Twitter AI 智能体 - 2026-06-11¶
1. 人们在讨论什么¶
1.1 云端软件工厂正在变成可检查的操作系统 (🡕)¶
6 月 11 日最强的 AI 智能体讨论簇，核心不是单次聊天的新鲜感，而是真实工作的控制界面。信号最清晰的几条帖子其实都在从不同角度描述同一个要求：如果智能体会接触代码仓库、工单和发布流程，团队就需要可见的任务状态、审批、恢复路径，以及证据轨迹。
@walden_yan 指出（667 点赞、30 回复、143,318 浏览、550 收藏），Fable 5 应该给工程组织敲响警钟：他们该尽快搭建云端软件工厂，让 AI 在人类介入前先处理 bug 分诊、反馈队列、PR 审查、日志排查和录屏分析。引用 @cognition 的《Devin launch》时，他还补充说，Fable 实际运行成本只比原先假设高出约 40%，这让“成本过高”的反对理由更像是测试框架问题，而不是模型问题。
@BradGroux 发布了 Veritas Kanban v5.0（1,119 点赞、9 回复、1,425,443 浏览），把它定位成面向人类与智能体软件协作的桌面指挥中心。帖子直接写明了技术栈：基于 SQLite 的存储、多用户工作区、RBAC、带作用域的 API token、工作流编排、就绪门禁、动作队列、提供商配置，以及 CLI/REST/MCP 集成界面。
@ClaudeCodeLog 发布了 Claude Code 2.1.172（365 点赞、18 回复、35,186 浏览、80 收藏），支持最多五层嵌套子智能体、面向 1M 上下文会话的自动压缩以避免卡死，以及插件浏览器搜索。回复区把价值判断说得更尖锐了：树状层级更深只有在顶层会话仍能解释改了什么、跳过了什么、以及是哪条命令证明这一点时才有意义。
讨论要点： 回复并不奖励单纯更深的嵌套层级。大家不断把话题拉回到合并纪律、检查点，以及操作员事后能否还原一次无人值守运行。
与前日对比： 6 月 10 日的重点是软件工厂愿景和受治理的自动化界面。6 月 11 日则新增了一个已交付的桌面操作层，以及针对长时运行智能体会话的明确恢复修复。
1.2 测试框架工程正在变成一个被明确命名的劳动力市场 (🡕)¶
6 月 11 日还让测试框架工程看起来更像一个真正的岗位类别，而不再是一个大而化之的口号。最强的几条帖子把高管层叙事与薪酬、培训材料放在一起，这说明稀缺资产正从模型访问权转向操作员能力。
@sairahul1 在一条引用推文中提到 Jensen Huang 的说法（58 点赞、16 回复、8,528 浏览、87 收藏）：每位工程师都将管理数百个智能体；同时他认为，2026 年最有价值的工程技能——测试框架工程——如今还没有任何大学或计算机科学项目在教授。真正的信号不在于这种未来主义表述，而在于企业想要的能力与学校当前培养内容之间的缺口。
@itsericlay 发布了 多个 Founding Harness Eng 职位（141 点赞、28 回复、12,736 浏览、102 收藏），基础薪资在 $130,000-$200,000 之间，另加可观股权，同时还配套招聘 founding infra 和 GTM 岗位。这让测试框架工作第一次以预算条目的形式变得可见，而不只是某种理念。
@mattpocockuk 演示了 一个 /teach 技能（121 点赞、9 回复、4,720 浏览、72 收藏）：它先询问学习者为什么想做某件事，再把这个目标转成一个包含测验和特定技术栈讲解的四课时学习路径。这是一个更小但重要的信号：人们正在把测试框架知识打包成可复用的智能体技能，而不是继续让它停留在少数专家的默会经验里。
讨论要点： 回复普遍认为测试框架工作确实存在，但定义仍不完整。大家在争论这个岗位到底包含什么，以及薪酬是否足够高——这正是一个早期劳动力市场刚冒头时会出现的样子。
与前日对比： 6 月 10 日把记忆和技能视作围绕智能体的控制界面。到了 6 月 11 日，焦点转向那些负责设计、教授并把这些控制界面投入运营的人类。
1.3 Fable 5 把 AI 智能体讨论推向知识工作准确性 (🡕)¶
6 月 11 日最强的能力讨论，并不在于纯粹的编码速度，而在于智能体能否在杂乱、文档密集、多步骤的推理任务中不把算术或策略错误层层放大。
@levie 详细介绍了 Box AI 的 《Complex Work Eval》 （137 点赞、24 回复、26,338 浏览、74 收藏），其中 Fable 5 在并购尽调、医疗审计、媒体盈利能力分析、零售分析和财务预测上都显著超过 Opus 4.8。例子具体得不同寻常：Fable 能正确处理 NDA 里的共同所有权例外，不会把阿根廷税收扣减重复计算，也能在债务融资模型里把利息和 capex 逻辑理顺。
@gokulr 总结了 Satya Nadella 在 Microsoft Build 采访中的观点（64 点赞、10 回复、14,637 浏览、106 收藏）：测试框架才是产品，私有评估会成为公司的知识产权。这样一来，Levie 那条帖子就更容易理解了：如果智能体正按企业知识工作来评判，护城河就落在评估、轨迹和部署配方上，而不只是模型访问本身。
讨论要点： 真正有意思的转向，是话题从“哪个模型赢了基准测试？”变成“哪个模型在真实文档上不再制造层层累积的错误？” 这让讨论收敛到判断力、算术能力和领域化评估上。
与前日对比： 6 月 10 日聚焦运行时经济性和公开基准测试供给。6 月 11 日则更明确地回答了推理能力提升最重要的落点：企业文档、审计，以及其他带有多层约束的知识工作任务。
1.4 智能体商业从支付通道走向实时市场与主权执行 (🡕)¶
另一个清晰的讨论簇，把智能体商业进一步拉近到可运营的现实。帖子讨论的不只是智能体替人付款，而是市场、私有策略、链上统计，以及为长生命周期自治行为体打造的执行层。
@Padierfind 提到 自己在德国议会讨论基于区块链的智能体对智能体支付（411 点赞、61 回复、5,620 浏览），并表示企业已经在 Masumi 市场上招聘和出售智能体。这一点之所以重要，是因为它把智能体商业从创业公司演示带进了政策场域。
@jiabtc 认为 Ritual 的主权执行层就是为长生命周期自治智能体打造的（208 点赞、187 回复、2,802 浏览），具备原生 AI 计算、TEE、去中心化密钥管理、远程证明、持久链上身份，以及让智能体持有和管理资本的能力。这比泛泛而谈的“区块链上的 AI”说法要强得多。
@Excubialabs 更新了 Shush v1.14.2（20 点赞、7 回复、235 浏览）：为智能体市场加入了上架流程，可把经过验证的链上交易历史、胜率、PnL 和交易量附在 listing 上，同时保持策略参数端到端加密。这里的重点不只是支付，而是市场信任。
讨论要点： 尚未解决的问题集中在责任与证明，而不是“这件事是否存在”。读者在追问谁该负责、统计数据如何验证，以及一旦开始变现，私有策略如何继续保持私密。
与前日对比： 6 月 10 日讨论的是支付通道和入门套件。6 月 11 日则加入了真实市场行为、主权执行叙事，以及议会层面的可见度。
2. 令人困扰的问题¶
审批、审计和支出控制仍然落后于自治能力¶
严重性：高。@walden_yan 指出（667 点赞、30 回复、143,318 浏览、550 收藏），AI 其实早就该接手工单分诊、PR 审查和日志排查；而 @BradGroux 发布了 一款产品（1,119 点赞、9 回复、1,425,443 浏览），其全部价值主张都围绕着这样一个事实：一旦智能体开始接触代码仓库，团队就需要可见的任务状态、审批、证据和恢复路径。@igoryuzo 明确列出了 缺失的控制项（32 点赞、11 回复、688 浏览）：白名单服务器和收款钱包、支出上限、审计日志、最小权限、密钥轮换，以及受约束的执行。当前的应对模式是分阶段审查、带作用域的权限和硬性上限，这也说明治理层仍然过于依赖人工。
文件结构和 UI 架构带来的 token 浪费已经可以量化¶
严重性：高。@PixelJanitor 测得 在同一组样式任务上，Tailwind 相比 CSS Modules，在 GPT 5.5 下少用了 54.9% 的 token，在 Opus 4.8 下少用了 38.8%，因为模型可以留在组件文件内部工作，而不用在标记和独立样式表之间来回跳转。@doodlestein 把 同样的痛点打包成一个以证明为驱动的拆文件技能（26 点赞、4 回复、1,428 浏览、24 收藏），认为过大的文件会迫使智能体把 token 浪费在浏览无关代码上，或者对本该仔细检查的代码读得不够深入。眼下的权宜方案正逐渐演变成架构选择：更小的文件、减少跨文件修改的样式系统，以及为重构准备明确的证明产物。
会话恢复、记忆可移植性和证明历史仍然需要额外基础设施¶
严重性：高。@ClaudeCodeLog 发布了 自动压缩（365 点赞、18 回复、35,186 浏览、80 收藏），就是为了防止 1M 上下文会话永久卡死。@garrytan 表示 Nessie 已经成了把上下文、记忆和历史从 ChatGPT、Perplexity 和 Gemini 搬进 OpenClaw 与 Hermes Agent 的最佳方式（74 点赞、19 回复、10,493 浏览、54 收藏），这说明原生可移植性依然很弱。@Armanibanks100 提到，已有 112 个智能体在复用同一个 Memory Vault（46 点赞、39 回复、448 浏览），因为开发者一直需要可验证的记忆和证明历史，才能理解一个智能体当前处于什么状态。当前的应对策略是外挂压缩、导入/导出和专用记忆层——这正是一个平台问题尚未解决的典型信号。
3. 人们期望的功能¶
具备可移植性、审批和证明的共享记忆¶
开发者想要的不只是记忆，而是能跨平台边界存活、还能告诉他们智能体是怎么走到这一步的记忆。@garrytan 表示 Nessie 现在能把上下文和历史从 ChatGPT、Perplexity 和 Gemini 搬进 OpenClaw 与 Hermes Agent。@Armanibanks100 提到，同一个 Memory Vault 已经在支付、市场、任务协调和交易智能体之间复用，因为开发者反复需要可验证的记忆和证明历史。这是一个有直接需求的现实问题。机会：直接。
能解释改了什么、跳过了什么、以及用什么证明的交接机制¶
人们显然在要求一种能穿过智能体之间、再回到人类手中的编排能力。@walden_yan 推动了软件工厂愿景，@BradGroux 围绕任务状态、审批和证据交付了一款产品，而 @ClaudeCodeLog 发布帖下的一条回复则表示，五层 worker 只有在顶层会话能解释改了什么以及是哪条命令证明这一点时才有帮助。这不是一种愿景式期待，而是对可审计编排的直接要求。机会：直接。
面向非专才的实用测试框架培训¶
市场正在要求一种能把智能体运营教会给更多人的学习系统。@sairahul1 把测试框架工程定义为学校尚未教授的关键技能，@itsericlay 展示了公司已经在为它招聘并支付薪酬，而 @mattpocockuk 则演示了一个能把用户目标转成结构化课程的 /teach 技能。这种需求既实际也紧迫：人们想要比正规教育体系反应更快地成为高效操作员。机会：直接。
面向持有资本的智能体的已验证市场与主权执行¶
商业场景中尚未满足的需求，是信任基础设施。@Padierfind 说企业已经在市场里招聘和出售智能体，@jiabtc 描述了一个围绕 TEE、DKMS 和经证明计算构建的主权执行层，而 @Excubialabs 展示了一个承诺“既能验证链上统计、又不暴露专有策略”的市场。这显然是真实需求，但比其他机会更具竞争性，也更受政策约束。机会：竞争激烈。
4. 使用中的工具与方法¶
| 工具 | 类别 | 评价 | 优势 | 局限 |
|---|---|---|---|---|
| Claude Code 2.1.172 | 编程智能体运行时 | (+/-) | 嵌套子智能体、面向卡住的长上下文的自动压缩、插件搜索、明确的恢复修复 | 如果解释不够清晰，更深的层级会增加协调和合并负担 |
| Veritas Kanban v5.0 | 工作流编排 | (+) | 可见任务状态、审批、证据轨迹、RBAC、恢复路径、本地优先的起点 | 治理界面会增加操作员负担，而且体验仍然偏桌面中心 |
| Claude Fable 5 | 前沿模型 / 智能体核心 | (+) | 在企业文档上的多步骤推理更强、复合计算错误更少、跨运行一致性更好 | 在高风险工作上仍需要针对测试框架的提示词和人工审查 |
| OpenClaw | 本地智能体平台 | (+) | 本地优先助手，开源势头很强，插件生态也在增长 | 其价值高度依赖周边的记忆、技能和工作流层 |
| Nessie OpenClaw/Hermes plugin | 上下文可移植性 | (+) | 把主流 AI 应用里的记忆和历史迁移到智能体测试框架中 | 只有下游记忆治理值得信任时，可移植性才真正有价值 |
| Verifiable Agent Memory Vault | 记忆基础设施 | (+/-) | 已在 112 个智能体和多种工作负载间复用，并以证明历史为核心叙事 | 早期公开数据很有希望，但回滚/版本控制的公开说明仍然偏薄弱 |
| Parloa Agent Skills | 企业集成 | (+) | 基于 MCP 的集成链、可审计且可重试的执行、明确缩短处理时长 | 重点仍是 CX 系统集成，也依旧受企业连接器复杂度约束 |
| Step 3.7-Flash | 推理模型 | (+) | 可见推理、256K 上下文、内置搜索与工具使用、更低 token 价格 | 公开信号仍然很早期，而可见性也会带来额外推理开销 |
| Ritual | 主权执行层 | (+) | AI 原生计算、TEE、去中心化密钥管理、证明、持久智能体身份 | 更偏加密领域的运行模型，仍属前沿架构而非稳定标准 |
| Shush Agent Marketplace | 智能体市场 | (+/-) | 已验证的链上统计、加密策略、为租售智能体提供变现脚手架 | 上架流程仍在建设中，因此真实市场采用仍处于早期 |
当工具能让状态、成本或控制变得可见时，整体满意度最高。Veritas、Memory Vault、Nessie 和 Parloa 之所以获得关注，都是因为它们让隐藏的工作变得可读：改了什么、智能体记住了什么、连接器做了什么，以及谁拥有整条集成链。当一个工具提高了协作成本，或者仍依赖操作员纪律时，评价就会转为复杂，比如更深的子智能体树或治理负担较重的产品。
当天最清晰的权宜方案不是“更神奇的 AI”，而是结构性做法：@PixelJanitor 测得，把样式编辑限制在组件文件里可以节省 token；@doodlestein 做出了 一个以证明为驱动的拆文件技能，防止巨型源文件把上下文撑大。竞争的重心正在从泛泛的智能体平台叙事，转向可移植性、可审计性和成本感知的工作流设计。
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 |
|---|---|---|---|---|---|---|
| Veritas Kanban v5 | @BradGroux | 面向人类与智能体软件协作的桌面指挥中心，提供可见状态、门禁、证据与恢复路径 | 智能体碰代码仓库和发布流程时，需要可检查的任务状态、审批和恢复，而不是单纯聊天 | SQLite、macOS 桌面、RBAC、MCP、CLI/REST/工作流集成、提供商配置 | 已发布 | 推文 |
| Parloa Agent Skills | @parloa_ai | Parloa AMP 内部基于 MCP 的集成链，让业务团队无需写代码也能配置工具工作流 | 企业智能体常卡在 CRM、预订、工单和合规集成上 | MCP、AI Agent Management Platform、企业系统连接器 | Beta | 推文 |
| Verifiable Agent Memory Vault | @Armanibanks100 | 共享记忆层，已在支付、市场和协调等 112 个智能体工作负载之间复用 | 开发者需要可移植的记忆、证明历史，以及跨智能体类型一致的状态语义 | 基于 0G Labs 构建的 Memory vault 层 | Beta | 推文 |
| Ritual sovereign execution layer | @jiabtc | 面向长生命周期自治智能体的 AI 原生执行环境，强调隐私和证明 | 持有资本或做决策的智能体，需要私密且可验证的执行，而不是脆弱的链下拼接 | AI 原生计算、TEE、DKMS、远程证明、链上身份 | Beta | 推文 |
| Shush Agent Marketplace | @Excubialabs | 用于租赁或出售加密智能体的市场流程，附带已验证的链上交易历史 | 开发者想让智能体变现，但又不想暴露专有策略参数 | 加密智能体、实时数据库指标、链上统计、SOL/USDC/$SHUSH 定价 | Alpha | 推文 |
| Six-agent ops stack | @nifinet | 完全自治的内部智能体套件，处理状态说明、销售线索简报、草稿文案、雷达、复盘和 QA | 团队仍在手工做重复的跨职能运营工作 | Claude Code、Hermes Agent、agentskills.io spec、Pipedrive、Notion、Hermes cron | 已发布 | 推文 |
反复出现的构建模式是：治理优先，能力其次。Veritas、Ritual 和 Shush 都把审批、证明或已验证统计视作产品核心，而不是上线后的补丁。Nifinet 的技术栈和 Parloa 的发布则从另一个角度指向同一方向：现在真正的差异化层，已经是可移植性和集成，而不只是模型选择。
@heynavtoor 整理了 一份代码仓库清单（53 点赞、6 回复、4,123 浏览、89 收藏），把开源开发者的活跃度集中在本地助手、技能库和自我改进智能体上，而不是泛泛的封装层。图表显示 OpenClaw 的 GitHub 星标数超过 300,000，同时重点标出了 Anthropic skills、everything-claude-code、Karpathy skills 和 Hermes Agent——这些正是人们持续围绕其组织生态的技术栈组件。
这条整理信号之所以重要，是因为它和当天其他证据相互印证：开发者并没有围绕某一个完美模型聚集，而是在围绕可复用的编排、记忆、技能和本地优先执行层聚集。
6. 新动态与亮点¶
共享技能规范已经在运行自治的后台工作¶
@nifinet 描述了 6 个自治智能体（18 点赞、8 回复、1,836 浏览、10 收藏），它们处理每周状态说明、销售线索简报、品牌语气草稿、晨间雷达、周五复盘和质量检查，并使用同一套技能规范，在 Claude Code 和 Hermes Agent 中都能原样运行。真正值得注意的，不只是任务列表本身，而是这种可移植性主张，再加上已交付的 Pipedrive 和 Notion 连接器，以及安排这些任务所需的精确 Hermes cron 命令。
token 经济性正在变成一种架构选择，而不是账单惊吓¶
@PixelJanitor 测得 在同样的前端任务上，Tailwind 相比 CSS Modules 能显著节省 token（49 点赞、6 回复、4,738 浏览、39 收藏）；与此同时，@doodlestein 把 缩减超大文件变成了一项以证明为驱动的技能（26 点赞、4 回复、1,428 浏览、24 收藏）。共同的信号是，智能体成本正在沿着技术栈上移，进入文件布局、样式系统选择和任务拆解策略这些层面。
可见推理正在变成一个调试界面¶
@seelffff 用 20 行 Python 在 Step 3.7-Flash 上做出了一个生产级研究智能体（11 点赞、3 回复、710 浏览、7 收藏），并表示真正重要的是在模型给出答案前，能看到它把推理过程说出来。这样一来，失败模式就能在运行中途被检查，而不必等到最终答案出错之后，这和单纯追求模型精度是不同的运营价值主张。
并行基准测试沙箱正在变成一种可以采购的服务¶
@ivanburazin 提到 一家市值 $55B 的云公司选择 Daytona 来并行运行 32 个智能体基准测试（16 点赞、4 回复、1,659 浏览、5 收藏），而不是先自己搭建一套基于 Kubernetes 的沙箱系统。重点不在品牌背书，而在于智能体评估基础设施已经足够专业化，以至于大型公司开始把它外包出去。
7. 机会在哪里¶
[+++] 可审计的编排与审批层 —— @walden_yan、@BradGroux、@ClaudeCodeLog 和 @igoryuzo 都指向同一个缺口：智能体已经能做比团队愿意放心监督的更多工作。最强的机会，是做出一个系统，把任务状态、成本、审批、回执和恢复整合起来，而不是让操作员自己拼五个工具。
[+++] 共享记忆与上下文可移植性 —— @garrytan、@Armanibanks100 和 @heynavtoor 展示了市场对可跨本地助手与智能体测试框架迁移的记忆和技能的需求，而且不能丢失来源脉络。最强的机会，是带版本的记忆系统，配合审批、证明历史和跨测试框架兼容性。
[++] 测试框架工程培训与操作员工具 —— @sairahul1、@itsericlay 和 @mattpocockuk 展示了需求、薪酬和早期教学法。这个机会属于中等强度，因为需求已经很明显，但市场可能会分散到课程、嵌入式技能和企业私有作战手册之间。
[++] 面向 token 成本的代码库与 UI 工具 —— @PixelJanitor 和 @doodlestein 把 token 浪费变成了可以量化、也可以修复的问题。这个机会属于中等强度，因为痛点具体、反复出现，而且离预算责任很近，但解决方案空间可能会分散到 linter、重构技能和测试框架分析工具之间。
[+] 已验证的智能体市场与主权执行 —— @Padierfind、@jiabtc 和 @Excubialabs 展示了这个类别正从概念走向实践。之所以只算“浮现中的机会”而不是强机会，是因为政策、责任和标准即使在开发者已经交付真实系统的情况下，仍然悬而未决。
8. 要点总结¶
- 可检查的操作闭环，胜过含糊的自治承诺。 @walden_yan 和 @BradGroux 都认为，一旦智能体接触真实工作，团队需要的是队列、门禁、证据和恢复——而不只是一个更好的聊天窗口。(来源)
- 测试框架工程已经成为一个真实的劳动力市场。 Jensen Huang 的那段话之所以流传，是因为它提醒了技能缺口；而 @itsericlay 则把这种提醒直接变成了 founding harness engineers 的明确招聘和薪酬区间。(来源)
- Fable 5 最明确的跃迁，出现在那些最容易层层积累错误的知识工作上。 Box AI 的 Complex Work Eval 用并购、医疗、媒体、零售和金融任务说明：在算术、策略例外和多步骤逻辑相互碰撞的地方，更强的智能体推理能力最有价值。(来源)
- 共享记忆和可移植技能正在变成基础设施，而不是可有可无的附加项。 Nessie、Memory Vault 和 OpenClaw 生态都指向同一个需求：把上下文延续下去，并在不同测试框架之间复用能力，而不是每次都从零开始。(来源)
- token 成本如今更多取决于技术栈更上层的设计决策。 Tailwind 对 CSS Modules 的实验，以及拆文件技能，都把上下文大小和跨文件穿梭视作一等工程问题。(来源)
- 智能体商业已经真实到足以同时催生市场和政策关注。 Padierfind 的议会小组讨论、Ritual 的主权执行论点，以及 Shush 的已验证上架流程，都说明智能体变现正在走出思想实验阶段。(来源)