Asher

[数字生命卡兹克 @Khazix0918]

https://t.co/iZWbAk0MRj

[Bruce Guai @BruceGuai]

我们是如何构建当下领先的 Agent 产品架构的？

Matrix 不是一个 Agent，而是一套能长期运行的 Agent 公司架构。

这张图就是 我们最领先的 Agent harness 的底层架构。

Matrix 不是把所有文件、工具、权限都塞给一个巨大的 Agent，然后祈祷它别跑偏。

它是一套 Agent 公司 OS。
一个工作区，先变成公司的大脑：
代码、文档、文件、目标、规则、审批、历史任务、优秀样例、品味，都会进入同一个组织上下文。

在大脑之上，是 Matrix 的运行指挥层：
唤醒、定时任务、部门消息、OKR 状态、权限、模型路由、证据账本、记忆更新，都由它调度。

再往下，工作不再是一个聊天窗口里的随机对话，而是被拆成长期运行的部门：
创始人战略、产品工程、增长市场、运营支持、研究实验台。

每个部门都有自己的身份、记忆、技能、任务历史和独立上下文。
部门主导 Agent 负责读目标、分派任务、选择最合适的执行席位。
有些任务适合 Codex。
有些适合 Claude Code。
有些适合 Matrix 原生 worker。
有些必须交给浏览器和电脑自动化。
重点不是“一个模型做所有事”。

重点是：
正确的 Agent，拿到正确的上下文，待在正确的边界里，用正确的工具，最后用证据证明它真的完成了。

这也是为什么 Matrix 里最重要的不是聊天，而是闭环：
工作区大脑 → 部门主导 Agent → 执行 Agent → 产物 → 证据 → check-in → 记忆更新。

每跑完一轮，公司都会多一点记忆、多一点经验、多一点可复用的工作方法。

这才是我们理解的自进化 Agent。不是一个 Agent 只在虚空里改自己的 prompt，而是一个组织通过真实产物和证据不断复利。Matrix 要做的不是“更聪明的聊天机器人”。而是让每个人都能拥有自己的第一家 Agent 公司。

dm or 评论再给大家送一些测试额度，数量有限

[Easycompany @Easycompany333]

Anthropic 工程师70分钟workshop

教你如何让Agent自我优化式的工作十几小时甚至天而不偏移、丢失上下文、自我Loop和迭代

对于Agent解决工作、生活、编程、产品有非常大的帮助

[老金 @freeman1266]

Google 工程师放出的这篇 Loop Engineering

核心循环是 Act→Observe→Learn→Repeat：LLM 提出代码变换方案，编译器跑完反馈结果，再迭代。

关键在于把编译器当 reward signal——不需要人类标注，不需要 RLHF，编译通过+性能提升就是自动奖励。

agent 做底层优化的路径比写业务代码清晰太多。

Pdf 链接在评论区获取👇

https://t.co/ykcajHL43Q

[Asa @app_sail]

Guru 老师这篇 Agent Memory 分析的很全面啊

[扫地僧🔶BNB @csf1349]

表妹有点害羞 ，放不开！

[黑料网第一吃瓜 @Heiliao1112]

这身高配长相确实难顶 #黑料网

[小盖 @xiaogaifun]

字节对大厂 AI Coding 的反思，好真实。

字节技术副总裁洪定坤的分享，我来回看了好几遍，很有启发。

字节在 AI Coding 方面的实践还是很有代表性的，推荐所有做研发的同学都可以看看。应该会感同身受。

我看完记了一整页笔记，分享给大家。

我甚至觉得可以把这个分享理解为字节在 AI Coding 上的一些真实反思。

根据自己的理解，我把这个分享里对我有启发的几个判断展开来聊一聊。

其中会夹杂很多我自己的感触，想看原文的可以直接去找演讲全文。

反思一：AI 代码贡献率不该是 KPI

AI Coding 基本上都已经逐步进入了各个公司的生产流程。

很多人都在说自己的业务有 90% 的代码是 AI 生成的，乍一听，感觉很恐怖。

但其实，AI 对研发的提效没有外界想象的那么高。

洪定坤举了 TRAE 团队的例子。TRAE 本身就是做 AI 工具的，所以这个团队对 AI Coding 的采用非常积极。

过去半年里，他们有 94% 的代码都是 AI 贡献的。但人均需求吞吐率只提升了 60%，也就是之前的 1.6 倍。

这就有疑惑了，AI 写代码的速度至少是人的 10 倍以上，如果 90% 以上的代码都是 AI 产出的，效率至少应该提升 5 倍或者 10 倍吧？为什么只提高了 1.6 倍？

字节得出来的结论是，单一的指标，比如 AI 代码占比，根本没有办法代表真实的生产力。

如果把 AI 代码贡献率当成 KPI，结果就是大家都去优化 AI 的生成量，而不是优化交付能力。

看起来 AI 用了很多，但系统的效率并没有真正变好。

那为什么 90% 的代码都是 AI 写的，人效才提了 1.6 倍？一个很重要的原因是，写代码只是整个研发流程的一个环节。

写之前要理解需求、写 Spec，写完之后要验证功能、提交发布，这些环节如果还是传统方式，光把写代码加速了，整体效率提不上去。

洪定坤把字节在这方面的尝试叫做系统化的 AI Development，核心意思就是 AI 不能只管写代码，得让它进入更多的研发环节，整条链路都跑通，效率才能真正上来。

前两天出去的时候还跟别人争论这件事。现在还有不少公司在追踪员工到底用了多少 Token，说白了，这是在追踪过程。

更应该关注的是，用了这个工具之后，从结果层面去看，交付到底有没有变得更快、更可靠。

一个团队天天说自己 AI 工具用得贼溜，消耗了多少 Token，但没有什么有效的产出，那这到底是好事还是坏事。我觉得这是一个值得每个管理者思考的新问题。

反思二：功能正确≠工程可用

Vibe Coding 的理想状态是就像聊天一样，用自然语言表达自己的需求，最后做出来想要的产品。

如果哪里不对，再用自然语言和 AI 沟通，让它修改。这是过去一年 Vibe Coding 风靡的思路。

对于不太复杂的应用，这种方式完全没问题。我自己做的一些项目基本上就是这个流程跑下来的。

但只要是做生产级的软件，无论公司大小，流程肯定不是这样。

因为公司里必然有老代码，有一套约束。怎么复用已有的组件，安全和权限怎么处理，性能怎么保证，还有兼容性、可维护性。

正经写过工程代码的人都清楚，Vibe Coding 描述的那个状态是比较理想化的，更适合做小项目和验证想法。

真正的程序员虽然也在 Vibe Coding，但流程跟理想状态不一样。

字节内部做了一个实验来验证这个判断：三个模型，三个 Agent 框架，两两组合成 9 种方案，针对同一个需求，每组跑 100 次，总共 900 次。

结果发现，AI 在功能正确率上表现还不错，所有组合都超过了 80%，也就是说，AI 把功能写对的能力已经过了及格线。

但无论哪个组合，生成代码的工程质量都不太好。比如 UI 不对，没有复用组件，性能有问题，结构不符合规范。

这些问题大家在用 AI 写代码的时候应该都碰到过。

现在所有上了牌桌的 Coding 模型，都已经过了 Opus 4.6 这个级别的临界点，模型可以自主写代码了。

这个时候影响 AI Coding 成败的绝对不是裸模型，而是裸模型加上 Harness 的能力。

这个判断本身不算新鲜。

但我最受触动的是字节对 Harness 的理解。

他们的反思是，整个行业好像还是把 Harness 等同于 Agent 框架，诸如用 single agent 还是 multi agent，包含哪些角色，角色之间怎么配合。

这些当然重要，但字节在实践中发现，真正决定 AI Coding 能不能落地的，反而是更基础、更工程化的东西。

洪定坤把它叫做基建。

比如上下文工程有没有做好，架构的约束够不够清晰，团队的知识能不能有效沉淀下来，过去的技术债有没有梳理清楚。

这些看起来不那么性感的工作，反而直接影响 AI Coding 的效果。

实验数据也验证了这一点。同样的模型和框架组合，把这些基建结合进去之后，功能正确率直接从 80% 提升到了接近 90%，工程质量得分，也从之前 40 到 60 分的不及格水平，普遍提升到了 80 分左右。

基建做不好的话，可能的后果是，Vibe Coding 感觉快了，但实际整体可能更慢。工程的债，迟早得还。

反思三：代码门槛下降之后，团队怎么协同

洪定坤分享里有一个例子让我印象很深刻。

产品经理有个需求，发现还得等研发排期，就说那我自己来吧，用 AI 三下五除二就把功能给实现了。

确实这个功能不复杂。做完之后产品经理把代码给到研发，说我已经把代码写完了，现在你只需要帮忙把功能上线就行。

研发一看，不行。你这代码能跑，但不符合上线的规范，有权限问题、安全问题。

产品经理就很委屈，你们没时间做这个需求，现在我都做完了又不让上线。可研发看到的其实是代码质量的问题。

所以这里面就有一个需要所有人正视的事情，虽然代码的生成门槛虽然下降了，这并不代表系统的复杂度也下降了。

真实的业务系统里，代码要放到已有的架构里，要跟已有的模块配合，还要考虑各种各样的问题。

绝对不是谁写出来就能直接上线的。不然肯定会出问题。

怎么让不同角色的人用同一套工具和规范做出符合要求的代码，这是接下来大家需要去解决的。

字节的思路是在内部尝试工具化。比如把内部实践直接产品化，沉淀到 TRAE 里面，开放给所有人。

其实说白了就是工具化。

我看朋友圈有好多大佬也都在转这篇文章，应该还是有挺多共鸣的。

我感觉这一次分享多少也是一些拨乱反正吧。因为过去一段时间确实有很多听起来很离谱的言论，有些人会疯狂地炫耀自己使用了多少 Token，会认为这就代表着 AI Native......

强烈推荐大家看看原文。字节跳动的公众号就有。

[叫我阿杭 @Astronaut_1216]

我觉得中国已经没有人比逸尘更懂Codex了
我已经挨个帖子翻翻看看了

[菲菲4.0 @meimei1935]

哈哈哈，这波《走个面儿》操作太绝了！🤣🤣🤣
韩红老师还没来得及张嘴呢，黑人姐妹们已经把《走个面儿》唱得声泪俱下、非洲草原都跟着抖三抖了。
原唱在后台还没热身，翻唱版先把全网唱爆，网友直呼：“老韩你红了！红到非洲兄弟都帮你走面儿了！”
这哪是走个面儿啊，这简直是韩红还没登场，替身先把舞台唱塌了。
韩红：我还没唱呢……
黑人大妈：宝贝儿你歇着，我们先替你走个面儿，唱得非洲人民都以为这是传统民歌了！😂
老韩这次真是躺着也红，别人走面儿，她直接走出了国际范儿。这波属于“原唱未动，全球先唱”，绝！🙈

[Hpp2 @Hp2ai]

好消息，0开卡，0月租的英国🇬🇧手机号码又来了，

Giffgaff卡瞬间不香了。

只需预充值1英镑，CMlink UK，所有操作都跟CTExcel一样。之前没上车得可以看看👇🏻

https://t.co/3pEBDKGNju

[黄赟 @huangyun_122]

Obsidian 老板亲自写的 Skill， 开源了，这还能不试试？

[杨进 @shaozhu93314]

哥我求你了，多分几个系列吧，我知道非常干… 看的也很爽，但是看的难受🥹，我容易猪脑过载，读着读着脑子里的上下文就爆了。结果滑轮刚滑5%… 力推！！！夯夯夯！

[向阳乔木 @vista8]

字节火山引擎大会上洪定坤的分享，有几点值得参考：

1. 用原型驱动开发：用 AI 生成可交互原型替代 PRD，基于这个讨论，提前暴露分歧。

2. AI Development系统化：AI写 Spec → 功能实现→ Browser Use 验证→自动提交上线

3. Harness 基建：上下文工程 + 架构约束 + 团队知识 Memory + 技术债梳理 ，能把可交付性从 40~60 分提到 80 分

原文见评论

[数字生命卡兹克 @Khazix0918]

https://t.co/nwjcDiCzEu

[哈哈 @SPCXOK]

AI短剧捉妖人，目前看到的女性角色里面的妹子皮肤质感最好的

[Bruce🐼 @paulwalker99318]

晚点LateTask这篇访谈的信息量非常大，关于百度美研、Scaling Law、OpenAI、Anthropic、Cerebras的往事。

> "Dario 能进百度，其实是他职业生涯里很重要的一步。他是 Greg Diamos 招进来的。而且加入百度前，Dario 并不是计算机或 AI 科班出身，而是数学、物理和生物背景，Greg Diamos 发现他很有 AI 直觉和训练模型的能力。"

> 十年前（早于transformer），百度已经在训练接近 3 亿参数的语言模型——也就是发现Scaling Law雏形的时候。用 GPU 训练一次要三个多月，这个模型基于一个自研的框架——Paddle（飞桨）。

> Sam Altman 本人是 Cerebras 的投资人。百度是 2017 年投的，Sam Altman 2016 年就投了。

> 百度早期投资 Cerebras，投资决策只用了2天，由李彦宏、陆奇、CFO做出——这个投资决策也证明了百度当时的投资眼光有多超前。

> 百度曾有机会成为 OpenAI、Anthropic 的早期天使。当时OpenAI、Databricks、Scale AI 这些公司都在百度的待投名单上。可惜的是中美关系恶化导致没投成。

> 陆奇早年曾是 Sam Altman 的 mentor。2018 年 5 月陆奇从百度离职后，同年 8 月便接受 Sam Altman 的邀请，出任 YC 中国的创始人兼首席执行官。

> 2020 年夏天，一些在 OpenAI 的百度前员工说 GPT-3 快训练出来了，当年在百度想做的事情，快在 OpenAI 做成了——维基百科水平的语言模型。那时 GPT-3 还在后训练阶段，距离 ChatGPT 出来还有两年多。

> 百度美研顶峰时期至少 250 多人，人才密度很高，甚至在 Google DeepMind 都没有过。很多人是冲着吴恩达来的。

> 后来这里的很多人加入了核心 AI 创业公司，或自己创业，除了前面提到的 OpenAI、Anthropic，也有人参与创办 Adept、xAI，还有一些人成了 Meta FAIR 等实验室的重要成员。

https://t.co/VtsLBtILRZ

[马东锡 NLP @dongxi_nlp]

https://t.co/1n8IN40nzx

[zhouluobo @zhouluobo]

说一个暴论，如果想理解 AI 接下来怎么走，先把信息源换一批。

相信很多朋友和我一样，AI 关注列表里，有大量工具号、变现号、提示词号，这些当然有用。

但如果你想看更上游的东西，比如模型方向、Agent 演进、开源生态、机器人、推理、AI 安全、产品化趋势，可以优先关注这些人。

按 4 层来分，咱们一层一层看。

第一层：顶级研究者和思想源头

@karpathy
最适合普通人长期关注的 AI 技术解释者。LLM、训练、Agent、教育内容都讲得非常清楚。

@ylecun
图灵奖得主，Meta AI 代表人物。观点很锋利，经常和主流 LLM 路线辩论。

@fchollet
Keras 作者，ARC-AGI 发起人。很适合看他对智能、泛化、评测的思考。

@ilyasut
Ilya Sutskever，SSI 创始人。发得少，但每次都容易成为行业信号。

@geoffreyhinton
深度学习奠基人之一。AI 风险、智能本质、神经网络历史，都绕不开他。

@goodfellow_ian
GAN 发明者。低频高信号，适合关注基础研究和技术判断。

@NoamShazeer
Transformer 论文作者之一，https://t.co/21h2YzU8lz 联合创始人。真正影响过这一代模型架构的人。

第二层：顶级实验室和负责人

@OpenAI
模型、Codex、Agent、开发者生态，一手更新源。

@AnthropicAI
Claude、Computer Use、AI 安全和可控 Agent，非常适合关注 Agent 工作流的人。

@GoogleDeepMind
Gemini、Alpha 系列、科学 AI、机器人和多模态研究。

@AIatMeta
开源模型、Llama、视觉和基础研究，开源生态必须看。

@xai
Grok、X 算法、实时信息流和 AI 产品结合，和 X 内容生态关系很近。

@sama
OpenAI CEO，看产品方向和行业节奏。

@DarioAmodei
Anthropic CEO，看安全、Scaling、模型治理和长期判断。

@demishassabis
DeepMind CEO，AI for Science 这条线非常重要。

第三层：Agent、工程化和真实工作流

@hwchase17
LangChain 创始人。LangGraph、Agent 架构、Evals、长期工作流，非常适合做 Agent 的人看。

@LangChain
Agent 工程化更新源，LangGraph / LangSmith / Deep Agents 都在这里。

@jerryjliu0
LlamaIndex 创始人。RAG、知识库、数据层和 Agent 结合，实战价值很高。

@goodside
Riley Goodside，提示词、模型行为、边界测试，很多案例都能直接启发工作流设计。

@HamelHusain
做 AI 系统测试、Evals、可靠性，非常适合看“怎么让 Agent 真正可用”。

@swyx
AI Engineer 代表人物之一。Agent、AI UX、开发者生态、产品化趋势都很有密度。

@DrJimFan
NVIDIA 机器人和具身智能方向，非常适合看 Physical AI、世界模型和机器人。

第四层：产品、创业和 AI 应用

@AndrewYNg
AI 教育、应用落地、创业和职业建议，适合长期看。

@levelsio
独立开发者代表，AI 产品化和快速上线能力很强。

@steipete
OpenClaw / 桌面 Agent 相关，适合关注本地 Agent、电脑控制和开发者工具。

@rileybrown
Vibe coding 和 AI 产品实操，适合看普通人怎么把 AI 用成产品。

@gregisenberg
AI 创业、创意、商业化，适合看需求和产品机会。

@yoheinakajima
BabyAGI 作者，早期 Agent 探索者，适合看自主 Agent 的实验。

如果要选出 10 个一定要关注的，我会选下面这个列表，

@karpathy
@fchollet
@ylecun
@ilyasut
@OpenAI
@AnthropicAI
@GoogleDeepMind
@hwchase17
@goodside
@DrJimFan

这 10 个基本能覆盖模型、研究、Agent、产品和未来方向。

工具号可以帮你追热点。

这些账号能帮你判断热点背后的趋势。

[Xiuyu Li @sheriyuo]

我觉得 @latepostnews 的报道无可争议是中文区第一，不管是之前 DeepSeek 专访、Top Seed 还是这次的大包叙事。

他们真的太敢写了，新智元 / 量子位之流完全无法碰瓷，而现在的机器之心也只是在推上蒸馏几个推文 (我今天又上机器之心了)。虽然大家本质都是在炒作，但是它真的是在用最真实最魔幻的事实来强行打破你的认知信息差。

他们的采访也很独特，我觉得是花了大功夫的，他们的编辑是懂如何真的大爆特爆的。现在中文区最好的媒体也就是 @qingke_ai 和 @latepostnews 了，而机器之心以其售价几万一篇的文章闻名，真是令人感叹。