与「AgentLoop」相关的搜索结果

DeepSeek 开源的第一个 agent harness DSH，论文里堆满了范畴论符号，很容易让人觉得又是研究员在真空里搞出来的理论产物。但在仔细读完源码并与 Codex 逐行对照后，我的工程判断很明确：对绝大多数日常写代码的开发者来说，它重得毫无必要；但对探索自进化 agent 的工程团队来说，它搭建了一套目前其他方案完全没有的底层骨架。 架构上最本质的差距在于插件模型的选择。 Codex 代表了典型的声明式路线：插件只是磁盘上的文件夹，贡献的是 Markdown 写的 skill 文件、MCP server 配置或 shell 脚本。插件不进 harness 进程，也不在同一进程里跑代码，改完配置重启独立进程只需两三秒。对于搜索、加工具这类绝大多数日常需求，声明式模型简单可靠，门槛接近于零。 DSH 走的是命令式路线：插件带着自己的状态，直接跑在 harness 进程内部，互相注册与调用。一旦要在运行时替换插件，悬空引用清理、后台任务终止、依赖链协同以及崩溃回滚都会变成棘手难题。为此，DSH 引入了一套叫 Cordis 的重型运行时，单是管理 fiber 生命周期的核心模块就有 750 行代码。 如果只是为了替换搜索服务或挂载常用工具，让开发者背上 Cordis 这套复杂度完全是过度设计。但 DeepSeek 包这盘饺子的真实意图，隐藏在控制流结构里。 在 Codex 中，agent loop 的控制流被硬编码在 Rust 核心逻辑里，开发者只能在预设时刻挂载 hook，无法在运行时把单 agent 循环改成多 agent 协作循环。而在 DSH 里，agent loop 本身是放在 packages/core/agent-loop 中的一个普通 TypeScript 插件，向外提供 ctx.agentLoop 服务。只要实现相同的接口，运行中的控制流骨架随时可以整体卸载并替换。 Cordis 打造的那些副作用跟踪、依赖变动通知和事务性 HMR，本质上全是在支撑 agent loop 可替换这个核心目标。它保证了 agent 在运行期如果动态生成了新工具或新 loop，系统能在不中断进程的前提下平滑加载；一旦生成的代码出现错误，又能通过事务性回滚退回上一个稳定状态。 Codex 交付的是结构固定的成品家具，而 DSH 交付的是允许动态改造的生成内核。DSH 不会让你的日常 coding 变得更快，但它让 harness 本身具备了面向自进化进行物理扩展的可能。 深度剖析与两套架构的完整对照：

给大家带来 Flash 系列模型横评! 各个厂商除了旗舰级别模型, 也都有Flash级别的模型, 而这些模型的定位主要都是多智能体系统的驱动模型和RAG系统的驱动模型. 那么现有这些Flash模型应该怎么选? 给大家带来本篇评测! 本次主要从 Agent Loop 迭代能力, Agent 能力, 前端, 后端, 空间理解, 美学, 性价比等多个角度评测了 Gemini-3.5-Flash, Step-3.7-Flash, DeepSeek-V4-Flash 这三个模型. 从测试来看, Gemini-3.5-Flash 更适合干"漂亮活", 比如前端页面, 建模等. 而 Step-3.7-Flash 则极具性价比, 在Agent测试中取得了比旗舰模型还要高的Token效率(用最少的token干最多的事情). 所以特别适合用在Agent框架中(比如OpenClaw或者Hermes), 或者复杂的Agent系统中用来做驱动模型. DeepSeek-V4-Flash 则后端能力很不错, 很适合用来写脚本, 甚至给服务器安装一个 DeepSeek-V4-Flash 驱动的 ClaudeCode, 用来 AI-Ops. #flash模型# #step37flash# #deepseekv4flash# #gemini35flash# #AgentLoop#

卧槽！这将是你见过的AI时代最牛逼，没有之一的AI自媒体内容生产工作流！！ 我他妈真是个天才，我现在每周要发布的内容，周日一觉醒来，下周每天该发什么、写什么，AI 全给我讨论完了！！ 做自媒体的都知道，最折磨人的不是写稿，是选题，是写作角度 每天翻 X、翻小红书、翻 TikTok，看别人发什么火了、我能蹭什么角度 选题想完了时间没了人也废了，真正开始写的时候灵感早没了… 上周我冒出了一个天才想法： 我把 AIsa（@AIsaDotOne）的社媒数据接口和 Teamily AI（@Teamily_AI）的 Team Agents 拼在了一起，搭了一条全自动的内容生产线！！ AIsa 具备强大的数据能力：能直接抓 X、TikTok、Instagram、YouTube、Reddit 五个平台的真实爆款数据，还能监控我想监控的对标账号 每个社媒平台背后都接了好几家供应商，保证使用的稳定性 不是那种让 ChatGPT 瞎猜什么火了，或者那种网络上公开的无用热点 Teamily 能让你把一群 AI 拉进同一个工作群，它们共享上下文，自己分工自己讨论 我建了一个群，拉进 4 个 Agent： 1、热点 Agent：接 AIsa 接口，每周自动扫 5 个平台 AI 领域的爆款 2、选题 Agent：筛出有流量、有争议、适合我账号风格的方向 3、调研 Agent：补资料、查来源、核实数据，防止发出去被打脸 4、写作 Agent：直接出 Hook 和文章框架 这 4 个 Agent 共享同一个上下文——热点 Agent 发现一条爆款，选题 Agent 直接看到并判断能不能写，不需要我来回复制粘贴传话 并且最牛的我设了一个 agent Loop，每周日自动跑 现在简直是爽歪歪... 周日早上醒来，群里直接无数条选题，每条带着 Hook、切入角度、初稿框架，全部摆好等我挑 说实话搭的时候有点心虚，怕拉回来的热点不靠谱 但我自己跑了今天之后发现，简直太牛了！！ 因为 AIsa 拉的是真实平台数据，选出来的方向比我自己翻一小时找的还准 如果你想的话，Agent现在可以通过AIsa直接连接你的社交媒体账号，直接帮你排期发帖，形成一整个闭环 整个搭建就一下午： 1、注册 AIsa，拿 API，接上你想监控的平台 2、在 Teamily 建群，拉 4 个 Agent，每个给一段 prompt 说清楚它干什么 3、热点 Agent 调 AIsa 接口拉数据，后面三个接力：筛选、补资料、出稿 4、设 Loop，选频率，让它自己跑 5、你只管最后一步——醒来，挑选题，拍板 这个群组目前我已经可以开放 ——你加进来也能看到每周的选题，和我一起共享选题 我诚心邀请各位兄弟进来和我一起享受我掏钱买来的的用量和额度！！ 你甚至可以拉自己的 Agent 进来，改成你的赛道和风格，变成你自己的内容工作台 链接放在下方！！兄弟们快来！👇

Learn Harness Engineering from scratch! This repo is a full learning path around harness engineering, with 14 lectures, 8 projects, reusable templates, and hands-on exercises. The course focuses on the environment around coding agents and how that environment affects whether an agent can reliably work inside a real repository across longer tasks and multiple sessions. It starts with the fundamentals of harness engineering and gradually gets into things like repository structure, persistent state, task boundaries, verification, observability, session handoffs, automated loops, and graph engineering. A harness in this context has five core parts: - Instructions that tell the agent how to work inside the repo - State that persists progress across sessions - Verification through tests, linting, type checks, and full-pipeline runs - Scope controls that keep the agent focused on one task at a time - Session lifecycle so every run starts and ends in a usable state The projects are also connected rather than being isolated examples. You keep working on the same Electron-based knowledge app while gradually improving the harness around it. You start by comparing prompt-only vs. rules-first agents, then build multi-session continuity, runtime feedback, verification, a complete harness, automated maker-checker loops, and eventually represent the workflow as a graph with parallel execution, rollback, and human approval. What I like is that you can actually take parts of the repo and use them directly in your own projects. There are templates for things like "AGENTS. md", "init. sh", feature lists, progress tracking, loop state, maker-checker prompts, and a "harness-creator" skill that can scaffold the basic harness structure for an existing project. The repo also covers the progression from a single agent loop to graph engineering, including when you actually need nodes, shared state, routing, parallelism, and recovery instead of forcing everything into one loop. A solid resource if you're working with coding agents and want to understand the engineering around making them reliable over longer tasks. 100% open source

回顾一下 harness engineering 发展的历史，至今似乎还没有一个边界清晰的解释，能说清楚它到底是什么。 先是二月份，OpenAI 发布了 Harness Engineering 的 blog，介绍他们如何从一个 empty repo 出发，搭建可靠的文档、知识库、测试体系和日志环境，供 agent 开展开发工作。 几乎同一时间，LangChain 通过修改提示词、工具和 middleware，将 Deep Agents 在 benchmark 上的成绩提升了 25%，随后提出了 Agent = Model + Harness 的公式。 紧接着，三月份，Anthropic 发布了他们的 harness 方案：一个 Planner → Generator → Evaluator 的循环。 到了四月份，Anthropic 跟吃错药一样，把定义改成了：harness = agent loop，工具环境 = meta-harness。然后再把 harness、meta-harness 和什么脑子啊、手啊拼起来，组成 Managed Agents。 五月和七月，龙虾作者又出来谈 loop engineering 和 graph engineering。火了一小阵，随后又没什么声音了。 八月份，DeepSeek Harness 带着 Everything is a Plugin 的概念横空出世。我当时就说，这就是个 UI harness。现在看来，时间也验证了我的判断。 八月底，OpenAI 看到 DeepSeek Harness 爆火，也整出了一个“OpenAI Harness”的概念，实则就是 Codex。 九月份似乎消停了一阵。到了十月，Pi 又带着 1.0 版本登场，自称 minimalist harness 😂。 感觉 harness engineering 就像哈姆雷特一样：一千个人心中，有一千种 harness。定义越来越宽泛，也越来越离谱。

2/ Instinct 的底层架构并不复杂： －Agent loop 运行在后端服务器，不受沙箱生命周期限制 －命令执行与文件系统操作都在沙箱内完成 －Git 记忆文件夹会持续备份至 S3 这让它同时拥有持续运行、隔离执行和长期记忆。

准备做一个新的技术教程系列：《从 0 手写一个 AI Agent》 整个系列分为 8 期： 第 1 期：写出你的第一个 Agent 跑通最小 Agent，理解模型、工具和执行循环 第 2 期：让 Agent 调用工具 学会 Tool Calling：定义工具、传参、执行、返回结果 第 3 期：亲手实现 Agent Loop 让 Agent 根据结果继续行动，加上退出条件和最大步数 第 4 期：让 Agent 保存任务进度 管理对话历史、工具结果和任务状态，支持保存与恢复 第 5 期：让 Agent 更可靠 处理报错、超时、重复调用，加入重试、成本限制和人工确认 第 6 期：接入检索与记忆 让 Agent 查资料库，理解 RAG、会话状态和长期记忆 第 7 期：验证 Agent 到底有没有变好 记录执行轨迹，建立测试任务，从正确率、耗时、成本评估 第 8 期：从单 Agent 走向复杂系统 理解何时用工作流、框架或多 Agent，并实现一个协作版本 目标： 看完能自己写出一个 Agent，也能解释它为什么这样工作

刚和朋友连线聊天 灵光一闪，总结了三个连环策略给老板们： 1. 让公司（工作）自动化 - Agent Loop 2. 把自己网络化（加强人感 建立 IP） 3. 拿赚来的钱投资下一代科技公司（主要是美股） 未来做好这三件事就行 😉

this is how instinct works under the hood - agent loop outside of the sandbox (running on the backend server) - executing commands and controls file system on a sandbox - backs up git memory folder to S3 bucket available skills: - agent-mail - authenticator-codes - browser-management - browser-use - bug-report - company-identity - data-privacy - deep-research - document-signing - files - flight-booking - food-ordering - gamepigeon - google-docs - i2i-management - instinct-faq - instinct-guides - mac-computer-use - messaging - onboarding - place-recommendations - presentations - proactive-value-creation - restaurant-booking - restaurant-recommendations - rideshare - scheduling - shopping - speaking - wake-subscriptions

啊啊啊啊🎉🎉！原来 Muse 也能搞 数字人 + 网感剪辑！ 我把刚开源的 AI 网感剪辑仓库丢给 Muse（图2/3）， 工具都配好，拿数字人视频当素材，直接开剪！ 它还真按我设计的 agent loop 自己看片、挑刺、改版了👀 但是……咋感觉没我本地 Claude Code 剪的那条样片好？（文章顶部的帖子） 是 Muse 的环境不一样，还是我眼光太挑了？ 大家觉得如何呢？ 开源地址👇 用着不顺手，评论区直接吐槽也行！ ⭐ 想认真提 issue 的朋友，带上 runlog、运行环境、工程里的 qc/ 目录，我能更快定位问题🙏