent 的高信息密度实战指南。核心观点是：使用 AI Agent 不是写提示词，而是雇用一个数字员工，必须像管理新员工一样管理它。作者提炼出六步驭工法则：1）为 Bot 设定岗位职责而非临时任务；2）从无聊但可撤回的任务开始，要求先写计划再执行；3）按可撤回性划分权限，发送、删除、付款等危险操作必须审批；4）严格跑满三轮试用期；5）自主权是运行时特权，凭硬指标升降级；6）每周复盘，敢于删除低效自动化任务。最后强调零成本黄金规则：拿不准就停下来问。
Meta 于 10 月发布 Muse Gadgets，开源 ESP32 固件和 Linux SDK，让开发者可以将 Agent 接入屏幕、按钮、传感器等实体硬件。文章指出 AI 硬件的价值在于让高频重复任务少一步，并给出三个可动手的原型方向：桌面简报屏、一键 AI 语音按钮、固定场景的设备控制。作者强调 SDK 开源不等于可商业使用，Gadget SDK Token 目前仅限个人非商业用途，因此 Muse 更适合作为点子验证工具。文中还提出评估 AI 硬件点子的 5 个关键问题，建议先验证需求再投入硬件开发。
本文探讨递归自我改进（RSI）在企业蓝领 AI 场景中的应用价值。作者认为，与科学发现领域相比，企业运营因其流程确定性、文档化、可审计的特点，更适合 RSI 立即产生价值。企业积累的海量 SOP、工程规范和监管文档可同时充当知识来源、执行约束和验证基准。文章提出企业 AI 需满足高精度执行和自助式自动化两大要求，主张由领域专家（SME）直接监督 AI 系统，实现从工作流发现、PoC 到生产部署与持续演化的自助式开发。核心架构是共享前沿模型加面向具体工作流的本地 RSI 小模型，配合动态脚手架和群体智能体协同，并遵循版本管理、回滚、审计等企业治理实践。
文章介绍了一个免费的 GitHub 仓库，整理了 300 多个 AI Agent 项目并按功能分类（约 25 个类别），帮助开发者避免重复造轮子。作者精选了最值得安装的 5 个工具：Ollama（本地运行 LLM）、LangChain（LLM 应用框架）、Open Interpreter（执行代码的智能体）、AutoGen（微软多智能体框架）和 Aider（终端 AI 结对编程）。此外还按类别推荐了各领域最佳选择，如 AutoGPT、crewAI、Flowise、E2B、mem0、DSPy、MetaGPT、PrivateGPT 等覆盖编排、编程、记忆、评估、安全执行、语音等场景，并说明该清单适合快速了解 AI Agent 生态全貌的人群。
Meta 推出的 AI Agent 应用 Muse 上线 13 天即获 250 万下载并登顶美区 App Store 免费榜。文章介绍 Muse 与 ChatGPT 的区别：只需说出目标，它能在云端自动执行订票、回邮件、填表、比价等任务。内容涵盖 5 步上手流程（重点提醒关闭模型训练开关、最小化权限）、与 Agent 对话的 3 个原则（说目标不说步骤、给边界、敏感动作需确认），以及晨间简报、邮箱清零、旅行规划、订阅清理等 9 个实战用法与可复制的提示词，最后给出 5 条避坑建议。
本文系统讲解如何像招聘员工一样引入和管理 Grok Bot 等 AI Agent。作者指出常见错误是创建机器人后立刻连接所有工具并交给模糊任务。正确做法包括：定义岗位而非任务，用一句话职责加五个字段（职责、输入、可自主执行、需请示、完成标准）写成岗位说明书；首个任务应选择高频且可逆的简单工作；正式执行前先让机器人以文本形式说明计划；完成标准必须可检验而非模糊的质量词汇；权限遵循最小化原则，以可逆性划界。整体框架包括试用、考察期、基于证据的晋升和每周复盘。
本文介绍如何在 Grok Bot 商店中发布并可能出售自己的 Grok Bot 员工模板。作者将 Grok Bot 描述为拥有独立云电脑、持久对话和固定职责的数字员工，而发布 Bot 实际上是分享其模板——包含身份、技能与例程，但不包含登录凭据和对话历史。文章详细阐述了发布流程：先在自有账号上验证任务，清除 API 密钥等敏感信息，创建模板并检查，选择公开或团队分享方式，然后在 X 上撰写推广帖。作者还介绍了 Grok Bot Template Rewards 试点计划，并将其类比为 2008 年的 App Store，认为这是早期参与新兴市场的机会。
文章探索用 AI 生成高质量界面设计的边界，介绍让 Agent 做界面设计的方法：先按品类和品牌推出设计方向，生成多套可对比的方案，再通过实际截图进行迭代，避免直接套用模型的默认审美模板。作者还开源了 oil-ui 项目，展示如何把 AI 的 UI 设计能力推到极限。
文章介绍了 Pi 发布的持久化运行时库 pi-durable，用于保存 Agent 的会话、工具调用和任务状态，实现进程中断后的断点续跑。作者讲解了核心机制：Harness 负责调度模型请求和工具任务，Storage（如 SQLite）保存提交后的记录；应用可通过 defineDoc 定义业务进度状态，并通过 replay 策略（safe/unsafe）控制被中断工具调用的重跑行为。文章以一个读取本地章节并保存进度的 TypeScript Agent 为例，详细演示了环境准备、依赖安装、代码实现，以及正常运行、重启恢复、中途退出后续跑的完整流程。
文章从定位、上手门槛、复杂任务执行能力、任务执行环境、办公能力、安全权限、生态连接器、远程控制、定时任务、计费方式十个角度，对比腾讯的 WorkBuddy 和字节的豆包工作两款办公 Agent。WorkBuddy 优势在于纯本地执行、丰富的连接器市场和知识库打通、模板开箱即用、微信生态结果推送，采用积分制计费；豆包工作优势在于云电脑执行、三档细粒度权限、深度打通飞书云文档、额度制更适合高频使用。作者建议根据个人资料沉淀的生态、使用频率和安全管控偏好来选择工具。
作者发布 Ducoro，一个管理 Bot、组织 Agent Teams 的平台。从早期产品 Dessix 的上下文结构化组织出发，作者认为现在模型与智能体已足够强大，真正缺失的是把多个智能体的智力组织起来协同工作的能力。Ducoro 旨在为 AI 构建一个功能齐全的工作环境，让用户可以把重复、繁琐的事情委托出去，同时保留人的主体性判断。整个产品完全通过 Vibe Coding 方式开发，作者未写一行代码。文章还讨论了 AI SaaS 溢价困境、工具注意力争夺、垂直场景圈套，以及软件开发正变得像写书的趋势。
文章介绍了三个 GitHub 开源工具，让 AI Agent 几乎可以从整个互联网抓取数据。Agent-Reach 将 X、YouTube、Reddit、GitHub 等平台整合到一个入口；Patchright Enhanced 基于 Playwright 监听网站请求，即使网站没有 API 也能通过脚本提取数据；Scrapling 是面向任意网页的通用自适应抓取框架。用户只需告诉 Agent 想要什么数据，Agent 会自动编写代码、完成采集并返回结果，例如分析 X 账号帖子话题表现、收集 Reddit 和 YouTube 上的产品评价等，相当于给 Agent 装上了读取整个互联网的眼睛。
Uber 推出 MCP Gateway，作为统一管理 AI Agent 与后端服务 MCP 交互的核心微服务平台。文章介绍了其架构：控制平面（MCP Registry）作为工具目录的唯一事实来源，数据平面（Proxy Gateway）负责将 MCP 协议请求翻译为 HTTP、gRPC 或 TChannel 并路由到后端服务。通过基于 Cadence 的 AutoCrawler 自动扫描 IDL 注册表和原生 MCP 服务器心跳，自动发现、生成并注册 MCP 工具，同时支持 Jira、Google 等第三方集成。该平台已托管 800 多个 MCP 服务器和 5000 多个工具，实现了安全、可扩展、统一的 Agent 生态治理。
文章分析了 Personal Agent 近期集中爆发的现象。AI 产品形态正从一次性回答问题，转向长期承接个人目标。作者对比了四款代表产品：Dots（长期在线的个人工作总管，可记住项目进度并持续推进）、Grok Bot（多 Agent 协作的工作小队）、Muse（面向购物、出行等生活场景的助理）、Cue（探索 Agent 拥有独立身份与授权体系）。爆发原因有三：模型具备连续执行能力、Agent 有了持续运行的云环境与记忆系统、连接器与授权体系日趋完善。未来竞争点在于长期理解用户、多 Agent 协作、安全授权与可干预性，Personal Agent 正成为下一阶段 AI 产品的重要组织方式。
本文介绍了如何用 ChatGPT Agent 实现多邮箱自动整理：将 Gmail、Outlook、QQ 邮箱的新邮件自动转发到一个主 Gmail，再将其连接到 ChatGPT 插件，并创建每天早上 9 点运行的定时任务。任务会把过去 24 小时的邮件按「需要我处理」「重要通知」「资讯速览」三类分类，生成带待办和原邮件链接的清单。文章详细讲解了各邮箱的转发设置步骤、Gmail 与 ChatGPT 的连接与授权区别、定时任务的创建与测试方法、通知提醒配置，以及转发、连接、定时任务三个环节的常见问题排查。整套方案无需写代码、无需自建服务。
文章介绍了 AI 员工 Viktor，它驻留在 Slack 或 Teams 中，可连接 3200+ 工具，交付真实工作成果而非建议。作者列举了十项可交给 Viktor 的任务：销售线索挖掘、内容与社交媒体运营、每周数据报告、客服处理、财务开票、项目任务管理、竞品研究、招聘筛选、代码与产品开发、广告投放优化。借助 Viktor，一人公司突破了个人时间与精力的天花板，无需招聘即可扩大执行能力，将增长瓶颈从'人手'转移到'任务分配'。
