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。
文章针对普通人收藏大量 AI 教程却始终没学会的问题，提出按可上手顺序排列的六阶段学习路线：先搞懂大模型、Agent、MCP、Skill 四个基础概念；再学会高效提问；然后选一个通用 AI 助手用熟；之后分创作者路线（做图、视频、语音）和开发者路线（MCP 与 Agent 开发）深入；最后选读书籍论文进阶。作者强调'卡住你的不是资源不够，而是顺序不对'，并附上 30 天打卡表、53 个免费资源和五个避坑建议，倡导边用边学、动手实践。
作者将 OpenCode Go 和 Command Code GOAT 两个 10 美元/月的套餐接入自己的 Sub2API 网关，基于 64,648 条使用记录和小规模质量测试进行实测对比。两者月额度均为 80 美元，OpenCode 短时额度更大（5 小时 16 美元、周 40 美元），GOAT 为 14/35 美元。在相近规模流式请求中 GOAT 耗时中位数和 P95 更短，400 错误也显著更少。结论：接自己的 Agent 或通用 API 客户端优先 GOAT；用于兼容的 coding agent 且集中跑任务则选 OpenCode Go。文章还讨论了处理费、高峰定价、参数兼容问题和模型是否量化等细节。
作者耗时5天对 REA 增强版 Codex 与原生 Codex 进行了108次对照实验，其中35对可同条件比较。文章详细记录了三个阶段：首先是六次小型探索，测试笔记导出、桌面应用复制、.NET 计价函数复现三组任务，两边均通过全部用例但 REA 组耗时略长；随后扩展至六档难度、两种模型共72次正式运行。文章分析了 REA 作为调查工具为模型提供的模块关系、函数位置等线索，以及原生 Codex 借助普通工具自行调查的能力，指出在小规模任务中两者能力差距不明显，差异更多体现在调查入口和验证路径上，并对实验边界与结论适用范围做了严谨说明。
作者基于多年使用 X 的经验，筛选并整理出 100 个含金量最高的 AI 相关账号，涵盖 OpenAI、Anthropic、Google DeepMind 等实验室掌舵人与官方号、产品负责人、顶级研究者、AI 编程与 Agent 实践派、开源与基础设施团队，以及近半数的中文一线 AI 实战博主。榜单分为 10 组（英文 6 组、中文 4 组），每个账号均附推荐理由，强调直接获取一手 AI 信息、避免二手信息差的价值。
文章介绍如何通过配置优化 Codex 的额度消耗：主线使用贵的 GPT-6.1 Sol 负责思考决策，把读文件、搜代码、跑测试等杂活派给单价仅为二十分之一的 GPT-6 Luna 子代理。作者给出 6 段配置：让 Codex 自动配置、设置默认子代理模型、创建只读侦察兵 scout 和执行修理工 fixer 两个子代理、在 AGENTS.md 写入自动派活规则、日常派活提示词，以及在 ChatGPT 普通聊天中先聊透需求生成任务单。还提醒避免 Fast 模式、滥用子代理等白烧额度的坑，附具体配置文件与提示词模板。
文章介绍了 Personal Agent（个人智能体）这一新概念：拥有专属身份记忆、云电脑、可连接用户应用、24小时在线的 AI 私人助理。作者通过对比聊天 AI（只动嘴的顾问）、桌面端 Agent（用你电脑的实习生）、开源方案 OpenClaw（毛坯房）等形态，说明 Personal Agent 是替你干活的专属助理。并盘点 Grok Bot、Meta Muse、OpenAI Dots、DeepSeek Bot 等大厂产品扎堆发布的现象，解释其爆火原因：新模型已能稳定长时间干活，且掌握用户授权和长期记忆就是下一个超级入口。最后以 Grok Bot 为例演示创建 Bot、连接应用、追热点复盘数据、云电脑等真实使用体验。
本文介绍 2026 年构建多模型 AI Agent 团队的完整方法。作者指出使用单一模型会导致高成本低效、专业能力受限以及单供应商故障/盲点风险，主张按任务步骤选择合适模型。文章梳理了 2026 年 9 月的主流模型阵容（Claude Opus/Sonnet/Haiku/Fable 5.1、GPT-6 Astra、TypeSafe Jev）及定价，提出五层架构：路由器、编排器、专家模型、评审者（critic）和纯代码层，并讲解如何先对工作负载分类（决策、简单生成、真实工作、难题），再为每层选择最划算的模型。文中附有统一封装多供应商 API 的示例代码，涵盖 effort 参数与 thinking block 处理细节。
本文翻译自 Earendil Engineering 的《Prompt Caching In Agents》，系统讲解编程 Agent 中提示缓存的原理与实践。文章介绍了 KV 缓存的工作机制（prefill 与 decode 阶段）、缓存的两种存放方式（会话亲和性与分布式缓存）、前缀匹配对缓存命中的决定性作用，以及显式缓存与自动缓存的区别。还解释了为何修改工具定义会破坏缓存、TTL 过期导致短请求昂贵、缓存未命中的计费代价，以及 Pi 为何保持旧记录稳定而不激进剪枝，帮助读者在上下文、缓存复用、延迟与成本之间取得平衡。
文章介绍了NYU Tandon 2026年秋季由Anthropic研究员Pavel Izmailov开设的研究生课程《Language Models, Reinforcement Learning, Reasoning》。课程共13周，除Sutton & Barto教材外全部使用原始论文，沿「预训练→架构与训练效率→后训练RL→对齐与安全→前沿与未来」的主线展开，涵盖Attention机制、扩展律、Muon优化器、RLHF、GRPO与RLVR、奖励过优化、可扩展监督以及世界模型等前沿主题。文章分析了课程叙事逻辑，指出RL重回舞台中心、中国实验室工作成为正典、安全对齐被当作工程学科等趋势，并给出自学者建议。
文章梳理了曾鸣对颠覆性技术演化的三段论：AI 先成为通用基础设施，再催生海量新应用，最终诞生原生级现象级应用。2025 年 Token 成为 AI 时代共识度量衡，标志基础设施成熟；Open Claw 爆火开启 Agent 第二阶段；Agentic OS 属第三阶段，还需三五年。作者认为大模型公司本质是 AI 云公司，未来两年核心机会是打造 Agent 入口级产品，OpenAI 和 Anthropic 未必成为 AI 原生应用大赢家。另附曾鸣的公司四层分类：机会、战略、远见、使命驱动，强调使命须发自内心，外部认可驱动易受估值波动冲击。
Anthropic与OpenAI同日发布多款新模型：Claude Opus 5.5、GPT-6 Sol和Luna。作者详细评测了各模型的定位与表现：Opus 5.5作为Claude系列性价比模型，Coding能力达到SOTA，成本下降40%，速度提升30%，但Token消耗大；GPT-6 Sol和Luna主打降本，价格比上代便宜50%甚至低于Deepseek，Token效率出色、幻觉率大幅降低，但审美与细节能力有明显降级。作者指出两家公司差异化路线：Anthropic专注Coding通往AGI，OpenAI专注全面Agent能力，并给出不同场景下的模型选择建议。
作者分享了一个开源的 Jev WeChat 微信群聊助手项目，可用 AI 自动分析群聊意图并生成候选回复，解决不懂人情世故、微信客服和群助手自动化等场景。项目发布后引发热议，网友讨论了封号风险（建议用小号测试安卓设备）、适用场景（私域运营、客服、销售、情侣群聊）、技术实现（使用 DeepSeek 生成回复）等。文中还附带分享了 Agent Space 订阅管理产品和 6 个大模型写 Space Invaders 的横向评测 benchmark，以及出海增长工作坊推荐等内容。
