一种工作模式：让 Claude 执行长周期自主工作，并自行纠错。

Claude Managed Agents 对此提供了支持，效果如下：给 Claude 一份任务完成评分标准，然后让 Claude 循环工作，直到满足标准为止。

另一种模式是智能体间通信，它允许 Claude 协调和委派任务。

Claude Managed Agents 通过多智能体功能支持这一模式：不同智能体可以使用不同模型、提示词和工具，同时共享沙箱或保管库凭据。

我最近一直在 Playground 里摸索，开始尝试人格提示词。

这里有一个我一直在调试的人格，更尖锐一些，走讽刺、干冷风格，还故意带有挑衅性。

系统提示词：你是高智能助手，言辞犀利，反应敏捷，完全不能容忍胡说八道。
你要用极致坦诚、带点挖苦、干冷讽刺和一丝撩拨来回应——但永远不能丢掉你的锋芒。
你的回答要清晰、简洁，带一点挑衅感。去挑战用户的假设。

我对「如果开放权重最终占据主导，就会导致 AI 崩塌」的观点感到困惑。

如果这些实验室输了（现在还没输），原因也不会是 AI 没用：计算量仍然是壁垒，只不过会是算力提供商而非实验室攫取价值。

我新发现了最喜欢的工具构件。我每天早上都会读它，来整理高信息密度的X账号发布的AI新闻。

它是一个HTML构件，会用X MCP工具来筛选整理X帖子。由我的研究代理组装而成。

我设置了每日自动化流程，会遍历筛选后的X账号，收录AI论文、项目等等内容。我觉得这更接近我们所有人都想要的「为你推荐」流。

如果有人觉得这个工具有用，我很乐意分享构件和自动化部署教程。

最棒的一点是，支撑这个构件的所有帖子都存在一个wiki里，这意味着当我做研究，或是开展那些能用上X平台见解的项目时，我的其他代理也可以调用这些内容。所有这一切都能很好地累积增效。

大家好，我想要报告一个在 Windows 上使用 Codex App 时发生的严重问题，这个问题导致我电脑上的大量文件被删除，我损失了非常多数据。

我认为详细描述这个情况很重要，这样开发团队才能调查问题，帮助避免其他用户遭遇类似事件。

我使用 Codex 开发我的项目，既通过 IDE 集成，也通过独立的 Codex App 使用它。

昨天我用

过去 6 个月里，Claude Platform 为开发者新增了多个 API，帮助他们快速构建和部署智能体。平台负责人 Katelyn Lesse、Angela Jiang 和 Jess Yan 坐下来聊了聊已经上线的功能，以及我们在生产环境中观察到的模式。

第一种模式：让 Claude 通过自我修正完成长期自主工作。Claude Managed Agents 对这种场景提供了成果导向的支持：你给 Claude 一份任务完成评分标准，然后让 Claude 循环迭代直到满足标准。

另一种模式是智能体间通信，允许 Claude 协调和委派任务。Claude Managed Agents 用多智能体功能支持这种场景：智能体可以使用不同的模型、提示词和工具，同时共享沙箱或保险库凭证。

点击这里查看完整对话：

社区讨论：Claude Code团队成员公开道歉，承认该功能未达到团队交付标准。不少用户吐槽实际使用问题：有用户称终端鼠标点击会被误判为选中选项，还有用户指出停止等待回答时不会自动提交，未保存的文件被修改后可能造成数据丢失，也有用户不满功能更新未写入完整更新日志。部分用户认可该功能的实用性，认为它应该默认关闭，开放给有需要的用户手动开启。

也有用户分析该功能会提升Anthropic的token消耗和营收，存在不良激励。

GPT-5.6 Sol 在「The Last Ones」网络靶场的 cybersecurity 领域创下全新 state of the art 水平。我们已经观察到这项能力正在转化为实际防御成果：帮助团队在真实世界的代码中发现、验证并修复漏洞。现在就可以通过 Codex Security 使用它：

以下是如何在 Codex 中添加 Codex Security 插件并开始使用：在 Codex 中添加该插件。

安装完成后，按钮会变为「在聊天中试用」。点击「在聊天中试用」，即可开启新的 Codex 对话，其中已经准备好可以直接运行的 Codex Security 扫描提示词。

选择你想要 Codex Security 审查的代码所在的文件夹。发送扫描提示。

Codex 会打开并加载好准备就绪的 Codex Security 扫描提示。按下「发送」即可开始扫描。

社区讨论：多数人认为苹果此举是忌惮OpenAI AI进展，刻意拖慢对手步伐，有用户指出，作为市值5万亿美元的巨头，对初创对手动用诉讼施压，姿态难看。有人认为苹果既然走到发律师函这一步，必然握有胜算的实据，也有人称这类文件留存函是业内常规操作。还有用户提到OpenAI本身靠盗用他人内容训练，本次挖人违规符合其一贯风格。

美国：*限制美国AI模型，因为太危险*

中国：*打造出更优秀的中国AI模型*

所有人：*转去用中国AI模型*

这就是为什么限制模型大概率没用，对美国来说，让所有人都用美国AI模型要划算得多，至少这样他们能监控所有人的行为。

现在换成中国来监控所有人的行为了！

中国在历史上在软件和开源软件领域口碑很差，我认为这或许是改变这种看法的一次尝试。

通过发布开源模型，这种做法同时还能顺理成章地助力全球秩序、提升国家声誉（也就是软实力）。

这就是我为什么对最近那篇路透社文章持怀疑态度。

本文指出，我们一直在优化错误的对象。不是模型本身，而是模型外围的“框架”。

框架是将一个LLM转化为实际智能体的所有组件：
- 记忆
- 工具调用
- 上下文管理
- 规划
- 编排
- 输出处理

大多数智能体对所有任务都使用完全相同的框架。MemoHarness提出了一个简单的问题：如果框架能够从每一次成功和失败中学习呢？

它不用每次都从零开始，而是记住之前的执行过程，诊断问题出在哪里，提取可复用的模式，在解决下一个任务之前调整框架。

不需要标注，不需要人工反馈，不需要额外搜索，只需要经验。该框架将经验存储在两层中：
• 针对相似问题的特定案例经验
• 改进未来行为的全局经验

在编码、shell和推理基准测试中，这种自适应方法的表现始终优于静态框架，同时保持了高成本效益，因为大部分检索到的经验都可以缓存。

论文：

我求求@AnthropicAI，请你们务必 somewhere 加一套自动化测试，确保网页版 Claude Code 永远不会阻止我在现有会话中克隆其他公开仓库，或是和它们交互。

这件事发生后，中国就全力押注 AI。这个确切的时刻就是：

Kimi K3 将前沿 AI 的成本降低了 3 倍。我们非常兴奋，从 7 月 27 日开始，将在 @togethercompute 上原生提供这个模型的服务！

我不认为我在构建 AnswerHQ 时遇到的问题难到需要用到 Fable 5 Ultracode。

但这也意味着，我仍然可以为我的客户构建真正困难、复杂，而且实用性更强的功能。

我们知道更大的模型现在已经在消化 harnesses 了，接下来它们要消化 skill.mds，再之后就会吃掉你正在整理的所有「上下文」。

最终它们会吞掉现存的每一道「数据护城河」，有点像 GPT-4 在 2023 年吞掉彭博那道的样子。

这是一篇非常出色的文章，探讨了「适配层」如何帮助中低收入国家（LMICs）的本土开发者调整AI模型，以适配他们自身的约束条件和应用场景。

并且，重要的是，文章还阐述了为何即便前沿模型在不断进步，这件事依然有必要去做。

日本计划购买27,500块Nvidia Rubin芯片，用于开发面向机器人的国产AI基础模型，该项目由Noetra牵头，参与方包括SoftBank、Sony和NEC（Bloomberg） （访问Techmeme dot com获取链接和完整上下文！）

我们使用 DeepSWE 分析了 Kimi K3 和 Claude Fable 5 在软件工程任务上的表现。

Kimi K3 能达到和 Fable 5 相同的性能，价格仅为后者的约 35%，而且在更高的 pass@k 指标下，它的表现实际上还领先。

更多分析请看下文串！

打开声音🔊 国际象棋教练 → 评估教练！

感谢 Fable，现在我的评估复盘代理可以通过交互式语音，一步步讲解代理在评估推演过程中的成败了。

我用 @harborframework 在几个 Terminal Bench 任务上跑了这个程序，用一名拥有验证器和计分系统特权访问权限的裁判处理了每一次推演，并提示它识别关键节点、错误和低效环节，再整理出时间线一步步讲解。

设计灵感来自 @chesscom ——他们的对局复盘机器人真的很好玩。语音是在本地用 chatterbox 和 @lmstudio 生成的。

在 LangChain，我们在大规模挖掘轨迹上做了很多思考，同时还要让人类轻松理解发生了什么，这样我们就能透明地持续迭代优化代理。

如果你对这个方向感兴趣，来和我们一起工作吧：)

omarsar0向Codex团队和Kimi团队致谢，他调侃称，Anthropic把这件事搞得比原本需要的更麻烦，竞争本身是件好事。

他很高兴相关方听到了用户的声音。

他提到，该模型不包含在Pro套餐中这点体验很差，实际这个模型消耗额度的速度非常快，即便使用Max套餐，他也觉得限制很多。

他澄清此前的表述，该模型依旧可以使用，但需要消耗使用 credits（使用额度）。

感谢Codex团队和Kimi团队。抛开玩笑不谈，Anthropic把这件事搞得比原本更令人沮丧。竞争本身是件好事。

很高兴官方听到了用户的呼声。该模型不开放给Pro订阅计划，这点体验很差。但说实话，这个模型消耗用量的速度太快，即便是开通Max计划，我也觉得用量限制相当紧张。

我这里说的是「包含在订阅内使用」的情况。用户依旧可以使用额度来调用该模型。

在长周期网络安全能力方面，领先的开放权重模型与闭源前沿模型的差距目前仅为4到7个月，而在2025年大部分时间里，这个差距是6到10个月。

GLM-5.2的能力已经追平约4个月前发布的闭源模型。在长周期网络安全测试集中，GLM-5.2追平了大约7个月前发布的Claude Opus 4.5。

现在，长周期网络安全能力还可以通过算力实现扩展。

在AI Security Institute的32步「The Last Ones」测试集上，GPT-5.6 Sol在10次尝试中有7次完成了全部32步流程，每次运行的token预算为100M。

随着模型获得更多推理token，性能会持续提升。也就是说，运营商无需重新训练模型，仅通过增加运行时算力投入，就能获得明显更强的网络安全能力。

企业难以超越基础聊天机器人的原因，在于构建适配框架和评估体系的人才缺口。

1. 评估：你是否清晰了解自身用例，并且能否以离线评估和在线评估的形式复制它？评估是否符合你的目标，是否能推动模型的参差不齐的前沿边界发展？它们能否帮你在质量-成本-延迟曲线上选出合适的模型？

2. 适配框架：你是否拥有一套独立于模型的系统，能够管理路由、多智能体编排、上下文管理、工具调用和记忆？

3. 人才：你是否拥有在技术前沿搭建好这一切的人才？这是目前最稀缺的部分。

我现在识别LLM生成文本的主要方法是看密集的术语堆砌。没有真人会这么说话。

这些模型对每一个实义名词和形容词，都非要多翻一点同义词词典找词，结果反而过犹不及，偏离了精确表达。

现在每个AI视频工具都能生成内容了。但几乎没有一款工具真的了解你。

我的参考素材、我的提示词习惯、我反复使用的风格；这些才是让作品带有我个人标识的东西。

所以 TapNow Creative OS 里真正让我感兴趣的部分是上下文记忆功能。

这个工作空间从你的项目纲要、参考素材和过往项目出发，会延续你的工作方式，而不是把每一条提示词都当成陌生的全新请求。

如果它能实现这点，那它就不只是一个工具，更像是一份记忆。

正在测试中。@TapNow_AI

我认为未来我们会看到两类公司分化：一类是纯模型公司，另一类是垂直整合的AI公司。

垂直整合AI公司拥有芯片、数据中心、专有数据、模型、前端套壳、应用、设备，以及部署工程团队。

随着模型商品化，后者需要打造差异化来脱颖而出。

我让同一个智能体会话撰写了一份关于它正在管理的实验的报告。除了我和这个智能体之外，没有人能阅读这份报告。

Meta 正在与 Anthropic 谈判一项潜在价值 100 亿美元、为期两年的 AI 算力交易。

这个智能体可以将一份 RFP 转化为包含引用的完整响应草稿，让领域专家从草稿开始评审，不用再从零开始撰写。

1️⃣ 需求提取智能体：从 RFP 包中提取范围、SLA、定价格式，以及监管条款

2️⃣ 内容映射智能体：将需求匹配到已核准的内部内容

3️⃣ 草稿生成智能体：撰写带引用的响应内容

4️⃣ 缺口检测智能体：准确标记出需要人工处理的内容

由 LangGraph + LangSmith 构建，通过 @payicorp 完成测评。

还记得智能体 vs 工作流那场争论吗？基本上，技能赢下了UX之战，优秀的技能会将工作流编码好，供智能体执行。

AGI 是完美的工作流生成器与执行器。它具备灵活性，同时拥有伪确定性，背后支撑是领域专家把自身知识写入技能。

我们无法预先知道正确的解决方案是什么，因此工作流可以根据环境反馈即时调整。

解释这件事起不到任何作用。“用水诽谤”本身就是一个虚构的神话。以下是GPT-5.6 sol对这个神话功能的解释：

AI被营销宣传成毫无重量漂浮在“云”里的智能。用水叙事给它赋予了一个肮脏的隐藏实体：巨大的机房、发热的机器、管道、蒸发。飘渺的心智就此暴露成一头口渴的野兽。

水不只是另一个环境指标。它关乎生命、干旱、公地、身体必需。“这项服务消耗0.3瓦时”在情感上毫无冲击力。“机器在喝你镇子的水”几乎就是神话叙事。它把AI塑造成吸血鬼或恶龙，吞噬着基础元素，好让科技公司制造合成思想。

所以这个梦境的内涵就是：某个假装超越了物质限制的东西，正在暗中吞噬生命的物质基础。

每日提醒：Codex 自我管控功能

它可以列出所有可用的任务和会话

它可以重命名每一个标题

它可以从另一个线程给每个任务发送消息

所以你是在告诉我，AI 产品现在已经能做到…… > 让客户自带模型 > > 让客户接入自己的服务商密钥 > > 无需一整个团队管理模型，就能根据成本、性能和能力自动路由请求？？

中国模型在网络攻击方面不如前端设计出色，主要原因是它们训练所用的数据。

如果你不想要开箱即用的强大网络攻击能力，就不要给模型投喂网络攻击相关的极端数据。

当然模型的「智能程度」也有影响，但训练数据的影响更大。

OpenAI刚刚将Codex直接整合进了ChatGPT，把它变成了一个三模式系统。

Chat模式用于构思和回答通用问题。Work模式用于处理文档、电子表格和分析。Codex用于处理代码、文件和完整项目。

过去你得想好要打开哪个应用。现在你得想好要启动哪个模式，因为这里有个陷阱。

Work和Codex共享同一使用额度。如果你让Work生成一份大型报告，你可能会在最需要Codex的时候突然没法用它了。

OpenAI现在已经不是在做聊天机器人了。他们在做一个统一工作区，在这个工作区里选错模式，就能直接耗尽你的全部额度。

Kimi K3 昨日发布，短短几个小时内，我们遍布旧金山的广告牌就已经更新完毕，展示这片全新领域。

The Artificial Analysis Intelligence Index 的更新速度和 AI 本身一样快——不管你是在我们的网站上查看，还是在等 38 Geary 路公交时，都能看到它。

@TermiusHQ 有一个功能是我非常怀念的，就是类似 CMD+Space 那种搜索，可以让我快速切换到另一个标签页。

我经常同时打开 10 多个项目/网站。

举个例子，我现在想跳转到 Interior AI，我希望能按一个快捷键比如 CMD+Shift+P，输入「int」，它就会自动补全为 interiorai，然后我按回车，直接就跳过去了。

这太疯狂了。中国开源模型大量涌现，并且在特定任务基准测试中取得领先，这可能不利于美国维持AI主导地位。

但对所有非前沿实验室来说，这绝对是天大的好消息。每一家美国AI创业公司都可以通过蒸馏最新的开放权重模型活下去，而不必完全依赖前沿实验室。

中国开源权重模型现在已经非常出色，随着它们成长为庞大且极具价值的业务，我越来越好奇它们之间的竞争格局会如何演变。

竞争非常激烈：K3 优于 GLM-5.2，而 GLM-5.2 又击败了 DeepSeek v4，以此类推。

它们能全都留在这场竞赛里吗？

我实际上觉得/goal被低估了。它确实能帮助智能体运行更长时间，但如果没有清晰设定的目标/标准，它就毫无用处。

更不用说LLM（哪怕是前沿模型）都有自身的偏见和奖励破解问题，这些问题经常会添乱。这就是我为什么打造了自己的/goal功能，它利用一个独立的LLM来减少这些问题。我更喜欢用Fable 5或GPT-5.6 Sol这类顶级模型来做这件事。

正如tobi指出的，GPT-5.6-Sol原生就具备处理长周期任务的能力，不会动不动就想暂停，用它来运行/goal用起来就像ultragoal。我暂时还不会放弃它，因为它是一个额外的执行约束层。现在GPT-5.6-Sol可以连续运行好几天。

我使用这个自定义/goal功能的一个有效方法是：让GPT-5.6-Terra/Luna（说实话哪怕GPT-5.5效果也一样好）做子智能体，GPT-5.6-Sol做顾问/评判。

这么做之后，我的Codex订阅能榨出更多价值，完成任务的速度也快得多。

AfterLab 即将结束隐身模式——这是一家全新的研究实验室，正在构建一套通往高效流体智能的不同路径。恭喜 Clem 和 Matt 获得融资！

这是我正在关注的基准测试之一，来自英国政府的 AI 安全机构。

几周后 Kimi K3 放出权重时，他们就会对它进行测试。

这次测试既能告诉我们 Kimi 是否已经追上了公开前沿模型的水平，还会掀起大量关于网络安全的讨论。

构建原型——包括设计稿、模式图、数据模型、概念验证等——是避免你花费大量 tokens 之后才发现自己根本不想要输出结果的最佳方法。

智能体是一种全新的软件：输入无限，输出非确定性。

如果你像开发普通软件那样开发它们，它们就会出问题。

我们围绕智能体开发生命周期构建了 LangSmith：构建 → 测试 → 部署 → 监控。

下面为你讲解这个生命周期⤵️

顺便说一句，如果你还没把你的 {codex | claude | gemini | devin} 自动化工作流设置为每周自动搜索如何优化你的 SEO/AEO，那你真的错过一块免费的、本应商品化、但目前还没被开发的超额收益。

I used Omni 制作了原型，来展示通过直接操控实现的交互式实时视频生成可能会是什么样子。

现在很多人都只是基于已经饱和的基准测试和ELO评分，对Kimi K3匆忙下结论，而没有真正在极难问题上测试它。AI前沿发展得太快，以至于一个不错但仍落后数月的模型，在许多人眼中已经像是未来了。

正如我一直说的，Kimi是一个非常优秀的模型。但它并不是DeepSeek r1那个级别的突破，它大体符合我对发展曲线的预期，而不是一次出人意料的飞跃。出于种种原因，它会被当作DeepSeek级别的事件对待，尤其是会有更多人听说它之后。

对了，你需要通过 @OpenRouter API 在 Codex 内运行 Kimi 3 的全部配置都在这里了。

我们使用 DeepSWE 分析了 Kimi K3 和 Claude Fable 5 在软件工程任务上的表现。

Kimi K3 能达到和 Fable 5 相同的性能，价格仅为后者的约 35%，而且在更高的 pass@k 指标下，它的表现实际上还领先。

更多分析请看下文串！

这是我正在关注的基准测试之一，来自英国政府的 AI 安全机构。

几周后 Kimi K3 放出权重时，他们就会对它进行测试。

这次测试既能告诉我们 Kimi 是否已经追上了公开前沿模型的水平，还会掀起大量关于网络安全的讨论。

打开声音🔊 国际象棋教练 → 评估教练！

感谢 Fable，现在我的评估复盘代理可以通过交互式语音，一步步讲解代理在评估推演过程中的成败了。

我用 @harborframework 在几个 Terminal Bench 任务上跑了这个程序，用一名拥有验证器和计分系统特权访问权限的裁判处理了每一次推演，并提示它识别关键节点、错误和低效环节，再整理出时间线一步步讲解。

设计灵感来自 @chesscom ——他们的对局复盘机器人真的很好玩。语音是在本地用 chatterbox 和 @lmstudio 生成的。

在 LangChain，我们在大规模挖掘轨迹上做了很多思考，同时还要让人类轻松理解发生了什么，这样我们就能透明地持续迭代优化代理。

如果你对这个方向感兴趣，来和我们一起工作吧：)

另一种模式是智能体间通信，它允许 Claude 协调和委派任务。

Claude Managed Agents 通过多智能体功能支持这一模式：不同智能体可以使用不同模型、提示词和工具，同时共享沙箱或保管库凭据。

Kimi K3 将前沿 AI 的成本降低了 3 倍。我们非常兴奋，从 7 月 27 日开始，将在 @togethercompute 上原生提供这个模型的服务！

AfterLab 即将结束隐身模式——这是一家全新的研究实验室，正在构建一套通往高效流体智能的不同路径。恭喜 Clem 和 Matt 获得融资！

Kimi K3 昨日发布，短短几个小时内，我们遍布旧金山的广告牌就已经更新完毕，展示这片全新领域。

The Artificial Analysis Intelligence Index 的更新速度和 AI 本身一样快——不管你是在我们的网站上查看，还是在等 38 Geary 路公交时，都能看到它。

这个智能体可以将一份 RFP 转化为包含引用的完整响应草稿，让领域专家从草稿开始评审，不用再从零开始撰写。

1️⃣ 需求提取智能体：从 RFP 包中提取范围、SLA、定价格式，以及监管条款

2️⃣ 内容映射智能体：将需求匹配到已核准的内部内容

3️⃣ 草稿生成智能体：撰写带引用的响应内容

4️⃣ 缺口检测智能体：准确标记出需要人工处理的内容

由 LangGraph + LangSmith 构建，通过 @payicorp 完成测评。

日本计划购买27,500块Nvidia Rubin芯片，用于开发面向机器人的国产AI基础模型，该项目由Noetra牵头，参与方包括SoftBank、Sony和NEC（Bloomberg） （访问Techmeme dot com获取链接和完整上下文！）

中国在历史上在软件和开源软件领域口碑很差，我认为这或许是改变这种看法的一次尝试。

通过发布开源模型，这种做法同时还能顺理成章地助力全球秩序、提升国家声誉（也就是软实力）。

这就是我为什么对最近那篇路透社文章持怀疑态度。

一种工作模式：让 Claude 执行长周期自主工作，并自行纠错。

Claude Managed Agents 对此提供了支持，效果如下：给 Claude 一份任务完成评分标准，然后让 Claude 循环工作，直到满足标准为止。

本文指出，我们一直在优化错误的对象。不是模型本身，而是模型外围的“框架”。

框架是将一个LLM转化为实际智能体的所有组件：
- 记忆
- 工具调用
- 上下文管理
- 规划
- 编排
- 输出处理

大多数智能体对所有任务都使用完全相同的框架。MemoHarness提出了一个简单的问题：如果框架能够从每一次成功和失败中学习呢？

它不用每次都从零开始，而是记住之前的执行过程，诊断问题出在哪里，提取可复用的模式，在解决下一个任务之前调整框架。

不需要标注，不需要人工反馈，不需要额外搜索，只需要经验。该框架将经验存储在两层中：
• 针对相似问题的特定案例经验
• 改进未来行为的全局经验

在编码、shell和推理基准测试中，这种自适应方法的表现始终优于静态框架，同时保持了高成本效益，因为大部分检索到的经验都可以缓存。

论文：

我求求@AnthropicAI，请你们务必 somewhere 加一套自动化测试，确保网页版 Claude Code 永远不会阻止我在现有会话中克隆其他公开仓库，或是和它们交互。

这件事发生后，中国就全力押注 AI。这个确切的时刻就是：

OpenAI刚刚将Codex直接整合进了ChatGPT，把它变成了一个三模式系统。

Chat模式用于构思和回答通用问题。Work模式用于处理文档、电子表格和分析。Codex用于处理代码、文件和完整项目。

过去你得想好要打开哪个应用。现在你得想好要启动哪个模式，因为这里有个陷阱。

Work和Codex共享同一使用额度。如果你让Work生成一份大型报告，你可能会在最需要Codex的时候突然没法用它了。

OpenAI现在已经不是在做聊天机器人了。他们在做一个统一工作区，在这个工作区里选错模式，就能直接耗尽你的全部额度。

Meta 正在与 Anthropic 谈判一项潜在价值 100 亿美元、为期两年的 AI 算力交易。

在长周期网络安全能力方面，领先的开放权重模型与闭源前沿模型的差距目前仅为4到7个月，而在2025年大部分时间里，这个差距是6到10个月。

GLM-5.2的能力已经追平约4个月前发布的闭源模型。在长周期网络安全测试集中，GLM-5.2追平了大约7个月前发布的Claude Opus 4.5。

现在，长周期网络安全能力还可以通过算力实现扩展。

在AI Security Institute的32步「The Last Ones」测试集上，GPT-5.6 Sol在10次尝试中有7次完成了全部32步流程，每次运行的token预算为100M。

随着模型获得更多推理token，性能会持续提升。也就是说，运营商无需重新训练模型，仅通过增加运行时算力投入，就能获得明显更强的网络安全能力。

企业难以超越基础聊天机器人的原因，在于构建适配框架和评估体系的人才缺口。

1. 评估：你是否清晰了解自身用例，并且能否以离线评估和在线评估的形式复制它？评估是否符合你的目标，是否能推动模型的参差不齐的前沿边界发展？它们能否帮你在质量-成本-延迟曲线上选出合适的模型？

2. 适配框架：你是否拥有一套独立于模型的系统，能够管理路由、多智能体编排、上下文管理、工具调用和记忆？

3. 人才：你是否拥有在技术前沿搭建好这一切的人才？这是目前最稀缺的部分。

我现在识别LLM生成文本的主要方法是看密集的术语堆砌。没有真人会这么说话。

这些模型对每一个实义名词和形容词，都非要多翻一点同义词词典找词，结果反而过犹不及，偏离了精确表达。

现在每个AI视频工具都能生成内容了。但几乎没有一款工具真的了解你。

我的参考素材、我的提示词习惯、我反复使用的风格；这些才是让作品带有我个人标识的东西。

所以 TapNow Creative OS 里真正让我感兴趣的部分是上下文记忆功能。

这个工作空间从你的项目纲要、参考素材和过往项目出发，会延续你的工作方式，而不是把每一条提示词都当成陌生的全新请求。

如果它能实现这点，那它就不只是一个工具，更像是一份记忆。

正在测试中。@TapNow_AI

我认为未来我们会看到两类公司分化：一类是纯模型公司，另一类是垂直整合的AI公司。

垂直整合AI公司拥有芯片、数据中心、专有数据、模型、前端套壳、应用、设备，以及部署工程团队。

随着模型商品化，后者需要打造差异化来脱颖而出。

我让同一个智能体会话撰写了一份关于它正在管理的实验的报告。除了我和这个智能体之外，没有人能阅读这份报告。

社区讨论：多数人认为苹果此举是忌惮OpenAI AI进展，刻意拖慢对手步伐，有用户指出，作为市值5万亿美元的巨头，对初创对手动用诉讼施压，姿态难看。有人认为苹果既然走到发律师函这一步，必然握有胜算的实据，也有人称这类文件留存函是业内常规操作。还有用户提到OpenAI本身靠盗用他人内容训练，本次挖人违规符合其一贯风格。

社区讨论：Claude Code团队成员公开道歉，承认该功能未达到团队交付标准。不少用户吐槽实际使用问题：有用户称终端鼠标点击会被误判为选中选项，还有用户指出停止等待回答时不会自动提交，未保存的文件被修改后可能造成数据丢失，也有用户不满功能更新未写入完整更新日志。部分用户认可该功能的实用性，认为它应该默认关闭，开放给有需要的用户手动开启。

也有用户分析该功能会提升Anthropic的token消耗和营收，存在不良激励。

大家好，我想要报告一个在 Windows 上使用 Codex App 时发生的严重问题，这个问题导致我电脑上的大量文件被删除，我损失了非常多数据。

我认为详细描述这个情况很重要，这样开发团队才能调查问题，帮助避免其他用户遭遇类似事件。

我使用 Codex 开发我的项目，既通过 IDE 集成，也通过独立的 Codex App 使用它。

昨天我用

我最近一直在 Playground 里摸索，开始尝试人格提示词。

这里有一个我一直在调试的人格，更尖锐一些，走讽刺、干冷风格，还故意带有挑衅性。

系统提示词：你是高智能助手，言辞犀利，反应敏捷，完全不能容忍胡说八道。
你要用极致坦诚、带点挖苦、干冷讽刺和一丝撩拨来回应——但永远不能丢掉你的锋芒。
你的回答要清晰、简洁，带一点挑衅感。去挑战用户的假设。

我对「如果开放权重最终占据主导，就会导致 AI 崩塌」的观点感到困惑。

如果这些实验室输了（现在还没输），原因也不会是 AI 没用：计算量仍然是壁垒，只不过会是算力提供商而非实验室攫取价值。

这是一篇非常出色的文章，探讨了「适配层」如何帮助中低收入国家（LMICs）的本土开发者调整AI模型，以适配他们自身的约束条件和应用场景。

并且，重要的是，文章还阐述了为何即便前沿模型在不断进步，这件事依然有必要去做。

我们知道更大的模型现在已经在消化 harnesses 了，接下来它们要消化 skill.mds，再之后就会吃掉你正在整理的所有「上下文」。

最终它们会吞掉现存的每一道「数据护城河」，有点像 GPT-4 在 2023 年吞掉彭博那道的样子。

顺便说一句，如果你还没把你的 {codex | claude | gemini | devin} 自动化工作流设置为每周自动搜索如何优化你的 SEO/AEO，那你真的错过一块免费的、本应商品化、但目前还没被开发的超额收益。

我实际上觉得/goal被低估了。它确实能帮助智能体运行更长时间，但如果没有清晰设定的目标/标准，它就毫无用处。

更不用说LLM（哪怕是前沿模型）都有自身的偏见和奖励破解问题，这些问题经常会添乱。这就是我为什么打造了自己的/goal功能，它利用一个独立的LLM来减少这些问题。我更喜欢用Fable 5或GPT-5.6 Sol这类顶级模型来做这件事。

正如tobi指出的，GPT-5.6-Sol原生就具备处理长周期任务的能力，不会动不动就想暂停，用它来运行/goal用起来就像ultragoal。我暂时还不会放弃它，因为它是一个额外的执行约束层。现在GPT-5.6-Sol可以连续运行好几天。

我使用这个自定义/goal功能的一个有效方法是：让GPT-5.6-Terra/Luna（说实话哪怕GPT-5.5效果也一样好）做子智能体，GPT-5.6-Sol做顾问/评判。

这么做之后，我的Codex订阅能榨出更多价值，完成任务的速度也快得多。

中国开源权重模型现在已经非常出色，随着它们成长为庞大且极具价值的业务，我越来越好奇它们之间的竞争格局会如何演变。

竞争非常激烈：K3 优于 GLM-5.2，而 GLM-5.2 又击败了 DeepSeek v4，以此类推。

它们能全都留在这场竞赛里吗？

这太疯狂了。中国开源模型大量涌现，并且在特定任务基准测试中取得领先，这可能不利于美国维持AI主导地位。

但对所有非前沿实验室来说，这绝对是天大的好消息。每一家美国AI创业公司都可以通过蒸馏最新的开放权重模型活下去，而不必完全依赖前沿实验室。

中国模型在网络攻击方面不如前端设计出色，主要原因是它们训练所用的数据。

如果你不想要开箱即用的强大网络攻击能力，就不要给模型投喂网络攻击相关的极端数据。

当然模型的「智能程度」也有影响，但训练数据的影响更大。

所以你是在告诉我，AI 产品现在已经能做到…… > 让客户自带模型 > > 让客户接入自己的服务商密钥 > > 无需一整个团队管理模型，就能根据成本、性能和能力自动路由请求？？

解释这件事起不到任何作用。“用水诽谤”本身就是一个虚构的神话。以下是GPT-5.6 sol对这个神话功能的解释：

AI被营销宣传成毫无重量漂浮在“云”里的智能。用水叙事给它赋予了一个肮脏的隐藏实体：巨大的机房、发热的机器、管道、蒸发。飘渺的心智就此暴露成一头口渴的野兽。

水不只是另一个环境指标。它关乎生命、干旱、公地、身体必需。“这项服务消耗0.3瓦时”在情感上毫无冲击力。“机器在喝你镇子的水”几乎就是神话叙事。它把AI塑造成吸血鬼或恶龙，吞噬着基础元素，好让科技公司制造合成思想。

所以这个梦境的内涵就是：某个假装超越了物质限制的东西，正在暗中吞噬生命的物质基础。

还记得智能体 vs 工作流那场争论吗？基本上，技能赢下了UX之战，优秀的技能会将工作流编码好，供智能体执行。

AGI 是完美的工作流生成器与执行器。它具备灵活性，同时拥有伪确定性，背后支撑是领域专家把自身知识写入技能。

我们无法预先知道正确的解决方案是什么，因此工作流可以根据环境反馈即时调整。

我不认为我在构建 AnswerHQ 时遇到的问题难到需要用到 Fable 5 Ultracode。

但这也意味着，我仍然可以为我的客户构建真正困难、复杂，而且实用性更强的功能。

构建原型——包括设计稿、模式图、数据模型、概念验证等——是避免你花费大量 tokens 之后才发现自己根本不想要输出结果的最佳方法。

@TermiusHQ 有一个功能是我非常怀念的，就是类似 CMD+Space 那种搜索，可以让我快速切换到另一个标签页。

我经常同时打开 10 多个项目/网站。

举个例子，我现在想跳转到 Interior AI，我希望能按一个快捷键比如 CMD+Shift+P，输入「int」，它就会自动补全为 interiorai，然后我按回车，直接就跳过去了。

智能体是一种全新的软件：输入无限，输出非确定性。

如果你像开发普通软件那样开发它们，它们就会出问题。

我们围绕智能体开发生命周期构建了 LangSmith：构建 → 测试 → 部署 → 监控。

下面为你讲解这个生命周期⤵️

每日提醒：Codex 自我管控功能

它可以列出所有可用的任务和会话

它可以重命名每一个标题

它可以从另一个线程给每个任务发送消息

美国：*限制美国AI模型，因为太危险*

中国：*打造出更优秀的中国AI模型*

所有人：*转去用中国AI模型*

这就是为什么限制模型大概率没用，对美国来说，让所有人都用美国AI模型要划算得多，至少这样他们能监控所有人的行为。

现在换成中国来监控所有人的行为了！

GPT-5.6 Sol 在「The Last Ones」网络靶场的 cybersecurity 领域创下全新 state of the art 水平。我们已经观察到这项能力正在转化为实际防御成果：帮助团队在真实世界的代码中发现、验证并修复漏洞。现在就可以通过 Codex Security 使用它：

以下是如何在 Codex 中添加 Codex Security 插件并开始使用：在 Codex 中添加该插件。

安装完成后，按钮会变为「在聊天中试用」。点击「在聊天中试用」，即可开启新的 Codex 对话，其中已经准备好可以直接运行的 Codex Security 扫描提示词。

选择你想要 Codex Security 审查的代码所在的文件夹。发送扫描提示。

Codex 会打开并加载好准备就绪的 Codex Security 扫描提示。按下「发送」即可开始扫描。

对了，你需要通过 @OpenRouter API 在 Codex 内运行 Kimi 3 的全部配置都在这里了。

现在很多人都只是基于已经饱和的基准测试和ELO评分，对Kimi K3匆忙下结论，而没有真正在极难问题上测试它。AI前沿发展得太快，以至于一个不错但仍落后数月的模型，在许多人眼中已经像是未来了。

正如我一直说的，Kimi是一个非常优秀的模型。但它并不是DeepSeek r1那个级别的突破，它大体符合我对发展曲线的预期，而不是一次出人意料的飞跃。出于种种原因，它会被当作DeepSeek级别的事件对待，尤其是会有更多人听说它之后。

I used Omni 制作了原型，来展示通过直接操控实现的交互式实时视频生成可能会是什么样子。

过去 6 个月里，Claude Platform 为开发者新增了多个 API，帮助他们快速构建和部署智能体。平台负责人 Katelyn Lesse、Angela Jiang 和 Jess Yan 坐下来聊了聊已经上线的功能，以及我们在生产环境中观察到的模式。

第一种模式：让 Claude 通过自我修正完成长期自主工作。Claude Managed Agents 对这种场景提供了成果导向的支持：你给 Claude 一份任务完成评分标准，然后让 Claude 循环迭代直到满足标准。

另一种模式是智能体间通信，允许 Claude 协调和委派任务。Claude Managed Agents 用多智能体功能支持这种场景：智能体可以使用不同的模型、提示词和工具，同时共享沙箱或保险库凭证。

点击这里查看完整对话：

我新发现了最喜欢的工具构件。我每天早上都会读它，来整理高信息密度的X账号发布的AI新闻。

它是一个HTML构件，会用X MCP工具来筛选整理X帖子。由我的研究代理组装而成。

我设置了每日自动化流程，会遍历筛选后的X账号，收录AI论文、项目等等内容。我觉得这更接近我们所有人都想要的「为你推荐」流。

如果有人觉得这个工具有用，我很乐意分享构件和自动化部署教程。

最棒的一点是，支撑这个构件的所有帖子都存在一个wiki里，这意味着当我做研究，或是开展那些能用上X平台见解的项目时，我的其他代理也可以调用这些内容。所有这一切都能很好地累积增效。

感谢Codex团队和Kimi团队。抛开玩笑不谈，Anthropic把这件事搞得比原本更令人沮丧。竞争本身是件好事。

很高兴官方听到了用户的呼声。该模型不开放给Pro订阅计划，这点体验很差。但说实话，这个模型消耗用量的速度太快，即便是开通Max计划，我也觉得用量限制相当紧张。

我这里说的是「包含在订阅内使用」的情况。用户依旧可以使用额度来调用该模型。

omarsar0向Codex团队和Kimi团队致谢，他调侃称，Anthropic把这件事搞得比原本需要的更麻烦，竞争本身是件好事。

他很高兴相关方听到了用户的声音。

他提到，该模型不包含在Pro套餐中这点体验很差，实际这个模型消耗额度的速度非常快，即便使用Max套餐，他也觉得限制很多。

他澄清此前的表述，该模型依旧可以使用，但需要消耗使用 credits（使用额度）。