Hermes 安装指南：macOS 和 Windows 怎么装
Hermes 不难装。macOS 直接跑官方安装器，Windows 先装 WSL2 再按 Linux 路线装。装完别先闲聊，先用并行读仓库和定时任务两个例子，看看它适不适合你。
- macOS 原生可装，Windows 走 WSL2，别在原生 PowerShell 路线上耗时间。
技术沉思、行业观察与人物线索，都收在这里。
这里汇总的是 Freelemon 的长文。现在列表页不再只有单一时间线，而是把搜索、标签和专题阅读放到同一层里： 技术沉思 偏系统、方法与工程判断， 访谈 偏一手观点整理与人物表达， 行业观察 偏竞争格局、平台变化与商业判断。
Agent 陪读系列
给刚开始用 Claude、ChatGPT、Cursor、Copilot 和各类 coding agent 干活的人，一条从概念、工程、方法到团队变化的顺读路线。
Reading Path
先读 00，再按 01 到 08 的顺序往下读。Latest Archive
AI Agent 文章归档
这里保留 AI Agent 标签下的时间线。专题区负责导读，这里负责完整归档和顺序回看。
01｜论文精选：这一周最值得看的三条判断
这一周最有价值的论文，同时改了三条判断：个人代理依然很脆弱，自动化 QA 还远不到可托付，竞赛编程 agent 的上限又被往上推了一截。
- OpenClaw 与 CIK-Bench 给出一个刺眼结果：面对真实网页里的对抗内容，个人 AI 代理的提示注入攻击成功率达到 73.7%。
01｜GitHub AI 趋势：这一周最值得看的三条线索
这一周 GitHub 上真正有分量的上涨，集中在三类更靠近产品底层的仓库：agent 运行层、端侧推理运行时和全双工语音代理。
- Hermes Agent 一周新增 14811 星，核心信号不在新 CLI，而在于它把安装、记忆、MCP 和 40 多个工具打成一层可运行的 agent 环境。
Anthropic 为什么要把 Managed Agents 做成平台层
Claude Managed Agents 不是一个孤立功能，而是 Anthropic 把 Agent 从模型接口推进到官方运行时平台的一步。真正重要的变化，不是多了几个工具，而是 Anthropic 开始接管 session、memory、vault、observability 和 prompt versioning 这一层基础设施。
- Anthropic 现在提供的不只是模型，而是一套托管式 agent harness，把 agent、environment、session 和 events 打包成官方平台能力。
Claude Managed Agents 的运行时架构是什么
Anthropic 这次公开的不是一个单纯的 agent demo，而是一套正式的运行时抽象。Agent、Environment、Session、Events 这四层一起定义了 Claude Managed Agents 的架构边界，也决定了它更适合长任务、异步执行和托管式运行，而不是完全自定义的 prompt loop。
- Claude Managed Agents 的核心不是单次请求，而是 `Agent -> Environment -> Session -> Events` 这一套托管运行时抽象。
00｜GitHub AI 趋势：最近 7 天快涨仓库怎么看
这条线只跟最近 7 天蹿升很快的 AI 仓库，重点判断它们背后到底是新工作流、新工具链还是短期热度，并用文档、活跃度和可复现入口先筛掉噪音。
- 候选池可以来自 GitHub Trending，但正文判断不能停在榜单截图。
00｜论文精选：最近 7 天的新论文该怎么挑
这条线只看最近 7 天真正值得工程和产品层继续跟进的 AI 论文，重点判断问题定义、证据强度和落地价值，不做摘要搬运，也不追热点论文名单本身。
- 默认只看最近 7 天公开的新论文或重要新版本，不靠旧论文翻红撑版面。
罗福莉谈 OpenClaw：成本批评成立到哪一步
罗福莉批评 OpenClaw，核心是第三方 Agent 框架终于要自己承担长期运行的成本。把官方计费规则、API 价格和 OpenClaw 近期调整放在一起看，她对单位经济的批评基本成立。
- 罗福莉批评得最准确的部分，是第三方 Agent 框架不能继续把第一方订阅当成长期补贴。
把多窗口 AI 工作流重构成单一控制面
真正需要重构的不是提示词，而是项目控制层。多窗口同时写文章没有错，问题在于写作、主干集成、部署和恢复过去没有被放进同一套状态机里管理；而且这套控制面现在已经开始落成具体脚本和状态文件。
- 多 Console 并发写作不是问题，真正的问题是过去没有把主干合并和部署收口成单写者流程。
Hermes 和 OpenClaw 怎么选：先看层级
Hermes 最近热起来，不代表它会直接替代 OpenClaw。两者都挂着 agent 这面旗，但一个更像执行内核，一个更像个人助手入口和控制平面，个人用户与企业用户后面的答案会完全不同。
- Hermes 更像 agent runtime，OpenClaw 更像个人助手入口和 control plane。
02｜Coasts 把 agent 运行时问题直接摆出来了
Coasts 把依赖、端口、网络和共享服务这些平时埋在脚手架里的问题直接摆到了产品正面。
- Coasts 关心的是进程、端口、网络和共享服务怎么一起管。
00｜本周 3 篇 Hacker News AI 文章先看哪一篇
这页只做导读：告诉你本周 3 篇分别在讲什么，适合谁先读。
- 这里只留最近 7 天里能回到原始来源核对的讨论。
GSD2 和 OMX 怎么选：两套 AI 编程工作流的分水岭
GSD2 在管项目，OMX 在管 Codex。两边都能做长任务，但不在同一层：一个更像执行内核，一个更像编排外挂。把它们看成同一层工具，后面基本都会用错。
- GSD2 把项目压成 milestone、slice、task 和落盘状态，更像执行内核。
Karpathy 的 LLM Wiki 火了，普通人该怎么用
Karpathy 的 LLM Wiki 之所以引发共鸣，不在于它又发明了一种知识库，而在于它把大模型往“持续整理、持续改写、持续积累”的方向推了一步。
- 这套方法最有意思的地方，是把问一次答一次的临时问答，变成会留下痕迹的整理流程。
Cursor 3.0 和 AI Agent IDE 怎么选
Cursor 3.0 已经不只是更强一点的 AI IDE。真正值得比较的，是它如何和 Windsurf、Copilot、Cline 分别走向不同的 agent 路线：控制台、协作编辑器、GitHub 代理系统和开放执行层。
- Cursor 3.0 最关键的升级不是换界面，而是把本地与云端 agent 收口成统一调度面。
2026 年看 Agent 与大模型，还没做完的六件事
到 2026 年 4 月，主流产品已经把推理、工具调用、短期记忆和基础 Agent 形态做成标配，但真正决定下一代能力上限的几块底盘仍未完成：算力分配、验证器、持续记忆、长时程执行、长上下文工作记忆与可验证推理。
- 更长的思考时间已经商品化，但“把额外算力稳定转成成功率”仍然没有被产品层彻底解决。
AI 一周办成 700 人大会？一个案例能证明什么，不能证明什么
一篇“用 AI 一周办成 700 人大会”的文章之所以好看，是因为它说对了一半。AI 的确能显著压缩策划、写作、整理和沟通型工作，但一个成功案例还远远不够证明“经验已经失效”或“AI 是主要因”。
- 现有研究较强支持 AI 抬高新手下限、压缩写作策划类工作的时间成本，但不支持把单个成功故事直接上升为普遍规律。
传统 SaaS 转向 AI：要重写的不只是产品，还有公司结构
传统 SaaS 公司转向 AI，真正难的从来都不在接入一个模型接口，而在定价、交付、组织分工、数据资产和产品边界要一起重写。能不能转型，先是公司战略问题，然后才落到功能层。
- 这轮转型最后会体现在收入质量和估值逻辑上，核心变量是上下文、动作权限和结果交付，不是页面多几个 AI 按钮。
群友的AI Agent协作方法论参考
与 Agent 协作时，最关键的不是把提示词越写越细，而是先判断任务是否落在它的能力边界内，再决定该放手、补足，还是拆解。真正拉开效果差距的，是边界判断、任务粒度、验证机制和干预时机。
- 控制强度应与能力缺口成正比，覆盖度高就放手，覆盖度一般就补信息，覆盖不了就拆任务。
LeWorldModel 的真正价值：给大模型补上一层物理直觉
LeCun 团队的 LeWorldModel 价值不在于“世界模型终局已到”，而在于它用更简单的 JEPA 训练方式，把轻量、快速、可规划的物理建模重新带回了台面。
- LeWorldModel 证明，小参数世界模型也能在特定控制任务里做到稳定训练、快速规划和有意义的物理表征。
更强 AI 的下一步，也许不在“更像人”这条线上
如果意识不是工程目标，那么更强 AI 的演化方向就没必要沿着“更像人”展开。真正值得追踪的，是架构、记忆、工具使用、世界模型和多代理协作这些更具体的系统变量。
- 未来更强 AI 的主战场，更像系统架构，而不只是参数规模。
QVeris、LangChain 与 Agent 分层
QVeris 更像能力发现与统一执行层，LangChain、LangGraph 和 Deep Agents 则分别落在 framework、runtime 和 harness。把它们写成同类替代品，会直接讲乱技术栈边界。
- QVeris 当前公开交付的是 tool search + tool execution，更像能力路由层。
05｜YC W26 长周期赌注：研究型公司的时间尺度
CellType、Polymath 和 Ndea 代表的不是同一种 AI 创业，而是三种更长周期的技术押注。评估它们，不能只问今天有没有收入，更要问科学路径、资本结构和下一轮验证点。
- CellType、Polymath 与 Ndea 的共同点不是都很前沿，而是都更依赖长期研究正确性而不是短期销售效率。
04｜YC W26 Physical AI：机器人项目如何穿过部署现实
机器人叙事最容易被 demo 放大，真正决定成败的却是部署、单位经济、数据闭环和现场复杂度。这一批公司值得看，但必须按比 SaaS 更重的现实标准来判断。
- 机器人应用层最先成立的地方，往往不是通用 humanoid，而是单场景、高 ROI、流程极痛的工业与农业动作。
03｜YC W26 Agent 基础设施：谁在争下一层控制点
Agent 基础设施会热，但热不等于都能长成平台。真正需要追问的，是身份、运行时验证、编排、监控和支付之中，哪几层站在动作执行与价值流转的关键入口上。
- 最值得重视的控制点，是 orchestration、runtime action validation、identity governance 和 payment rails。
02｜YC W26 医疗 AI：同一标签下的四条兑现路径
医疗 AI 最容易被一句话讲乱。行政自动化、患者前端、临床辅助与长期管理看上去都在用模型，商业节奏、监管压力和兑现方式却完全不同。
- 最接近真钱的医疗 AI，往往先发生在前台、计费、排班与保险环节，而不是最宏大的临床叙事。
01｜YC W26 收入型 Agent：谁最先逼近真钱
这一组公司最值得看的，不是 agent 叙事本身，而是它们已经切进愿意持续付费的工作流。判断它们的关键，不是模型炫技，而是交付质量、替代强度和留存路径。
- 结果型 Agent 的关键不在于会不会自主规划，而在于客户愿不愿意按结果持续付费。
00｜YC W26 Agent 创业地图：27 家公司该怎么分层
这组稿件不把 YC W26 的 Agent 项目混成一个总口号，而是按结果型产品、医疗、基础设施、机器人和长周期研究五个框架重排。真正重要的不是谁最像 AI 员工，而是谁占住了预算、控制点与时间窗口。
- 最应该优先看的，是已经切进结果付费工作流的公司，而不是口号最响的通用 Agent。
Self-Evolving Agents：自进化研究地图
自进化 agent 听上去像终局叙事，但当前研究真正提供的，更多是一张问题地图：评估如何设计、反馈如何形成、记忆怎样约束、改进怎样不失控。地图重要，胜利尚早。
- 它的核心贡献不是执行能力，而是把自进化 Agent 研究整理成四条主轴。
Swarms：多 Agent 工厂化的野心与代价
Swarms 的吸引力在于它不满足于单个 agent，而是试图把多 agent 策略批量化、模块化、产品化。但一旦走向工厂化，复杂度、调试成本和可靠性问题也会同时放大。
- Swarms 的核心不是某一种工作流，而是用一组预制架构把多 Agent 协作做成可选择、可切换的策略集合。
OxyGent：多 Agent 底盘为什么先要可伸缩
OxyGent 想解决的不是再造一个会聊天的 agent，而是多 agent 协作一旦进入长链路任务，状态、扩展性和系统稳定性如何一起成立。可伸缩性不是锦上添花，而是底盘前提。
- OxyGent 的核心表达不是某一种固定流程，而是把工具、模型和 Agent 抽象成可拼装的 Oxy 组件。
SICA：在自我进化之前，先把评估做硬
让 coding agent 自我改进听上去像自然下一步，但如果评估体系不够硬，所谓进化很容易只是噪声累积。SICA 的意义，在于先把怎么验证变好摆到系统中心。
- 这个项目最核心的不是自改代码，而是把自改进收敛成“评估-归档-修改-再评估”的实验闭环。
crewAI：把多 Agent 从概念秀拉回工作流
crewAI 值得看的地方，不是把多 agent 说得更宏大，而是把角色分工、任务编排和流程可见性收回到工程可执行的范围。它代表的是多 agent 从演示叙事向工作流产品的回落。
- crewAI 最早吸引人的是角色协作，后来真正补强的是 Flows、Memory 和可观测性。
Agent Orchestrator：并行 Agent 的后勤层
并行 agent 的难点，不在再多开几个模型窗口，而在任务拆分、依赖协调、结果合并与失败回收。Agent Orchestrator 的价值，是把这些后勤工作从演示效果推进成可持续工程。
- 它的核心，在于给每个 Agent 独立 worktree、分支和 PR 槽位。
从信息流到知识层：怎样筛出值得长期沉淀的可靠知识
做知识库最容易犯的错误，不是漏掉几条信息，而是把所有信息都当知识留下来。真正值得长期保留的，不是“今天重要”的内容，而是 30 天后、90 天后还能支持判断、设计和行动的内容。
- 信息排序解决的是“今天先看什么”，知识沉淀解决的是“未来还该保留什么”，这两个问题不能共用一个分数。
Agentic Web：当 AI 代理开始替人上网
如果主要上网“客户端”逐步从人变成 AI 代理，互联网真正要重写的就不只是搜索入口，还包括接口层、支付层、身份层和预算层。Agentic Web 的核心，正在变成一张机器之间可调用、可结算、可审计的执行网络。
- 浏览器型代理证明了 AI 已能替人操作网页，但它更像过渡性的义肢，而不是最终形态。
WordPress 和 Hexo 之外，独立博主还需要什么
对认真独立建站的博主来说，真正缺的往往不是再多一个博客程序，而是一套能同时承接采集、生成、审计、发布、主题切换和运维的内容操作系统。WordPress 和 Hexo 很成熟，但它们主要解决的仍是上一代建站问题。
- WordPress 解决的是后台运营，Hexo 解决的是静态生成，但两者都还不是一条 Agent 原生的内容生产线。
OpenClaw 全球 B 端与 C 端使用现状对比
截至 2026 年 3 月，OpenClaw 在全球范围内更像一个先在 C 端和 prosumer 层爆发、再被 B 端试点和平台层承接的产品。C 端赢在入口和上手速度，B 端更可能在治理、托管、安全和组织化包装上沉淀收入。
- OpenClaw 的核心母体仍然是个人 AI 助手，而不是企业软件套件。
想建立 2026 年 AI 判断，先别只追新闻
不是再追一轮热点，而是先挑出那些三个月后仍会重写你判断的原文。这 10 篇博客覆盖 Agent 定义、评测偏差、软件工程、推理路线、系统安全和 Agent 公司结构这几条关键线。
- 这十篇里最重要的不是新名词，而是它们分别重写了定义、评测和工程边界。
近期最值得看的 10 场 AI 播客与 YouTube 访谈
如果你只想补最近一轮 AI 讨论里最有信息密度的 10 场播客与 YouTube 访谈，这份清单足够覆盖模型、Agent、评测、编码、世界模型、机器人和 AI for Science 这几条主线。
- 最值得补的不是单条新闻，而是能解释 2026 年技术与产业分岔点的长访谈。
谷歌整合 AI Studio 之后，AI 开发市场会怎么变
这次被热传成“AI Studio 四个月重构”的事件，实质是谷歌把 Firebase Studio 的全栈原型能力收进 Google AI Studio，并把重度代码工作收敛到 Antigravity，开始把模型、后端和部署串成一条开发链。
- 谷歌这次收拢的不是单个前端生成器，而是“模型、原型、后端、部署、本地 IDE”整条开发链。
当 AI 离开聊天框：张小珺访谈里的机器人、汽车与物理世界
如果前两篇写的是模型公司和 Agent 公司怎样在屏幕里争入口，这一篇写的就是另一件更硬的事：当 AI 要接管汽车、机器人和物理动作时，软件、世界模型、终端与时间尺度会一起改变。
- 张亚勤把 AGI 画成一张分阶段地图：先信息智能，再物理智能，最后才是生物智能，时间尺度和载体完全不同。
从张小珺的 AI 深访里，看见 Agent 时代真正的产品线索
把肖弘、明超平、李想这些访谈接起来看，2025 年之后真正的变化不是大家都在做 Agent，而是产品定义从“一个会回答的模型”变成“一个能嵌进环境、持续代办并承接信任关系的活系统”。
- 肖弘最值得记住的不是 Manus 的热度，而是他对应用公司的方法论：预判模型下一个能力点，先在场景里等它到来。
00｜AI 进入组织之后，8 个岗位会先重排责任链
这组文章追踪的不是哪类岗位会被 AI 整批替代，而是软件组织里的责任链会如何被重排：哪些执行环节变轻，哪些判断权上移，哪些角色会因为 Agent 变强而重新变贵。
- 这组系列真正关心的，不是岗位口号，而是责任、边界和交付链会怎样迁移。
03. 产品经理在 Agent 时代，会转向成功定义与边界设计
产品经理这类岗位短期更像是在换重心，而不是被整体替代。需求文档、调研摘要和会议纪要会更容易自动化，但成功定义、边界处理和取舍判断会变得更重要。
- 需求文档和纪要整理会更容易自动化，但目标定义和取舍判断并没有变轻。
04. 测试工程师会更靠近评测与放行规则
测试工程师不会因为 AI 更会生成用例就自然淡出团队，先变化的更像是测试岗位里的重复执行层。越往前走，测试越会靠近评测工程、verifier 设计、安全边界和放行规则。
- 最先变化的，是机械执行测试这一层，而不是负责质量边界和放行条件的人。
05. 架构师在 Agent 时代，会更像运行时设计者
架构师的工作不会因为 AI 更会写代码就自然缩小，真正被重新筛选的，是只停留在图纸层、不碰运行细节的那种工作方式。Agent 时代更稀缺的，是能设计状态、协议、权限和运行边界的人。
- 先被削弱的，不是架构深度，而是那种长期脱离执行、只在上层画图的工作方式。
06. 项目管理进入 Agent 时代之后，会更像流程编排层
项目管理不会整体淡出团队，但信息同步、状态跟进和会议纪要整理这类环节会更早自动化。更有价值的部分，会逐渐转向流程编排、升级路径、依赖管理、人工接管点和例外治理。
- 状态同步和信息搬运会更早自动化，但例外治理和依赖编排并没有变轻。
07. 当 Agent 开始读文档，文档会变成运行时上下文
文档不会因为生成式 AI 普及就失去价值，但那些“为了交付而交付”的说明书会更快商品化。更重要的文档，正在变成 Agent 和人共同消费的运行时上下文与约束层。
- 低价值文档最容易被生成式 AI 商品化，高价值文档反而会因为 Agent 普及而更重要。
08. AI 工具扩散之后，IT 部门会更像内部 AI 平台
IT 部门不会因为团队自助用 AI 工具就自然边缘化，先被压缩的更像是装机、开账号和工单分发这类旧式支持工作。接下来更重要的 IT，会更像内部 AI 平台、权限控制和治理团队。
- 先被压缩的，是 helpdesk 型、工单搬运型 IT，而不是负责身份、权限和审计边界的人。
Pico、Null、Zero 三种 claw 路线怎么分
PicoClaw、NullClaw、ZeroClaw 的名字虽然都带 claw，但它们不是 OpenClaw 官方产品矩阵，更不是简单的大中小版本。三者分别在轻量部署、Zig 极简路线和本地隐私上做了不同取舍。
- 三只 claw 都有官网和仓库，但不是 OpenClaw 官方产品线。
OpenClaw 更像长期在线的 Agent 协调层
OpenClaw 更适合被理解成一层把聊天入口、长连接网关和底层 coding agent 接起来的协调层。它主要解决的是长期在线、跨设备接力和多执行器编排，而不是单次仓库编码的速度比较。
- OpenClaw 的核心价值不在单次仓库编码速度，而在聊天入口、Gateway 和执行器之间的长期协调。
从实践到原则：Harness Engineering 的落地方法
Harness Engineering 不是给 Agent 多接几个工具，而是把代码仓库、执行环境、验证门禁和反馈回路改造成 Agent 可读、可控、可评估的工程系统，让 AI 真正能在真实项目里稳定交付。
- Harness Engineering 的对象不是单个模型，而是 Agent 所处的整个工程执行环境与治理回路。
Pi 内部原理：从会话树到 RPC 接入
Pi 的核心并不神秘：它用 `createAgentSession()` 把模型、资源加载、工具集合、会话树和运行模式装配起来，再由 `AgentSession` 接管工具执行、上下文管理、自动压缩与 RPC 集成。
- Pi 的核心抽象不是某个界面，而是 `AgentSession` 这层把状态、工具、扩展和模式统一起来的运行时。
OpenClaw 把真实 Chrome 会话接进 Agent
OpenClaw 在 `2026.3.13` 更新线里把 live Chrome session attach 做成官方能力，真实浏览器会话第一次进入 Agent 的正式工作流，浏览器插件也从必选项退回到可选路径。
- 新增 `existing-session` 后，已登录的本机 Chrome 会话第一次成为官方 attach 对象。
Pi：OpenClaw 背后的极简 Agent，是怎么工作的
Pi 不是另一个大而全的 Agent 平台，而是一套刻意保持极简的 coding agent harness。它把上下文、工具、会话状态和多种接入方式压成一层轻量执行骨架。
- Pi 更像一套 coding agent 运行时和 harness，而不是一个把所有功能都打包好的大平台。
机器上桌之后之六：Martin Fowler
在 AI Agent 时代，Martin Fowler 之所以仍然很重要，不是因为他代表旧时代的架构教科书，而是因为当生成变快、代理变多、系统边界更容易被穿透时，重构、边界划分、渐进式演化和技术判断反而比以前更像硬约束。
- Martin Fowler 的重要性，在于他持续把复杂技术变化翻译成团队能执行的工程判断，而不只是抽象观点。
文科生如何有效使用 AI Agent 做内容创作
对文科生来说，AI Agent 最有价值的用法，不是整篇代写，而是先接手找资料、拆提纲、改写、多版本分发这些重复环节，让人把精力留在判断、事实核验和语气控制上。
- 文科生不是 AI Agent 的边缘用户，内容工作反而很适合先从人机协作开始落地。
编程 Agent 的基础结构：模型、工具、状态与验证闭环
编程 Agent 不是更会聊天的聊天框，而是一套能围绕目标读取上下文、调用工具、执行步骤并根据结果继续推进的系统。把这条线看懂，模型、工具、状态和评测这些基础概念就会立刻落地。
- 理解 Agent 的第一步，不是背一堆名词，而是先看清它和聊天、补全、工作流之间的边界。
Java 后端如何转向 AI Agent 工程
Java 后端转向 AI Agent，并不是从零改行，而是把过去积累的系统边界感、异常经验和工具工程能力，重新组织成运行时、评测闭环和治理能力。
- Java 旧栈不会失效，它会重新定价成工具层、状态层、观测层和治理层能力。
如何转成 AI Agent 工程师：一份基于最新研究的转型路线图
如果你还把 AI Agent 工程师理解成“更会写 Prompt 的人”，那大概率会转错方向。真正有价值的 Agent 工程，是把模型、工具、状态、评测和治理串成可交付系统能力。
- 从官方实践到最新论文都在指向同一个结论：Agent 工程的核心不是 Prompt，而是系统能力。
Agent 积累的其实是 Knowhow，不只是数据
Agent 的长期价值，主要来自持续沉淀任务拆解、工具调用、异常处理和验证标准这些可迁移的 knowhow，而不只是在数据和微调上继续加码。
- Agent 的长期进步，更常来自工作流和验证闭环不断变强，不只靠参数自己长出新能力。
Clawith：一支 AI 团队的开源样机
Clawith 最有意思的地方，不是把单个 Agent 做得更花，而是认真回答团队协作里身份、权限、触发器、审批和审计怎样一起落地，并让多 Agent 真正进入组织工作流。
- Clawith 的新意不在模型层，而在把 Agent 当成带身份和关系的组织成员来设计。
访谈：Harrison Chase 谈 Harness
这篇访谈围绕 Harrison Chase 的核心判断展开：Agent 时代真正要重建的，不只是模型接口，而是一整套执行、上下文和人类协同基础设施。
- 这期访谈的重点不是模型升级，而是 Agent 的底层运行方式正在整体重建。
现在做 Agent 产品，最该补哪一层缺口
现在做 Agent 产品，更值得补的是那层把 runtime、审批、回滚和团队规则接进真实工作流的控制层。系统层和平台层都已有强手，组织如何接住 Agent 反而还是空白。
- 系统层最像产品，平台层最像底座，但两边都已经出现清晰强手。
平台层争夺战：谁会成为 Agent 基础设施
平台层决定的是 Agent 能不能长期、稳定、可治理地跑起来。眼下最值得看的四条路线，分别是 LangGraph、微软、OpenAI 和 AWS 所代表的平台化方向。
- LangGraph 目前最像开放生态里的头号平台层选手，优势在 durable execution 和状态工作流。
做 Agent 系统前，先看懂系统、平台与工具版图
如果你想做的是能承接长任务、异步执行和团队协作的 Agent 产品，动手前先看清系统、平台、工具三层版图。它们解决的问题不同，拿到的入口不同，真正留下的缺口也不同。
- 市场已经分成系统、平台、工具三层，三类玩家的强项和边界并不相同。
长时间 AI Agent：从研究叙事到生产系统
长时间 Agent 的真正难点，不在单步够不够聪明，而在跨很多轮、很多上下文和很多工具调用之后，能不能继续保持状态连续、结果可验证和错误可恢复。
- METR 证明的是任务跨度能力在增长，不等于企业级稳定性已经成熟。
长时间 AI Agent 生产架构蓝图
如果一个 Agent 要连续运行二十分钟、两小时甚至更久，系统默认该长什么样？这篇文章把分层架构、状态模型、检查点、验证和上线顺序全部拆开讲清楚。
- 默认架构不是一个 Agent 跑到底，而是让 Orchestrator 调度很多短而可验证的小步骤。
OpenClaw 爆火之后，谁在卖工具，谁在卖云，谁在卖入口
OpenClaw 不是又一个热闹的 AI 玩具，而是一根很清楚的产业探针。它暴露了一件事：当 AI 编码从聊天升级为工作流，产业链每一层都会重新找位置，重新争入口和运行时。
- OpenClaw 的意义不只在项目爆火，而在 AI 编码工作流第一次低门槛跨过开发者圈层。