本文整理了 Matthew Berman 对 OpenAI Codex 工程负责人 Tibo 的访谈。Tibo 谈及 DeepMind 不敢出货的教训、ChatGPT 与 Codex 合并的理由（未来模型需要统一界面与 harness）、下一代模型对超越单机算力的需求、Ultra Fast 的 14 倍速度如何改写人机分工、额度重置的文化意义，以及用模型优化自身推理基础设施的“早期递归自我改进”。核心理念是技术应迁就人的注意力，让个人 AGI 成为理解用户的统一代理。
Hugging Face 正接触潜在买家，估值可能超 130 亿美元，比当年微软收购 GitHub 的 75 亿还高。文章分析其价值来自模型分发入口地位：平台模型、数据集超百万，Qwen、DeepSeek 等开源模型均以此为主阵地。公司年化收入已过 1 亿并盈利，出售并非自救，而是趁高位试探最优价格。核心难题在于中立性：任何大买家（Google、英伟达等股东）收购都会动摇其他厂商信任。作者回顾微软收购 GitHub 八年后的变化，提醒关注收购后模型迁移自由与推荐公平性。
本文从不同职业角度介绍OpenAI Codex的实际应用，涵盖财务、教师、运营、咨询、法律、科研和程序员七大场景。案例包括Excel数据处理、SQL取数分析、PPT生成、海报图片制作、合同审查、文献综述、数据分析等，并介绍以Codex为大脑搭建自定义工作流的进阶玩法。作者强调Codex与聊天AI的区别：它交付的是做完的活，而非文字建议。
本文分析谷歌AI人才流失现象：Jeff Dean、Sanjay Ghemawat等核心人物离职创业，Noam Shazeer转投OpenAI，Demis Hassabis卸任DeepMind日常管理。作者认为，随着AI价值飙升，顶级研究员自身已足以成为公司起点，资本追着送钱，出走比留在大厂更自由值钱。同时，谷歌因组织庞大、多业务掣肘、产品化节奏与DeepMind研究愿景冲突，导致Gemini旗舰模型难产、竞争力落后于OpenAI和Anthropic。核心结论是：知道方向的人，手中未必握着方向盘。
这是一篇面向新手的 Codex 全面教程，系统讲解了 OpenAI Codex 这一可实际操作的 Agent 工具。文章从界面布局、项目与任务管理讲起，详细介绍了 Local、Worktree、Cloud 三种工作区模式的选择，Plan 计划模式的适用场景，权限与沙盒的配置方法。还覆盖了集成终端、内置浏览器、Computer Use、Memory 等基础工具，CLI 常用命令与快捷键，AGENTS.md 项目规则文件的写法，并厘清了 Skills、Plugins、MCP 三者的区别与用法，帮助读者独立上手 Codex 完成实际任务。
Parallel 推出面向 AI agent 的 Fast 模式网页搜索，价格仅为主流模型默认搜索的十分之一，每千次查询 1 美元，在质量-成本和质量-延迟上均处于 Pareto 前沿，准确率接近 SOTA 的 Parallel Advanced。独立评测显示其端到端成本比 Brave、Exa、Tavily 便宜 2 倍以上。文章指出随着 GPT-5.6 Luna、DeepSeek V4 等高性价比模型普及，AI 智能成本数月内下降 8-12 倍，廉价模型需要廉价搜索，Parallel Fast 旨在提升 agent 每美元的有效工作量。
OpenAI 推出面向高校科研人员和博士后的 ChatGPT for Academic Researchers 计划，提供最多 5 个座位的独立 workspace，本质是把科研从一次性问答推向可承接项目上下文的团队工作台。文章介绍了如何搭建科研 workspace（研究问题、资料、方法、代码、输出五区），强调文献综述应先做文献矩阵而非让 AI 直接写，代码与数据分析要接入同一条研究链，并给出普通科研人可执行的六步流程、小课题组分工方案、AI 与人工的任务边界，以及一套可直接复制的提示词模板。
本文是2026年8月19日的AI与科技新闻综述。文章指出，AI前沿发展正受到安全许可的限制，OpenAI暂停了前沿强化学习训练，而Anthropic发现了新的安全漏洞。同时，开源模型发展迅速，Claude在蛋白质设计上取得突破。此外，文章还涵盖了AI安全产品、硬件市场动态、物理AI投资、太空探索、UFO披露、生物技术进展以及加密货币监管等话题。
OpenAI 于 8 月 1 日公布了数学与理论计算机科学方向的十项新进展，涉及几何、密码学、复杂性等长期问题。这些成果来自下一代模型 Astra 的内部版本，配套了 253 页论文、推理叙述和 Lean 形式化证明仓库。文章强调，这不仅是模型能力的展示，更标志着 AI 从生成文本转向生成可验证的研究产物。作者提醒读者不要过度解读为“AI 替代数学家”，而是关注其带来的可验证输出标准，这对未来 AI 工作流和科研模式具有深远影响。
本文是 Allie K. Miller 撰写的详细教程，指导用户如何在 Mac 上安装 ChatGPT 桌面应用、通过手机配对远程控制电脑，并从手机启动 Codex 实时语音对话模式。文章强调 Codex 中的实时语音模式（基于 GPT-Live 双工语音模型）比 ChatGPT 的语音模式强大得多，可将 AI 从一次性任务工具变为持续的'环境型劳动力'。教程还介绍了晨间简报、邮件分拣、会议准备等实用工作流场景。
作者分享了以 144 美金（约合人民币不到 1000 元）订阅菲律宾区 ChatGPT Pro 20x 的方法，比美区便宜 300 多元。方案需要一张 ChatGPT 接受的外币卡，推荐新加坡金融科技公司 Starryblu 的星空卡，只需护照即可申请，通过香港银行 FPS 转数快可免手续费秒速入金。订阅时切换菲律宾区并使用美国免税州账单地址即可免税，建议先开 Pro 5x 再升级 20x 以避免风控。该方案是目前订阅 ChatGPT 最划算可靠的方式。
文章介绍了OpenAI于8月1日公布的数学与理论计算机科学领域十项新进展，涵盖高维球堆积、编码理论、Connes刚性猜想、算术电路复杂度、多色Ramsey数等长期开放问题，既有新上下界也有反例。这些结果由内部版Astra模型生成，总成本仅约2000美元，随后由人类研究者配合整理成论文，并用Lean形式化证明系统验证。作者认为AI在科研中的角色正从读论文、辅助推导走向搜索开放问题、提出新证明、形式化验证与人类审查的闭环。
NVIDIA与SB Energy合作，在俄亥俄州PORTS-Pike技术园区为OpenAI部署AI工厂，初期容量达4.25吉瓦。此次合作标志着NVIDIA将保障土地、电力和外壳（LPS）资源作为战略重点，通过CUDA生态确保计算资源的通用性和可复用性，支持前沿AI实验室的发展。
本期早报包含三个核心话题：Lenny 调研显示设计师焦虑源于角色期望不清，OpenAI 产品负责人提出双速节奏与 Do Less 策略；技术方面探讨 RAG 系统设计持久化知识层以解决推理成果丢弃问题；商业部分复盘 Travis Kalanick 的实体自动化方法论及滴滴补贴战经验。此外涵盖 Qwen 3.8 过度思考问题、Agent 优化陷阱及 API 降本策略等速览内容。
本期周刊聚焦 AI Agent 执行层的工程实践，探讨模型如何穿过真实环境稳定完成任务。文章围绕执行模型、Harness、质量评测、多智能体与权限、路由缓存等六条主线展开，分析了 Grok 4.6、DeepSeek V4 Pro、Gemini 3.7 Flash 等模型的长程执行能力，拆解了 DeepSeek Harness 和 OpenAI Codex Harness 的架构设计，并介绍了阿里、美团等团队的评测与改进流程。核心观点是：智能体的可靠性不仅取决于模型能力，更依赖于 Harness 的工程化设计、可观测的反馈闭环和合理的成本调度。
OpenAI 发布了 ChatGPT Linux 桌面应用的预览版，支持 Ubuntu、Debian 和 Fedora 系统，并提供 x64 和 ARM64 架构的安装包。该应用不仅提供聊天功能，还支持项目、本地文件和 Codex 编码代理，使 Linux 用户能够更紧密地将 AI 集成到开发工作流中。尽管仍处于预览阶段，部分功能尚未完善，但这一举措标志着 ChatGPT 正式进入 Linux 桌面环境，为开发者带来更高效的工作方式。
本文通过采访一位硅谷AI创业公司创始人，探讨了闭源与开源模型竞争、中美模型竞争以及Anthropic与OpenAI的竞争格局。受访者认为，闭源模型的壁垒在于数据、上下文和个性化带来的数据飞轮，而开源模型更适合低上下文、低记忆、价格敏感的场景。在高价值场景中，模型智能差异比价格更重要。开源模型目前主要靠蒸馏闭源模型，天花板受限，反超可能性较低。未来竞争的关键在于人才密度、资金和市场，以及是否出现范式突破。
OpenAI 发布 GPT-5.6 开发者指南，通过多个案例展示 agent 成本优化的巨大潜力。指南指出，通过降低推理档位、分层使用模型、利用推理持久化与压缩、Programmatic Tool Calling 及缓存优化等策略，可在保持甚至提升性能的同时大幅降低成本。文章提供了五步实操清单，帮助开发者有效控制 API 成本，并强调架构优化比单纯追求更强模型更具经济价值。
本文介绍了一套由五个开源仓库和Kimi K3模型组成的AI开发系统，该系统能让单个工程师实现五人的工作效率。文章详细说明了每个仓库的功能和它们如何协同工作，包括Kimi Code作为AI高级工程师、Kimi Agent SDK作为管理层、OpenAI Agents SDK用于构建多智能体工作流等。作者强调，顶级AI公司的工程师已通过此类系统实现自动化，并提供了具体的搭建方法和代码示例。
OpenAI CFO Sarah Friar 复盘两年内从零搭建 AI 原生财务团队的经验，提出五条核心方法论：先开放 AI 权限并举办黑客松激发使用；围绕决策而非旧流程重构工作流，实现零日关账和持续预测；财务人员转型为工具构建者；速度需匹配问责机制；按单位智能价值而非 token 数量评估 AI 投入。文章强调 AI 改变工作最小单元，财务团队通过 AI 实现效率飞跃，同时保持人类判断与责任。
本文介绍了“图工程（Graph Engineering）”在构建大规模AI Agent系统中的应用。传统线性工作流容易导致延迟和混乱，而图工程将工作流转化为节点、边界和状态的显式执行图。文章提出了七大核心实践：切断非必要依赖实现并行化、为节点设定明确契约、将边界视为数据契约、掌握链/菱形/路由器/受控循环四种基础图结构、合理展开合并独立任务、实现可检查的路由机制，以及在边界处部署验证节点。通过结合概率性模型判断与确定性代码控制，能有效提升Agent系统的稳定性、效率与安全性。
本文剖析了开源Coding Agent的内核架构，重点讲解LLM协议层的精巧设计。一方面，通过分离API协议与服务商配置，仅用11个协议实现便覆盖了38家大模型，新增支持仅需十几行配置代码；另一方面，确立了“模型调用永不抛出异常”的核心契约，将网络中断、鉴权失败等异常情况统一降级为带有stopReason的普通事件流。这种设计不仅保持了上层Agent循环代码的优雅，还能在发生错误时保留已生成的部分内容，极大提升了系统的鲁棒性与用户体验。
本文介绍了如何使用OpenAI的编程智能体Codex结合开源框架HyperFrames，实现全自动化的AI视频剪辑。作者详细分享了插件的安装配置、具体的项目实战流程以及全程使用的提示词。此外，文章还总结了AI剪辑常见的问题（如画面遮挡、闪屏等）及解决方案，并分享了利用AI高效产出高质量视频的心得体会，非常适合剪辑新手学习。
本文全景剖析了OpenAI从非营利实验室向万亿估值巨头蜕变的历程。其收入高速增长但因高昂算力成本深陷亏损，高估值全靠不断兑现的“故事”支撑。为摆脱手机厂商的入口控制，OpenAI重金收购团队进军硬件，却因涉嫌窃取商业机密遭苹果起诉。文章指出，AI行业在拼完模型与算力后，已步入争夺硬件入口的白刃战，而“讲新故事并兑现”是其生存发展的核心逻辑。
本文梳理了 LLM API 格式的演进史。从早期 Chat Completions 的无状态聊天映射，到各厂商接口分叉，再到 Agent 时代为解决状态管理和缓存问题诞生的 Responses API。新 API 引入了服务端状态、检查点分支及内置云端工具，模糊了模型与 Agent 的边界。随着 DeepSeek 宣布原生兼容该接口，预示着 Responses API 正取代旧标准，成为 AI 行业的新共识。
本文是一篇进阶指南，旨在帮助用户将 Codex 打造为“常驻 AI 团队”，从而实现单人高效运作。文章指出，普通用户倾向于单步提示，而高级用户应转变为“设定目标与边界”的指挥者。作者提供了构建专属工作区、利用语音输入、使用 /goal 设定长期目标、让 AI 先勘察后执行等实用技巧。此外，文章还深入探讨了如何通过多智能体并行处理任务、云端运行长任务以及使用手机进行远程控制，从而打破设备与时间的限制，最大化提升工作流效率。
随着AI技术的普及，企业急需将AI接入真实的业务系统，由此催生了需求暴增的新工种——前线部署工程师（FDE）。FDE需深入客户现场，负责打通数据、对接老旧系统并交付可用应用。该岗位薪资丰厚，注重编程、客户沟通与需求判断能力。作者详细解析了FDE的定义、工作常态、薪资水平及技能要求，并提供了从零基础或有编程经验者入行FDE的实操路径与面试准备策略。
随着运行时间变长，AI Agent 的记忆会因重复、过时和矛盾而退化。为解决此问题，业界引入了类似人类睡眠的“做梦”机制，即在后台空闲时执行记忆整理。它通过合并、更新和综合，在不重新训练模型的情况下优化记忆库。OpenAI、Anthropic 和 Google 等均已采用此技术。研究表明，这种“慢速整合”不仅能大幅降低内存占用，还能显著提升 Agent 的事实召回率和任务完成率，使其越用越聪明。
文章系统介绍了“Harness”的概念，即围绕 AI 模型管理工具执行、内存、状态和错误恢复的软件基础设施。通过对比 CPU 与 OS 的关系，阐述了 Harness 如何决定模型能力的边界。文章详细拆解了 Harness 的五大核心组件（上下文、工具权限、验证、记忆状态、安全沙箱），并分享了 Anthropic 和 OpenAI 的工程实践案例。
文章分析了 FDE（部署工程师）岗位的现状，指出虽然需求真实，但网络上充斥着卖课和制造焦虑的虚假繁荣。通过分析岗位增长数据的真实性、OpenAI 等巨头的投资结构以及国内职称培训乱象，揭示了该岗位实际上是高强度的复合实施工作，而非宣传中的风口捷径。
