作者用相同的提示词、品牌素材和数据让 Claude Code（Opus 5）和 Codex（GPT-5.6 Sol）各构建八个网站，从设计质量、Agent 数量、耗时、输出 token 和 API 成本多维度对比。结果是 Codex 在开放式设计环节赢得六轮中的五轮，效率优势显著：Codex 仅用 9 个 agent、约 5 小时、55 万 token、约 100 美元，而 Claude Code 用了 25 个 agent、14 小时、近 300 万 token、约 444 美元。实验还发现当提示词足够具体时，两者产出几乎一致。
作者深度实测了飞书与豆包合体后的豆包工作 Agent，总结出 8 个使用技巧：用飞书账号登录、选择独立客户端、利用手机远程控制电脑、将长任务分配给云电脑、设置定时任务、喂入记忆、复用本地 Skill、以及利用重置卡刷新额度。豆包工作与飞书原生打通，解决了授权过期和消息转发等痛点。作者还分析了 2026 年各大厂纷纷推出 Work Agent 的原因：模型能力到达临界点，且 Agent 是 token 变现的正确姿势，并认为飞书的企业生态优势让豆包工作成为企业接入 Agent 门槛最低的路径。
本文系统介绍腾讯 AI 工作台 WorkBuddy 的使用方法，从安装配置、工作空间设置讲起，强调 Agent 与普通 AI 的区别在于交付“交付物”而非“答案”。文章详细讲解了如何撰写结构化任务说明（背景、目标、输入、处理规则、交付标准）、如何纠偏和验收结果，并深入说明 Skills 沉淀工作方法、连接器与 MCP 接入外部服务的用法，还涵盖权限分级管理风险、两个实战案例（部门周报整理与行业研究），帮助读者真正用好 AI Agent 完成端到端工作。
本文翻译并评述了 Chill Interview 的 Anthropic FDE 面试指南。FDE 岗位要求候选人同时具备生产级工程能力、Claude 与智能体系统能力、客户需求梳理能力、安全与可靠性意识，以及在不确定环境中自主推进的能力。文章详细拆解了面试流程各环节（简历筛选、招聘初筛、技术编程轮、Applied AI 构建轮、客户需求访谈、系统设计、价值观面试等）的考察重点、常见题型、评分点与备考建议，并强调候选人要避免表现得像「只会做 AI 演示原型的人」，需能交付经得起企业现实考验的生产系统。
作者将11款AI视频剪辑与生成工具的评测任务交给Agent工具Apodex，针对MacBook Pro M1 16GB、首月预算100元以内的新手创作者，通过持续补充约束条件进行迭代式研究。最终推荐零成本起步组合：度加剪辑+剪映+即梦，可实现1080P无水印、带字幕配音和B-roll的可发布视频。文章同时总结了Codex的能力边界：适合打磨提示词、整理素材清单、辅助写脚本，但无法替代需要复杂环境配置和本地大模型运行的任务。
本文系统讲解 DeepSeek 开源的 Agent 框架 DeepSeek Harness。作者从 Agent = Model + Harness 的公式入手，解释 Harness 如何将模型的意图转化为受约束、可持续的行动，涵盖插件化架构（Everything is a Plugin）、Profile/Bundle/Patch 配置体系、Cordis 插件管理器及其时空可组合性与 Fiber 生命周期、Agent Loop 中 Turn 与 Step 的执行流程、Inbox 输入机制、事件系统以及每个 Step 重新组装 System Prompt 的设计。文章配有大量名词解释与图片，兼顾零基础读者与技术人员。
文章帮助开发者厘清不同 Coding Agent 工具的选型思路，将需求分为三类：开箱即用的 Coding Agent 产品、可编程调用的 Agent SDK、以及用于定制自有 Agent 的 Agent Framework。预算充足可选 Claude Code 或 Codex，预算有限可用 OpenCode，追求极简与插件机制可选 Pi，想尝试递归自进化（RSI）可关注 DeepSeek Harness。作者认为 DSH 目标宏大但短期不会作为主力工具，会持续关注学习。
作者将一份包含 10 款 AI 产品的竞品研究任务交给 Apodex（Deep Solve 1.1 模式）。Apodex 将任务拆解为 10 项工作并在任务板上可视化推进，首轮 60 步完成定价矩阵、研究报告、产品定位图和带 URL 的证据来源。遇到文档生成错误时能局部修复并保留已有成果；第二轮修改研究范围时复用首轮证据、仅补充受影响部分。作者认为 Apodex 提供的不只是长回答，而是一套可检查、可继续使用的研究成果。
本文结合麦肯锡《The State of AI in 2026》报告与 TechCrunch 对 OpenAI 的深度探访，揭示 AI 个体红利与企业盈利之间的鸿沟：80% 员工称 AI 提升生产力，但仅 37% 企业 EBIT 有正贡献，高绩效者仅占 6%。32% 的企业因 coding agent 自建功能而放弃采购软件，SaaS 行业面临重新定价。成本墙、裁员预期落空等现象并存。核心结论是：高绩效者的共性不在预算，而在围绕 AI 从根本上重构工作流，组织消化变革的能力才是瓶颈。
本文是一份按使用场景分类的AI工具全景指南，将主流AI工具拆分为核心AI/搜索、AI编程、视频视觉创作、办公效率、自动化集成、音乐音频、智能体平台、数据分析、学习教育以及法律翻译等垂直领域共十大类。每类列出代表性工具及其核心特点，如ChatGPT、Claude Code、Cursor、Suno、Manus、n8n等。作者建议读者从最痛的场景切入，先选该分类首选工具用两周，跑通后再扩展，强调工具是手段、解决问题才是目的。
作者介绍了 DeThink 这款类 Codex 的 Agent 助手，其核心价值在于覆盖 X、抖音、小红书、YouTube 等 30+ 数据源的数据插件（基于 MCP）。通过插件查询平台真实数据而非依赖模型推测，大幅减少热点分析中的幻觉。作者展示了跨平台追踪 AI 话题的工作流：固定关键词、平台和时间范围做可复核的分时追踪，比较不同平台的讨论侧重；并利用模型切换功能（先用快速模型整理信息，再切 Claude 写文案）在同一条工作流内完成选题到成稿。定价每月 20 美元起，支持国内支付。
本文是一篇面向零基础用户的 Pi Agent 终端实操教程。作者在独立练习目录中，用一份虚构会议记录作为输入，引导 Pi 生成行动清单，并回到命令行独立验收原文件、输出文件、负责人和日期。文章涵盖 Pi 的能力边界与本地 Agent 概念、安装登录、界面四大区域解读、可验收提示词的写法（材料、动作、限制、验收四要素）、SHA-256 校验与独立验收方法，以及 Skill、Extension、Pi Package、Project Trust 与沙箱等扩展与安全知识，最后给出适合新手的安全升级路线。
本文系统介绍字节跳动豆包工作这款 AI 助手的完整使用方法，涵盖制作 PPT、处理文档表格、深度调研、定时任务、本地文件整理、网页自动化操作及图片视频创作等场景。作者强调核心是用清晰的任务描述代替模糊指令，提供了通用任务模板、会议纪要整理、销售数据分析、竞品周报等可直接复制的提示词，并给出三轮追问法提升输出质量，最后提醒高风险操作必须人工确认。
作者介绍了其开源项目 k8e-sandbox 的沙盒服务实现。该沙盒基于 k8s 分布式架构，目标场景是一台笔记本跑 agent harness、一台远程服务器跑沙盒。文中详细演示了在 AWS 2C/2G 低配机器上一键安装 k8e、配置域名与 EIP、创建 API key、通过 k8e-sandbox-cli 与 DeepSeek Harness（DSH）联通，并在沙盒内运行网页并通过 Gateway/HTTPRoute 对外暴露 URL 的完整流程。沙盒内置 gvisor 实现用户态内核隔离，安全性接近 KVM 虚拟机。作者认为 agent infra 仍有大量工作要做，希望个人开发者拥有自己的工具箱。
作者开源了一个名为 douyin-image-post-scheduler 的 Codex Skill，实现 AI 操纵浏览器自动发抖音的完整流水线：图文素材批量验证、自动起标题、选话题标签、按时间窗排期、发布前逐条核验。全程在用户自己登录的 Chrome 中运行（Computer Use）。细节上采用固定随机种子保证排期可复现、支持断点续传避免重复发布、能区分「审核中」和「已排期」状态。作者提醒这是非官方工具，仅用于发布自己的内容。
本文详细介绍了字节推出的 AI 办公 Agent 产品「豆包工作」的完整使用教程。内容涵盖下载安装与登录、主界面九大入口（新工作任务、定时任务、技能、连接器、工作伙伴、伙伴对话、云盘等）的功能详解，包括模型与推理强度选择、权限模式设置、定时任务自动化、技能市场使用（可自动发现本机 Codex Skills）、外部服务连接器授权、工作伙伴与协作小队，以及与飞书云文档的深度打通。适合国内用户零门槛上手 AI 办公 Agent。
本文介绍 OpenWiki 如何构建自我修正的记忆系统。传统记忆系统难以发现知识过时，导致记忆漂移和污染。OpenWiki 通过记录 wiki 页面中的事实性声明及其在代码中的支撑证据，并追踪证据版本，在代码变更时将相关声明标记为过时。每次更新前进行确定性的过期检测，由 Agent 在读取页面时重新验证或修正声明，形成自我修正反馈循环。该系统通过 OKF v0.2 格式使声明与溯源信息可移植。评估显示，声明运行时使过时声明从 80 降至 9，幻觉声明从 15 降至 0，且更新成本随代码变更量而非声明总数扩展。
字节豆包工作正式上线，公开口径可领30天订阅权益。作者指出多数人只停留在「打开看一看」，并未真正让办公Agent干活。文章提供一个第一夜五步实操方案：装客户端、登录、只授权一个练习文件夹作为沙坑、用「先计划后执行、禁止删除」的明确指令派发文件整理任务、最后验收分类结果。核心是区分「会聊」与「会交活」，强调确认权在用户手中，通过一次看得见的真实任务建立对AI办公Agent的信任与手感。
作者使用 Apodex 1.1（主模型+在线工作台的科研 Agent 产品）对 221 个 MATS 项目进行研究，分析中国模型尤其是开放权重模型在 AI 安全研究中的使用情况。系统区分原始提及与实质性采用，通过异步 Agent Team（10 个 Subagent 并行）处理 4,821 条证据摘录，支持运行中 Chime-in 调整任务范围，并用独立审查 Agent 核验结论。研究发现中国模型实质性采用率从 2023 年的 4.35% 升至 2025 年的 50.55%，80.9% 的使用在开放权重条件下发生，中国开放权重模型正成为安全研究的实验基础设施。
本文通俗讲解 AI Agent 时代的 Skill 概念：Skill 是写给 Agent 的工作说明书，本质是以 SKILL.md 为核心的文件夹，可包含脚本、参考资料等，通过渐进式披露按需加载，节省上下文。文章对比了 Prompt、Skill、MCP 三者区别——Prompt 给模型、Skill 给 Agent、MCP 解决外部连接问题，三者互补。最后介绍了 Skill 的创建方法、获取渠道（skills.sh 等网站和 GitHub）、安全检查建议，以及 pptx、second-brain、人格蒸馏等实用 Skill 案例。
作者基于 TIME 点名的 AI 人物网站 castmind.ai，整理出活跃在 X 上的 59 位 AI 领袖清单。核心理念是「Follow builders, not influencers」——关注真正造东西的一线建造者，而非贩卖焦虑的网红。文章将人物分为模型和实验室、产品和 Agent、研究、生态四类，逐一介绍 Sam Altman、Dario Amodei、李飞飞、Karpathy 等人的代表作与识别标记，并给出 10 个必订账号推荐。
本文是 LangChain 团队关于构建合成 Agent 环境与任务的实践指南。文章提出一个两步流水线：第一步通过 traces、代码和人工输入生成详细的任务 spec；第二步将 spec 转化为评测任务及其运行环境。核心概念包括“World Spec”用于沉淀跨任务的共享知识、脚本与定义，整个流程高度迭代。该方法已封装为 eval-engineering skill，供各团队自主搭建 Agent 评测基准，从而更高效地识别回归、优化 Agent 表现。
作者通过对120个购买类搜索的分析发现，谷歌排名第一的网站只有52%的概率被谷歌自家AI提及，78%的搜索中AI会引用排名前10以外的网站。文章提出一套6步AI SEO策略：向AI提问记录竞争对手、挖掘Search Console中接近排名的关键词、分析AI引用的竞品页面并超越、利用谷歌自动补全挖掘购买意图词、持续将品牌与关键词关联搜索、以及在YouTube、Reddit等AI实际读取的平台布局内容。
文章探讨agent harness在长时任务中的关键作用。原始模型本身是无状态的，没有持久执行循环，agent harness为模型提供执行系统，包括模型循环、MCP工具连接、技能、沙箱执行、子代理、上下文压缩、审批检查点和持久会话等能力。作者以开源项目TrueForge为例，演示构建一个网页研究agent：通过MCP接入Exa搜索，启用web-artifacts-builder技能，在沙箱中执行代码。文章还讲解渐进式披露策略，避免大量工具定义占用模型上下文窗口，强调开源harness在agent工程中的重要性。
文章探讨了企业中AI智能散落在私人对话中的问题，提出构建“公司大脑”的方法：将团队对AI的每一次纠正、决策和有效工作流转化为全员共享的资产。核心做法包括发现团队AI工作中隐藏的智能、给每个Agent提供统一的公司地图、把纠正转化为共享学习，并在总部构建第一版。文章还提供了可直接使用的文件夹结构、地图文件模板和纠正循环等实操方案，强调“学一次，惠及所有人”。
文章指出盲目安装大量 Skill 的风险：Skill 可能泄露数据或污染上下文。作者实测两个开源工具：NVIDIA SkillEvaluator 负责对单个 Skill 做三层安全体检（静态文件检查、语义去重、实际效果对照），EverMind SkillCorpus 负责对技能库做收集、分类、去重和任务匹配筛选。推荐流程为先用 SkillCorpus 找候选，再用 SkillEvaluator 查文件，最后小范围试用并定期重查，强调安装量和官方推荐不能替代安全判断。
作者介绍了其 XXD Panel 系统：56 个各自独立、各守一套审美的“士兵”Skill，配合负责推荐、点将、试稿和批量派发的“将军”Skill（xxd-panel-all），解决风格多样后如何选择、批量制作如何提效的问题。每位士兵保留独立原始提示词，互不混血，支持上下、左右、纯设计、壁纸包四种交付模式和批量目录处理。文章详述了 56 位士兵的风格特长分组、适用人群、质量控制逻辑及入门方式。
字节在一个月内将飞书、TRAE、扣子并入豆包体系，推出“豆包工作”，阿里、腾讯也在整合Agent产品线。文章分析这一趋势背后的逻辑：入口即训练场，真实任务轨迹决定模型升级；豆包缺企业“写回”钥匙，飞书恰好握有账号、权限和组织架构；随着Agentic AI价值流向模型厂商，收拢入口意味着同时获得流量、数据和模型升级三重优势。
本文是面向零基础用户的 Pi 编程 Agent 入门教程上篇。Pi 是 2026 年 GitHub 9.3 万星的极简 AI 编程 Agent，核心理念是做减法：仅 4 个内置工具、约 1000 token 系统提示词，同等成本下代码质量超过 Claude Code 和 Codex，速度快 1.5-2 倍，且能自我进化写插件。教程详细讲解了 Agent、模型、Token 等基础概念，三种安装方式，配置 DeepSeek API Key 或订阅账号的方法，常用操作快捷键，并手把手带领读者用一句话指令让 Pi 从零做出一个家庭记账本 React 网页，完成从安装到作品落地的完整闭环。
文章指出全球88%的企业使用AI但仅6%能算清收益账，核心问题不在技术而在于一号位的提问方式。以美团全员配AI却日烧千万token为例，说明把AI当工具发放与当业务杠杆重构的巨大差异。文章辨析了工具与Agent的本质区别——主动性，借冯·诺依曼瓶颈的典故强调一号位的职责是给业务问题起对名字，并提出“组织底数大于1”是享受AI指数红利的前提。
