文章盘点了本周 GitHub 上涨幅最快的十个 AI 开源项目：REA 可让 AI 自动逆向工程任意应用并还原代码；Matt Pocock 的 skills 提供先提问、先写测试的工程化 AI 技能；diagram-design 教 AI 画出符合品牌风格的专业图解；OpenMontage 把编程助手变成视频制作工作室；claude-mem 为 AI 添加长期记忆以节省 token；free-claude-code 通过代理接入 61 家服务商实现零成本使用 AI 编程工具；Anthropic 官方 knowledge-work-plugins 面向非程序员的十一个岗位插件；AirLLM 用 4G 显存跑七百亿参数模型；text-to-cad 一句话生成可加工零件；OpenSRE 让 AI 自动排查线上故障。
文章以特里芬难题类比，指出注意力经济在后互联网时代已走向内部衰败：算法将人性弱点工业化，流量与注意力被瓜分至极限，进入存量博弈。随着用户将消费意图交给 Personal Agent，经济模式正从算法猜测意图转向用户主动广播意图，形成'意图经济'。MIT 实验显示 Agent 虽可被文字提示影响，但更看重评分、价格与明确偏好，营销话术权重下降。作者提出四个机会方向：面向意图做结构化产品、通过新硬件捕获真实意图、构建可携带的长期记忆护城河，以及内容创作者要么极致 ToH 要么极致 ToA。新经济源于资产的富裕而非稀缺的发现，我们正处在旧秩序瓦解的拐点。
本文是一篇 LightVela 平台的保姆级教程，教读者从零搭建一个类似 Meta Muse 的 Personal AI Agent。LightVela 是腾讯轻量云团队推出的云端 Agent 托管产品，核心是 Hermes Agent，无需自建服务器。教程涵盖八个步骤：创建 Hermes Agent、接入微信等聊天通道、配置可更换的大模型（DeepSeek、Qwen、Claude 等）、通过 SOUL.md 定义人设、培养长期记忆、安装 Skill 扩展能力、设置定时任务让 Agent 主动干活，以及使用云存储管理资料。作者强调模型只是可更换的'大脑'，Agent 本体才是核心，并提醒用户注意操作审批和密钥安全。文章指出 AI 正从偶尔打开的聊天框演变为长期在线、了解用户、持续工作的 Agent。
DAIR.AI 每周精选五篇 AI 论文：(1) 小米 MiMo 团队的 HySparse2 混合稀疏注意力架构，通过两级 KV 共享将百万 token 预填充成本降低至原方案的几分之一，同时提升长上下文检索精度；(2) MIT 与 Sakana AI 的 SIFT，用 LLM judge 加 Bradley-Terry 模型替代昂贵基准评估，将自改进智能体搜索成本降至约十分之一；(3) GAVEL 图世界模型，无需改动权重即将小模型长时程机器人任务成功率翻倍；(4) WFM Wiki 基础模型，针对 markdown 链接式长期记忆的图检索；(5) JEV 决策型 judge 模型，成本仅为 GPT-6 的约 1/277。
UCSD 助理教授黄碧薇创办的因果世界模型公司 Aether AI 开源了 RSIAgent，一套不训练模型的递归自我改进框架。底层模型参数固定，通过 Curriculum、Actor、Verifier 三个 Agent 协作：自主选择任务、实际操作、独立验证，并将经验写入长期 Memory 持续积累。在 OSWorld 2.0 上平均部分得分从 71.97% 提升至 78.98%。其思路与 Prime Agent 类似，即保持模型权重不变，持续改进模型外部能力，重点在于通过自主出题和验证不断丰富 Memory。
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。
作者将自己此前分享的 9 个 Pi 工具整理成一张按需选择的"装修地图"，而非必装全家桶。文章首先介绍 pi install 等 Pi Package 基础命令及安全注意事项，随后分三层推荐工具：第一层为基础能力，包括沙箱安全（pi-sandbox）、联网访问（pi-web-access）和计划与代码审查（Plannotator）；第二层为遇到明确问题再装的工具，包括上下文管理（context-mode）、MCP 适配器（pi-mcp-adapter）、多 Agent 协作（pi-subagents）、长期记忆（pi-hermes-memory）；第三层为远程使用工作台，包括 PI WEB 浏览器控制台和 ax-feishu-bridge 飞书接入。最后给出三套组合搭配建议。
本文介绍了AI长期记忆领域的最新进展，重点分析了Alloomi公司在LongMemEval-S等评测中取得超过人类参考分的成绩。文章详细解读了其背后的技术路线——基于开源模型的自进化后训练流程，包括数据收集、质量筛选、专家锚定、后训练、评测准入和版本回滚等步骤。作者认为，这条路线降低了创业公司的门槛，将竞争焦点从算力转向数据和流程，为行业模型的发展提供了新思路。
文章探讨企业Agent普遍存在的“部署即遗忘”问题：Agent完成任务却未把专家的修改、否决和判断理由转化为经验。Alloomi提出“记得住、学得会、做得成”三层技术路线：用Holistic Context组织带时间和来源的长期上下文，用Self-Evolving Agent从筛选后的任务轨迹中学习并通过版本化机制保证可审计可回滚，最终在真实交付中检验能力。文章认为Agent公司的护城河在于版本之间积累的经验与评价体系，而非模型本身。
本文探讨了AI Agent 的自进化能力，提出判断其是否真正变强的关键在于第二次交付的表现。作者认为，如果Agent每次任务都从零开始，无法记住上次的修改和专家的纠正，那么系统只是在重复劳动。文章介绍了Alloomi 的路线，即通过沉淀真实工作中的判断、修改和结果，让经验成为下一次交付的输入，形成复利闭环。文中还展示了Alloomi 在长期记忆、持续学习和专业交付方面的benchmark数据，并讨论了其技术架构，包括Holistic Context 和Self-Evolving Agent，以及开源项目OpenContext。最后，作者强调下一代AI公司的护城河在于用户第二次任务是否优于第一次，以及模型能否从经验中学习并回滚错误。
本文深入探讨了Agent长期记忆的复杂性，指出仅记住历史并不足够，还需处理信息过期、判断变更、反馈应用及错误回滚等问题。作者通过Alloomi的Holistic Context和Self-Evolving Agent技术报告，阐述了如何通过组织实体时间线、经验筛选与后训练，实现Agent从记忆到学习再到实际交付的进化。文章强调，真正的数字员工应具备经验迁移、状态理解和受控进化能力，并提出了三层评估框架。
本文探讨了AI Agent在长期部署中面临的核心问题：完成多次任务后，其能力并未随之提升。作者介绍了Alloomi公司的技术路线，通过Holistic Context维护长期工作状态，以及Self-Evolving Agent将任务经验后训练进模型，形成“模型+应用”的反馈回路。文章详细解析了两份技术报告，包括上下文管理机制、后训练流程、基准测试结果及开源项目OpenContext的验证，指出当前证据仍属早期阶段，但为长期运行的Agent提供了可检查的工程入口。
本文探讨了如何构建AI Agent的长期记忆系统，实现个人数字资产的沉淀与共同成长。作者通过实践总结出，记忆管理不仅是数据堆砌，而是需要对数据进行分层处理。作者提出了四层记忆架构：以Obsidian作为核心数据底座，Hermes自带记忆作为热数据层，Honcho推导长期偏好，以及AI进行深度发散推理。核心理念强调用户才是数据主人，通过区分事实与个人思考，在保留原始数据真实性的同时，让AI更好地理解和辅助用户。
文章介绍了 OpenAI 的 Jason Liu 如何利用 Codex 构建长期线程，将 AI 视为拥有固定责任和长期记忆的队友。核心在于通过固定角色、持久化状态、自动唤醒和边界验证，让 AI 负责可持续追踪的任务，而非单次问答。
作者分享了AI代理工具Hermes和OpenClaw在长期记忆方面的痛点，并介绍了YC总裁Garry Tan开源的GBrain。GBrain作为一个“外挂大脑”，基于Postgres和向量技术，解决了AI代理容易遗忘的问题，实现了跨会话的长期记忆和知识库管理，被视为2026年个人AI生产力的重要突破。
文章探讨了如何利用 MemOS 插件为 Hermes Agent 构建长期记忆系统。作者指出，单纯的模型能力不足以支撑持续成长的 Agent，关键在于记忆的组织与沉淀。MemOS 通过全量写入、语义切块、去重合并、混合检索及任务归纳等机制，将对话转化为结构化的经验记录，并配合可视化面板实现了记忆的本地化管理。这使得 Hermes 能够记住用户习惯与上下文，从“一次性工具”进化为“越用越顺手”的生产力系统。
文章详细介绍了 YC CEO Garry Tan 开源的 AI 基础设施 GBrain。这是一个为 AI Agent 设计的个人知识层，通过 Git 仓库、Postgres（pgvector）和技能文件的三层架构，解决了 Agent 无状态的痛点。文章深入解析了其搜索管道、知识模型（编译真理+时间线）及数据集成方案，并指出了其对高级模型的依赖。
