106 posts tagged with "AI Agent"

2026 年 AI Agent 的真正主战场不在 ChatGPT 这种对话框里，而在用户的桌面端 —— 直接接管点击、视觉验证、本地长 workflow 的能力，云端 Agent 暂时做不到。

1. 方向转向：桌面端 Agent 率先爆发，2C 侧先于 2B，传统桌面软件进入"回光返照"窗口期。
2. 核心优势：千人千面 + 极低使用成本 + 极低试错成本，云端 SaaS 不具备这种灵活度。
3. 战场转移：Agent 取代的第一步是人在桌面的操作：点击、视觉验证、多软件长 workflow。
4. 演进优先级：先跑通本地流程，云端 SaaS 那些传统优势后做再说；本地 + token key 已足够跑 MVP。
5. 结论：个人 PC + AI 是 2026 年最被低估的应用形态，性价比远超云端订阅。

Anthropic 的真正危机不是模型能力，而是商业模式——一手收客户的钱、一手偷客户的数据和 IP，等模型足够好那天，企业就会发现这是一笔血亏的交易。

1. 指控核心：提供模型的公司会变成你的竞争对手，Figma、Cursor 都被吃过了。
2. 老剧本重现：微软靠 Windows 垄断吃掉合作伙伴、Google 用搜索流量做自家页面、OpenAI 在 YC 撒钱偷创新。
3. 成本测算：实测用最强开源模型替代 Anthropic，成本降 90%+，代价只是慢 3 倍。
4. 关键窗口：6~12 个月，开源模型一旦越过能干活的门槛，闭源巨头就被绕开。
5. NVIDIA 转向：英伟达模型免费送、靠芯片赚钱，帕兰提尔 + 英伟达 = "主权 AI" 已经在跑了。

Graph Engineering 是 Loop Engineering 之后冒出来的下一个 AI Agent 工程热词——70% 是新瓶装旧酒，30% 是真东西。

1. 真变化：单 Agent 自迭代（Loop）升级为多 Agent 协同 + 治理（Graph），前者解决收敛，后者解决分工
2. 关键术语：节点 + 边 + 状态，再叠加节点契约、调度、持久化、并发、恢复、权限、评估
3. 触发事件：Peter Steinberger 7 月 18 日"还搞 Loop？该 Graph 了"推文两天 200 万浏览
4. 三层架构：Harness（运行躯干）→ Loop（收敛循环）→ Graph（编排网络），90% 的 Agent 死在 1-2 层
5. 踩坑提醒：单 Agent 任务硬上多节点是过度设计，先把 Loop 跑稳
6. 判断标准：单 Agent 自我迭代无法收敛时加 Loop；多个 Loop 互相打架时再加 Graph

Skill 存流程，Memory 存经历，事实没人存——这就是 Knowledge 必须单独留一层的原因。

1. 三 层分工：Skill 管怎么做，Memory 管发生过什么，Knowledge 管事实是什么。
2. 事实写进 Skill 会腐坏：流程半年一改，价目表一周一改，两者不能同一个生命周期。
3. 事实写进 Memory 会被污染：一次错误结论会被当成「我记得」反复引用。
4. Graph 不是没前途，是被误当成通用记忆层：独占场景只剩多跳关系和时序失效。
5. 大多数公司不需要再抽一张图——业务库外键、CMDB、数据血缘早就是图。
6. grep 替代 RAG 有三个前提：在文件系统上、目录有语义、术语是稳定字面量。
7. 结论：知识组织的成本从检索侧前移到了写作侧。

MCP 接 OAuth 2.1 不是"为了安全"四个字能打发的，它是 AI Agent 进企业生产环境的准入门槛。

• 原生隐患：静态 API key 写死在配置文件里，大模型等于顶着管理员权限在跑。
• 三宗罪：权限失控、提示词套话吐令牌、所有操作审计不到具体人。
• 为什么是 2.1：砍掉隐式授权和密码模式，PKCE 从可选变强制。
• 关键设计：令牌只活在客户端传输层，绝不进大模型上下文。
• 最大难点：Agent 推理跑到一半令牌过期，靠 401 静默刷新兜住思考链。
• 规模化：DCR 让企业内上千个 MCP server 免手工注册凭证。

OpenAI 把 Codex 编排做成了语言无关的规范。

1. 三 大要素：SPEC.md（规范） + elixir/（参考实现） + WORKFLOW.md（仓内配置）
2. 定位升级：从「管 agent」升级到「管工单」
3. 主循环：拉 tracker → 建 per-issue workspace → 跑 Codex app-server
4. 边界：低密预览版，只跑受信环境，无内置沙箱
5. 设计巧思：host 侧注入 tracker 凭据，主动从 Codex 子进程剔除
6. License：Apache-2.0，可绕过 Elixir 按规范自实现

长对话的 Agent Memory 不是「压缩就行」，是分层管理。

1. 问题核心：summary 平等压缩所有内容，用户核心目标和硬性偏好被一起稀释。
2. Working Memory：类似 system prompt 的常驻字段，永久不参与压缩，守住硬性约束。
3. 分段增量摘要：滚动窗口分段保存，每段打时间戳 + 优先级标签，不合并。
4. 向量数据库兜底：摘要丢细节没关系，原文存向量库按需召回。
5. 多 Agent 方案：Coordinator + Observer + Reflect + Retriever 四角色分工。
6. 场景选型：几十轮轻量对话 / 中长期 / 超长期多工具三档，对号入座。

Prompt 注入是 LLM 时代的新型安全威胁。

• 本质：把恶意指令塞进用户输入，劫持 AI 的决策逻辑
• 核心原理：指令优先级劫持 — 模型分不清系统规则和攻击代码
• 三步攻击：识别 prompt 结构 → 构造 payload → 触发执行
• 与 SQL 注入对比：同样利用边界混淆，攻击目标是 AI 语义，防御成熟度差 20 年
• 防御要纵深：输入过滤 + prompt 分层 + 最小权限 + 上下文沙箱 + 输出检测 + 日志监控
• 反直觉：AI 越智能，被攻破后破坏力越大

AI 写 UI 最大问题是都长一个样。两个 skill 解。

1. 问题：默认审美"通用 slop"（AI 批量产的劣质模板）。
2. taste-skill：67.5k stars，"反 slop" 框架，风格库一键装。
3. Impeccable：49.9k stars，23 个命令 + 7 大模块知识库精细打磨。
4. 配合：风格约束 + 渐进打磨可叠加使用。
5. 安装：一行 npx skills add 即装即用。
6. 背景：都源自 Anthropic 官方 frontend-design skill。

多 Agent 协作系统设计有 8 个核心问题，一次讲透。

1. 角色拆分：决策 / 协调 / 执行三层，权限等级分开
2. 上下文传递：选择性注入 + 笔记本模式，避开上下文膨胀
3. 冲突仲裁：分类 + 证据链验证 + 置信度加权升级
4. 死循环破解：状态机 + 令牌桶 + 仲裁 agent
5. 共享记忆：共识 / 私有分层 + 命名空间隔离
6. 可观测性：监控 + 追踪 + 日志 + 全链路 trace
7. 效果评估：完成度 / 效率 / 经济性，必须 AB 对标
8. 错误恢复：澄清 → 规划校验 → 反思 → 仲裁兜底

多 Agent 不是 1+1>2，先看值不值再上。