与「沙也可」相关的搜索结果

说起来，我也把个人账号绑定到 X MCP 上了，我现在这条内容就是通过 Codex 发出的。 我刚才一直在思考，刚接入 X MCP 的时候，这种 OAuth 2.0 的授权方式对于 Agent 来说，到底是不是一个比较友好的方式？目前看起来，这还是比较像一个中间阶段。 比如我刚才吐槽说，推特没有专门为 Agent 授权做一个 X App： 1. 首先，你需要自己去注册一个 Developer 账户，在下面创建一个 Stage 或者 Production 的 App。 2. 拿到对应的 App ID 和 App Secret 之后，你才可以自己创建一个 MCP 服务器去提供登录。 3. 拿到登录链接后，登录完它会跳转到 localhost:8080，这有点匪夷所思，是因为：你需要手动把 localhost:8080 的 URL 粘贴给你的 Agent，让它分析出对应的 code。然后它会拿 code 去换取 API Key，最后用于 MCP 认证。 agent 的配置文件其实是静态的，而且 Agent 可能在任何地方触发这个行为，这就意味着没有一个真正的、可以定义的 URL 来处理这件事。对于桌面 Agent，他们一般的做法有两种：1. 本地起一个端口的服务，用来监听这件事，2. 或者跳到官网，上面有一个触发机制，可以触发本地 Agent 的行为，然后再跳回来。推特用 OAuth 2.0 这种方式去做 workaround，你当然可以自己修改这个 URL。 比如说，你可以把 localhost 改成其他的 url，比如跳转到 wanman。wanman 够识别这个 code 并交换之后，也可以把 wanman 的 agent 接入到 X 的 MCP 上，这也是可以的。 其实我觉得这个问题背后的本质问题，是我们不知道 Agent 在哪里。 一个需要 Workspace、需要具体计算空间的 Agent，它可能在任何地方。这个“任何地方”有很多可能性： 1. 它可以藏在一个网络服务之下的沙盒里，比如 wanman 下 2. 它可以是你的一个电脑 3. 在未来，它甚至可能是一个手机或者是移动计算设备 所以我觉得，为了定位它的位置，肯定会有一种中间层服务来做这件事情。 这个中间层服务可以让任何位置的 Agent，都能够比较简单地接入到任何的网络服务当中。当然，现在可能 80% 的网络服务还没有提供 MCP，更别提 Codex Plugin 和生成式 UI 了。 现在有相当多的产品都在抢占 Agent 或者 Agent 的代理工作这一环节，但我好像没有看到有人在做类似的中间服务？

写作终于说人话了！ Prompt： 我在学习：“Agent Harness” 这个概念。 我希望你通过写一个寓言的方式，间接地把这个概念完整讲出来。最好一直到快结尾时，人才会慢慢意识到这个概念究竟是什么。然后在故事之后，再补一段解释，把你刚才真正要讲的概念说清楚。 Response： 寓言：会预言的鹿，与不会迷路的车 很久以前，山谷里有一座城，城里的人都说，北山住着一头银鹿。 这头鹿很奇怪。它能看懂星象，能听出河水里混着哪座山的雪，能从一片叶子的缺口判断哪条路刚有狼群经过。国王听说后，便派人把银鹿请进宫里。 国王问它： “今年该往哪里开渠，才能让庄稼不旱？” 银鹿闭上眼，闻了闻风，说： “东边第三道岭下，有一层暗水。先挖浅井，再引渠，不要直挖，否则会塌。” 工匠照做，果然出水。 国王又问： “商队该走哪条路，才能避开强盗？” 银鹿看了看月光，说： “别走旧驿道。绕过黑松林，从盐石坡下去。强盗在那里等着你们。” 商队照做，也平安归来。 于是国王大喜，说： “从今天起，银鹿就是我国最聪明的大臣。” 可是没过多久，问题来了。 银鹿虽然聪明，却不会自己开渠。它说得出暗水在哪里，却不能拿起锄头。它知道强盗埋伏在哪里，却不能替商队安排马匹、干粮、路引。它能判断草药有没有毒，却不能进药房配药；它能指出城墙裂缝，却不能调度石匠；它能说“这件事要先查旧账”，却不知道旧账放在哪间屋子。 国王很困惑。 “你不是很聪明吗？为什么还要这么多人？” 银鹿说： “我能想，但我没有手。我能看见许多可能，但我不知道你准我碰哪些门、翻哪些柜、命令哪些人。我能记住刚才说的话，可三个月前的旧约，得有人拿给我。我能给出办法，但得有人确认办法真的被做对了。” 国王觉得它是在推脱，便下令： “那就让银鹿自由行动。宫里的门都打开，仓库也打开，账本也打开。凡它所说，人人照办。” 第一天，银鹿让侍从去药房取“白根草”。侍从不知白根草有两种，一种救人，一种伤人，差点拿错。 第二天，银鹿让人修东城墙。石匠听成了西城墙，忙了一整日。 第三天，银鹿建议商队绕路。商队照做了，却忘了带盐石坡通行文书，被边防扣住。 第四天，银鹿为了查一笔粮仓亏空，让人翻出所有账簿。账簿堆满宫殿，没人知道哪本已经查过，哪本还没查，哪条线索可信，哪条只是猜测。 第五天，银鹿说： “这不是聪明不聪明的问题。你们把我放进了世界，却没有给我一辆能在世界里行走的车。” 国王召来木匠、车夫、书记官、守门人、法官和老猎人，要他们做一件东西。 木匠先造了一辆车。车不豪华，但结实，能装账本、工具、地图和样本。 车夫说：“还不够。车要有缰绳，不然银鹿看到什么都想追。” 于是他们给车装上缰绳。银鹿可以指方向，但车夫会问：“这是去药房、粮仓，还是城外？你有这个许可吗？” 书记官说：“还不够。每次出行，要记下它为什么去、拿了什么、问了谁、结果如何。” 于是车上有了日志。 守门人说：“还不够。有些门可以直接开，有些门要国王点头，有些门永远不能开。” 于是车上有了钥匙环。每把钥匙都刻着用途和限制。 老猎人说：“还不够。山路会断，桥会塌，人会听错。车要会停下来，重问一遍，或者换路。” 于是车上有了备用路线和出错时的规矩。 法官说：“还不够。银鹿说‘已经办好’时，不能只听它说。要验收：渠水有没有流到田里？药有没有配对？账有没有对上？” 于是车上有了检验表。 药师说：“还不够。银鹿每次都从头学，会误事。它要记得哪些草药上次有效，哪些村子忌用哪味药。” 于是车上有了记忆匣。短事放在前格，旧约放在后格；有些记忆会过期，有些要反复核实才准留下。 铁匠说：“还不够。万一银鹿要试一种危险办法，不能让它在城里乱试。” 于是他们在城外建了一块试验场。新车、新药、新机关，先在那里试，不伤百姓。 画师说：“还不够。银鹿看到的东西，百姓看不懂；百姓给的请求，银鹿也可能误解。” 于是车上又多了一块双面板。一面把百姓的话整理成清楚的任务，一面把银鹿的想法翻译成百姓能执行的步骤。 最后，国王问： “现在可以了吗？” 众人看向银鹿。 银鹿说： “现在，我不只是会回答问题了。现在，我能接住一个目标，带着记忆和工具，按规矩走进世界，遇到错误会回头，做完之后会留下证据。” 国王恍然大悟。 原来真正神奇的，不只是那头会思考的鹿。 真正让国家运转起来的，是那辆车、缰绳、钥匙、日志、试验场、记忆匣、验收表、守门人和车夫共同组成的东西。 后来，邻国来访，问国王： “你们的银鹿为何比我们的智者有用这么多？难道它更聪明？” 国王笑了笑，说： “未必。你们只请来了一个聪明的脑袋。我们给这个脑袋配了能行动的身体、能守规矩的手、能记事的口袋、能试错的院子、能被审计的足迹，以及知道什么时候该请人点头的缰绳。” 邻国使者问： “这东西叫什么？” 国王想了想，说： “我们原先以为是在造一辆车。后来才知道，我们造的是一副让智慧可以安全拉动现实的挽具。” 银鹿低头看了看自己身上的缰绳，又看了看远处已经通水的田野。 它终于明白：没有这副挽具，它只是会说话的预言；有了这副挽具，它才成了能做事的行者。 解释：这个寓言真正讲的是 Agent Harness 在 AI 语境里，Agent Harness 可以理解为：包在模型外面、让模型从“会回答”变成“能执行任务”的整套软件基础设施。近来的行业表述里，常见一句话是 Agent = Model + Harness：模型提供推理与生成能力，而 harness 负责工具、状态、上下文、执行、约束、反馈和持久化等部分。LangChain 近期也把 harness 描述为把模型变成自主工作引擎的系统，并强调文件系统、沙盒、记忆等核心部件；Martin Fowler 的文章也把 harness 概括为“除了模型本身之外的东西”。(LangChain) 寓言里的银鹿就是模型。它聪明、能判断、能提出方案，但它本身并不等于一个完整 agent。它不能天然访问文件、调用工具、记住长期状态、申请权限、检查执行结果，或在危险操作前进入安全环境。 寓言里的车、缰绳、钥匙、日志、试验场、记忆匣、验收表就是 Agent Harness 的不同部分： 车，是运行环境和任务循环，让模型能一步步执行，而不是只回答一次。 缰绳，是控制流、策略和边界，决定模型什么时候继续、什么时候停、什么时候需要人类确认。 钥匙，是权限系统和工具访问控制。不是所有工具都能随便用，也不是所有数据都能随便读。 日志，是可观察性和审计记录。系统要知道模型做过什么、为什么这么做、调用了什么、产生了什么结果。 记忆匣，是上下文和记忆管理，包括短期对话状态、长期偏好、历史任务、文件内容、外部知识等。LangChain 另一篇关于 harness 与 memory 的文章也强调，记忆不是额外贴上去的小插件，而是 harness 管理上下文的核心职责之一。(LangChain) 试验场，是 sandbox，也就是安全执行环境。比如让 coding agent 改代码、跑命令、读写文件时，不能直接让它无边界地碰生产系统。 验收表，是验证、测试、评估和错误恢复。一个 agent 不能只说“我完成了”，系统还要检查输出是否符合目标，失败时能重试、回滚、请求帮助或换策略。 双面板，是输入输出适配。用户的自然语言请求要被整理成可执行任务；工具返回的大量结果也要被压缩、格式化、再喂给模型；最终结果还要以人能理解的方式呈现。 所以，Agent Harness 不是模型本身，也不只是 prompt，更不只是某个工具列表。它是让模型能在真实环境中长期、可靠、可控地工作的“外部身体”和“运行制度”。Microsoft 对 agent harness 的描述也强调，它是模型推理连接真实执行的层，包括 shell、文件系统访问、审批流和跨长会话的上下文管理。(Microsoft for Developers) 它和 agent framework / SDK 也不完全一样。Framework 或 SDK 更像木匠手里的材料和图纸；Agent Harness 更像已经装配起来、实际承载某个 agent 运转的那套车、路、钥匙、规则和检查机制。Salesforce 的解释也类似：harness 是围绕模型的执行环境，管理生命周期、上下文以及与外部世界的交互。(Salesforce) 最终，寓言想表达的是： 一个模型会思考，不代表它能可靠地做事。 一个 agent 真正能做事，是因为模型之外还有一整套 harness：给它工具，给它记忆，给它权限，给它边界，给它反馈，给它验收，也给它在现实世界中安全行动的方式。

今天上线了我的第 11 个 vibe 产品， vibelab 是一个专门给 vibe coder 用的直播平台，传统的直播平台是用采集工具推视频流，主播在本地电脑开发，观众只能看。vibelab 的做法是运行在云端沙箱，主播可以和粉丝分享直播的乐趣，也可以邀请伙伴在同一个沙箱环境里编程，与观众共享各自的终端和网页。 vibelab 使用我之前开源的 sandbank cloud 沙盒云，开箱即支持 claude code, codex 等 coding agent cli 和各种编码环境，并且支持快照以保存登录状态和临时文件（这样 cc/codex 就不需要每次开播都登录） 除此之外，还支持连接 GitHub 和 gh 命令的自动化，不用担心在沙箱中的工作会丢失。 接下来我会每天都在这里直播自己的 vibe 过程，并邀请一些经常在 vibe 的博主来进行内测直播，如果你感兴趣可以联络我获得资格。 我的直播间：

App卖不动了，然后呢？我推演了一种AI泡泡 这个问题我是真的很想搞清楚，也是我这几周集中准备研究的重点。跟进这条线也是我现在安排的主线任务之一：推演，押宝，收集这条线上所有的资源。 App 卖不动，本质上并不是因为大家突然不喜欢用软件了，而是因为分发逻辑、用户习惯以及价值交付模式都发生了根本变化，让过去那条“装一个 App → 形成留存 → 再变现”的路径逐渐失效。如今 iOS 和 Android 的入口层被平台牢牢掌控，App Store 与 Google Play 的曝光越来越集中在头部应用，新应用几乎很难自然获得流量。同时，入口被超级 App 吞并——微信、抖音、支付宝等已经演变成“操作系统之上的操作系统”，用户的许多需求可以直接通过小程序、内嵌网页解决，不再需要额外下载独立 App。再加上AI 与 Web 化降低了‘必须下载’的门槛，生成式 AI 可以直接通过网页或多平台插件调用功能，PWA（Progressive Web App）更是让网页具备了接近 App 的体验，从而绕过下载环节。 这些现象几乎成了行业共识。但我是真的经历过那个“万物 App”的年代，当时人人都在学 Kotlin 开发移动应用。如今的变化在商业层面表现得更为明显：获客成本飙升，广告投放、应用商店排名、网红推广成本高得吓人，小型开发者很难回本；生命周期缩短，用户可能只用几次就卸载，因为功能容易被替代，除非形成完整生态，否则靠单一功能长期留住用户几乎不可能；商业模式趋同，过去依赖订阅、内购、广告三种模式就能赚钱，如今同质化竞争严重，用户的付费心理门槛也在不断提高。 别说用户，就拿我自己来说，如今也很少再去下载新的 App 了。从“下载占有”到“即用即走”。首先是安装疲劳——手机里已经有几十个常用 App，对新增安装天然抵触，“能用现有 App 搞定就不装”；功能期望提高——用户不再愿意为一个孤立功能单独安装 App，他们希望这些功能能够嵌入到自己已有的生态体系里，比如微信、飞书、Teams、浏览器插件等。 但是AI界面总不能承载所有功能吧？ 如果 App 外壳化 / 接口化 已经成为不可逆的趋势，而 AI 窗口（Copilot、对话框、Agent Hub） 又无法承担所有职能，那么下一个真正的入口/窗口必然会是更贴近具体场景与数据流的形态。我的推演方向是，在现有 App 宿主之上，构建一种能够填补 AI 窗口“非万能”空白的应用生态——即 场景原生入口（Context-Native Entry）。 这种入口不再是独立应用，而是直接嵌入到场景的触发点里。例如，在会议中，日历界面会原生弹出“行动建议”；在设计工具中，用户选中元素时会自动出现 AI 协作气泡；在车机屏幕中，驾驶到达目的地时会直接显示路线与任务执行按钮。它有三个显著特征：第一，零跳转，用户无需离开当前场景即可完成任务；第二，数据即时可用，上下文数据已经在场景内，无需额外授权；第三，执行闭环内建，任务完成后可自动将结果回写到对应的数据源（如 CRM、ERP、日志、交易记录）。 我画了两个示意图：主界面就是宿主（host environment），可以是日历、项目管理软件等；旁边的“泡泡”则是上下文触发的操作入口，而这个泡泡正是未来全球应用开发者共同参与的生态。它看起来像插件，但用户无需安装，由宿主内的 AI 自主决定何时调用。 Calendar: 宿主host environment Action items: 泡泡 （AI自由调用，其他开发者开发） 这种生态的核心特征包括： 能力模块化——功能以插件、微应用或结构卡形式存在，每个模块可以独立更新与授权；用户既可固定常用模块，也可临时调用一次性模块。 上下文可迁移——身份、任务、数据、历史操作等上下文信息在不同模块间无缝传递，避免重复输入。 AI 编排驱动——用户既可直接点击模块，也可用自然语言输入目标，由系统自动选择和组合模块执行。 多入口混合——既支持传统图标，也支持场景气泡、任务栏、语音指令等多种入口，根据任务性质动态显形或隐藏。 半自主闭环——简单任务可自动执行，复杂任务在关键节点需用户确认，执行完成后结果自动回写到对应数据源。 这意味着，未来的应用形态不再以“下载一个 App”作为起点，而是以场景驱动的即时入口作为载体，AI 在背后完成能力调度与组合，用户在前端获得零跳转、上下文贯通、结果可闭环的体验。 如何成为宿主以及泡泡的触发机制 要理解如何让一个应用从“功能提供者”升级为宿主，并能在合适的时机触发上下文气泡，需要先明确宿主的定义和运行机制。 宿主环境 = 上下文源 + 触发点 + 执行容器 + 用户界面 它承担的是一个舞台的角色，为能力模块（Capability）提供完整的执行与交互环境，包括： 触发契机——明确什么时候启动能力（事件触发、条件满足、用户操作等）； 上下文数据——运行前必须知道“是谁、在做什么、涉及哪些资源”； 执行通道——调用外部能力所需的网络、权限与运行时容器； 显形界面——用户可见、可操作的 UI（气泡、侧栏、提示条等）； 回写目标——执行结果要存回的权威数据源（如 CRM、ERP、文档、日志等）。 如何让任意应用成为宿主 为了具备承载外部能力和触发气泡的能力，一个应用至少需要以下四个开放接口与结构： 触发点 API：允许外部能力监听特定事件，如用户操作、状态变化、定时器触发、数据更新等。 例：会议开始前 2 分钟、文档被选中一段文字、车辆进入充电站。 上下文 API：提供标准化接口，让外部能力读取必要的上下文信息，如当前用户、选中对象、会话内容、位置等。 必须保证数据最小化原则，并在用户授权范围内暴露。 执行 API：提供安全可控的调用方式，让外部能力可以在沙盒环境中运行，并具备函数调用、网络访问、跨模块通信等能力。 支持权限校验和费控机制，防止能力滥用资源。 UI 插入点：为外部能力提供可嵌入的位置，用于显形气泡、侧边栏、弹窗、HUD 等不同形态的 UI。 插入点应与上下文事件绑定，保证用户交互自然、即时。 “泡泡”触发的全流程 当宿主具备上述条件后，一个上下文气泡的触发与执行过程通常如下： 事件监听：宿主通过触发点 API 监测到某个场景事件（如会议即将开始）。 上下文构建：宿主调用上下文 API，生成包含当前用户、任务、数据等信息的标准化上下文对象。 AI 决策：宿主内的 AI 调度器基于上下文，筛选最匹配的能力模块（可从能力目录中动态检索）。 显形触发：在 UI 插入点上显示气泡，提示用户可以执行的操作（或直接开始执行低风险任务）。 能力执行：调用执行 API，沙盒运行外部能力，并实时更新执行状态。 回写闭环：任务完成后，通过宿主的回写通道，将结果存回权威数据源，并刷新宿主界面。 只要协议畅通，全球开发者有能力的开发宿主，能力弱的开发泡泡，组合是天文数字量级的 只要协议畅通，这个由全球开发者共同构建的“巨型开发、应用与工具网络”就能进入几乎自我扩张的状态——它会像互联网早期的 TCP/IP 一样，把原本彼此孤立的能力和数据源接入同一张网络，让调用、组合与分发成为默认能力而非额外集成。能力强的开发者可以构建宿主，承载和调度多种外部功能；能力弱的开发者也能专注于制作单一“泡泡”模块，被宿主按需调用。 一旦协议统一了能力卡、上下文、权限和回写机制，任何能力都能被任意宿主直接使用，不同开发者产出的功能无需点对点适配即可自动兼容，AI 调度器也能跨厂商、跨领域、跨设备自由编排执行链。分发将彻底自动化——不必依赖人工搜索、下载或安装，能力会在符合上下文的场景中自动显形，高质量的能力会被宿主和 AI 持续选用，新能力一旦注册就能零延迟进入全球可调用范围。 这种模式会触发生态自增强效应：接入的能力越多，可组合的可能性越多，衍生出更多新场景；每次闭环执行的结果都会回写到数据源和特征库，使下一轮决策更精准，吸引更多调用，形成“数据—体验—调用”的正反馈飞轮；协议的统一也意味着一次改进可在全网生效。与此同时，生态的边界会不断开放——宿主可通过协议变成流量与上下文的枢纽，小型开发者可以靠单一能力卡或场景编排持续获利，平台还能围绕调用和数据确权发展出分润、信誉、质保、治理等全新商业模式。 换句话说，只要协议打通，组合空间就是天文数字级的，调用、分发和优化会自动发生，整个生态会以互联网式的速度与规模爆发。 这个“协议畅通 + 宿主/泡泡”模式，其实针对的是现有 App 开发和使用模式中的几条核心瓶颈，而且它的结构设计正好能逐一化解。 1. 分发和获客瓶颈 现状 App 必须依赖应用商店、广告投放、内容引流才能被用户发现。 新应用进入成本高，获客成本（CAC）居高不下，小团队往往无法回本。 分发渠道高度集中，头部应用占据曝光，大多数 App 没有生存空间。 突破方式 在协议畅通的模式下，能力（泡泡）不需要用户搜索、下载、注册，而是由宿主在符合上下文时自动分发显形。 分发入口变成多点分布（各种宿主和 AI 调度器），降低依赖单一渠道的风险。 新能力一旦注册，就零延迟进入全网可调用范围，被动获客。 2. 集成和适配成本瓶颈 现状 不同 App、系统、行业的数据和功能接口差异巨大，需要大量定制化集成。 跨系统协作需要重复开发“胶水层”，浪费时间和人力。 突破方式 统一上下文协议、能力描述协议、回写协议，让不同宿主和能力模块之间天然互操作。 开发者一次接入协议，就可以在所有遵循该协议的宿主中运行，不必逐个适配。 AI 调度器在运行时动态组合能力，无需提前硬编码集成关系。 3. 功能封闭与长尾需求瓶颈 现状 App 功能由开发团队预先定义，长尾需求（小众场景）很难覆盖。 用户经常需要跨多个 App 来完成一个任务，效率低下。 突破方式 协议化能力可以被 AI 自由组合，一次性生成专属于某个用户、某个上下文的任务链，哪怕这个链只执行一次也值得。 小众能力也可以生存：哪怕调用量很低，只要在某个链中被用到，就能产生价值并获得分润。 4. 更新和迭代瓶颈 现状 App 更新周期长，功能迭代慢，用户必须整体升级 App 才能获得新功能。 功能和数据常常被锁死在 App 内，迁移和重用困难。 突破方式 能力模块化后，每个能力卡或泡泡可以单独更新、单独授权。 改进一次能力，就能立刻在全网生效（所有宿主和链路同步受益）。 数据闭环让优化路径自动收集反馈，形成持续迭代的飞轮。 5. 用户交互路径瓶颈 现状 用户必须主动切换 App 才能完成任务，跨场景跳转造成体验中断。 每个 App 的 UI 逻辑不同，学习成本高。 突破方式 场景原生入口（泡泡）直接嵌入用户所在的任务上下文，无需跳转。 宿主负责 UI 容器统一化，外部能力复用相同的交互模式，降低学习成本。 一句话总结 这个模式克服了分发集中、集成昂贵、长尾难覆盖、更新迟缓、体验割裂五大瓶颈，让开发者专注能力本身，让用户在场景中即时获得可组合、可闭环的服务。 （1/n)

今天把 Grok build 作为第三个 runtime adapter 接入 wanman，然后测试 Grok 4.5 作为 wanman agent（而不是沙盒中的 cli）接入 sandbank agent 框架的作用相比 deepseek 哪个好，这里我不得不开始处理一些复杂的分层，因为目前 wanman 有好几个不同层面的 agent，第一个层面当然是免费给用户使用的，有限额的默认 agent（wanman agent）第二个层面是沙盒中的 agent，目前有三个，是 codex/cc 和刚接入的 grok build。 在这里有个比较难搞的东西，不同层面的 agent 要共享数据和记忆，只能依赖一个外部数据源而不是各自 agent 的 workspace，这意味着无论是那个层的 agent 都必须遵循或者至少可以接触到一个统一的 workspace 抽象层（这里我是用 sandbank workspace 来做的，自己写的） 这就好像一家公司，你可能会有月薪 10 万块的高级程序员，也有可能有月薪 2 万块的初级程序员，还有可能有一天 200 块钱请来的实习生或者是接线员。 虽然他们要做的工作可能是部分交叉的，但他们所使用的 workspace 也是完全在不同的地方。我觉得现在的 AI 应用，或多或少都需要开始处理一些智能分层相关的业务。 一方面当然是为了节省成本，另外一方面确实是不同的模型各有所长，而且也没有必要让所有的事情都用最高级的模型来进行处理。就像世界上其他的工作一样，不同的智能负责处理不同的事情。 这就意味着，以后所有的 AI 应用都不得不处理混合模型的问题。这里指的不是通过像 Fusion 这样的 API 来进行模型路由，因为 workspace 是根据不同的 agent cli 来进行定义的。当然，我觉得 OpenRouter 的 Fusion 或者是类似的混合路由 API 提供了一种非常理想的情况。但除非它们能够自动去处理背后的计算空间，以及计算空间的记忆和数据的一致性问题，否则它的效果还是要远远落后于 Codex/cc 和其他这种第一方的 command line tools。 不知道大家在这个问题上有没有好的处理方法？

马来西亚华人正在“静悄悄”地消失，不是死于刀枪，是死于特权制度。吉打州务大臣沙努西公开发表言论，华人有中国可以回去，印度人有印度，马来人只有脚下这片土地。孟德斯鸠曾说，显要人物的特权的光荣恰恰就是平民的耻辱。马来西亚宪法153条赋予马来人特殊地位，长久推行土著优先的各项规则。 公立大学实施族群名额划分，预科阶段非土著名额上限控制在一成。2025至2026学年公立高校合计录取二十五万名学生，土著占据二十二万多人，不少拿到满分成绩的华裔学生，依旧无缘心仪专业。 当地七成中小企业由华人经营，富豪榜单前十当中九人为华人群体，持续贡献大量税收。政府体系中华人从业者占比极低，经商门槛、房屋购置政策都存在差异化安排，土著购房能够享受七到十五个百分点的优惠。 2026财政预算当中，面向土著的专项资金达到一百八十四亿令吉，华人新村获得的拨款仅有九千万令吉。可供华人选择的政治代表力量处境尴尬，马华公会难以争取足够话语权，民主行动党加入执政联盟后，也难以满足华裔群体的诉求。 2026年第一季度马来西亚华裔人口占比跌至二十二点一个百分点。2015到2025十年间，接近九点七万民众放弃本国国籍移民海外，其中八成八点一为华人。大量华裔世代在这片土地生活，祖籍只是遥远的概念，马来西亚本就是他们唯一的家园。 不存在激烈的冲突与武力驱赶，长年的制度性差别待遇不断削弱民众归属感。持续努力却难以拥有平等发展机会，大批人才选择远赴他国，这是一场悄无声息的人口流失。

蚂蚁集团旗下具身智能公司 Robbyant 开源了世界模型 LingBot-World 2.0——能连续跑一个多小时、画质未见明显可见衰减，还内置一套类大脑-小脑协同的 agentic harness，让世界随用户动作持续展开。 原有世界模型有个老毛病：跑上几十秒到几分钟，画面就开始糊、几何扭曲、场景漂移崩坏。LingBot-World 2.0 敢拿"连续跑一个多小时、画质无明显可见衰减"当证据，并明说这份稳定是"结构性的，不是挑了段好片段"。 四个升级点： ① 无限时长，还不掉画质： 别的可交互世界模型（Google 的 Genie 3、M-G 3.0 等）时长都停在"分钟级"；它是对比表里唯一在通用域做到"小时级 / 无限"时长的，也是唯一同时满足"高动态 + 语义交互 + 实时 + 完全开源"的一个（Genie 3、HappyOyster 都闭源）。 为什么不漂？ 两个关键：因果预训练 + MoBA 混合注意力，在 teacher-forcing 掩码里接一块双向注意力，既支持任意时长自回归，又当正则项压制退化；再用少步蒸馏（consistency distillation + DMD），且在模型自己长程 rollout 的轨迹上纠偏，专治长时间累积的漂移。 ② 交互动作大幅变宽： 不再只是"往前走 / 转镜头"，支持战斗、射箭、施法、射击等角色动作，还能改写环境——按需召唤下雪、下雨。 ③ 一个会"自己活"的世界——最有意思的一步。 它把 agent 那套 harness 搬进世界建模：由 VLM ‘Brain’ 观察当前画面、做因果推理并提出事件；视频生成器 ‘Cerebellum’ 将语义决策落成连续画面；同时 pilot agent 负责角色行为，director agent 负责持续引入新的环境元素和事件。两者组成持续闭环——世界不再是"你不动它就停"的沙盒，而是自己往前发生事情、并随你而变。作者的类比很直白：强模型得塞进 Codex 那样的 harness 才成为会干活的工程师，世界模型也得有 harness 才"活"。 ④ 能多人同时进同一个世界玩 部署很克制： 主模型 14B，另配 1.3B 轻量实时版，支持单 GPU 部署；稳定输出 720p / 60fps。 世界模型卷了这么久画质，下一关也许不是"生成得多真"，而是"这个世界能不能自己活着、活得够久"——权重和代码都开源了，感兴趣的可以去 Reactor、灵光上手测试跑一局。 #LingBotWorld# #WorldInfinity# #世界模型# #蚂蚁集团# #开源#

我们也有属于自己的智能体了，字节跳动刚刚开源了一个AI智能体，能替你完成整个工作。 所有人都在把Hermes捧为头号智能体，然后字节跳动发布了DeerFlow。 72000+ GitHub星标，9700+复刻，免费，MIT协议。 它不像Hermes那样只是运行工具，而是完成整个任务。 你给它一个任务，它会规划步骤，启动一组子智能体，编写代码，测试，修复自己的错误，然后在自己的沙盒中把成品交给你。 研究、完整网站、仪表板、幻灯片、报告，全部完成，不是草稿。 完整的新手安装： 最简便的方式（如果你使用Claude Code、Cursor或Codex）： 把这段粘贴给你的智能体，它会自动为你安装所有东西： “克隆deerflow并使用 手动方式（大约5分钟）： 1. 安装基础工具：git、docker、node 22+、uv、pnpm（deerflow的“make check”会标记任何缺失项） 2. 克隆仓库： git clone cd deer-flow 3. 运行设置向导： make setup 它会询问你选择哪个模型并保存你的密钥。指向openrouter、groq或nvidia nim可免费运行。 4. 检查是否正常： make doctor 5. 使用docker启动： make docker-init make docker-start 6. 在浏览器中打开并分配你的第一个任务。 下面这部分可能会引发争论： Hermes是OpenRouter上最常用的智能体（每天2240亿token），我也一直全力使用它。 但Hermes运行你的工具，而DeerFlow从头到尾执行你的整个项目。 我实际上很想切换，这出乎我的意料。 那么现在哪个更胜一筹？ - Hermes：美国出身，轻量级，存在于你的笔记本电脑上 - DeerFlow：中国出身，字节跳动的实力，能替代整个团队 收藏起来，你们平时都在用哪个智能体？

我觉得我还是挺屌的，这是我开源的 Kin Agent，你和他说“把这个项目在沙盒里跑起来”，它就给你跑起来了，你也不用动啥技术，也不需要了解本地环境。 —— 这个是专门给中小团队做的用在本地的 Agent，适合有个 8g 的 macmini，直接一键部署，扔到办公室里，挂一个 coding plan，全团队可用，没有 tokens 负担。 ——

6月13日，2026走進車陂龍舟景·一水同舟·車陂端午龍舟盛會在廣州車陂涌拉開帷幕。 車陂龍舟賽以車陂涌上的龍溪橋為起終點，在沙美橋取旗後「回龍」，全長共計600多米。「回龍」是車陂龍舟賽的特色。「回龍」考驗技巧，龍船扒到接近奪標處要適當減速，讓奪標手迅速奪標，此時全船橈手立刻轉身，之後龍船回龍衝刺。如果快了，奪不到「回龍旗」，成績無效；如果慢了，「回龍」瞬間就被對手超過。「回龍」可謂是取勝的關鍵，也是比賽的最大看點之一。 據悉，車陂村建村於唐朝，興於宋末元初。車陂村傳承至今的「扒龍舟」項目是廣府龍舟文化中的典型代表，2017年被正式列為廣州市非物質文化遺產，2022年「車陂龍舟景」被列為廣東省非物質文化遺產代表性項目。 #DragonBoatFestival#