20260521研读Openclaw类Agent资料摘录

20260521研读openclaw类agent资料摘录

DeepSeek近日连续发布了两个Agent Harness相关岗位：Agent Harness产品经理和Agent Harness研发工程师。招聘信息显示，公司正在将前沿模型能力转化为领先的Agent（智能体）产品，其中除模型本身以外的所有工作，都属于Harness的范畴。DeepSeek资深研究员陈德里近日也在社交媒体发布信息证实了此事，他称“DeepSeek正在组织一个新的Harness团队做Harness方向的产品和研究”，并直言“简单来说就是对标Claude Code，做DeepSeek Code Harness”。

5月21日，腾讯公司公关总监张军宣布，腾讯出品的操作系统层级 AI 助手“马维斯”正式上工，能把整台电脑变成可对话的对象，开箱即用，Windows 端、Mac 端、安卓端版本同步上线。这款腾讯 AI 助手“马维斯”支持归类、解析文档，智能分类识别、处理图片，能修电脑（操作系统）等功能。腾讯官方表示，市面上 Agent 能做的，马维斯基本都能做。同时它还有对操作系统架构、文件所有的理解，依据任务来调度模型、桌面操控手机应用、移动端“云监工”等能力。

AI视频生成的热战，比想象中来得更早。字节跳动的Seedance 2.0在2月爆火，其性能直接改变了AI漫剧产业发展走向。紧随其后，阿里的HappyHorse（欢乐马）开启了API内测。据报道，快手旗下可灵也正以200亿美元估值谋求独立融资，ARR（年度经常性收入）已达到5亿美元。

在模型端和产品端，王长虎和团队几乎每3个月就会进行一次模型升级。2023年10月，爱诗科技推出PixVerse V1，成为全球首个可生成4K视频的视频大模型。到了PixVerse V4版本，爱诗科技已可将视频生成做到5秒之内。目前，PixVerse系列模型已经到了V6版本，AI生成视频不仅实现了音画同步，人物与场景质感也更贴近真实世界。

Sora 2做了两件成功的事情，第一，音画同步生成质量做得很好，模型终于不再拉胯。第二，它在消费平台做了很好，甚至很激进的尝试，不管它最后是否成功，不影响它是一次勇敢的尝试。

专为 AI 构建搜索引擎的基础设施公司 Exa 宣布完成 2.5 亿美元 C 轮融资，投后估值达到 22 亿美元，由 a16z 领投，a16z 合伙人 Sarah Wang 主导了本轮交易。Exa 目前服务超过 5,000 家企业客户和 40 万开发者，客户名单里有 Cursor、HubSpot、OpenRouter、Gamma、Lovable 等公司。据 Exa 披露，其客户查询量从 2025 年 4 月的约 1 亿次增长到 2026 年 4 月的约 10 亿次，一年翻了十倍。它的爬虫追踪着超过 5,000 亿个 URL，背后是自建的索引系统、自训练的 embedding 模型、自研的向量数据库，以及一个由 H200 GPU 组成的自有训练集群。Wang 告诉我们，Exa 产品的底层是同一个引擎：自己的爬虫，自己的索引，自己的 embedding 模型，自己的向量数据库。网站上每个产品只是用不同方式向这个引擎提问。

Voicebox 是一个本地优先的 AI 语音工作室 —— 它是 ElevenLabs 和 WisprFlow 的免费开源一体式替代方案。你可以用几秒钟的音频克隆声音，支持 7 个 TTS 引擎和 23 种语言生成语音，通过全局热键在任意文本框中听写，还能让任何支持 MCP 的 AI Agent 使用你克隆的声音说话。
两大云服务巨头分别占据了语音 I/O 循环的两端（ElevenLabs 负责输出，WisprFlow 负责输入）。Voicebox 两者兼顾，并通过捆绑的本地 LLM 实现文本精炼和个性化角色，让整个流程完全在你的机器上运行。

模型层面，谷歌放出了Gemini 3.5 Flash。
名为Flash，但这次3.5 Flash在编码、智能体能力和工具调用上都大幅超越了上一代的3.1 Pro。除了文本主导的模型，谷歌还推出了全新的多模态世界模型Gemini Omni Flash。它能根据任何输入创造出任何东西。普通消费者的智能体叫Gemini Spark，谷歌版的OpenClaw。这相当于你在云端雇了一个私人助理。

有一个思路给了我很大启发：把软件工程里成熟的测试和迭代方法，搬到skill创作里来，并且尽量降低技术门槛，让不懂代码的领域专家也能用起来。高频复用，而且流程够固定，才值得制作成skill。文章插图Skill,公众号排版Skill,

需求值得做，也别急着打开编辑器。先回答三个问题。
第一问：你是补能力，还是固偏好？
能力补充型，教模型做它原本搞不定的事。比如处理特殊格式的PDF、生成特定结构的文档。模型自己有短板，Skill把技巧编进去。
偏好编码型，模型本来也能做，但你要它按你的规矩来。比如按公司法务标准逐条审合同，每周从多个数据源汇总数据写周报。
第二问：输入、输出、边界是什么？
这是Skill的契约。输入什么格式？输出长什么样？绝对不能碰什么？没这个契约，你连它干没干活都判断不了。
第三问：单Skill，还是主Skill套子Skill？
解决问题，一个Skill干到极致。插图、排版、标题，各管各的。
解决流程，主Skill管编排，子Skill管执行。

有人说Skill就是轻量版Agent。这个说法听着顺耳，但不准。
Agent是决策者。它看环境、定计划、选动作、看反馈、修正自己。它有运行时的反思能力，是一个活的推理循环。
Skill是一本写好的操作手册。它告诉执行者"遇到这种情况，按这个步骤做"。不观察，不决策，不反思。改进不发生在跑的时候，而发生在你设计它的时候，你改它、测它、迭代它。

所以，Agent做决策，Skill做执行。Agent在跑的时候反思，Skill在设计的时候迭代。

我把官方那个做 skill 的工具（skill-creator），优化了一个终极版本，叫 skill-creator-cn。
我的目标很简单，你只需要说一句模糊的话，它和你一起做出第一个优秀的 skill。
skill 不复杂。本质就是一个文件夹，核心是里面的 SKILL.md，开头配一句话的“封面描述”，复杂了再往里加脚本和参考文档。你提一个需求，AI 先扫一眼手头所有 skill 的封面，判断该不该用、该用哪个，再把对应的完整内容加载进来。

my-skill/
├── SKILL.md # 触发条件 + 执行说明
├── scripts/ # 可被调用的脚本
│ └── do-something.py
└── references/ # 参考资料、模板、提示词
└── template.md

最简 SKILL.md 模板：

name: my-first-skill
description: 在用户要求做 XX 的时候激活，产出 YY。触发关键词:[关键词列表]。

---

什么样的事值得做成 skill？标准很简单：最近一周做了三次以上，做法基本固定，输出格式可预期。
像每天搜行业资讯、做竞品分析、按固定格式写周报、整理会议纪要，都是好候选。

真正核心的就四点：
1. 帮你想清楚，而不只是帮你写。 这正是细化你需求的地方。
2. 一个工具服务所有水平。 小白不被术语吓退，老手不被啰嗦拖累。
3. 管到能用为止。 不是生成完文件就撒手，带你到装好、跑通、确认会触发。
4. 增强而不是重造。 官方验证过的后端全留着，所以它既好用，又踩在可靠的地基上。
这些就是，能帮你做出优秀且准确的 skill 的核心。

OpenHuman相比Coze的优势是：能本地化部署保护数据隐私；开源代码可以随便改，定制化能力强；有持久记忆系统，真的能记住用户的偏好和历史；第三方集成更多。但Coze在零代码开发和国内生态支持上还是领先很多。简单说，OpenHuman走的是差异化路线。它不追求零代码的易用性，瞄准的是对数据隐私有要求、愿意花点时间学习的技术用户。它也不想做一个大平台，就是想做一个真正能理解用户的个人AI助手。OpenHuman的崛起，说明AI Agent已经开始从"会聊天"向"真正懂你"进化了。Memory Tree架构、本地优先的设计、广泛的第三方集成、智能压缩技术，都给AI助手的发展指了一个新方向。

OpenHuman 的核心思路不是让你和 AI 聊天，而是让 AI 消化你所有的工作信息，然后代你做事。
你授权它接入 Gmail、Google Calendar、GitHub、Slack、Notion、Linear，它每 20 分钟自动扫描一遍，把新邮件、新会议、新代码提交、新消息全部拉到本地，压缩成记忆树存到你本机的 SQLite 里。然后根据这些信息，自动帮你回邮件、整理日历、处理工单。

最近 Hyperframes 是真的火了，公众号和 X 上隔三差五就能刷到。这是 HeyGen 开源的一个框架，一句话概括：用写网页的方式做视频特效，然后一行命令渲染成 MP4。
HTML 导出视频这事不新鲜，很早就有人做过。但 Hyperframes 让人兴奋的地方在于：它把视频制作变成了 AI 能干的活。 整个流程——写模板、填内容、校验、渲染——每一步都是结构化的，AI Agent 能看懂、能执行、能自己检查有没有出错。
它是一个 AI 友好的视频工作流。
你想象一下：用户说一句"帮我把这篇文章生成视频" → AI Agent 拆解需求，生成 Hyperframes 指令 → 自动编写 HTML + 动效 → 渲染输出 MP4 → 推送到社交媒体。

用户只需上传一张参考图片，模型便能精准识别其中的主体姿态、构图布局、色彩风格或局部特征，并在此基础上生成全新的、符合用户需求的作品。
这意味着，Image 2.0将彻底解锁各大具有商业价值与应用场景的能力：

基于这一定义，典型的“OpenClaw类”项目例如：OpenClaw本体、Nanobot/NanoClaw/PicoClaw等轻量实现、AutoResearchClaw科研流水线、Claw Code（Claude Code源码泄露的重构生态）、DeerFlow 2.0（ByteDance的SuperAgent Harness）、Autoresearch（Karpathy的实验自循环框架）、Hermes Agent（多层记忆+自进化技能）等等。这些项目各有侧重，但共享上述六项特征。

5月20日，在2026阿里云峰会上，阿里云发布为Agent而生的全新AI产品官网“千问云”（www.qianwenai.com），提供Qwen、GLM、Kimi、DeepSeek、Wan、HappyHorse等150多款主流模型API ，并将模型服务的核心能力封装为Skills和CLI工具，可让Agent工具高效地用模型和开发AI应用。这是面向Agentic时代全面升级的重要部分，当天阿里云推出了全新“芯-云-模型-推理”技术体系。

Agent不再只住在云端——联想携手此芯科技，把190 TOPS本地AI算力装进手掌大小的AI主机，让每个人都能拥有一座7×24小时运行的私人Token工厂。 旗舰型号联想AI主机P7：机身只有手掌大小，整机功耗最大仅30W，一个普通移动电源就能带动。
但就是这么小的身板里，塞进了190 TOPS的本地AI算力，支持最高1220亿参数的本地大模型部署，顶配80GB内存，128K上下文窗口，推理速度最高可达50 Token/s，运行噪音控制在35分贝以下。更有意思的是「一机双模」设计。
模式一是智能体任务执行模式，预装天禧Claw，复杂任务最大化本地运行，不烧云端Token；模式二切换成私属大模型模式，提供API Key接口，任何AI应用都能接进来——秒变一座「本地免费Token工厂」。

谷歌DeepMind豪言，Gemini Omni结合了Gemini推理能力与生成能力，在世界理解、多模态和视频编辑上的重大飞跃。这是谷歌迈向万能生成模型的第一步：
• Gemini Omni是Google的全新世界模型
• Google表示，AI正从预测文本转向模拟现实
• 它能生成逼真的视频、图像和交互式模拟
• 它展现出更强的直观物理理解能力，包括动能和重力
• 它能将复杂概念转化为可视化讲解
• 它支持对话式视频编辑

Andrej Karpathy，这个名字在 AI 圈几乎不需要介绍。斯坦福 CS231n 课程的主讲人，深度学习领域最受欢迎的科普者，OpenAI 联合创始人，Tesla 自动驾驶团队的前掌门人。他的一条推文能让某个技术方向热度暴涨，他在 YouTube 上传一个讲 Transformer 的视频，播放量轻松破百万。
就是这样一个人，今天宣布加入 Anthropic。

全球权威IT研究与顾问机构Gartner给出的预测正将这个矛盾推向临界点：到2026年底，40%的企业应用将集成AI Agent，而2025年这一比例还不足5%。企业云存储巨头Box的首席执行官亚伦·莱维（Aaron Levie）在2026年4月一次访谈中更是直言，Agent将渗透进几乎所有有经济价值的任务——审查每一份合同、承接大多数客服前线工作、审计每家公司的财务、生成几乎所有将被写出的代码。

从硬件看，OpenClaw在全球技术圈引爆“龙虾”热后，深圳一家初创公司迅速推出了一款巴掌大小的硬件Violoop。2026年3月，这款产品在一个月内即完成数千万元种子及天使轮融资。用户使用时，只需用HDMI与Type-C线分别连接电脑和设备，它自带芯片与独立算力，通电后自主运行任务，不占用主机CPU与内存。它让AI能在本地持续运行、看屏幕、调用鼠标键盘操作，并自动处理文件、邮件、日程等任务。

这是一种“外接方案”——给普通电脑加一个专用外设，让它变身AI电脑。更激进的玩家选择彻底独立。深圳创业公司吾云创新（Zettlab）即将推出的Agent Computer没有屏幕、键盘、鼠标这“三件套”，可以24小时运行，内置专用AI芯片与本地模型，开箱就能让“龙虾”自主运行。它能够理解、调用、编排个人数据，且这些数据都沉淀在硬件里，做到了隐私隔离。

今天的人机交互界面具有四个鲜明特征：第一，它是可视化的，窗口、图标、按钮、菜单，所见即所得；第二，它是可直接操作的，点击、拖拽、滑动即可完成任务；第三，它遵循即时反馈原则，视觉、听觉、触觉随时响应；第四，它大量使用隐喻设计——桌面、文件夹、回收站等名称，都是借用人类在物理世界已有的心智模型。

人工智能与机器人技术将开启一个“丰裕时代”。未来，真正稀缺的东西只有两种。一种是人为制造的稀缺，即我们刻意令其稀缺的东西，比如某件艺术品。另一种是独一无二、无法替代的物品，例如一所位于特定地点的独特房屋。
不必担忧机器人造成人类失业。我们当前已面临严重的劳动力短缺，未来仍将如此。机器人技术将创造一个丰裕的世界——任何人都可以获得想要的商品和服务，而且价格低得令人难以置信。
特斯拉的目标是尽快造出实用的人形机器人。最终，将有数以百万计的人形机器人投入使用。这意味着一个丰裕的未来，一个没有贫困的未来。届时，我们将有能力为所有人提供基本生活保障。这将是人类文明的根本性变革。