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���、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���代码了。

这���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���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���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��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���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��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��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��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���身智能方向，非常适合看 Physical AI、世界模型和机器人。

第��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���的文章闻名，真是令人感叹。