AIAgent

Manus被叫停，但真正值钱的不是那20亿 4月27日，一件事让很多AI创业者沉默了。 国家发改委外商投资安全审查机制办公室，正式叫停了Meta对Manus的收购——一笔逾20亿美元、已经宣告完成的交易，被要求撤销，恢复到收购前的状态。 大多数人的第一反应是：地缘政治，出海风险，中美博弈。 这些可能没错。但如果你只读到这一层，会错过这件事最值得想的问题： ...

用AI一年，你留下了什么？｜一人公司的资产建设指南 你的知识库里有多少条AI相关的内容？ 提示词技巧、工作流模板、新模型测评、工具对比、智能体搭建教程——每一条看的时候都觉得有用，收藏的时候都觉得以后会用到。然后就没有然后了。 这不是在说你。这是过去一两年里，大多数认真对待AI这件事的人的真实状态，当然包括我自己。 学工具、试工具、分享工具、追新工具，每天都很充实，每天都很前沿。 ...

裁定权不会消失，只会转移｜判断工程 部署Agent这件事，有一个很常见的分配方式。 工程师花了大量时间让Agent能干——调参数、接工具、优化提示词、跑测试、处理边界情况。产品侧花时间想怎么用它——哪些场景交给它，怎么设计交互流程。 然后上线了。 很少有人在这个过程里认真回答过一个问题：这个Agent在什么情况下，不应该继续往下走？ ...

全球AI监管正在分叉｜同一个问题，三个不同的答案 最近一个月，全球AI监管密集出动。 中国，十部门联合印发《人工智能科技伦理审查与服务办法（试行）》，把AI伦理从抽象原则转成了可操作的审查流程； 欧盟，AI法案的执行节奏悄悄放慢，部分高风险义务推迟落地； 美国，联邦政府推出"轻触式"全国框架，加州直接对着联邦起诉，州权博弈全面升级。 ...

你的Agent越能干，被攻破后的破坏面越大 最近发生了一件有点"诡异"的安全事故。 Vercel——一家专门做前端部署的平台——部分客户的凭据泄露了。诡异的地方在于：Vercel的系统没有漏洞，员工没有点钓鱼链接，也没有人直接攻击Vercel的服务器。 泄露的路径是这样的：一名员工在用一个第三方AI工具，那个AI工具被攻击者入侵了。攻击者继承了AI工具通过OAuth授权拿到的Google Workspace权限，进而访问到了该员工账户里的部分Vercel环境变量。 ...

垂直Agent怎么选赛道：三慢筛选法 很多人跟我说，他们做过赛道研究。 搜了市场规模，看了竞争格局，分析了技术成熟度，列了一张表。然后发现：每个方向市场都很大，每个方向大厂都在布局，每个方向都能搜出一堆竞品。最后那张表列完，反而更不知道选哪个。 这个状态，我管它叫分析瘫痪——信息越多，越看越迷茫，越迷茫越继续搜，越搜越觉得机会全被别人占了。 ...

AI安全的威胁变了｜现在最危险的不是黑客，是Agent本身 这次C3安全大会上，有一句话被反复提到： 安全的核心威胁，不再只是"坏人攻击"，还多了一层——AI自己犯错。 第一次听到这句话，你可能觉得这在说幻觉，在说模型的错误率。但它指向的是一个更深的问题：当Agent拥有高权限、能自主执行、行为带有随机性，“AI自己犯错"的后果，和普通软件出bug完全不在一个量级。 ...

Agent治理，正在成为企业的必答题｜今年谷歌Cloud Next传递的趋势 上周，谷歌在拉斯维加斯开了一场发布会。 发布的东西很多，但有一个细节比任何新产品都值得注意——企业客户问的问题变了。 过去两年，坐在台下的企业代表问的是"怎么试"：怎么把AI接进来、怎么跑一个概念验证、怎么说服老板批预算。今年Cloud Next上，问题切换了：从"怎么试"变成了"怎么管"——如何把AI从少数先行者的实验性部署，推广成可大规模运营、可治理、可控成本的生产工作负载。 ...

让AI全自主接管业务流之前，先想清楚这件事 YC刚公布了W26批次的名单，199家公司，其中56家被归类为"AI原生服务"——AI端到端完成一项工作，客户负责监督或审批输出结果。这是这批次里占比最大的单一类别。 医疗、法律、供应链、企业后台——这些行业里，Agent正在从"辅助工具"变成"执行主体"。光是医疗赛道，就有牙科诊所的AI前后台、初级医疗的AI员工、自动化医疗账单系统，以及直接处理保险预授权的Agent。 ...

垂直Agent：为什么通用AI越强，你的机会反而越大 有一个问题，我听到越来越多人在问： 大模型越来越强，ChatGPT能通过司法考试，Claude能写完整的代码工程——这种情况下，还有必要专门做某一个行业的垂直Agent吗？大厂随便出一个通用版本，不就把垂直赛道给覆盖了？ 这个担忧听起来合理，但方向是反的。 越来越多的证据表明：通用AI越强，垂直Agent的机会反而越清晰。不是因为垂直Agent比通用更聪明，而是因为它赢的地方，跟模型能力根本不在同一个战场。 ...

Agent能走多远是一回事，应该走多远是另一回事丨Agent发展六阶段论 最近在读一个关于Agent演进的讨论，里面提到了一个六阶段论，让我觉得值得认真对待。 框架是OpenManus核心贡献者张佳钇提出的。 六个阶段依次是：纯粹调用语言模型、Agent for Flow、跨环境的Financial Agent、Agent for Coding、每个人拥有自己的Agent、最后是Agent Network——Agent之间能够自主定价、协作、完成任务。 ...

AI计费的演进-从黑盒走向结果导向丨Token经济学 一个朋友他们公司的Agent每天跑几十万次调用，他想算一算一个月到底要花多少钱。这个问题听起来很基础——Token数量乘以单价乘以调用次数，不就完了吗？ 他打开了Anthropic的价格页，然后卡住了。 session runtime按每会话小时收费，cache write和cache hit各有不同的乘数，和Token根本不在一个维度上。他再去看OpenAI，web search按千次调用收费，container按session时长收费，file search storage按GB/天收费，regional processing再叠一层百分之十。Google Gemini稍微收敛一些，但grounding和context caching也各自独立计价。 ...

Agent闯祸了，你却不知道该找谁负责丨因为你从来没给它发过「工牌」 想象一个场景。 你公司来了一个极度勤快的新助理，他不等你吩咐就主动处理事情：帮你整理文件、发邮件、查系统、改配置。你很满意，因为他做的大多数事情都对，还省了你大量时间。 直到有一天，出了一个问题。某个数据库被改了，某封邮件发错了对象，或者某个权限被莫名打开了。你开始回溯：他动过哪些系统？他拿过哪些权限？他的操作有记录吗？谁批准他这么做的？ ...

你说「让Agent自己判断」，但判断的边界在哪里？丨裁定机制落地，需要回答这三个问题 一些读者反馈：判断工程的逻辑我懂了，规则覆盖不了边界情况，需要裁定层。Harness Engineering我也看了，执行环境要搭好，不能只靠调教模型。但看完之后，我还是不知道下一步该做什么。 这个困惑是真实的，也是合理的。前面的文章解决的是"为什么"，这篇解决"怎么做"。 ...

Token计费的数量黑盒与质量黑盒｜你买的Token，买到了什么 三月底开始，GitHub和Reddit上涌现大量投诉。 Claude Code Max 20x计划，200美元一个月，5小时使用窗口之前可以支撑一整天的开发工作，但用户报告额度在不到90分钟内耗尽，有人更极端，19分钟见底。 Anthropic后来在Reddit回应：我们知道用户触达使用上限的速度远超预期，正在调查，这是团队最高优先级。 ...

你在用Agent，Agent也在用你｜护城河可以这样建 两个人，同样在用Agent： 第一个人的Agent越用越像个助手。帮他查资料、发消息、整理报告。他的工作效率提高了，但他的判断力、他对领域的理解、他和别人的信任关系——这些东西3个月前是什么样，现在还是什么样。 第二个人的Agent越用越像个搭档。他用它处理的每一个任务，都在喂给它关于他自己的信息——他的偏好、他的工作方式、他踩过的坑。与此同时，他自己也在这个过程里积累：更多的判断、更深的领域理解、更从容的关系维护。 ...

Agent越来越聪明，但翻车率并没有减少丨Harness Engineering 凌晨三点，没有人在盯着屏幕。 Agent已经独立跑了四个小时。任务是爬取一批竞品数据，整理成报告。Prompt写得很细，模型用的是最新的，工具调用逻辑也测试过。 然后它撞上了一个接口限流报错。 它重试了。又报错。又重试。就这样循环了两个小时，直到你早上起来看到账单通知，才发现它还在原地转圈。数据没有，报告没有，Token烧了一大笔。 ...

别再追新了｜选第一个Agent，先问自己这三个问题 有个读者跟我说，他最近装过七个Agent。 每次都是看到有人说"这个真的好用"，去试了一下，折腾半天配好了，然后又看到新的。 七个里面，现在还在跑的是只有最后那个，不是就此选定了，没有最新的啦。 他问我：到底哪个Agent最值得用？ 我说，这个问题问错了。 不是哪个Agent最值得用，是你自己最值得用哪个。 ...

Hermes Agent的自我进化丨Agent主动性边界：一条正在移动的线 我有个朋友，无意间发现：Hermes帮他处理完一个技术调研任务之后，自己创建了一个Skill文件——把那次任务的执行逻辑固化下来，下次遇到类似的事情直接用。 他说他当时愣了一下。 “我没让它做这件事。” 我问他，那你觉得它做得对吗？ ...

龙虾越好用，你越危险｜头脑和手脚同时退场，你还剩什么 有一种危险，不是因为龙虾不够好。 恰恰相反，是因为龙虾太好了。 好到你完全不需要参与。好到你在不知不觉中，把头脑和手脚都交了出去。好到有一天你突然发现，你已经不知道自己还剩什么了。 NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。 * * * 头脑先退场 这件事大家已经开始意识到了。 ...

同事被炼化了｜你的护城河，能被蒸馏吗 张雪峰走了不到一个月，他的思维框架在GitHub上复活了。 有人花了大量时间，把他的5本著作、15篇深度采访、30多条一手语录、11个关键决策记录，提炼成一个Skill文件。装进OpenClaw之后，你可以用张雪峰的视角聊高考志愿、考研选择、职业规划——东北大哥的语气，快节奏段子化的方式，社会筛子论、就业倒推法、阶层现实主义，全都在里面。 ...

人人都有龙虾，你的优势在哪里｜Agent时代，这三种积累反而更值钱 以前我们做成事情，取决于我们如何补足我们的短板。 不会写代码，想法再好也做不出产品。英语不够好，海外资料看不了一半。不会做设计，内容质量永远差一口气。执行慢，别人三天完成的事他要一周。 这些短板是真实的障碍。它们决定了一个人能走到哪里。 现在这些障碍正在消失。龙虾帮你写代码，帮你读英文资料，帮你生成设计初稿，帮你把执行速度提上来。以前需要花几年补齐的短板，现在几个月内就能托底，甚至都不算短板。 ...

付了$200选了超大桶，还是提心吊胆｜如果互联网按比特收费，你还敢上网吗 有人付了$200，用了19分钟，5小时额度见底。 不是他在做什么特别复杂的事。就是正常用Claude Code写代码，像往常一样。 然后系统告诉他：你的额度用完了。 他坐在那里，不知道该怎么想。钱付了，账单清清楚楚——$200，白纸黑字。但他不知道这19分钟里发生了什么，不知道下次会不会更快，不知道下一个不那么着急的项目，他还应不应该用，是不是应该把token留给最重要的项目。 ...

流程即产品，结果即收费｜OpenClaw商业变现案例篇 有人用OpenClaw做了一个帮人买裤子的工具。 不是商城，不是导购页，不是比价插件。 是这样的：你告诉它你身高195，腰围偏细，预算三百以内，偏好简约风——它出去找，筛，比，最后把一个可以直接下单的结果还给你。 做这个的人，自己就是那个买裤子困难的人。他用OpenClaw把这个流程跑通了，给自己买了两条，然后把这个Skill放到了市场上。 ...

当软件的用户变成Agent｜你的产品，Agent用得上吗 有个程序员，想做一个让Agent操控电脑的工具。 调研了一圈GUI自动化方案，越研究越觉得难——识别界面元素、模拟点击、处理弹窗、应对每次系统更新带来的变化……门槛高得出奇，每往前走一步都像在和操作系统掰手腕。 他陷进去好几个星期，直到看到OpenClaw把底层能力放出来，才突然想通了一件事： ...

从聊天到干活，你的AI账单结构变了 自从你使用了小龙虾，你有没有注意到，用AI的花费悄悄变多了？ 不是因为你突然变得话多，也不是平台涨价了——而是你用AI做的事，从根本上变了。 聊天是一回事，干活是另一回事。 这两种用法背后的Token消耗结构，完全不在同一个量级。 搞清楚这件事，才能真正看懂自己的账单。 NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。 ...

龙虾成本管理四步框架：像投资一样管你的Agent支出 大多数人优化龙虾成本的方式，从一开始就搞错了方向。 他们在问：怎么省钱？这个问题本身没有错，但它会把你引向错误的决策——把高价值的任务也降档，最后龙虾越来越便宜，越来越没用。 正确的问题是：每一块钱买到了多少价值？ 这是两种完全不同的思维框架。省钱思维的目标是降低总支出；投资回报思维的目标是最大化每块钱的产出。同样是月花100块，一种是把所有任务都降档后的100块，另一种是把钱集中在高价值任务上的100块——后者的产出可以是前者的十倍。 ...

失控的龙虾账单丨龙虾账单到底会有多少？算清楚你就不怕了 很多人不敢用龙虾，是因为不知道账单最后会是多少钱。 订阅制的比如包月类产品你心里有底。但token按量计费不一样，它没有天花板，龙虾跑起复杂任务之后，账单会涨到哪里你完全看不见。 这种看不见底的感觉，比实际的账单数字更让人退缩。 但token成本不是黑箱。它有清晰的定价逻辑，有可以估算的方法，也有你现在就能设置的保护机制。把这套东西搞清楚，焦虑就消失了大半。 ...

Agent原生创业：四类机会与选择逻辑丨基于OpenClaw生态的实战地图 很多人是在OpenClaw冲上25万GitHub Stars之后开始认真考虑这件事的。 黄仁勋在GTC 2026上说，Mac和Windows是个人电脑的操作系统，OpenClaw是个人AI的操作系统。这句话之后，一批人开始问同一个问题：这上面能做什么生意？ 但大多数人随后发现，这个问题比想象中难回答。 ...

连Anthropic自己都翻车了，但源码里藏着一份教材 3月31日，Anthropic更新Claude Code的npm包时，顺手把一个60MB的调试文件打包进去发布出去了。 任何人都可以用这个文件还原出Claude Code完整的TypeScript源码。1906个文件，51万行代码，全部暴露。安全研究员Chaofan Shou——Solayer Labs的一位实习生——第一个在X上发出来，帖子很快累积了超过2800万次浏览。几小时内，源码被镜像到GitHub，获得超过8.4万个Star，8.2万次Fork。 ...

光有裁定权还不够：Harness Engineering丨判断工程的另一半 Agent能力越强，一个问题就越绕不开： 你把权力边界划清楚了，裁定机制也设计好了，但Agent在实际执行过程中还是会出问题。不是越界的问题，是跑着跑着跑偏了——工具调用出错、上下文膨胀导致遗忘、多个Agent协作时指令漂移、一个环节的小错误被下一个环节放大成大错误。 ...

你的龙虾为什么总在关键时刻掉链子 你有没有过这种体验： 把一个任务交给龙虾，前几步干得很好，然后突然跑偏了，等你发现的时候它已经在错误的方向上走了很远； 或者你上周告诉它的偏好，这周它完全不记得了； 或者你给它装了一堆工具，它偏偏选了一个最不该选的。 你怀疑是模型不够强，或者自己没用好。 但事实是：这三种情况，是所有龙虾都会遇到的结构性问题，不是你的问题，也不只是模型的问题。 ...

龙虾底下，正在长出一层新的互联网 深圳腾讯楼下，近千人排队等人帮装龙虾的那个下午，我一直在想同一个问题：装完之后呢？ 装完之后，大家第一件事是让它写日报、整理文件、总结会议记录。这没什么不好。但这只是龙虾能干的最表层的事，就像你买了一辆车，第一个月只用来在小区里挪车位。 真正的问题不是龙虾能不能干活，而是当你让它干更重要的事——替你完成一笔采购、发一封代表你立场的合同邮件、在某个平台上以你的名义做一个决定——它拿什么证明它是你授权的？它用什么钱包付款？出了问题算谁的责任？ ...

你的龙虾为什么不够懂你？因为你忘了喂它最重要的东西 同样是养龙虾，为什么差距越来越大？ 有人用了一个月，觉得龙虾越来越顺手——它开始懂你的工作习惯，知道你的判断标准，不用每次都从头解释。有人用了一个月，觉得龙虾还是那个原生态的龙虾，能干的事情没咋增加。 两个人用的可能是同一个模型，接了差不多的工具。 差距不在工具，在他们喂给龙虾的东西。 NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。 ...

全民养虾，你是在用AI，还是成了AI的养料？ 最近有一句话在圈子里流传，读完让人沉默几秒： 张口闭口都是skill、MCP、OpenClaw，通宵达旦研究龙虾，到头来却分不清，是自己在用AI，还是成了AI的养料。 很多人读完笑一笑就过去了。 但"养料"这个词值得认真解剖一下。养料是什么？是为别人的生长提供能量，自己没有拿到对等回报的那个角色。 ...

微信开放龙虾接口，入口大战要来啦？ 3月22日，微信正式推出ClawBot插件，支持接入OpenClaw，用户扫码或复制命令，即可将龙虾接入微信，通过聊天界面直接调用。 消息一出，评论区炸了。“微信失守”、“AI入口大战开打”、“飞书要凉了”——各种论调满天飞。 ...

一个AI公司CEO，被自己的龙虾上了一课 智谱CEO张鹏最近分享了一个细节，让我觉得比他讲的那些大趋势更有意思。 他给飞书里的龙虾机器人设安全边界。他发现，只要有人在群里艾特它，它就会回答——包括他跟它私聊过的所有内容。于是他决定告诉它：什么场景能说什么，不能说什么。 “听起来简单，“他说，“其实特别复杂。” ...

亚马逊AI出事之后，出了一条没解决问题的新规 2026年3月，亚马逊在一周之内经历了四次Sev1级重大故障。电商平台宕机近6小时，客户无法完成交易，全球最大零售机器短暂停转。 紧急复盘之后，亚马逊推出了新规：初级和中级工程师的AI辅助代码变更，必须经过高级工程师签字审批后才能上线生产环境。 同一周，官方发言人对外表示：近期故障"与AI无关"，“没有任何事件涉及AI撰写的代码”。 ...

MCP要死了？你被一个真实的缺点误导了 你使用MCP配过AI工作流吗？ 接Notion、接日历、接邮件、接GitHub。每接一个都要去找文档、调试配置、写胶水代码。折腾了一圈，你觉得自己终于把Agent武装起来了。 然后打开上下文使用率一看——还没开口说一句话，200K的窗口已经去掉72%了。 这不是极端案例。这是真实发生过的数字：一个开发者连了7个MCP Server，对话还没开始，上下文就只剩下三分之一。有团队甚至测出三个Server吃掉了143K，整个窗口就剩57K留给真正的工作。 ...

Skills还是脚本：什么时候用AI，什么时候用代码 有了AI之后，尤其是Skills之后，以前通过脚本实现的自动化任务，很多都可以通过Skills来轻松实现了。 很多人从脚本转向Skills，但发现Skills确实强大并且易用，但是有些任务执行不稳定，好的时候非常完美，但是有些时候又差强人意，好像突然就智商掉线了。 所以很多人就很纠结，到底该如何选？继续脚本还是Skills。 ...

Skills：让AI真正懂你的工作方式 用过AI一段时间之后，大多数人都会遇到同一个隐性摩擦： 每次开始新对话，你都要重新交代背景。你的写作风格、团队的命名规范、项目的技术栈、客户沟通的口吻——每次都要解释一遍。AI并不是不够聪明，而是它每次都从一张白纸开始。 这个摩擦大家已经习惯，因为它一直都是这样。如果你算一算，每次对话花在"让AI理解你的工作方式"上的时间，加起来是相当可观的重复，如何解决？ ...

Agent的手：工具调用是什么 系列一的前几篇讲清楚了Agent是什么、怎么理解它的主动性、怎么迈出使用的第一步。 但有一个更基础的问题一直没有正面回答： Agent为什么能"做事"，而不只是"说话"？ 这篇来回答这个问题。 NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。 ...

编程型Agent怎么选：Cursor、Claude Code、Copilot的真实差异 如果你是程序员，上一篇的框架已经帮你缩窄了范围：编程场景用编程型Agent，也就是Cursor、Claude Code、GitHub Copilot这个阵营。 但在这三个里面怎么选，又是另一个问题。 网上的对比文章很多，大多数在比参数、比功能列表、比价格。这篇想做一件不同的事：从基因角度比工作哲学。每个工具的出身决定了它的设计取向，这些取向在今天仍然清晰可辨——尽管市场正在走向融合，三者的差异化特征会越来越不明显，但理解它们的基因，是选对工具的起点。 ...

从千人排队到强制卸载，同一周发生了什么 2026年3月6日，深圳腾讯云总部，近千人排队等待安装OpenClaw。 2026年3月8日，工信部发布安全预警。 2026年3月13日，多所高校发出通知：严禁使用，已安装的立即彻底卸载。 同一个工具，同一周，两种截然相反的社会反应。 在急着评判谁对谁错之前，值得先问一个问题：为什么会这样？ NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。 ...

你养了一只龙虾，然后呢？ 很多人的Agent使用轨迹长这样： 激动地安装、跑通第一个任务、截图发朋友圈，然后……没了。 不是放弃了。龙虾还活着，就在那儿，账号还在，软件还开着。只是你已经好几天没打开它了。 如果你问自己为什么，大概率得到一个模糊的答案：“还没想好用来干什么。” 这就是问题所在。 NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。 ...