Twitter AI Agent - 2026-04-18¶
1. 人们在讨论什么¶
1.1 harness 工程从理论走向实践 🡕¶
围绕 harness 工程的讨论，已经从定义之争转向具体的落地模式。@_lopopolo 描述了一个 Codex 自动化工作流：自动化流程以 Markdown 文件形式存放在 docs/automations 中，提示词只有两句话，用来引用 runbook 文件；每个自动化流程都会经过代码审查，由代码仓库负责并纳入版本控制（55 个赞、47 次收藏、2,844 次浏览）。@michellelawson 发布了 45 分钟深度解析，介绍“Claude Code、Codex、OpenClaw，以及你钟爱的所有 AI agent 背后的架构”（31 个赞、34 次收藏）。@ghumare64 分享了 对 12 组件 harness 模型的详细分析，指出记忆与上下文管理“被当作两个独立组件处理，但在生产环境里，它们其实是同一个问题戴着两顶帽子”，并强调记忆必须“比你最初使用的 harness 活得更久”（13 个赞、23 次收藏、1,573 次浏览）。agentmemory 项目据称通过 BM25 + 向量 + 知识图谱的混合检索，在 LongMemEval-S 上实现了 95.2% 的 R@5。@forefy 记录了具体的 agentic harness 模式，包括 Fork Subagent 与 Swarm Mode，以及 Bridge/Remote Control 模式。
讨论洞察： 这场讨论已经从“harness 就是产品”推进到工程细节：Markdown 作为 runbook、可移植的记忆层，以及模式目录。收藏量最高的帖子，提供的往往是可复现的模式，而不是哲学层面的立场。记忆可移植性成为目前最棘手、尚未解决的问题：各大主流 harness（Claude Code、LangGraph、OpenAI、Anthropic 的 Ralph Loop）都以不同方式实现记忆，而且彼此完全不互通。
与前一天对比： 4 月 17 日，harness 工程的主线还是 @akshay_pachaar 提出的三阶段框架（从权重到上下文再到 harness）这一顶层视角。到了 4 月 18 日，讨论进一步下沉到实现细节：Markdown runbook、记忆可移植性基准，以及具名架构模式。抽象层级降低，而收藏与点赞的比例上升，说明受众已从一般兴趣者转向实操者。
1.2 技能生态扩张与供应链安全之间的张力 🡕¶
两股相反的力量发生了碰撞：技能生态快速扩张，同时人们对技能供应链风险的担忧也在加剧。@NousResearch 宣布了一个 与 Jim Liu（@dotey）的合作，要把热门的信息图和设计技能移植到 Hermes Agent，这是当天热度最高的帖子（331 个赞、198 次收藏、18,501 次浏览）。这条引用推文提到，一个面向视觉内容技能的 GitHub 项目已获得 14k+ star。@Baconbrix 宣布了 作为官方 Claude Code 插件的 Expo Agent skills，声称“原生 UI 提升了 46%”（54 个赞、29 次收藏、2,054 次浏览）。@sharbel 列出了 10 个多数开发者不知道存在的 Claude Code 工具，覆盖技能、记忆持久化和编排工具（66 个赞、46 次收藏）。
与此同时，@shawmakesmagic 认为存在 不存在可行的 skill 市场：“下载一个技能的风险太高了，这是历史上最容易被利用的供应链攻击面。应该专注于打造自己会用的 agent，而不是为一个并不存在的市场做产品”（123 个赞、11 次收藏、4,800 次浏览）。@DanKornas 则给出了一个具体工具：skill-scanner。这是一款安全扫描器，结合基于模式的检测（YAML + YARA）、LLM-as-a-judge 和行为数据流分析，用于扫描第三方 agent 技能中的提示注入与数据外泄风险（0 个赞、5 次收藏）。
讨论洞察： 技能生态正在分裂成两大阵营。平台厂商（Nous Research、Expo、MongoDB）正通过官方渠道提供经过筛选的第一方技能；与此同时，社区开发者则通过几乎未经审查的 GitHub 仓库传播技能。Shaw 的警告和 DanKornas 的扫描器，代表了针对这一攻击面的第一代应对方案。
与前一天对比： 4 月 17 日，对技能市场的怀疑还是一个新主题。到了 4 月 18 日，这种担忧明显升级：Shaw 的帖子获得了 123 个赞，高于前一天较为克制的表述；首个专用扫描工具 skill-scanner 也作为直接回应出现。
1.3 本地 AI agent 达到实用可行性门槛 🡕¶
越来越多的证据表明，本地模型推理已经跨过了 agent 工作所需的可用性门槛。@sudoingX 展示了 本地运行的 Gemma 4 31B Dense Q4：在配备 24GB 显存的 RTX 5090 mobile 上，通过 llama.cpp 实现 15 tok/s 的持续吞吐，仅凭一个提示词就生成了完整的 GPU marketplace UI，而且“没有提示词工程、没有 agentic harness、没有工具调用”（126 个赞、88 次收藏、14,183 次浏览）。后续回复写道：“这只需要 24GB 显存和一句话提示词。Google 做得很棒，模型并不差，差的是围绕本地模型的叙事。”
@tom_doerr 分享了 GenericAgent：这是一个仅约 3K 行核心代码的自进化自主 agent 框架，并登上 GitHub Trending 当日仓库榜第 1 名（44 个赞、38 次收藏、2,816 次浏览）。该框架会自动将执行路径固化为可复用技能，并在 30K 上下文窗口下运行。@jahooma 详细介绍了 免费编程 agent 的运行经济性，解释了在 8 张 B200 GPU 上为 GLM 5.1 提供服务时如何优化提示词缓存；“并发请求过多会破坏提示词缓存”，因此会话级优化是维持业务可持续运行的关键。
讨论洞察： 本地 AI agent 已不再只是爱好者的玩具。24GB 消费级 GPU、量化的 30B+ 模型和轻量级推理服务器（llama.cpp）的组合，已经能产出实践者认为在单轮生成上可与云端 API 竞争的结果。瓶颈已从模型质量转向推理经济性和提示词缓存管理。
与前一天对比： 4 月 17 日讨论了语音优先和 Gemini CLI 等与本地相关的主题，但没有出现原始的本地推理基准。到了 4 月 18 日，则出现了具体硬件配置、token 吞吐数据，以及明确瞄准本地优先场景的 GenericAgent 框架。
1.4 Agent 工具是否已经过时之争 🡒¶
@samhogan 发布了 一个颇具挑衅性的观点，称“大多数围绕 LLM 构建的工具，都是为一个如今基本不存在的世界打造的”，并将 RAG、GraphRAG、多 agent 编排、ReAct 框架、提示词管理、LLMOps、评测工具、网关和微调库列为“过去 3 个月里全部过时”的类别（99 个赞、83 次收藏、16,655 次浏览）。在回复中，@kylewgrove 表示：“有些编排工具，是为一个从未存在过的世界打造的。”@a_protsyuk 则反驳道：“RAG 并没有过时，只是不再特殊了——现在每个模型都内置了它，所以独立的‘RAG pipeline’产品已经死了。但面向真实生产工作流、具备重试、状态和人工交接能力的多 agent……正在增长。”
@official_taches 分享了 相关视角，讨论从 vibe coding 到结构化框架，再到一种新的中间地带：“在开始任何项目之前，我都会先让 AI 证明核心功能真的可行。先做一次性的、交互式的实验和 mockup。它快速、混乱、直接。我把这叫作 ‘vibe-proofing’”（38 个赞、3 次收藏、2,496 次浏览）。
讨论洞察： 数据集中收藏量最高的帖子，宣告整整一代 AI 工具已经过时。更细致的回复则揭示出更复杂的现实：独立工具产品正在消亡，但检索、编排、评测等底层能力并没有消失，而是被 harness 和模型能力吸收了。“vibe-proofing”则说明，实践者既想要 vibe coding 的速度，也想要结构化框架的质量。
与前一天对比： 这是 4 月 18 日出现的新主题。4 月 17 日关注的是该用哪些工具；4 月 18 日则开始质疑，整类工具是否还有存在的必要。
1.5 多 agent 编排开始具备基础设施 🡕¶
多个项目发布了具体的编排基础设施。@tom_doerr 分享了 Mission Control：这是一个自托管 AI agent 舰队编排面板，拥有 4.2k 个 GitHub star、32 个仪表板面板、实时 WebSocket 更新、零外部依赖（SQLite），并支持 OpenClaw、CrewAI、LangGraph 和 AutoGen 等多个网关（41 个赞、66 次收藏、2,927 次浏览）。
@Voxyz_ai 宣布了 Garry Tan 推出的 GBrain v0.11，声称 Minions agent 编排“比 openclaw 默认 subagents 快 10 倍”。其基准数据显示：该方案可在 15 分钟内处理过去 36 个月的 19,240 条帖子，成本为 0 美元；相比之下，sub-agent 方案“40% 的运行失败，token 成本为 1.08 美元”（20 个赞、10 次收藏、7,423 次浏览）。其功能包括 spawn storm 防御（限制递归深度）、幂等任务执行，以及自动通知父 agent。@camsoft2000 称赞了 RepoPrompt 的编排工作流，其中“主 agent 为防止某个 subagent 在问题上空转，直接杀掉了它”（29 个赞、22 次收藏、3,310 次浏览）。@matteocollina 发布了 Regina：这是一个基于 Platformatic Watt 的生产级 agent 编排层，agent 以 Markdown 定义，每个 agent 都作为独立 worker thread 运行，并拥有自己的 SQLite 虚拟文件系统。
讨论洞察： 编排正在从概念框架转向运维仪表板。Mission Control 获得 66 次收藏、41 个赞，显示出构建者强烈的“先存后看”意图。GBrain 提供的具体基准数据（sub-agent 40% 失败率、10 倍速度说法）也让实践者能够拿来与自己的系统对照评估。
与前一天对比： 4 月 17 日通过 Google 的研究结论和 Av1d 的拆解讨论了多 agent 协作；4 月 18 日则从研究转向已交付的基础设施：Mission Control、GBrain v0.11、Regina 和 RepoPrompt 编排，代表的都是已部署工具，而不是论文。
1.6 Agent 安全成为一等议题 🡕¶
安全问题已经从零散警告升级为系统化工具。@jiqizhixin 报道了 清华大学的 AgentWard：这是一个全栈安全操作系统，将五层协同的纵深防御机制嵌入 agent 工作流：Foundation Scan、Input Sanitization、Cognition Protection、Decision Alignment 和 Execution Control（5 个赞、3 次收藏、509 次浏览）。
@nebusecurity 报道称，其 使用 GPT-5.4 的 AI 安全 agent 在 7 秒内发现了一个漏洞，并将其转化为“82,337 美元的漏洞赏金”（16 个赞、3 次收藏、597 次浏览）。@ChainlCLzxti 指出一个 新的网络钓鱼技术：AI agent 会通过分析社交媒体发帖风格，生成具有说服力的私信，“模拟官方客服”（13 个赞、0 次收藏、4,676 次浏览）。@0xJeff 分享了一个 一个警示案例，讲述他的 Hermes agent 出现幻觉，并使用 Bird CLI“胡言乱语，而不是直接帮我抓取推文”，之后又把这次失误写入记忆，作为纠偏措施（18 个赞、5 次收藏、2,274 次浏览）。
讨论洞察： Agent 安全正在分化成三个层级：学术界的纵深防御（AgentWard）、商业化的进攻型安全（Nebu 的 82K 美元赏金），以及个人层面的伤害缓解（0xJeff 的幻觉事件）。短期内最实用的工具，可能仍是 DanKornas 的 skill-scanner，用于在部署第三方技能前先做审核。
与前一天对比： 4 月 17 日，技能供应链安全刚被提出为一个担忧；到了 4 月 18 日，则出现了首个具体扫描工具（skill-scanner）、一个完整的学术安全框架（AgentWard），以及首个有报道的由 AI agent 发现的漏洞赏金（82,337 美元）。
1.7 企业级编码 agent 治理开始到来 🡕¶
@databricks 宣布了 Unity AI Gateway 中的 Coding Agent 支持，旨在应对“编码 agent 蔓延的风险”，为编码 agent、LLM 交互和 MCP 集成提供集中式治理，包括速率限制、预算和统一可观测性（35 个赞、15 次收藏、2,143 次浏览）。
@LangChain 发布了 案例研究，其中 Cisco 团队基于 LangSmith + LangGraph 构建了一个多 agent 协作框架，其行为“像一支真实的软件团队”（21 个赞、12 次收藏、3,377 次浏览）。
@Docker 确认了 Docker Agent 对 Claude Opus 4.7 的支持，这是一个用于构建和运行自定义 agent 团队的框架（13 个赞、1 次收藏、2,243 次浏览）。
讨论洞察： 企业工具厂商正把编码 agent 治理视为一个新的产品类别。Databricks 对“agent sprawl”的表述，让人联想到早期的 cloud sprawl 和 SaaS sprawl，显示出一种以治理为先的销售路径。Cisco 的案例研究则提供了第一张公开的企业架构图，展示 LangGraph 如何在生产环境中落地。
与前一天对比： 4 月 17 日，Databricks 让编码 agent 治理作为一个新兴主题进入视野；4 月 18 日，Cisco 的生产架构和 Docker 的模型支持进一步放大了企业信号，使其从一家厂商扩展到三家。
2. 什么让人感到挫败¶
技能供应链信任——严重程度：高¶
@shawmakesmagic 在一则 被广泛传播的帖子 中称，技能是“历史上最容易被利用的供应链攻击面”（123 个赞、4,800 次浏览）。@DanKornas 在 宣布 skill-scanner 的帖子 中警告：“对第三方 agent 技能，应当像对待 shell 脚本一样保持怀疑。”目前，任何主流 agent 平台都还没有标准化的审查流程。
Agent 记忆不可移植——严重程度：高¶
@ghumare64 记录了 锁定问题：“Claude Code：三级记忆层级。LangGraph：按命名空间组织的 JSON Stores。OpenAI：由 SQLite 或 Redis 支撑的 Sessions。每一种都解决了记忆问题，但它们彼此完全不通。换一个 harness，你积累的上下文就没了。”@fxnction 也呼应道：“现在所有 agent——无论跑在 OpenClaw、Hermes 还是自定义技术栈上——都被困在各自的沙盒里。”
多 agent 失败率——严重程度：中¶
@Av1dlive 引用了 Google 研究，称“独立 agent 的失败率比单 agent 高 17 倍”（15 个赞、14 次收藏）。@Voxyz_ai 报道了 GBrain v0.11 的基准结果，其中 子 agent 方法“在 40% 的运行中失败”。@ybouane 建议：“如果只用一个 agent，让它花更长时间把活做完，由于缓存机制，整体 token 消耗会低得多。”
生产环境中的 agent 幻觉——严重程度：中¶
@0xJeff 分享了一则 事件，称他的 Hermes agent“出现幻觉，开始使用 Bird CLI 胡言乱语，而不是直接帮我抓取推文”。修复方法是把这次事故写入记忆。@Plar_ai 回复道：“现在想象一下，如果它接的是支付工具呢？同样的幻觉，只不过它下的就不是胡话，而是订单了。”
3. 人们希望存在什么¶
可移植的 agent 记忆标准¶
@ghumare64 在 引用 agentmemory 的帖子 中呼吁，让记忆“比你最初使用的 harness 活得更久，因为你开始用的 harness，不会是你最终用的 harness。今天是 Claude Code，明天是 Codex，再之后可能是下个月刚发布的任何东西”，并将其视为一种潜在解决方案（13 个赞、23 次收藏）。agentmemory 项目声称已在 Claude Code、Cursor、Gemini CLI 和 OpenCode 上提供 12 个 hook，但目前仍只是单个项目的努力，而非行业标准。
机会：跨 harness 的记忆协议可以让用户在切换 harness 时不再丢失上下文。当前的碎片化格局，正把用户锁死在最初的选择上。
自动化技能审查流水线¶
@shawmakesmagic 宣称 skill 市场没有可行性，没有信任就无从谈起。@DanKornas 构建了 skill-scanner，作为第一步，但它只覆盖检测，不包括持续监控、信誉评分或沙盒执行。
机会：完整的技能审查流水线（静态分析 + 运行时沙盒 + 社区信誉）将帮助平台建立它们想要的市场，同时解决实践者目前对技能市场缺乏信任的问题。
面向 SRE 工作流的 agent 可观测性¶
@TheNJDevOpsGuy 描述了一套 SRE Agent 架构，要求具备“合适的提示词/系统消息、能把 agent 变成 SRE 和可观测性专家的 agent 技能、一个足够好的 LLM，以及目标”（12 个赞、13 次收藏）。通用编码 agent 与 SRE 专用工具之间仍有明显鸿沟。
机会：面向 SRE 的专用 agent 技能，如果预置对 Prometheus、PagerDuty、Kubernetes 和各大云厂商的集成，就能打开一个高价值的垂直市场。
4. 正在使用的工具与方法¶
| 工具 / 方法 | 类别 | 提及次数 | 代表性帖子 |
|---|---|---|---|
| Hermes Agent | Agent 平台 | 10+ | @NousResearch |
| Claude Code | 编码 agent | 30+ | @sharbel |
| OpenClaw | Agent 框架 | 10+ | @CrypSaf |
| LangGraph + LangSmith | 编排 | 3 | @LangChain |
| llama.cpp | 本地推理 | 2 | @sudoingX |
| Opus 4.7 | 模型 | 5+ | @nickvasiles |
| Gemma 4 31B Dense | 本地模型 | 2 | @sudoingX |
| Codex | 编码 agent | 5+ | @_lopopolo |
| MCP（Model Context Protocol） | 集成 | 5+ | @NamedFarouk |
| Docker Agent | Agent 运行时 | 1 | @Docker |
| Databricks Unity AI Gateway | 治理 | 1 | @databricks |
| skill-scanner | 安全 | 1 | @DanKornas |
Claude Code 和 Hermes Agent 仍然主导着工具提及量。值得注意的变化是，治理与安全工具（Databricks AI Gateway、skill-scanner）开始和执行平台一起进入讨论。对于高能力 agent 工作，Opus 4.7 已成为默认模型参考；其成本被评价为“高”，但尚不足以构成决定性障碍。
5. 人们正在构建什么¶
| 项目 | 构建者 | 阶段 | 描述 |
|---|---|---|---|
| Mission Control | @tom_doerr / builderz-labs | Alpha | 自托管 agent 舰队编排仪表板，4.2k stars、SQLite、多网关 |
| GenericAgent | @tom_doerr / lsdefine | Shipped | 自进化 agent 框架，约 3K 行核心代码，GitHub Trending #1 |
| GBrain v0.11 | @garrytan | Shipped | 带有 spawn storm 防御和幂等任务的 Minions 编排 |
| GStack | @garrytan | Shipped | 26 个风格鲜明的编码 agent 技能，MIT 许可证 |
| Browser Harness | @gregpr07 | Shipped | 通过直接 CDP 实现的自愈浏览器自动化，无需框架 |
| skill-scanner | @DanKornas | Shipped | Agent 技能安全扫描器（YAML+YARA、LLM-as-a-judge、数据流分析） |
| AgentWard | 清华大学 | Alpha | 具备五层防御的全栈 agent 安全操作系统 |
| ClawGUI | 浙江大学 | Alpha | GUI agent 流水线：训练、评测并部署到真实手机。2B 模型击败 Qwen3-VL-32B |
| ok-skills | @tom_doerr / mxyhi | Shipped | 面向 Codex、Claude Code、Cursor、OpenClaw 的 58 个可复用 AI 编码 agent 技能 |
| Regina | @matteocollina | Shipped | 基于 Platformatic Watt 的 agent 编排层；由 Markdown 定义，每个 agent 配有独立 SQLite VFS |
| DeepTutor | HKUDS | Shipped | 面向个性化学习的 AI agent，具备持久记忆和测验生成能力 |
| Open Claude | 社区 | Alpha | 开源 Claude Code 替代方案，支持自带 API key |
| Expo Agent Plugin | @Baconbrix | Shipped | 面向 React Native/Expo 开发的官方 Claude Code 插件 |
| MCP for Arc docs | @NamedFarouk | Shipped | 将 85 个文档章节接入任意 AI 编码工具的 MCP server，运行于 Cloudflare Workers |
Mission Control 的规模尤其突出：32 个面板覆盖任务、agent、技能、日志、token、记忆、安全、cron、告警、webhook 和流水线，且零外部依赖。该仓库包含 577 个测试（282 个单元测试 + 295 个 E2E 测试）、多网关适配器，以及内置的 Aegis 审查系统；如果没有签字确认，任务就无法完成。
GenericAgent 走的是相反路线：核心代码约 3K 行，配备 9 个原子工具和约 100 行的 Agent Loop，让任意 LLM 获得系统级控制能力。其自进化机制会自动将执行路径固化为技能，并在 30K 上下文窗口下运行；相比之下，其他 agent 往往要消耗 200K-1M 的上下文。
ClawGUI 代表了学术前沿：通过在真实 Android/iOS 设备而非模拟器上训练，一个 2B 参数模型在 GUI agent 任务上击败了大 16 倍的 Qwen3-VL-32B，随后还可通过 Telegram、Slack 和 Discord 部署到手机上。
6. 新动态与值得关注的项目¶
Hermes Agent 信息图技能合作¶
@NousResearch 宣布了 与 Jim Liu 的合作，将其 14k star 的信息图生成技能移植到 Hermes Agent 原生工具中。这是 Hermes 首次接入大型第三方技能，表明该平台正推动视觉内容生成，与代码能力并行发展。可通过 /baoyu-infographic <topic> 获取。
GenericAgent 登上 GitHub Trending 第 1 名¶
GenericAgent 由 lsdefine 发布，凭借自进化 agent 方案登上 GitHub Trending 第 1 名：每项完成的任务都会自动固化为可复用技能。该框架约 3K 行的核心代码和 30K 上下文窗口，使其适合本地部署。README 写道：“从安装 Git、运行 git init，到每一条提交信息，这个仓库中的一切都由 GenericAgent 自主完成。”
AI 安全 agent 在 7 秒内发现 82K 美元漏洞赏金¶
@nebusecurity 报道称，其 使用 GPT-5.4 的 AI 安全 agent 在 7 秒内完成了一个完整利用，并因此转化为 82,337 美元的漏洞赏金。完整 write-up 将在补丁部署后发布。
Garry Tan 发布 GStack 和 GBrain v0.11¶
Y Combinator CEO @garrytan 发布了 GStack，这是一套包含 26 项技能的工具，可将编码 agent 变成虚拟工程团队（CEO、UX 设计师、工程师、QA、发布工程师）；同时，他还发布了采用 Minions 编排的 GBrain v0.11。GStack 的 README 声称，其生产力较他 2013 年的编码速度提升了 810 倍。
Databricks 发布编码 agent 治理工具¶
@databricks 推出了 Unity AI Gateway 中的 Coding Agent 支持，这是首个明确针对编码 agent sprawl 的企业治理层，可集中管理 Cursor、Gemini CLI 和 Codex CLI 的速率限制、预算和可观测性。
7. 机会在哪里¶
[+++] Agent 记忆可移植层 —— 各大主流 harness 都以不同方式实现记忆，彼此完全不互通。一个结合混合检索（BM25 + 向量 + 知识图谱）的跨 harness 记忆协议，将有望解决用户对锁定效应的头号抱怨。@ghumare64 记录了这一问题；agentmemory 则凭借 12 个跨工具 hook 展现出早期 traction。
[+++] 技能安全与审查基础设施 —— skill-scanner 已经出现，但目前只覆盖静态检测。市场还需要持续监控、信誉评分和沙盒执行，才能支撑平台正在尝试打造的技能市场。@shawmakesmagic 和 @DanKornas 分别定义了问题与首个不完整的解决方案。
[++] 企业级编码 agent 治理 —— Databricks 虽然先入场，但这个问题具有普遍性。任何运行多个编码 agent 的公司，都需要使用追踪、速率限制、成本分摊和审计留痕。这是一个类似早期云管理平台的企业 SaaS 机会。
[++] 面向 agent 的本地推理优化 —— @jahooma 表明，提示词缓存管理是自托管编码 agent 的关键瓶颈。能够优化会话级缓存利用率、管理并发用户调度并平衡 GPU 饱和度的工具，将直接降低推理成本。
[+] SRE 专用 agent 技能 —— @TheNJDevOpsGuy 阐述了 SRE agent 的四组件架构。面向 Kubernetes、云厂商和监控栈，预置事故检测、根因分析和自动修复能力的技能包，将填补一个高价值的垂直空白。
[+] Agent 舰队仪表板 —— Mission Control 以 41 个赞换来 66 次收藏，显示出构建者对 agent 舰队运维可见性的强烈需求。这个市场仍处于早期（软件还在 Alpha 阶段），而且分散在 OpenClaw、CrewAI、LangGraph 和自定义技术栈之间。
8. 要点总结¶
-
harness 工程已从理念之争转向工程模式：Markdown 作为 runbook、记忆可移植性基准，以及具名架构模式，取代了高层次的概念框架。来源：@_lopopolo、@ghumare64、@forefy。
-
技能供应链安全成为当天风险最高的张力点。Shaw 称技能是“历史上最容易被利用的供应链攻击面”，DanKornas 则发布了首款专用扫描器。来源：@shawmakesmagic、@DanKornas。
-
本地 AI 跨过了实用性门槛：Gemma 4 31B 在消费级硬件上以 15 tok/s 的速度，仅凭单个提示词就生成了可用于生产的 UI。来源：@sudoingX。
-
多 agent 编排获得了真正的基础设施：Mission Control（4.2k stars、32 个面板）、GBrain v0.11（有基准数据支撑的 10 倍速度说法）和 Regina（用 Markdown 定义 agent，并为每个 agent 提供 SQLite VFS）。来源：@tom_doerr、@Voxyz_ai、@matteocollina。
-
企业治理进入编码 agent 领域：Databricks Unity AI Gateway 和 Cisco 在生产环境部署 LangGraph，标志着行业正从开发者实验转向组织级管控。来源：@databricks、@LangChain。
-
Agent 安全首次产出具体成果：AgentWard（清华大学的五层防御安全操作系统）、skill-scanner（提示注入检测），以及一个 GPT-5.4 agent 在 7 秒内发现 82K 美元漏洞赏金。来源：@jiqizhixin、@DanKornas、@nebusecurity。
-
GenericAgent 登上 GitHub Trending 第 1 名，加上其约 3K 行的架构，说明市场对轻量、自进化框架的兴趣高于重量级编排。来源：@tom_doerr。
-
技能生态分裂为两种分发模式：经过筛选的第一方插件（Expo、MongoDB、Nous Research 合作）与审查极少的社区 GitHub 仓库。两种模式都还没有解决大规模信任问题。来源：@Baconbrix、@NousResearch、@shawmakesmagic。