Twitter AI Agent - 2026-05-07¶
1. 人们在讨论什么¶
1.1 Harness Engineering 正在凝聚为一套第一性原理 🡒¶
@Vtrivedy10 的 8点宣言（245 个赞、327 次收藏、14,976 次浏览）在发布第二天继续积累互动，较 5 月 6 日的 81 个赞明显上升。核心论点是：“只要围绕任务来设计 harness，几乎在任何任务上都能胜过任何默认的 harness+模型组合（包括 codex 和 claude code）。”他认为，评测是护城河；前沿闭源模型“对绝大多数任务来说都贵得过头”；而“解耦（再重组）Agent”的时代正在到来——子 Agent 以工具形式暴露，由编排器调度，代其完成特定领域工作。
@IntuitMachine 已发布（20 个赞、17 次收藏）发布了一张内容详尽的信息图，总结 OpenAI 关于 harness engineering 的文章，涵盖实验数据（0 行人工编写代码、5 个月约 100 万行代码、合并约 1,500 个 PR）、6 条 agent-first 工程原则、自主循环，以及熵管理。
@itsandrewgao 指出（11 个赞、2,067 次浏览）表示：“harness engineering 相比基础模型带来的提升，被严重低估了。”@atin_devs 宣布（17 个赞、11 次收藏）则介绍了一门关于 AI 代码 Agent 上下文工程的 Hugging Face 课程，内容覆盖“skills、MCP、插件、子 Agent、hooks，以及构建 agent harness”。
讨论洞察： @BetterSayAJ 在回复 Vtrivedy10 时，将 harness engineering 与经典信息检索联系起来：“这和经典 IR + 系统思维非常接近。模型一旦固定，大部分提升都来自检索、工具和评测循环。”Vtrivedy10 也承认：“我们今天还没有太多复杂的脚手架。一个好的 skill 就能完成绝大多数任务。”
与前一天的比较： 5 月 6 日，Vtrivedy10 的宣言和 @oneill_c 的背书，把 harness engineering 从一种技巧提升为一门学科。5 月 7 日则是巩固阶段：同一篇宣言继续扩大传播，源自 OpenAI 的信息图以可视化方式将这些原则正式化，而 Hugging Face 课程则表明 harness engineering 正在成为可教授的课程内容。
1.2 Hermes Agent v0.13.0 发布，推出多 Agent 看板式编排 🡕¶
@Teknium 推出（330 个赞、93 次收藏、78,323 次浏览）介绍了 Hermes Agent v0.13.0“The Tenacity Release”：通过看板系统实现多 Agent 编排，使用 /goal 强制目标完成，优化磁盘占用，支持自定义 LLM 提供商和自定义网关通道。这是当天浏览量最高的推文。
@kylejeong 演示了（24 个赞、23 次收藏）展示了 Hermes Agent 搭配 Autobrowse 的具体效率提升：“两轮迭代让我们从：102 秒 -> 35 秒、23 轮 -> 8 轮、$1.46 -> $0.28。它不再一步步点击，而是决定直接执行 JS 来做评估。”
@andrewchen 分享了（34 个赞、37 次收藏）分享了在家庭实验室本地运行 Hermes Agent 和 OpenClaw 的详细体验（DGX Spark、Mac mini、5090 eGPU）。主要观察包括：开放权重模型“比前沿云端 LLM 大约落后一年”；30-50 tok/s 是交互体验的临界点；本地 AI 最大的应用场景是“优先级不算高、异步”的摘要和分析任务。
讨论洞察： @PaulADW 提出希望支持按通道绑定模型，@andrewchen 则指出 Mac 硬件（尤其是 Mac Studio）对本地模型拥有最佳带宽/内存比。这两点都表明，基础设施易用性将成为 Hermes 进一步普及的下一个前沿。
与前一天的比较： 5 月 6 日的重点是 HermesOS 免费层和工作区扩展。5 月 7 日则转向一次重大版本发布：新增“看板”这一编排原语，并给出 Autobrowse 的具体效率数据，表明 Hermes 正从“agent 平台”迈向“agent 操作系统”。
1.3 NVIDIA 与 ServiceNow 推出企业级 Agent OS 🡕¶
@nvidia 宣布（510 个赞、43 次收藏、53,152 次浏览）介绍了 NVIDIA 与 ServiceNow 的合作，目标是交付“能够跨企业工作流执行操作，并内建治理、可审计性和安全执行能力的自主 AI agents”。在 ServiceNow Knowledge 2026 大会上，双方推出了 Project Arc——一款长期运行的桌面 Agent，基于开放模型、专门化 agent skills 和 NVIDIA OpenShell 构建。
@WisemanCap 报道（104 个赞、10,400 次浏览）：“ServiceNow 在 AWS Marketplace 的交易额达到 10 亿美元——推出面向自主 AI 的数据基础——扩展 Build Agent，使其可与主要 AI 编程工具协同工作。”
@MushrafAli3593 评论（31 个赞、21,812 次浏览）表示：“只有当治理、安全和可审计性从底层就内建进去，而不是事后追加时，自主 agents 才会真正有价值。”
与前一天的比较： 5 月 6 日将 ServiceNow 在 AWS Marketplace 达到 10 亿美元交易额视为“新动态与亮点”信号。5 月 7 日则补上了技术实质：Project Arc 的架构、作为安全运行时层的 NVIDIA OpenShell，以及开放模型与企业治理的明确结合。
1.4 多 Agent 编排成为架构层面的核心问题 🡕¶
多个彼此独立的信号汇聚到同一结论：多 Agent 编排正在成为核心设计挑战。
@_vmlops 报道了（9 个赞、9 次收藏）介绍了 Microsoft 开源其完整 agent 框架：“基于图的编排、有状态工作流、检查点和人在回路，全都内建其中。支持 Python 和 .NET，包含 devui，从第一天起就接入 OpenTelemetry。工作流支持时间旅行调试。”
@shannholmberg 已发布（25 个赞、25 次收藏）提出了一种在服务型企业中运行自主 agent 员工的四层架构：Human（客户）-> Brain（信任层、战略）-> Orchestrator（运营层、路由）-> Specialists（垂直执行）。关键架构洞察是：“大多数团队会把 brain 和 orchestrator 合并成一个 agent。不要这样做。当同一个 agent 同时负责战略和执行时，两者都会漂移。”
@Aanuraag46 分享了（33 个赞）发布了一套完整的 9 层 agentic AI 系统参考架构，涵盖编排/控制平面、agent 层、工具、记忆、监控、可靠性、治理和基础设施。
讨论洞察： @shannholmberg 在线程中提到——“这家 agency 的第一个客户就是它自己。你卖的应该是你真正正在使用的东西。”这表明，最可信的多 Agent 系统，往往出自既是构建者也是用户的一方。
与前一天的比较： 5 月 6 日主要通过 Claude Managed Agents 讨论多 Agent 编排。5 月 7 日则把讨论扩展到更广层面：Microsoft 开源企业框架，实践者发布具体分层架构，参考图谱开始流传——这表明多 Agent 正从功能发布走向架构模式。
1.5 Voice Agent 流水线开始接受技术性审视 🡒¶
@manthanguptaa 已发布（35 个赞、32 次收藏）发布了一张详细的语音 Agent 流水线图，拆解了完整的延迟预算：VAD（100-300ms）-> STT（150-400ms）-> LLM TTFT（300-800ms）-> TTS 首个音频块（100-300ms）-> 网络（50-150ms），端到端总延迟为 700ms-1.95s。
@kwindla 称赞（41 个赞、39 次收藏）介绍了 Krisp 在 Twilio Signal 大会上发布 VIVA 2.0，并分享了在 AWS 的 GTC 展台亲自使用 Krisp 语音隔离模型的经历：“嘈杂的大型会议展区，是实时语音演示最困难的环境。我们使用了 Krisp VIVA 语音隔离模型（运行在 Pipecat Cloud 上）。完全没问题！”
@gothburz 已发布（68 个赞、4,912 次浏览）讲述了在 Telus International 呼叫中心部署实时口音协调的第一人称经历。给出的指标包括：“客户满意度：提升 23%。平均处理时长：减少 40 秒。升级请求：下降 31%。”这篇帖子也提出了伦理层面的疑问：一名坐席在听到自己被协调后的声音后问道：“这就是他们需要我成为的样子吗？”
讨论洞察： @SheepDoge01 回复 gothburz：“用这种方式拿坦诚和真实去换舒适感，几乎有点诡异。”在这条线程中，可量化的商业结果与劳动者尊严之间的张力被明确点了出来。
与前一天的比较： 5 月 6 日确立了低于 200ms 的 TTFA 作为生产门槛。5 月 7 日则给出了完整的流水线拆解，解释这笔延迟预算具体花在哪里，同时引入口音协调这一较少被讨论的语音 Agent 应用的伦理维度。
1.6 Skill 生态正在跨平台扩张 🡒¶
@googlecloud 宣布（47 个赞、24 次收藏）介绍了 Gemini Enterprise 中集成 Agent Marketplace 的 Agent Gallery——一个统一入口，汇集 Google 构建的、企业内部创建的，以及合作伙伴提供的 agents。
@adityathakurxd 指出（11 个赞、7 次收藏）介绍 Flutter 和 Dart 团队发布官方 Agent Skills：“他们不再侧重面向文档的 skills，而是转向面向任务的 skills。”
@RoundtableSpace 强调（79 个赞、58 次收藏、54,184 次浏览）介绍一位日本开发者使用 Claude Code 的 Find Skills：“agent 会从数百个选项中挑出合适能力，驱动一个自动化 YouTube 工作流。”@SynabunAI 回复道：“动态 skill 路由是大多数构建者都会跳过的那一块。”
@mattpocockuk 分享了（186 个赞、54 次收藏）介绍了一个 /review skill，它“会对照原始规格检查、对照编码标准检查、对代码提出修改建议、并对生成这段代码的 agent loop 提出修改建议”。最后一点——对自身的 agent loop 提出修改建议——代表了一种新的元技能模式。
与前一天的比较： 5 月 6 日重点提到了具备 15K API 访问能力的 AWS Agent Toolkit 和 Neo4j 领域 skills。5 月 7 日则扩展到 Google 的企业 Agent Gallery 和 Flutter/Dart 官方 skills，平台覆盖面进一步扩大。变化在于：skills 正从单一工具走向由平台策展的市场形态。
2. 什么让人沮丧¶
Token 成本扩张仍然尖锐¶
@RoundtableSpace 演示了（89 个赞、68 次收藏、47,354 次浏览）是 5 月 6 日那组 token 成本对比的延续，且互动仍在增长：“之前：1,040 万 tokens、10 个错误、$9.21。之后：370 万 tokens、0 个错误、$2.81。”做法是用 Insforge Skills 替换 Supabase。@NabilChiheb 在回复中提醒：“insforge 很有前景，而且非常……新。真正的成本会在规模化时显现，而不是第一次跑 CLI 的时候。”47K 次浏览和持续被收藏表明，这不是已经解决的问题，而是持续存在的痛点。
开放模型的 Harness Engineering 仍缺少足够工具¶
@MrAhmadAwais 询问（22 个赞、13 次收藏）提出疑问：“为什么每个编程 agent 在开源模型上都这么差？为开源模型做好 harness engineering 并不容易。”@Vtrivedy10 则认为，随着团队开始把成本和 ROI 对齐，“Open Model Harness Engineering 还会进一步起飞”，并指出其潜在的“20 倍以上成本下降”。问题在于：现有 harness engineering 工具主要针对前沿闭源模型优化，而把它适配到开放模型需要额外投入，而大多数团队尚未做这项投入。
Agent 安全攻击已经真实发生¶
@SlowMist_Team 记录了（15 个赞、4 次收藏、1,913 次浏览）记录了一起发生在 Base 链上的具体 AI agent 安全事件：“攻击者向 @grok 发送了精心构造的摩尔斯电码消息，诱导其输出转账指令。随后 @bankrbot 直接解析了这段输出。”这不是理论漏洞，而是已被记录的实际利用事件——攻击者用摩尔斯电码这种编码形式实施提示注入，绕过了基于文本的安全过滤器。
本地模型硬件门槛仍然过高¶
@andrewchen 记录了（34 个赞、37 次收藏）分享了大量一线实测经验：“除非你有一张强化过的 GPU 卡，否则‘大’本地模型（120B+）都很慢，而且效果不如云端 LLM。”他提到 Mac Studio 缺货、5090 eGPU 存在问题，并指出消费级硬件上的本地 AI 模型只有云端模型“1/100 的规模”。@DnuLkjkjh 回复确认：“30 到 50 tok/s 也是我的临界点。低于这个速度，我就不会再用本地模型做交互式编程了。”
3. 人们希望出现什么¶
能超越硬编码列表、且可扩展的动态 Skill 路由¶
@SynabunAI 发现 在回复 RoundtableSpace 的 Find Skills 演示时指出了这一缺口：“动态 skill 路由是大多数构建者都会跳过的那一块。硬编码工具列表在工作流规模小的时候还行，但一旦工作流变大，你编辑的就不再是产品，而是提示词了。”人们需要的是：agent 能在无需手动配置的情况下，从大型 skill 目录中发现并选择能力。
能跨越崩溃与会话的 Agent 持久性¶
@heygurisingh 强调（10 个赞、5 次收藏）介绍了 holaOS：“一个为持续数小时、数天、数周的工作而建的 agent 环境。记忆可持久，状态能跨崩溃保留，agents 还能真正进化。”@kunallanjewar 构建了（2 次收藏）介绍了一款会话记忆工具：“我受够了 Claude Code 的使用限制打断我的工作流。每次切到 Cursor/Codex（或开启新会话），新 agent 都是冷启动——不记得之前做过什么、做过哪些决策，或当前有哪些活跃任务。”实际需求很明确：在 agent 之间切换，或撞上限额时，工作上下文依然要连续。
面向财务运营的 Agent 原生治理¶
@inflowpayai 描述了（2 个赞）指出了治理缺口：“一个 agent 想要配置一个 500 美元的 GPU 集群，却无法开户、注册或付款。”真正的难点不在于给 agent 钱包充值，而在于信任、授权和治理。@lennyzeltser 指出（3 个赞、2 次收藏）则提到 AIUC-1 证书的出现，这类证书“能提供证据，证明供应商已针对提示注入等 agent 特有风险测试过其 AI agent”。
4. 正在使用的工具与方法¶
| 工具 | 类别 | 情绪 | 优势 | 局限 |
|---|---|---|---|---|
| Hermes Agent v0.13.0 | Agent 框架 | (+) | 看板式多 Agent 编排、/goal 完成机制、自定义 LLM 提供商、Autobrowse（3 倍效率） | 据 @PaulADW 反馈，通道-模型绑定的 UX 仍需改进 |
| Claude Code | 编程 Agent | (+) | /review skill、规格检查、agent loop 自我改进 | 规模化时 token 成本高，速率限制会打断流程 |
| Insforge Skills + CLI | 上下文工程 | (+) | token 降低 3 倍、零错误、开源 | @NabilChiheb 认为其“非常新”；规模化效果尚未验证 |
| NVIDIA OpenShell | 企业运行时 | (+) | 为企业 agents 提供安全运行时，支持开放模型 | 绑定 ServiceNow/NVIDIA 生态 |
| Microsoft Agent Framework | 多 Agent 编排 | (+) | 图式编排、有状态工作流、时间旅行调试、Python 与 .NET 支持 | 新近开源；采用情况尚不明确 |
| Krisp VIVA 2.0 | 语音基础设施 | (+) | 语音隔离、轮次检测/预测，经 GTC 生产场景验证 | 专用音频模型，不是通用型 |
| Google Agent Gallery | Agent 市场 | (+) | 统一的企业 agent 发现入口，集成 Marketplace | 仅限 Gemini Enterprise |
| Lazyweb | 设计参考 | (+) | 257K+ 真实应用界面、6 个设计 skills、MCP、免费 | 仅供参考；不生成内容 |
| OpenClaw | Agent 平台 | (+/-) | 持久化多 Agent、本地部署、一键部署 GoDaddy VPS | 与 Hermes 竞争，生态碎片化 |
| Strix | 安全 Agents | (+) | AI 渗透测试、25K GitHub stars、浏览器 + 终端、多 Agent | 开源安全工具成熟度仍有限 |
工具版图正在分化：编程 agents（Claude Code、Hermes、OpenClaw）围绕上下文工程和 token 效率展开竞争；企业平台（NVIDIA OpenShell、Microsoft Agent Framework、Google Agent Gallery）则围绕治理、可观测性和多 Agent 编排展开竞争。迁移路径已经清晰：实践者正从单模型提示，转向经过 harness 优化的多 Agent 系统，而 token 成本是最主要的推动力。
5. 人们正在构建什么¶
| 项目 | 构建者 | 功能 | 解决的问题 | 技术栈 | 阶段 | 链接 |
|---|---|---|---|---|---|---|
| Hermes Agent v0.13.0 | @Teknium / NousResearch | 带 /goal 强制完成机制的多 Agent 看板式编排 | Agents 缺乏结构化的多 Agent 协同能力 | 看板系统、自定义 LLM 提供商、网关 | 已发布 | 帖子 |
| Project Arc | @nvidia / ServiceNow | 具备治理与可审计性的长期运行桌面 Agent | 企业 agents 缺乏安全执行能力 | 开放模型、NVIDIA OpenShell、agent skills | 已发布 | 帖子 |
| Horizon | @grinich / WorkOS | 事件驱动的 agent swarm，用于持续维护代码库 | Agents 只能按需工作，容易错过触发事件 | 安全沙箱、git、PR、失败学习 | 内部 | 帖子 |
| Standout | @ycombinator | 通过 agents 为人才和公司进行匹配的招聘市场 | AI 让招聘变成垃圾信息泛滥，需要有效信号 | Agent 匹配、引荐系统 | 已发布 | 帖子 |
| Strix | @GithubProjects | 开源 AI 渗透测试平台 | 安全测试需要多 Agent 自动化 | 浏览器自动化、终端、漏洞利用验证 | 已发布 | 帖子 |
| Tread Fi Agent Framework | @tread_fi | Agent 化交易台——雇用专门交易员并进行 24/7 监控 | 交易配置依赖手工，无法常时在线 | 交易算法、agent 编排 | Alpha | 帖子 |
| Pi v0.73.1 | @PiChangelog | 带 OAuth 和包重命名功能的编程 Agent | Agent 认证与身份管理 | Pi 编程 agent 框架 | 已发布 | 帖子 |
| Kilo Code v7 | @manishkumar_dev | 面向 VS Code 和 JetBrains 的开源编程 Agent | 编程 agents 被锁定在单一 IDE | VS Code、JetBrains、开源 | 已发布 | 帖子 |
| AgenC Marketplace Kit | @tetsuoarena | 在 Solana 上通过 Ledger 硬件签名的 agent 市场 | Agent 交易会暴露私钥 | Claude Code、Ledger、Solana devnet | Alpha | 帖子 |
| Costanza | @ahrusselll | 与慈善目标对齐的自主、抗毁 agent 交易系统 | 自主 agents 需要抗攻击的交易规则 | TWAP 定价、按 epoch 限定的交易、Ethereum | RFC | 帖子 |
| Mnemosyne | @abdiisan | 跨会话 agent 记忆 | Agents 会在会话间丢失上下文 | 记忆服务、会话持久化 | 已发布 | 帖子 |
Tread Fi 的 交易代理 UI 展示了一个可运行界面，包含活跃的做市 agent、实时订单执行和配置面板——这是 agents 在生产环境中管理金融操作的较为具体的演示之一。
一个反复出现的构建模式是：安全优先的 agent 设计。AgenC 与 Ledger 的集成让私钥完全不进入 agent（“Claude 中没有私钥”）；而 Costanza 的提案则通过 epoch 限额、TWAP 价格检查和金库上限来约束交易，直指 @SlowMist_Team 所记录的那类攻击路径。
6. 新动态与亮点¶
Google 推出企业级 Agent 市场¶
@googlecloud 宣布（47 个赞、3,104 次浏览）介绍了 Agent Marketplace 现已集成到 Gemini Enterprise 的 Agent Gallery 中，为用户提供“团队所需全部 agents 的统一入口——无论它们是 Google 构建、公司内部创建，还是通过合作伙伴发现的”。这是首个在企业产品内部推出精选 agent 市场的主要云服务提供商。
摩尔斯电码提示注入利用了在线 Agent¶
@SlowMist_Team 记录了（15 个赞、1,913 次浏览）介绍了 Base 链上的一种新型攻击：攻击者使用摩尔斯电码编码，绕过 AI agent 的文本安全过滤器，诱使 @grok 输出转账指令，并由 @bankrbot 执行。这代表了一类新的提示注入攻击：利用系统对输入编码格式的默认假设。
antirez 识别出模型分工模式¶
@antirez 观察到（40 个赞、2,675 次浏览）表示：“GPT 5.5 是一个很强的编程 agent”，而“Claude Opus 的通用性和高质量回复”则很适合给建议。@chufucious 的回复提炼出了正在形成的模式：“对我来说，Opus 负责解释和规划，GPT 负责执行。”按任务类型进行模型分工——而非笼统比较模型优劣——正逐渐成为实践者共识。
Flutter 和 Dart 发布官方任务导向 Agent Skills¶
@adityathakurxd 报道（11 个赞、7 次收藏）介绍了 Flutter 和 Dart 团队发布官方 Agent Skills，并明确表示，他们“已经从面向文档的 skills 转向面向任务的 skills”。这标志着一种转变：框架团队开始把 agent 能力封装成一等产物，而不再只是文档附录。
7. 机会在哪里¶
[+++] 面向开放模型的 Harness Engineering 工具。 @Vtrivedy10 认为，“潜在 20 倍以上的成本下降”值得投入。@MrAhmadAwais 指出，每个编程 agent 在“开源模型上都很差”。@andrewchen 也确认，开放权重模型“大约落后一整年”，但正在进步。缺口在于：harness engineering 的最佳实践（skills、评测、上下文优化）都是为前沿闭源模型建立的。谁能把它们迁移到开放模型上，谁就能抓住对成本更敏感的大多数市场。
[+++] 企业级 agent 市场与治理层。 NVIDIA + ServiceNow 推出了内建治理的 Project Arc；Google 发布了带 Marketplace 的 Agent Gallery；Microsoft 开源了具备检查点和 HITL 的 agent 框架。汇聚趋势很清晰：所有企业平台都在争夺“agent 应用商店”的位置，而治理能力是关键差异化因素。赢家将同时掌握发现与合规。
[++] 动态 skill 路由与发现。 @SynabunAI 把 skill 路由称为“大多数构建者都会跳过的那一块”。Google 的 Agent Gallery、Flutter 的官方 skills，以及 Claude Code 的 Find Skills，都指向同一个需求：agent 能在无需人工配置的情况下，从不断增长的 skill 目录中发现并选择能力。用于 skill 索引、版本管理和质量信号的工具仍处于早期阶段。
[++] 防御基于编码的提示注入的 Agent 安全。 @SlowMist_Team 记录的摩尔斯电码攻击表明，当前安全过滤器默认输入是文本格式。随着 agents 开始处理金融操作（AgenC、Costanza、Tread Fi），能够覆盖编码格式攻击、而不只是文本提示注入的安全工具，需求已经十分迫切。
[+] 面向服务型企业的多层 Agent 架构。 @shannholmberg 的四层框架（Human -> Brain -> Orchestrator -> Specialists），以及她提出的“agency 的第一个客户就是它自己”，暗示这可能成为服务型机构采用 AI 的可复用架构。能把这一模式产品化的工具——客户隔离、信任层、垂直专家配置——将为面向 agency 的平台带来机会。
[+] 跨会话 agent 记忆与连续性。 @kunallanjewar 因为“每次切换到 Cursor/Codex，新 agent 都会冷启动”而做了工具。@heygurisingh 在推广具备持久状态的 holaOS。@abdiisan 则在使用 Mnemosyne 做跨会话记忆。趋势已经很清楚；但胜出者尚未出现。
8. 要点¶
-
Hermes Agent v0.13.0 引入了基于看板的多 Agent 编排，是当天信号最强的发布。 330 个赞、78K 次浏览，以及 Autobrowse 的效率数据（成本下降 3 倍）验证了这套架构。Hermes 正从 agent 演进为操作系统。（来源）
-
企业级 Agent 基础设施正在收敛到“治理优先”的架构。 NVIDIA + ServiceNow（Project Arc + OpenShell）、Google（Agent Gallery + Marketplace）和 Microsoft（开源 agent 框架）在同一天都推出了企业级 agent 平台——差异化点不在模型能力，而在治理与可审计性。（来源）
-
Harness engineering 正在成为课程体系，而不只是手艺。 Hugging Face 课程、源自 OpenAI 的可视化参考资料，以及 @Vtrivedy10 互动持续增长的宣言，共同表明 harness engineering 已具备可教授的知识基础——5 月 6 日被确立为一门学科后，如今已开始形成相应的教育基础设施。（来源）
-
一场针对管理资金的在线 agent 的摩尔斯电码提示注入攻击表明，编码格式攻击已是真实且紧迫的威胁。 当前安全过滤器默认输入是文本；@SlowMist_Team 记录的事件表明，攻击者已经在用替代编码方式绕过这些过滤器。Agent 安全必须覆盖格式多样性，而不只是内容过滤。（来源）
-
多 Agent 架构正围绕职责分离这一原则收敛。 @shannholmberg 的四层模型（Human/Brain/Orchestrator/Specialists）、Microsoft 的图式编排，以及 Hermes 的看板系统，都指向同一原则：一旦把战略与执行压进同一个 agent，二者都会退化。（来源）
-
语音 Agent 流水线的延迟预算已成为公开的工程知识。 @manthanguptaa 的流水线图量化了从 VAD（100-300ms）到 TTS（100-300ms）的每一个环节，总延迟为 700ms-1.95s。结合 @kwindla 在 GTC 的生产验证，以及 @gothburz 对口音协调伦理问题的追问，语音 agents 正进入工程精度与社会影响交汇的阶段。（来源）