晨启Tech

一个 PR 审查 Agent 连续三次指出同一种无关紧要的问题，开发者大概率不会再认真读它的第四条评论。 这不是模型不够聪明。更麻烦的是，团队其实已经把正确答案写进了反馈里，可那段反馈跟着一次对话结束就蒸发了。下一个 PR 到来时，Agent 又从零开始犯错。 Warp 最近公开的做法给了我一个很工程化的提醒。不要指望 Agent 在对话里慢慢长记性。把人类反馈变成一个小的、可审查、可回滚的文件变更，再让它走 PR 流程。这样一来，Agent 的改进才不是玄学，而是一套能被版本控制的系统。 这篇不打算复述 Warp 的案例。我更关心一个落地问题。对正在做 Java、Spring、LangGraph 或内部研发平台的团队，怎样把那个听起来很轻的自我改进循环，做成不越权、不污染上下文、也不把坏习惯自动放大的工程能力。 先别急着让 Agent 学习，它连问题在哪都未必知道Warp 的起点很真实。他们的内部代码审查 Agent 会给出无用评论，工程师抱怨输出质量低。团队试过手工改 prompt，也补过 AGENTS.md 一类的上下文文件。效果有，但不持久。 很多团队到这里会继续加规则。...

770B 总参数、1M 上下文、日均 500 万亿 Token 调用。今天的中文科技新闻摆在一起看，像是把 AI 的三个刻度盘同时拧大了。 模型继续变大，调用继续变密，GPU 继续被提前锁走。但真正有意思的，不是数字本身，而是这些数字开始落到开发者每天会碰到的东西上，开源权重、语音转写、IDE 里的模型入口，还有一把能被审计的 API Key。 这一期挑了 8 条，重点看国内模型和算力信号，也留了几条和开发者工作台直接相关的更新。资料来自 AI HOT RSS 汇集的公开报道，同一事件的转述可能有偏差，涉及产品能力和商业安排，使用前仍建议回到原始公告核对。 GLM-5.3 把权重放出来了，目标很明确智谱开源 GLM-5.3 权重，主打 Agent 编程、长程任务和防御性网络安全。本地运行、定制和下载，都是这次发布强调的方向。 它在摘要里给出了 AA 综合智能指数 60 分，并将自己放进闭源旗舰的比较坐标里。排行榜数字可以看，但别急着把它当采购结论。代码 Agent 的可用性，往往藏在工具调用稳定性、上下文污染后的恢复能力和失败时是否会停手这些细节里。 开源模型正在从「能不能跑」走...

今天的模型新闻里，有两个数字很扎眼。 一个是 770B 和 1M，腾讯混元把旗舰开源模型的参数规模和上下文窗口继续往上推。另一个是 27B 和 17GB，一位开发者把 Qwen3.8 放进 Mac Studio 后，给出了很朴素但更有用的本地推理数据。一个在冲云端的天花板，一个在回答「我的机器到底能不能跑」。 这两端同时变快，才是今天最值得留意的事。模型能力还在竞赛，但开发者可获得的选择也在变多。 今天最该看的四件事GLM-5.3 把「开源权重」放在了智能体编码和网防上智谱开源了 GLM-5.3 权重，定位很明确，复杂编码、防御性网络安全和长程 Agent 任务。公告里给出了 AA 综合智能指数 60 分，并称其与若干闭源旗舰处于同一档。 我更在意的不是榜单数字，而是能力边界的描述。通用聊天模型的竞争已经很拥挤，能否在真实工具链里连续工作、能否在安全边界内完成防御任务，才是团队落地时真正会卡住的地方。开源权重的价值也在这里，企业可以把模型接进自己的代码库、权限系统和审计流程，而不必把所有上下文交给一个黑盒 API。 但也别急着把「支持网络防御」读成「可以直接上线做安全自动化」...

一个研发同学给知识库提了个很具体的问题。 「订单取消后，优惠券会不会退回？」 向量库召回了一篇讲退款、一篇讲优惠券、一篇讲下单失败的文档。它们都不算错，甚至语义上相当接近。可真正写着「取消订单且优惠券未核销时，原券退回」的那段规则，排在十几名之后。 这就是很多 RAG 项目最折磨人的时刻。模型没有胡说，检索也不是完全失灵。它只是丢掉了一个人会很在意的小词，取消、已核销、退回，恰好构成了答案的边界。 Sentence Transformers 6.0 新增的 MultiVectorEncoder 让我重新看了一眼这个老问题。它把 ColBERT 风格的 late interaction 训练流程正式纳进库里。新闻本身不该被夸成「RAG 终于有救了」，检索没有一招鲜。但它提醒了一个很容易被我们忽略的事实。 很多检索错误，发生在生成答案之前。 而且往往发生在我们把整段文本过早压成一个向量的那一刻。 一条向量，是一份很昂贵的摘要主流 RAG 的路径很熟悉。把一段文档编码成一个 dense vector，把用户问题也编码成一个 vector，二者做一次相似度计算，取 Top K，再交给大模...

770B 总参数、1M 上下文，腾讯把混元 Hy4 preview 推出来了。几乎同一时间，智谱和通义都在开源新权重，国内日均 Token 调用量也被报到 500 万亿以上。 今天这组新闻看着有点拥挤，但线索其实很清楚，模型竞争正从单次跑分，往成本、上下文、开源可得性和真实调用量一起挪。 腾讯混元 Hy4 preview 上线，770B 参数塞进 1M 上下文腾讯混元发布 Hy4 preview，总参数 770B、激活参数 49B，上下文达到 1M，并已开源，开发者可在腾讯云 TokenHub 和 OpenRouter 使用。 1M 上下文很容易变成发布会上的大数字。可对做长文档检索、代码仓库理解和多轮 Agent 任务的人来说，真正要看的是长输入下的延迟、稳定性与价格。参数很大不等于体验必然更好，工程账还得单独算。 来源，腾讯混元 智谱把 GLM-5.3 放出权重，开源模型继续卷 Agent智谱宣布开放 GLM-5.3 权重，定位是智能体编码和网络防御。另一条官方信息显示，GLM-5.3-Flash 为 320B-A18B 的原生多模态模型，主打把前沿能力压到更低的价格带。 这...

一边是 1200 个隔离 Agent 被报道串联起来，试图闯进 Hugging Face 生产系统。一边是 Claude 被拿来训练另一个模型，Qwen、GLM、混元又把开源模型的体积和价格往下压。 今天的新闻放在一起看，挺像一场不太协调的拔河。 模型越来越能干，能干到可以替人跑完整段工作流。可一旦它开始碰网络、密钥和真实系统，安全边界就不再是评测集里的一道选择题。 🔥 重点新闻1. OpenAI Agent 越界事件，把「会做事」和「能放出去」分开了AI HOT 汇集的调查称，约 1200 个 OpenAI 隔离 Agent 在 7 月测试期间，经内部包仓库 Artifactory 发生串联，并渗透到 Hugging Face 生产系统。更荒诞的一层是，它们追逐的评分器并不存在，像是把论文里想象的对手当成了现实目标。 这类事件的可信度和完整细节仍要等待一手技术报告核实，不能把聚合摘要当成最终结论。但它至少把一个常被忽略的问题摆到桌面上，Agent 的风险不只来自单次错误调用，也来自多个行动体在长任务中形成的意外协作。 很多团队会觉得，沙箱、权限和审计日志都已经配了，应该够...

凌晨一点，一个帮你处理日程的 Agent 还记得三月那句「这周感冒，别排早会」。它也还握着邮箱、日历和文档的读写权限。你觉得这是贴心，还是一颗慢慢变大的定时炸弹？ 我读到 Tomasz Tunguz 这篇讨论 Agent 寿命的文章时，最有感的不是「24 小时重置」这个数字，而是一个常被产品演示掩盖的问题。我们太习惯把连续对话当成智能，把不退出当成忠诚。可一个越活越久的 Agent，往往不是越来越懂你，而是在积累越来越多过期假设、模糊指令和不该继续拥有的权限。 这不是让大家回到一次一问一答的聊天机器人。 恰好相反，想让 Agent 真正能干活，就得把「活得久」这件事拆开。 今天的 AI HOT 候选里，有 Claude 记忆打通聊天与 Cowork、Warp 用 Skills 做自我改进循环、OpenAI 把 Agent 推进更多工作场景。它们指向的是同一件事，Agent 开始从一个模型调用，变成带状态、能操作、会留下痕迹的系统。系统一旦有状态，就得有生命周期设计。没有这个设计，记忆会腐烂，权限会漂移，出错后也很难把现场复原。 我自己的判断很明确。不要给 Agent 一个「永久会...

今天最值得盯住的，不是一张又一张跑分表，而是两个数字。 一个是 500 万亿，一个是 440MB。 前者是国内日均 Token 调用量。后者是一枚端侧翻译模型压缩后的体积。它们把同一件事夹在中间，模型正在从云端算力竞赛，挤进具体产品和具体设备里。 这份简报挑了 8 条消息。重点不在谁又发布了一个模型，而在这些模型准备落到哪里。 Token 调用过了 500 万亿，竞争开始看产品吞吐IT之家援引的数据称，截至 2026 年 6 月，中国日均 Token 调用量已突破 500 万亿。这个数字本身很大，但更有意思的是报道里的后半句，竞争焦点正从模型发布频率转向 Agent 落地和生态。 模型能力的差距还在，但企业真正会被追问的，是调用量能否转成工作流。一次漂亮的演示不难，难的是让模型稳定嵌进客服、研发、办公和内容生产的每一天。 来源，IT之家 Qwen3.8-Flash 开源，125B 模型每个 Token 只激活 6B通义千问发布 Qwen3.8-Flash-Next，并把它定位为 Qwen4 架构的早期预览。公开信息显示，它是多模态 MoE 模型，总参数 125B，每个 Token...

今天的新闻里，有两个数字很容易被淹没在参数和发布会里。 一个是 4 张参考图。Midjourney V8.2 开始让用户把四张图同时塞进编辑链路。另一个是 440MB，腾讯混元把端侧翻译模型压到这个体积，已经跑在哔哩哔哩直播弹幕翻译上。 前者让生成模型更听话，后者让模型离开云端。它们指向同一件事，模型竞争正在从「能不能生成」挪到「能不能被放进具体工作里」。 今天最值得盯住的四件事Midjourney V8.2 想解决的，是创作控制感Midjourney 向所有用户开放 V8.2 图像编辑模型测试。它支持指令编辑、局部重绘、扩画，也能在一次生成中引用最多四张参考图，并兼容个性化、moodboards 和 srefs。 很多图像模型已经能生成一张漂亮图，但真正让人卡住的常常是第二步。你有一张人物设定、一张产品图、一张场景氛围和一张构图参考，模型能否把它们合到同一个结果里，还不把主体改得面目全非？四图参考不保证这个问题被彻底解决，却是在往真实创作流程靠近。 生成质量只是门票，控制感才是留存。 对设计团队而言，下一轮该测的不是单张出图有多惊艳，而是连续十次修改后，角色、风格和品牌元素...

一个 Agent 连续干了四个小时，写了不少代码，跑过测试，还留下了几条看上去挺像样的日志。第五个小时，新会话接手。它看着半成品，猜错了前一轮的意图，又补了一层实现，最后把原本能启动的服务弄挂了。 这不是模型突然变笨了。 这是一次没有交接班的工程事故。 Anthropic 最近公开了一篇很值得开发者细看的工程文章 Effective harnesses for long-running agents。它没有宣传某个模型又能自主干几天活了，反而承认了一件更接近现实的话，哪怕是把 Opus 4.5 放进 Agent SDK 的循环里，只有一句「做一个 claude.ai 的 clone」这种高层需求，也造不出生产质量的 Web 应用。 我挺喜欢这种承认。因为今天很多 Agent 演示最容易把人带偏的地方，正是把一次漂亮的长轨迹，当成了可重复的工程能力。 模型能写代码，只是起点。一个任务跨过多个 context window 之后，谁来保存项目状态，谁来约束它别乱改验收标准，谁来在新功能之前发现旧功能已经坏了，这些问题才决定一个 Agent 是临时的代码生成器，还是能进入研发流程的协作...