20260513研读Openclaw类Agent资料摘录
20260513研读openclaw类agent资料摘录
Anthropic新轮融资还没公布，但场外交易平台的隐含市值已经突破了万亿美金。而OpenAI上一轮估值7500亿，场外老股成交价却在往下走，有些平台已经跌到六千多亿。AI这个行业有一个残酷的规律：资金只投第一。如果你代表一个新行业、开创一种模式，追着你给钱的人排着队。但当第一的位置松动，资本的流向就开始逆转。以前投资人把筹码堆在你桌上，现在开始往对面堆了。
OpenAI过去是用第一名的逻辑在运作这家公司的。Sam Altman搞星际之门、建几千亿算力中心。产品线也是铺满：文字推理有o系列、视频生成有Sora、内部还有机器人业务在研，最近甚至还传出要做手机。有数据可以算出来，
OpenAI的毛利大概在20%附近，而Anthropic前阵子算力瓶颈的时候已经做到40%多，到5月算力问题解决之后，毛利直接飙到了70%。编程是这个行业今天最核心的现金流战场，而GPT的编程能力一直被Claude压着打。
硅谷至今公认，OpenAI的人才密度全球最高。2026年计划把团队从4500人扩到8000人，研发人员占比超过三分之一，其中40%是从Google、Google DeepMind挖过来的。第二是算力。OpenAI早期融资多，在基础设施上砸了真金白银。据他们向投资者披露的内部数据，2025年已经拥有1.9GW的计算容量，2026年预计干到10-15GW，2030年的目标是30GW。
GPT-5.3到5.4到5.5，几个月连发三个版本。4月23日发布的GPT-5.5，内部代号Spud，定位非常明确：为真实工作中的Agentic能力而设计。大规模推理规划、工具调用、沙盒代码执行，每一样都是冲着编程Agent去的。
我跟好几个硅谷朋友聊，他们说现在日常主力工具已经切到Codex+GPT-5.5，深度任务上效果比Opus 4.7+Claude Code还好。下载量更直观。Codex上线一周干了四千多万次下载，同期Claude Code的下载量掉到了几百万次，而且那一周还在往下走
简而言之，如果说 RAG 是让大模型“带着书本进考场”，那么 Skillify 则是让大模型“把书读透并记成整理后的笔记”。前者依赖临场发挥、现找资料，后者依赖深厚积累、精准定位。对于追求高稳定性、高准确率的复杂 Agent 场景而言，构建这种基于渐进式披露的持久化知识库，或许是现阶段比单纯优化 RAG 检索策略更本质的解法。
LLM Wiki 其实就只是一个 Markdown 文件，其实是一篇思想文章，把这个理念扔给 Agent，主要是交给你的 Agent 来帮你实现更多的细节。但是，实际用起来的时候，你会发现人去管理这些知识，如果仅仅是基于原生“文件系统”，其实还是不太方便的，总感觉少了些什么。那么，Karpathy 推荐使用 Obsidian 这个软件来管理，也有一个 Obsidian-Wiki 。
总的来说，LLM Wiki 是一个“小而美”的个人/小团队知识操作系统。它在轻量化、透明度和可控性上做到了极致，但在规模化、自动化和复杂语义处理上存在天然瓶颈。随着知识量的积累，Markdown 文件和目录结构会急剧膨胀。当目录变得过于庞大时，模型在海量文件中定位特定信息的难度增加，准确率下降，这类似于传统软件开发中的“Skill 爆炸”问题，当Skill库过大时，检索和调用的效率都会显著降低。为了解决这个规模化的难题，就有了另一种更灵活、更具扩展性的方案应运而生，那就是 GBrain。
Anthropic给Claude Code上了一个新功能，叫agent view。简单说，就是不用再开十个terminal窗口分别跑Claude，一个命令就能在一个界面里看到所有会话在干什么。它做的事不是给你多一个AI模型，是给你多一只手，让你能同时盯住十件事，而不是一件接一件地跑。
md2wechat 是一个 Go 语言写的 CLI 工具，把 Markdown 直接转换成微信公众号排版并上传草稿箱。GitHub 2100+ Star，支持 40+ 主题、43 个排版模块，可接入 Claude Code / Codex / OpenClaw 等 AI 助手。免费模式够用，API 模式解锁完整能力。
2026年上半年，Anthropic的新一代模型Mythos是整个硅谷AI圈的焦点。
Mythos这个词，希腊语里就是"神话传说"。名字霸气侧漏，但如果你仔细看它的评测数据，会发现这名字甚至有点谦虚。
先说编程，SWE-bench Pro，业界公认最苛刻的编程评测。它扔一个真实代码仓库过去，要求跨文件修bug、改架构，模拟工程师实际干活的样子。Opus 4.6拿到53.4%，已是上代的天花板。Mythos直接干到77.8%，从"能干活的中级工程师"跳到"能独立负责复杂项目的高级工程师"。
硅谷的魅力正在于此：永远会有一个think different的团队，从你完全没想到的角度杀出来。1998年的Google，2004年的Facebook，2015年的OpenAI，2022年的Anthropic，都在重复同一个叙事——这里没有永恒的赢家。
下一个Anthropic，可能已经在某个车库里敲下了第一行代码
Frontier-Eng Bench 揭示了一种新的 Agent 范式：真正的智能不在于一次性生成答案，而在于长期反馈中的持续优化能力。Einsia AI 旗下 Navers Lab 发布了一个叫 Frontier-Eng Bench 的新基准测试，正试图衡量这种能力。它没有再把 AI 放进「一问一答」的选择题里，而是直接把 Agent 扔进真实工程优化环境——Agent 必须不断提出方案、运行仿真器、读取反馈、修改策略，在长期迭代中持续逼近更优解。
5月7日，马斯克宣布xAI并入SpaceX，甚至把22万张GPU租给昔日死对头Anthropic 的新闻，刷爆了科技圈。
我一直说，做AI，一把手必须自己真懂AI Coding。今天最前沿的战役，是怎么让大模型自己去理解、生成并优化代码。如果你不懂具体细节，当下属在这个问题上产生分歧时，你就没法拍板，也无法和团队站在一起冲锋。
Ollama 是一个开源工具，让你能通过一行命令下载并运行各种主流开源大模型，堪称本地 AI 界的 "Docker"。它支持 macOS、Linux 和 Windows，背后维护活跃，更新很快。
5月13日，腾讯发文称，选中微信群聊聊天记录转发其他应用-选择元宝-复制粘贴给元宝，就能让它帮你总结。此外，还可以将发票报销发给元宝生成表格、让元宝通过聊天记录制定个性化旅行方案等。
MiniCPM-V 4.6要解决的是两个问题。
普通设备上怎么运行AI，
以及高并发怎么省钱。
隔壁快手OneRec推荐大模型在处理视频输入里的字幕，标签，ASR（语音识别），OCR（字符识别），封面图这些多模态表征时，就用到了MiniCPM-V-8B，OneRec承接了短视频推荐主场景25%的请求。
从“流量为王”到“词元为王”，从免费逻辑到收费逻辑，从人力密集到智能密集，所有旧时代的商业常识、组织经验、竞争法则，都在被改写。
数据中心正在升级为Token工厂。黄仁勋在2026年GTC大会上预言：未来每一家云服务和AI公司都将以“Token工厂效率”作为核心经营指标。到2027年，AI基础设施的需求规模至少为1万亿美元。
在AI语境里，Token承载着三重角色：第一，它是语义信息的最小单元。第二，它是算力消耗的度量衡，每燃烧一个Token，都对应着芯片、电力、冷却、调度的真实成本。第三，它是智能价值的结算货币，将看不见、摸不着的“智力活动”，变成了可计量、可交易、可对比的标准化商品。
黄仁勋在2026年GTC大会上，将这场全球产业变革，提炼为“Token工厂经济学”。他为Token设计了从免费基础层，到顶级超高速层（每百万Token约150美元）的五档定价体系。价值梯度不再由模型参数决定，而是由推理性能、响应速度与上下文长度标定。
获取微信收藏文章内容的方法。
老老实实手动：每篇点开「复制链接」，把 47 个 URL 黏在一个 links.md 文件里。大概 10 分钟。把 links.md 里所有 URL 抠出来，挨个抓网页正文，用 trafilatura 转成干净的 Markdown，每篇存成 文章标题_01.md / 文章标题_02.md这种带文章标题和编号的文件。装好依赖直接跑。打开 NotebookLM，新建一个笔记本。
把 47 个 Markdown 拖进 NotebookLM 左侧的 Sources 面板，那个面板唰唰唰跳出来。
提示词是路线规划，模型能力是交通工具本身。
AI工程已经演进了三代。第一代是Prompt工程——把话讲清楚；第二代是上下文工程——把该给的信息给对；第三代是Harness工程——建立监督、约束和纠偏的机制。
最近快手上线的KroWork，解决的就是这件事。让没有技术背景的普通人也拥有制造这类工具的能力！
你跟它说一遍需求，它帮你把活儿干完，然后直接把整个流程变成一个可以直接打开的、有界面的、能反复使用的本地软件。
第一次生成的时候，KroWork跟其他Agent一样需要调用大模型来理解需求、生成代码、搭建界面。
但关键区别在下一步。生成完成后，这个应用就住在你的电脑里了。
DeepSeek--TUI 项目的设计理念很清晰，就是 Claude Code 的外壳，DeepSeek 的内核。
是一个完全运行在终端里的编程智能体，可以让 DeepSeek 直接访问工作区。读写文件、运行 shell 命令、搜索浏览网页、管理 git、调度子智能体等等工作，全部通过快速、键盘驱动的 TUI 完成。
原生支持 100 万 token 上下文窗口和思考模式流式输出，可以应对各种复杂的长工作流。
目前 DeepSeek-TUI 拥有三个模式
Plan：只读调查；模型先探索并提出计划（update_plan + checklist_write），然后再做更改
Agent：默认交互模式；多步工具调用带审批门禁
YOLO：在可信工作区自动批准工具；仍会维护计划和清单以保持可见性
从某种程度上看，大模型服务收费有其必然性。对平台而言，用户的每一次聊天、每一次服务都要消费资源，这需要以能源消耗、服务损耗和折旧为代价。平台商难以在消耗大量资金的情况下，长期提供免费服务。同时因为服务是免费的，很多用户使用大模型问一些无用或者无聊的问题，输入垃圾信息，很大程度上会污染相关数据，给大模型带来负面影响。
对于产业而言，“免费烧钱”肯定不是健康的商业模式。如果不能自己“造血”，一直靠外部“输血”，任何一个产业都不可能健康发展，更不可能不断提升自己，为社会做出贡献。“豆包”大模型收费模式只是一个试水，未来可能还有其他大模型采用不同商业化模式。相信最后能立得住，得到用户认可的模型，一定是形成了自身“造血”能力、能够不断投入、不断创新的模型，继而变得性能更好，服务更完善，真正走上人工智能的可持续发展之路。
近期，几个与具身智能相关的话题引发关注。一则是，2026杭州国际具身机器人场景应用大赛即将开赛。智能巡检、火灾救援、水下搜救、工厂分拣和物流……“赛博打工人”即将进行“入职测试”。一则是，宇树科技发布载人变形机甲，王兴兴上阵“操控”，机甲不仅一拳将一面砖墙锤倒，还能轻松变形，让科幻电影的场景照进现实。具身机器人纷纷开启“进化”模式，加速从实验室走向实际应用场景，正是未来产业发展的精彩路演。从北京人形机器人半程马拉松、运动会，再到多地举办的应用场景赛事，一场场融入真实场景的比赛，不仅彰显着发展新质生产力的巨大潜力，更展现着未来产业发展的铿锵步伐。
5月11日，阿里巴巴宣布千问与淘宝全面打通。以往我们想象过AI电商的样子，如今购物入口、决策方式和交易流程都开始被AI重写。你可以在千问内完成从找东西、挑东西、下单、付款到查快递的全流程；也可以在淘宝App内点击底部“消息”，体验“AI购物助手”，使用AI试穿、AI算优惠、AI低价帮抢等功能。
问不仅给出了不同方向的礼品建议和明确的推荐理由，还做了优先级排序：健康类优先于日常实用类，最后才是休闲雅趣类。并且它会追问家长的爱好和生活习惯，以给出更精准的礼品推荐。
总结下来，千问的AI购物助手至少具备了这样几项能力：它能把模糊的需求拆成可执行的方案，遇到复杂场景会反过来追问你，碰到预算限制还会主动找最优解。以刚刚卧室装饰为例，预算1000元，它自动拆解成不同品类，列出各品类的预算建议，再去推荐符合价格区间的具体商品。AI不再只是一个会回答问题的工具。它能读懂模糊的购物需求，会算优惠、查物流，甚至会在你下单之前先泼一盆冷水。
进入 2026 年的这几个月，所有 AI 基础模型厂商的产品方向都很一致：
把 Agent 从单体，组成一支可以协作的 Agent Teams。
前天晚上，Claude Code 发了 2.1.139 版本，最显眼的更新是 Agent View。在 CLI 里敲一句 Claude Agents，所有在跑的 session 全列出来，状态、阻塞点、需要决策的节点可以一个屏幕里看全。
MiniMax 也上新了。MiniMax Agent 桌面端这次整体升级，起了个新名字叫 Mavis，MiniMax as a Jarvis，并随之附带了 Tech Blog。第一，上线 Agent Teams。
桌面端现在支持多个 Agent 并行工作，你可以定义 Leader、Worker、Verifier 这样的角色组合，让一个团队去接长程、复杂的任务。
第二，TokenPlan 和 Agent Plan 合并。一份订阅打通 CLI、API、Agent 三端，M2.7、音乐、视频、语音所有模型都包在里面，Credits 额度在 Agent 和 API 之间可以共享。
桌面版左侧是 Agent 列表，每个 Agent 对应一个固定的角色。系统默认带了三个，自己再加也很简单，填一个名称、写一段职责描述就行。一次可以建多个 Agent，最后把它们组成一个 Agent Team。
我自己加了一个叫 Leader 的 Agent。它的职责是拆解项目流程，把子任务分配给其他 Agent，监督进度，控制每一步的停止与交付节点。
每个 Agent 还可以单独设置工作目录。这样不同 Agent 拿到的是不同的本地上下文，最后再串联起来一起跑。
其中比较关键的一个角色是 Verifier Agent，系统默认带，作用是复核其他 Agent 在任务中的执行情况，把出现的问题挑出来。
我每天都在用AI：写东西用，查资料用，理思路用，有时候连回一封稍微正式一点的邮件，都会先问问AI怎么措辞。我一直觉得这是在「提高效率」。
AI是人类有史以来最强大的「外包工具」。
GPS只外包了导航，搜索引擎只外包了查找，但AI可以外包几乎所有需要动脑的事——写作、分析、判断、创意……都可以全包了。所以，如果大脑真的遵循「用进废退」的逻辑，AI带来的风险，可能比GPS和谷歌加在一起还要大。
BBC文章真正想说的核心问题：AI不只是在替你干活，它还可能在悄悄改变你评估、判断、思考的能力本身。大多数人用AI的方式，就是把那些「本来应该自己做的深度思考」也一起外包出去了。
BBC文章里给了四个建议，建议一：先自己判断，再去问AI，建议二：用复述或考题强化记忆，建议三：先自己写，再让AI介入，建议四：主动给自己制造无聊，
2016年，郝景芳凭《北京折叠》获得雨果奖。小说写的是一个被技术、时间和阶层折叠起来的城市：不同阶层生活在三个空间，城市在一天中轮流翻转，把不同人群送进各自的时间切片。
十年后，她正在亲手经历另一种“折叠”：
她成了AI Agent重度用户，挥别了所有开发团队，自己带着AI做产品；
她把童行书院拆成9个小公司，总部全职人力是0，正式成为OPC（One Person Company，一人公司）。
郝景芳：真正自己写代码是从来没有过的。因此我从一开始就没有直接AI coding，而是在用Agent。
AI coding再强也是程序员，但老板不是直接跟程序员对接的，老板是跟产品经理对接的。
以前我们主程序员说，程序员永远不接产品经理以外的需求。Agent最舒服的地方，是把我过去跟产品总监的对话，变成我和Agent的对话。