106 posts tagged with "AI Agent"

Claude Cowork 是 Claude Desktop 桌面 App 里的一个 Tab，本质和 Code Tab 差不多，主要面向非程序员——默认去掉了 GitHub、Preview、Diff、Terminal 等开发功能，换成了 VM 沙箱隔离执行、定时任务、MCP 办公套件集成这类知识工作场景更常用的能力。

核心问题很简单：非程序员怎么用 Code Agent？

1. Cowork 和 Code 共享同一 Agent 引擎，差异只在交互界面，零编程门槛。
2. 授权文件夹后，Claude 自动规划并执行多步文件操作，破坏性操作需用户二次确认。
3. macOS AVF 轻量 VM 隔离执行，Agent 循环自动拆解子任务并行处理。
4. MCP 集成 Google、Office 等数十款工具，支持企业私有插件市场。
5. Agent 的真正战场不是 IDE，是桌面。Agent 从开发者专属变成全员可用——AI 工具进入企业的关键一步。

OpenSpec 解决了一个我在 AI 编码里反复踩的坑：你和 AI 达成的共识，/clear 之后全没了。

• 问题本质：AI 在长对话中遗忘早期约束，清空上下文后设计共识归零
• OpenSpec 的解法：把共识写成结构化文档（proposal → spec → tasks），存进文件系统，不依赖对话记忆
• 核心流程：Propose → Apply → Archive，三步闭环，所有变更可追溯
• Delta Spec 机制：改需求不重写规格，用 ADDED/MODIFIED/REMOVED 增量描述，自动合并
• 和 Superpowers 的关系：OpenSpec 管"写什么"，Superpowers 管"怎么写"——一个定方向，一个定纪律
• 得物团队落地数据：10 天净增 25,546 行代码，研发提效 36%，关键是把规范写成 AI 的"可执行契约"

agent-browser 把浏览器从"给人用的 GUI"变成了"给 AI 用的 API"。

1. 定位：专为 AI Agent 设计的浏览器操控工具，自然语言输入、结构化结果输出。
2. 两种实现：Vercel agent-browser 是 Rust CLI（二进制 7MB），browser-use 是 Python 框架。
3. 核心差异：传统自动化写死每一步，agent-browser 是目标驱动——只关心"做到没有"。
4. 底层原理：CDP 直连 + Accessibility Tree 快照，context 用量比完整 DOM 少 90%。
5. 实际数据：WebVoyager 成功率 91.3%，单任务成本不到 $0.09。
6. 2026 趋势：MCP 集成、本地优先、反 Bot 对抗升级三条主线。

软件开发范式的底层逻辑变了——从瀑布到敏捷再到 AI 开发，不是在改进旧流程，而是把整个开发流程替换掉了。

• 瀑布模型：靠前期规划，像从零攒一辆摩托，上线那天才知道对不对
• 敏捷开发：靠快速反馈，从滑板迭代到摩托，但每一步仍然要人写代码
• AI 开发：靠意图表达，你描述要什么，直接给你成品摩托
• 核心转变在于驱动力的迁移：Plan → Feedback → Intent
• 效率提升不是"AI 写代码更快"，而是消灭了中间的等待和沟通成本

别再把 AI 当成"更快的程序员"——它在替换开发流程本身，不只是加速写代码这个动作。

英伟达目前的企业级显卡主要分为两条产品线（注：两者本质上都是 GPU，只是市场定位不同）：

训练卡：

• Ampere 架构：A100
• Hopper 架构：H100 / H200 / H800（中国特供） / H20（中国特供）
• Blackwell 架构：B100 / GB200 / B200

推理卡：

• Ada Lovelace 架构：L4 / L40 / L40S

此外，华为也有昇腾系列 NPU（如 2026 年发布的 950PR）作为替代方案。

选购建议：训练选 H100/H200，推理选 L40S，尝鲜等 B100。

Agent 死循环不是极端情况，是给模型自由度必须付的代价。

• 直接原因：工具调用失败后盲重试——不换参数，反复撞同一堵墙。
• 深层原因：循环缺少收敛信号，Thought 和 Action 之间没有"该停了"的显式判断。

1. 第一层防御：max_steps 硬限制，两行代码兜住 80% 的翻车。
2. 第二层防御：把 Finish 做成一个 Action，循环有了天然终止条件。
3. 第三层防御：system prompt 里写死"重试失败就换策略"，主动避障。

• 工程底线：step_id + 全局超时 + 连续重复 Action 检测，别信 Agent 能自己收敛。
• 三层防御一起上，单靠任何一层都有盲区。

ReAct 是默认范式但不是唯一解——选错工作模式比选错模型更致命。

1. Function Calling：无推理链的直接工具调用，延迟最低，仅适合单步任务。
2. Plan-and-Execute：先规划全局再逐步执行，长任务完成率高 2-3 倍，但无法动态调整。
3. Reflection：生成 → 批评 → 修正循环，能自纠低级错误，代价是每轮多烧一倍 token。
4. Multi-Agent：多 Agent 分工或辩论，适合复杂任务，协调开销和成本是硬伤。
5. Routing：先分类再分发到专精模型，成本可控但分类错误会连锁翻车。

最佳实践：确定性任务→Plan-Execute，开放探索→ReAct，质量敏感→加 Reflection，规模大→Multi-Agent。

ReAct 不是"推理"和"行动"的简单拼接，是把两者编织成一条交替推进的链路：每一步推理都有观测反馈，每一步行动都有推理支撑。

• 定义：模型交替生成"思考"和"行动"，每次行动后把环境返回的观测结果注入下一步推理，形成闭环。
• 与 CoT 的核心差异：CoT 在推理链中"脑补"事实，ReAct 通过外部工具或环境把推理接地——幻觉会触发不符预期的观测，反过来暴露推理错误。
• 关键循环：Thought → Action → Observation → Thought，这个循环给 Agent 带来自我纠错能力——工具调错了？看返回就知道，下一步改。
• Action Space 设计：工具描述、参数 schema、返回格式，这三样写不好，ReAct 的效果直接打对折。
• 常见翻车：Agent 陷入重复 Action-Observation 死循环，没有收敛判断——需要加 max_steps 或让模型自己输出 Finish。
• 适用场景：需要多步信息检索、代码执行、API 调用的任务。简单的单轮问答用 ReAct 是过度设计。

OpenClaw 自己没有"防锁屏"功能——让远程电脑一直在线不被系统休眠干掉，靠的是 操作系统层面 的电源管理配置。

• 根本问题：macOS/Windows/Linux 默认都会在空闲时进入休眠，系统的电源管理策略会直接挂起进程，Gateway 连接中断，远程控制失效。

1. macOS 解法：sudo pmset -a sleep 0 全局禁休 + caffeinate -s 进程级防睡 + LaunchDaemon 系统级自启，三层叠加 才能保证锁屏后服务不掉。
2. Windows 解法：电源计划设"从不睡眠"只是第一步，还要关混合睡眠、禁用 USB 选择性暂停、组策略禁用待机状态 S1-S3，否则 硬件省电策略会偷偷断网。
3. Linux 解法：systemctl mask sleep.target suspend.target 从 systemd 层面禁掉休眠路径，配合 logind.conf 忽略合盖/电源键事件，GNOME 只关屏不睡眠。

• 关键区分：LaunchDaemon（系统级，开机即跑）≠ LaunchAgent（用户级，登出即停），远程无人值守必须用前者。
• 验证标准：锁屏 30 分钟后 Gateway 日志仍有新消息进来，pmset -g | grep sleep 全显示 0，才算配置成功。

多模态模型的真正瓶颈不是 "看不清"，而是 "指不准"。

1. Reference Gap（指代断裂）：模型看到了目标对象，但在推理链中无法稳定引用"到底是哪一个"。"左边那个""他旁边的"这类自然语言描述在视觉空间里不是精确地址——场景越复杂、相似物体越多，语言变量就越容易在几步推理后漂移到另一个实体上。

2. 解法：把边界框和坐标点变成推理链的中间变量。 每写下一个框 = 在草稿纸上钉一颗钉子，后续推理围绕这些坐标展开，不再依赖模糊的自然语言指代。论文将框和点定义为"视觉原语（Visual Primitive）"——本质上就是把人类"用手指点着数"的动作形式化到了 token 序列里。

3. 工程压缩比 7056×：2916 patch tokens → 3×3 空间压缩 → 324 → CSA 注意力缓存压缩 → 81。语言模型 DeepSeek V4 Flash（284B/13B MoE）+ 从头训练 DeepSeek ViT，视觉 token 限制在 81–384，不靠无限堆 token。

4. 数据说话：~90 个视觉缓存条目跑出 77.2 分，Gemini 3 Flash 用 1100 个拿 76.5 分。视觉 token 不是越多越好，关键是模型有没有办法把"这个对象"稳定地绑定到图像坐标上。