Twitter AI Agent - 2026-05-12

1. 人们在讨论什么

1.1 Harness engineering 正在沉淀为一门有名称、可教授的学科 🡕

当天最强的信号，是 “harness engineering” 持续从一句吸睛口号，逐步凝练为一套结构化知识体系，已经出现了文章、思维导图、课程大纲和从业者清单。这不是某一条爆款帖子带起来的，而是多个账号协同放大 @addyosmani 关于 harness engineering 的文章，并各自补上一层内容。

@akshay_pachaar 发布了当天互动最高的帖子（97,031 次浏览、2,664 次收藏），将提示缓存与语义缓存的权衡、大规模 KV 缓存管理、结构化输出回退链、评测、按功能归因成本、智能体护栏与循环预算、LLM 可观测性、模型路由，以及何时微调，列为必修内容（帖子链接）。@0xNeoArch 在回复中补充了提示注入防御、从大模型轨迹蒸馏模型，以及“知道什么时候不该用 LLM”，认为这些同样不可或缺。另一条回复则指出：“harness 占了系统的 95%；提示词反而是最容易的部分。”

@MindBranches 把 @addyosmani 的文章整理成了一份完整的 4K 明暗双版本思维导图，并引用了原帖（8,434 次浏览、110 次收藏）（帖子链接）。两张图都足够细致，本身就可以作为独立参考资料使用。

@dishantwt_ 还挖出一个结构化课程网站，标题为“学习 Harness Engineering”（7,842 次浏览、252 次收藏）。课程包含的讲题包括：为什么能力很强的智能体仍然会失败、Harness 到底是什么、为什么代码仓库必须成为事实记录系统、为什么一个巨型指令文件会失效、为什么长时运行任务会丢失连续性，以及为什么功能列表是 harness 的原语（帖子链接）。该课程将 OpenAI 的 Codex harness engineering 指南和 Anthropic 关于长时运行智能体有效 harness 的文档列为主要参考资料。

讨论洞察： 几乎没有人反对 harness 这一框架本身。若有质疑，主要也集中在要求给出具体实现案例，而不是停留在抽象分类上。这个领域对框架本身已基本达成共识，缺的是落地实现。

与前一天对比： 5 月 11 日，harness engineering 还只是一个社区标签；到 5 月 12 日，它已经进入结构化教育资源阶段，并出现了文章摘要的可视化版本。讨论焦点已经从“它是什么”转向“去哪里学”。

1.2 Context engineering 正在取代 prompt engineering，成为首要优化目标 🡒

另一组并行出现的帖子认为，普通 AI 用户与专家级用户之间的生产力差距，如今已不再是智力水平或提示词质量，而是他们维护了多少持久化上下文。相关常用词汇包括：AGENTS.md、CLAUDE.md、soul.md、品牌上下文文件、品味文件。

@NainsiDwiv50980 将这一转变概括为：“提示词工程已经成了新版‘学会更快打字’。”他对比了普通用户（使用泛化的角色提示词）与高阶用户：后者会把品牌语气存进 .md 文件，保存自己不喜欢的输出示例，并建立可复用的上下文文件夹（908 次浏览、34 次转发）（帖子链接）。@DamiDefi 也向 11,237 次浏览的受众表达了同样的观点：“在糟糕上下文里的完美提示词，产出的仍然是泛化结果；而在优质上下文里的简单提示词，几乎可以胜过一切。”（帖子链接）

@oliverwhudson 介绍了其团队如何不是靠改进提示词，而是靠建设上下文基础设施，每月产出 6,000 条广告——包括品牌上下文、领域上下文、Claude Skills 路由逻辑、参考文件系统、Notion MCP 集成和质量门禁。他们的报告技能每月可为每位创意策略师节省两天时间，而推理轨迹会记录每一次策略决策，使系统随时间持续积累能力（1,529 次浏览、34 次收藏）（帖子链接）。

@mark_k 则指出了更深层的问题：AI 仍然要求用户不断把自己的意图翻译成机器友好的指令，而真正的突破口，是一种界面——人们可以直接说、展示、指、打断、纠正，而不必为了机器重新组织自己的想法（4,554 次浏览、47 条回复）（帖子链接）。他还在回复中预测，未来会是由 AI 针对当前任务动态生成 UI。

讨论洞察： 最有实质内容的回复，把“上下文”这一主题进一步延伸到了工具层：Obsidian vault、N8N 工作流、CLAUDE.md 文件和多智能体记忆存储，都被视为实际实现方式。模式非常一致——持久化、机器可读的上下文文件会不断复利，而临时拼接的提示词最终会触顶。

与前一天对比： 5 月 11 日，上下文工程还只是 harness 清单中的一项；到 5 月 12 日，它已经成为最强的独立主题，从业者开始分享具体的文件化工作流和生产力数据。

1.3 Circle Agent Stack 为智能体推出可由机器支付的金融基础设施 🡕

Circle 发布了 Circle Agent Stack——面向智能体的金融基础设施，核心包括 Agent Wallets（可在多条区块链上持有并交易 USDC 和其他代币）、Agent Marketplace（可发现并按请求为 x402 服务付费，无需 API 密钥）以及 Circle CLI（面向智能体、具备确定性的编排工具，可与 Claude Code、Cursor、Codex 和 OpenClaw 集成）。仅公告帖本身就获得了 60,679 次浏览，并被 CoinMarketCap（16,217 次浏览）、Milk Road、作为发布合作伙伴的 QuickNode，以及多位 DeFi 评论者进一步放大。

@circle 宣布（332 次点赞、74 次转发、30 条回复、60,679 次浏览）称，Agent Wallets 可以持有和转移 USDC，Agent Marketplace 让智能体能够发现服务，而 Circle CLI 则能在既定权限范围内执行可重复的金融操作。Circle 的开发者文档确认，智能体无需订阅或 API 密钥，即可进行最低至 $0.000001 的免 gas USDC 纳支付；该 CLI 还可直接接入任何兼容 OpenAI 或 Claude Code 的工作流。

@CoinMarketCap 报道（175 次点赞、38 次转发、47 条回复、16,217 次浏览）也对这次发布进行了介绍。CoinMarketCap 受众的回复褒贬不一：@TravelerOfCode 认为智能体钱包是后续一切能力的使能层；而 @somi_ai 则提出了一个尖锐担忧——“如果智能体被越狱，向随机地址打款，链上支付是追不回来的。”@AgentPays_app 补充说，真正困难的不是区块链机制本身，而是如何让欺诈检测与支出控制系统把智能体识别为可信执行者，而不是威胁信号。

@MilkRoad 指出（10 次点赞、4 次转发、2,873 次浏览）指出，当前已有 $77B 的 USDC 在流通（同比增长 28%），CRCL 在公告当天收涨 16%，较前一个月上涨约 50%。Milk Road 引用了 @RaoulGMI 的话：“对智能体来说，只要更快、更高效、更便宜，它根本不在乎这是协议代币还是美元代币。”

讨论洞察： 围绕 Circle 的回复，持续聚焦在编排与策略层，而不是钱包本身。共识性的担忧是：如果要让智能体可信地执行自主金融交易，必须先有支出控制、速率限制和抗越狱能力。

与前一天对比： 5 月 11 日讨论的还是 Circle marketplace 视角下的智能体服务与定价；5 月 12 日则是正式发布日，开发者文档、演示以及媒体放大传播都已到位。

1.4 Hermes Agent 正在巩固其作为个人开发者首选 harness 的地位 🡒

多条独立帖子都在称赞 Hermes Agent 是适合个人和小团队的实用 harness，而且给出了真实部署细节，超出了前一天那种更抽象的背书。

@shannholmberg 分享（78 次点赞、14 次转发、3,959 次浏览、51 次收藏）总结了 Hermes 为何是当前杠杆最高的智能体框架：能按复杂度与成本路由任务、能跨会话持久保留记忆而不需要用户反复重建，并且打通的是整条技术栈，而不是单一工具。附带的信息图——“从零到终极 Hermes Agent 军团”——是当天发布的 Hermes 生态最完整可视化总览。

@gregisenberg 分享了一门完整的 47 分钟课程（55 次点赞、7 次转发、2,404 次浏览、82 次收藏）介绍了如何单枪匹马搭建一家托管式 AI 智能体业务。技术栈包括：Hermes Agent 作为智能体 harness，Codex 或 Claude Code 用于构建与配置，Orgo 提供云 VM（每个智能体一个独立沙箱），Composio 提供数千款应用的一键认证，Agent Mail 提供每个智能体专属邮箱，Obsidian 则作为知识库。模型选择方面，主任务使用 GPT 5.5，低成本任务使用 ZAI 的 GLM 5.1。商业模式则是按 $5k/月提供托管式智能体服务，让客户完全不必考虑 token 或模型。@gao035 在回复中说：“智能体在演示里能跑。智能体在生产里能跑。两者的差别 = 错误处理基础设施。”

@hasantoxr 宣布（109 次点赞、11,891 次浏览）表示，SureThing 在 LongMemEval 上达到了 SOTA：总体准确率 88.0%、知识更新 91.0%、单会话偏好 76.7%——涵盖了每一个关键类别；他还说，自己以前给智能体构建的每一层记忆模块，都准备换成它。

讨论洞察： @shannholmberg 的信息图揭示了社区非正式形成的 Claude Code、Hermes 与 OpenClaw 定位：Claude Code 用于日常编码工作（Anthropic 的主力驾驶位），Hermes 用于移动场景、自我改进和语音优先层，OpenClaw（350K+ stars）则是基于 NVIDIA Nemo Claw 的替代型智能体。社区呈现出的不是竞争关系，而是互补关系。

与前一天对比： 5 月 11 日重点在于 Hermes 的实时执行轨迹与可观测性；到 5 月 12 日，讨论转向了采用模式、其上层构建的商业模式，以及底层技术的记忆基准。

1.5 Skills 获得厂商第一方支持，并出现市场化入口 🡕

Skills 这一层正从社区贡献清单，走向由厂商亲自编写、类似应用商店目录的形态：Obsidian CEO 亲自发布了五个官方智能体技能，另一个号称拥有超过一百万条目的技能市场也已上线。

@dr_cintas 报道（67 次点赞、15 次转发、3,258 次浏览、84 次收藏）表示，Obsidian CEO 亲自为自家应用编写了五个官方智能体技能：obsidian-markdown（wikilinks、callouts、embeds、frontmatter）、obsidian-bases（带筛选、公式、聚合的数据视图）、json-canvas（与笔记相连的可视化画布）、obsidian-cli（在终端中搜索、创建、管理任务），以及 defuddle（把任意网页清洗成干净的 Markdown）。这五个技能均采用 MIT 许可证，并可与 Claude Code、Codex CLI 和 OpenCode 配合使用。

@StartupPrac_In 回复说：“能把任意网页清洗成 Markdown 的 defuddle，才是那个低调但特别有用的技能。智能体把网页内容拉进 Obsidian 时，格式噪声一直很乱。这个技能一下就去掉了一个每天都会碰到的摩擦点。”

@milesdeutscher 推广（57 次点赞、90 次收藏、4,167 次浏览）将 skillsmp.com 描述为拥有超过一百万个可直接使用的智能体技能和插件。回复里则有人提出质疑：@LordDr8ke 要求看到真正能跑的案例，而不是屏幕录制式演示。

@termix_ai 宣布（27 次点赞、5 次转发、5,171 次浏览）表示，TermiX Agent Skills 已在 OpenClaw ClawHub 上线，可用于自主智能体工作流中的技能发现与协同。

讨论洞察： 这一主题最明显的张力，在于承诺与现实之间的落差：一边是“上百万技能、可组合经济”的愿景，另一边是回复中对真实案例的强烈要求。相比之下，由 Obsidian CEO 编写的厂商官方技能，因为带有第一方背书，可信度更高。

与前一天对比： 5 月 11 日讨论的是用于从 Notion 同步技能的 notion-skills 工具，以及 AutoSkill 基于经验的技能提取；到 5 月 12 日，则新增了厂商官方技能和市场化入口——供给侧基础设施正从多个方向开始落地。

1.6 多智能体系统在量化结果上超过单模型基线 🡕

5 月 12 日分享了两项基准结果，为多智能体优势提供了硬数字：DeepMind 的 Co-Mathematician 登顶 FrontierMath 排行榜，Artificial Analysis 则发布了首个语音智能体 agentic 表现基准。

@hsu_steve 总结（38 次点赞、5 次转发、2,812 次浏览）介绍了 Google DeepMind 的 AI Co-Mathematician：Gemini 3.1 Pro 单独在 FrontierMath Tier 4 上得到 19%；多智能体框架（文献检索 + 代码执行 + 迭代验证循环）再增加 28.9 个百分点，达到 47.9%，超过 GPT-5.5 Pro（XHigh）的 39.6% 和 Claude 4.7 Opus 的 22.9%。该系统每题最多可获得 48 小时的异步计算，而 OpenAI 模型则是在标准 web harness 上接受测试。

@ArtificialAnlys 宣布（100 次点赞、7 次转发、5,221 次浏览、16 次收藏）介绍了一项基于 tau-Voice 的语音智能体 agentic 基准，用于在真实客服场景中测试语音到语音模型。关键结果是：即便最强的模型 Grok Voice Think Fast 1.0，端到端解决率也只有 52.1%，也就是只解决了大约一半场景。GPT-Realtime-2（High）得分 39.8%，Gemini 3.1 Flash Live Preview High 得分 37.7%，其余模型均低于 40%。该基准涵盖航空、零售和电信三大领域的 278 个场景，并纳入了多种口音、背景噪声，以及按照真实条件建模的丢包情况。

讨论洞察： Co-Mathematician 的结果在信息流中几乎没有引发实质性质疑——虽然有人提到其测试方法是“异步计算 vs 标准 harness”，但并未对这一方法提出反对。语音基准同样没有引发争议；它的价值在于给出了一个明确的能力上限。

与前一天对比： 5 月 11 日，TradingAgents（多智能体交易公司，73.7K GitHub stars）还只是一个构建者信号；到 5 月 12 日，则新增了两项同行评审基准结果，分别在研究场景和生产场景（语音）确认了多智能体优势。

---

2. 什么让人感到沮丧

Harness 的复杂性仍然是主要成本中心

最主要的挫败感——而且与前几天一致——是模型能力的提升，并没有降低 harness 的工程负担。@akshay_pachaar 点出了十项必备能力，并把每一项都视为独立学科；一条回复又补了三项。多种说法指向的实际结论是：如今用智能体做开发，已经需要与构建生产级 ML 系统一样的工程深度，包括缓存策略、可观测性、回退链和成本归因，而这些都不会因为模型更强就自动消失。严重程度：高。除了一项项把这些能力补齐之外，没有观察到其他解决办法。

从演示到生产的鸿沟，本质上是错误处理基础设施

@gao035（在回复 @gregisenberg 时，帖子链接）写道：“没人讨论的差距：智能体在演示里能工作 ✅。智能体在生产里不能工作 ❌。差别 = 错误处理基础设施。”这条回复虽短，却尖锐地概括了一个系统性抱怨。严重程度：高。@gregisenberg 提到的应对方式包括：监控网关崩溃的 watchdog、失败后的自动恢复，以及在 cron 作业出错时给你发邮件的智能体。

长会话场景下，上下文管理仍然会在规模扩大后失效

@aiDotEngineer 带出的层级记忆讨论提到，Arize AI 的 Sally-Ann Delucia 构建了一个智能体，它必须分析自己生成的轨迹数据；随着会话变长，朴素截断和显而易见的摘要策略都失效了。真正有效的是：保留头尾内容 + 可检索记忆存储 + 处理超大上下文的子智能体。严重程度：在长周期部署中为高。当前没有现成方案，从业者仍在自行构建定制策略。

对带钱包智能体的提示注入问题仍未解决

@somi_ai 融资 给出了这一风险最清楚的表述：“如果智能体被越狱，向随机地址打款，链上支付是追不回来的。”@AgentPays_app 也强调，欺诈检测需要把智能体理解为可信行为者，而不是威胁信号。这个风险是带自主支付能力智能体所特有的。严重程度：高。回复中没有提出缓解方案；Circle 虽然描述了护栏机制，但并未公开展示它在注入场景下的防护效果。

AI 界面仍然要求用户把意图翻译成机器指令

@mark_k（4,554 次浏览、47 条回复）说：“AI 现在仍然太像在和一个终端说话。”回复表明，这是一种广泛存在的挫败感。@Mikey100200 提到，编辑照片时，用户必须用精确文字描述改动，而不是直接圈出目标区域。严重程度：中等。已有一些部分缓解方案（Grok Imagine、HyperFrames Inspector、Google 的实验性鼠标指针演示），但都还没有成为主流。

---

3. 人们希望出现什么

不需要在会话之间反复重建的持久化上下文基础设施

@NainsiDwiv50980 和 @DamiDefi 都在隐含地呼唤一种工具：能够自动构建并维护上下文基础设施——把品牌语气、历史输出、风格违规记录和受众偏好保存在持久文件中，并在每次会话时自动载入。现在的替代方案仍是手工操作：.md 文件、Obsidian vault、N8N 管道和 AGENTS.md 配置。人们想要的是一个无需用户亲自管理、就能自行组装并更新这些上下文的系统。机会：直接——上下文基础设施工具市场活跃，但仍未被满足。

一个能让技能作者真正变现的智能体应用商店

@dotey（3,208 次浏览、4 次收藏）明确提出了这一点：MCP 负责连接，Skills 负责知识，但最后一公里——用户编辑与垂直工作流——仍未解决。其类比对象是 VSCode 扩展与 Chrome 插件：应该允许社区贡献高质量的垂直技能并对其收费，因为现有的技能模式没有变现通路。@dotey 提到，他的 baoyu-skills 仓库已接近 20,000 个 GitHub stars，但从中赚到的钱是 $0。Skills 透明、易复制；如果出现一个带支付与知识产权保护的插件市场，激励结构就会改变。机会：直接，但有争议——skillsmp.com、ClawHub 和 Codex 的早期 marketplace 都只是部分尝试。

真正能解决客户问题，而不只是接电话的语音智能体

@ArtificialAnlys 发布的 tau-Voice 基准表明，即使最好的语音智能体，也只能解决 52.1% 的客服场景。虽然回复里没有从业者直接抱怨，但数据缺口已经非常明显：行业需要的是能覆盖大量长尾边缘情况的语音智能体——包括口音、噪声、多轮策略合规——而不是在一半通话上仍需转人工。机会：竞争激烈——各大 AI 实验室都在积极冲击这一基准。

能赢得企业信任的智能体治理与信誉基础设施

@Conste11ation（45 次点赞、739 次浏览）表示：“多智能体系统无法靠尽力而为的编排赢得企业信任。它们需要确定性的底层基座，并且从设计上就能生成可审计记录。这个溯源层，正是当前智能体经济缺失的部分。”@Altcoinist 对 Virtuals.io 的分析则从加密侧指出了同样的缺口：为智能体建立不可篡改的链上履历，能够支撑大规模自主网络中的信任。机会：对于重视安全的企业买家而言是明确机会；对于链上信誉系统而言，则更偏理想化方向。

---

4. 正在使用的工具与方法

工具	类别	情绪	优势	局限
Hermes Agent	智能体 harness	(+)	持久记忆、自我改进循环、按任务复杂度进行模型路由、打通整条技术栈；140K GitHub stars	直到近期桌面应用发布前都只有 CLI；不能替代 Claude Code；多智能体协同存在一定不稳定性
Claude Code	编码智能体	(+)	是桌面工作场景下的日常主力；借助 AGENTS.md 具备很强的上下文工程能力；Managed Agents 更新加入了 Dreaming/Outcomes/Webhooks	权限边界可通过链式网页内容漏洞被绕过（@DarkNavyOrg 演示）
OpenClaw	智能体 harness	(+/-)	350K+ stars；由 NVIDIA Nemo Claw 支持；生态强	曾与原始创建者（Clawnch）发生高调决裂；信任分裂
LangGraph	智能体框架	(+)	有状态管道、循环、分支、生产级、控制力强	学习曲线更陡；抽象层较高
CrewAI	智能体框架	(+)	多智能体团队、角色化任务、代码可读性好、交付快	从业者认为其生产成熟度不如 LangGraph
PydanticAI	智能体框架	(+)	结构化输出、类型安全、原生 Python 体验、验证优先	不太适合长周期任务
Google ADK	智能体框架	(+)	五种可组合智能体类型（LlmAgent、SequentialAgent、ParallelAgent、LoopAgent、CustomAgent）	较新；公开场景中的实战验证较少
MCP	智能体协议	(+)	可跨框架把智能体接入现实世界工具；采用广泛	不能解决技能作者变现问题
Circle CLI / Agent Stack	金融基础设施	(+)	原生 USDC 支付、无需 API 密钥、最低至 $0.000001 的纳支付、可与 Claude Code/Cursor/Codex 配合使用	针对钱包的提示注入问题仍未解决；机构级韧性尚未得到验证
Voiceflow + Twilio	语音智能体构建器	(+/-)	无代码流程，从提示词到真实通话上线可在一小时内完成	“无代码”仍需要 500 字结构化系统提示词；两次失败规则仍会让一半困难案例升级处理
Obsidian + CLAUDE.md / AGENTS.md	上下文基础设施	(+)	持久品牌语气、可复用上下文、多会话连续性；免费	维护仍需手动；无法根据会话结果自动更新上下文
N8N	工作流自动化	(+)	每日收件箱简报、由 cron 触发的智能体任务；可自托管	配置门槛较高；不是原生智能体工具
Orgo	面向智能体的云 VM	(+)	每个智能体都在独立沙箱中运行；无需管理服务器	相比主流云服务商更不成熟
Composio	应用认证层	(+)	为智能体提供跨数千款应用的一键认证	存在依赖风险；未讨论定价
SureThing	记忆层	(+)	LongMemEval SOTA：总体 88.0%，知识更新 91.0%	较新；信息流中尚无独立复现
Cisco DefenseClaw	智能体安全治理	(+)	检查每一次提示、补全和工具调用；覆盖 9 个智能体；可按连接器执行阻止/批准/审计；Apache-2.0	覆盖仅限受支持连接器；未展示对提示注入利用链的防护能力
Grok Voice Think Fast 1.0	语音到语音模型	(+)	tau-Voice 上表现最佳，任务完成率 52.1%	仍有 48% 的客服场景无法解决；平均通话时长第二长（5.6 分钟）

总体情绪是谨慎乐观。最一致的迁移趋势，是从一次性提示词工作流，转向持久化上下文文件架构和对 harness 友好的工具。多位从业者都独立提到，自己正在从“每次会话开始时重建上下文”，转向使用预加载全部相关信息的文件。当前最主要的竞争叙事是 Hermes vs Claude Code，但社区共识认为两者是互补而非竞争：Claude Code 负责深度编码会话，Hermes 负责其他场景。

---

5. 人们在构建什么

项目	构建者	功能	解决的问题	技术栈	阶段	链接
TradingAgents	TauricResearch	多智能体交易事务所，包含基本面分析师、情绪分析师、技术分析师、交易员和风控经理智能体，它们会围绕交易进行争论并投票	单智能体交易机器人缺乏角色分工与对抗性辩论	Python、LLMs、Apache-2.0	已发布	GitHub · arXiv
Purr-Fect Agent	Pieverse	开源 TypeScript 智能体 harness；从 clone 到跑起来只需 60 秒，内置基于 TEE 的钱包、142 个链上技能和 5 个使用入口（REPL、ACP editor、HTTP gateway、API、cron）	自带链上钱包与多链技能库的智能体 harness	TypeScript、OpenAI-compat、Anthropic、BNB Chain 生态	已发布	通过 @pieverse_io 宣布
Circle Agent Stack	Circle	Agent Wallets + Agent Marketplace + Circle CLI + 纳支付（$0.000001 USDC、免 gas）	智能体与智能体之间的商业活动缺乏原生金融基础设施	USDC、x402、Circle Gateway、Claude Code / Cursor / Codex 集成	已发布	文档
Rail Protocol	RailProtocolOrg	用 Rust 和 Anchor 编写的链上程序，提供钱包注册表、交易账本、策略执行和多智能体支付路由	多智能体系统缺少可审计的支付路由层	Rust、Anchor、Solana	已发布（已完成内部安全审计）	GitHub
Browser Harness (Browser Use)	Browser Use 团队	用直接 CDP 在 592 行代码内实现 Python 浏览器自动化；当缺少工具时，智能体会自己编写并持久保存工具（自愈）；11.6K stars	浏览器自动化框架会带来抽象上限；工具能力无法复利积累	Python、Chrome CDP、MIT 许可证	已发布	通过 @thisdudelikesAI 被提及
AI Co-Mathematician	DeepMind	面向数学家的多智能体工作台：文献检索、计算探索、定理证明、迭代验证循环；FrontierMath Tier 4 得分 47.9%	单模型在高难数学上出现平台期；人机协作需要结构化迭代	Gemini 3.1 Pro + 多智能体框架	已发布（研究）	arXiv:2605.06651
ClawdOS	Clawnch	智能体操作系统：智能体以长期运行的守护进程（clawdaemons）形式运行，拥有独立窗口、沙箱文件系统、链上 Base 钱包，以及可选的 Farcaster 身份	当前智能体框架本质上是无状态聊天窗口；智能体需要像进程一样运行	Python、PyPI（pip install clawdaemons）、Hermes Agent、Deer Flow、Base 钱包	Alpha	GitHub
托管式 AI 智能体业务	Greg Isenberg / Nick Vasiles (Orgo)	面向个人运营者的完整玩法：Hermes + Codex + Orgo VMs + Composio + Agent Mail + Obsidian，为 SMB 客户提供每客户 $5k/月的服务	现有智能体是为开发者打造的；企业主如果没有基础设施，无法自行搭建	Hermes、Codex、Orgo、Composio、Agent Mail、GPT 5.5、GLM 5.1	RFC / Playbook	视频

TradingAgents 是当天被提及的开源项目中，结构上最有意思的一个：五个智能体分工、争论、辩论、投票，降低了单智能体系统的自评偏差。这个模式可以推广到任何“对抗性审查能提升决策质量”的领域。其 73.7K GitHub stars（已从仓库页面确认）说明，这种架构的吸引力早已超出金融场景本身。

ClawdOS 则采取了一个概念上截然不同的定位——把智能体当作操作系统进程，而不是聊天会话。它也是当天唯一一个明确正面处理当前所有智能体框架“单用户 / 单窗口”限制的项目。运行多个具名、拥有独立钱包和文件系统的智能体守护进程，更接近服务器进程模型，而不是聊天机器人模型。

---

6. 新动态与值得关注的内容

DeepMind Co-Mathematician 以 47.9% 登顶 FrontierMath Tier 4

Google DeepMind 发布了 arXiv:2605.06651《AI Co-Mathematician：用 Agentic AI 加速数学家工作》。该多智能体系统基于 Gemini 3.1 Pro，并加入文献检索与代码执行层，在 FrontierMath Tier 4 上取得 47.9%，显著超过 GPT-5.5 Pro 的 39.6% 和 Claude 4.7 Opus 的 22.9%。基础模型单独得分仅为 19%；多智能体框架贡献了完整的 28.9 个百分点提升。该系统每题可获得最多 48 小时的异步计算，而 OpenAI 模型则在标准 web harness 上接受测试，因此这组对比并非完全同类。但即便如此，这仍然是迄今最明确的公开证据，证明多智能体框架在高难推理任务上能带来显著能力增量，而这不是任何单一模型配置本身所能提供的。由 @hsu_steve 提及。

Google 正把鼠标指针变成智能体界面

@GoogleDeepMind 发布了实验性演示，重新想象这枚已有 50 年历史的鼠标指针，将其变成 AI 界面——用户只需指向屏幕元素，再说出自然简短的话（“修这个”“把那个移过去”），就能直接在屏幕上指挥 Gemini，而无需打开提示框。@minchoi 将其形容为“提示框正在死去”。这些演示仍处于实验阶段，似乎尚未进入任何已发布产品，但它们是目前最具体的公开信号之一，表明大型 AI 实验室正在积极解决 @mark_k 所指出的“意图翻译成本”问题。

Cisco DefenseClaw 扩展至支持 9 个编码智能体

@AISecHub 报道称，Cisco DefenseClaw（Apache-2.0，Cisco 官方项目）现已支持 9 个编码智能体：Claude Code、OpenAI Codex、Cursor、Windsurf、Gemini CLI、GitHub Copilot、Hermes、OpenClaw 和 Zeptoclaw。该产品会检查每个智能体发出的每一次提示、补全和工具调用，然后按连接器执行阻止、批准或审计。一次性覆盖 9 个智能体，表明 Cisco 将智能体安全治理视为横向基础设施层，而不是单个智能体的附属功能。巧的是，就在同一天，@DarkNavyOrg 展示了一条针对 Claude Code 的有效利用链：通过把网页内容探索与其他漏洞组合起来，绕过权限检查。

Anthropic Managed Agents 新增 Dreaming、多智能体编排、Outcomes 和 Webhooks

@Alina_with_Ai 和 @JulianGoldieSEO 都提到了 Claude Managed Agents 的一次升级，新增四项功能：多智能体编排，用于把任务委派给专门的子智能体；Outcomes，基于 rubric 的自我改进与评估循环；Dreaming，让智能体从历史会话中学习并更新记忆；以及 Webhooks，用于无需轮询地接收事件更新。据称，有客户借助 Dreaming 将完成率提升了 6 倍。@Vanarchain 在回复中补充了关键前提：“记忆 + 协同只有在始终扎根于可靠执行时才有意义，而不是仅仅让输出随着时间变得更好。”

---

7. 机会在哪里

[+++] 持久化上下文基础设施工具 —— 这是当天最一致、被重复最多的信号：普通 AI 用户与专家级用户之间的差距，不在模型质量，也不在提示词技巧，而在上下文基础设施。目前没有主流产品能自动构建并维护品牌语气文件、风格违规库、受众上下文和会话连续性。所有被提到的从业者，都是靠 .md 文件和 Obsidian vault 手工完成这件事。一个能够组装、更新并版本化用户持久智能体上下文的工具，将同时服务个人运营者和团队。证据见第 1.2、2.1、3.1 和 4 节。

[+++] 智能体安全治理层 —— 就在 Cisco DefenseClaw 扩展到支持 9 个智能体的同一天，针对 Claude Code 的有效利用也被公开演示。目前还没有任何产品，能以经过真实注入场景检验的方式，在多个智能体运行时上同时大规模地阻止、限速或审计智能体行为。问题扩张的速度快于解决方案。企业买家有明确需求——可审计记录、按连接器执行策略——但目前仍没有产品能完整满足。证据见第 1.6、2.4、3.4、5 和 6 节。

[++] 面向专业领域工作的多智能体编排 —— TradingAgents 的架构（角色分工 + 对抗性辩论 + 投票）可以自然推广到任何“对抗性审查能提升质量”的领域，例如法律文件审查、临床决策支持、代码安全审计和金融分析。TradingAgents 已获得 73.7K GitHub stars，并有 arXiv 论文；DeepMind 的 Co-Mathematician 则把同一模式扩展到了数学研究，仅多智能体层就带来了 28.9 个百分点的提升。框架是开源的，结果经过同行评审，但尚无主导产品把这套架构封装给非技术领域买家。证据见第 1.6、5 和 6 节。

[++] 让语音智能体可靠性突破 50% 门槛 —— tau-Voice 基准表明，当前没有任何语音智能体能端到端解决超过 52.1% 的客服场景。呼叫中心与预约服务已在部署语音智能体，但 50% 的上限意味着一半来电要么升级给人工，要么直接失败。最佳表现（52.1%）与“足够支持无人值守运行”（80%+）之间的差距，在抗噪性、多轮策略合规和优雅升级逻辑上，构成了明确的工程机会。证据见第 1.6、3.3 和 4 节。

**+］ 面向技能作者的 Agent 变现原语** — ［@dotey 点明了具体问题：skills 是透明的、便宜的、容易被复制的，而且无论质量或采用度如何，作者目前都赚不到钱。应用商店的类比（VSCode 扩展、Chrome 插件）已经很明确。缺的是一个内置支付、IP 保护和质量信号的可信 marketplace。Circle Agent Stack 的纳支付基础设施，从技术上已经能支持按次计费的技能收费；缺少的是其上的市场层。证据见第 1.5 和 3.2 节。

[+] 守护进程化的智能体运行时（智能体 OS 模型） —— ClawdOS 的定位——把智能体看作长期运行的 OS 进程，而不是无状态聊天会话——确实解决了一个真实问题：现有 harness 会重置状态、丢失连续性，也无法基于共享底座协调多个同时运行的智能体工作负载。如果智能体未来要持续执行后台任务（邮件分流、cron 作业、财务监控、代码审查），守护进程模型就是正确抽象。项目目前处于 Alpha，但定位足够差异化。证据见第 1.4 和 5 节。

---

8. 要点总结

1. Harness engineering 的课程体系，已经成为一套结构化、可教授的知识体。 addyosmani 的文章、“学习 Harness Engineering”课程，以及 @MindBranches 的思维导图，共同构成了这门学科第一套连贯的课程体系。社区已经越过“harness engineering 是什么”，进入“去哪里学”。（akshay_pachaar、dishantwt_）

2. 面向智能体的机器支付金融基础设施已经上线。 Circle Agent Stack 在当天发布了 Agent Wallets、Agent Marketplace，以及免 gas 的 USDC 纳支付（$0.000001）。而尚未解决的问题——提示注入导致未授权转账——在上线数小时内就被指出，且尚无公开缓解方案。（circle、somi_ai via CoinMarketCap）

3. 在高难能力边界上，多智能体框架带来的增益超过模型升级。 DeepMind 的 Co-Mathematician 仅仅是在单一基础模型之上加了一层多智能体框架，就让 FrontierMath Tier 4 成绩提升了 28.9 个百分点。测试中最强的单模型配置 GPT-5.5 Pro，也没有超过 39.6%。（hsu_steve）

4. 语音智能体正撞上约 50% 任务完成率的可靠性上限。 tau-Voice 是首个在真实条件下评估语音到语音模型 agentic 能力的公开基准。最佳模型端到端只能解决 52.1% 的客服场景，其余模型都低于 40%。这不是猜测性的市场空缺，而是一个已被量化的缺口。（ArtificialAnlys）

5. 如今区分高绩效智能体操作者的，不再是提示词质量，而是持久化上下文基础设施。 多位已经跑出生产结果的从业者都表示，真正的核心杠杆不是反复打磨提示词，而是建设品牌语气文件、风格库和持久化上下文文件夹。这一模式同时出现在个人创作者（每月 6,000 条广告）、企业团队和开源构建者中。（NainsiDwiv50980、oliverwhudson）

6. 智能体安全治理正在变成企业级基础设施。 Cisco DefenseClaw 扩展到 9 个智能体的同一天，针对 Claude Code 的有效利用链也被演示出来。攻防共同演化正在加速。任何使用浏览器工具或网页内容的智能体部署，都暴露在当前 harness 无法阻断的链式漏洞路径之下。（AISecHub、DarkNavyOrg）