BestBlogs.dev 第 112 期：可托付的智能

OpenAI 发布了 ChatGPT Images 2.5，这是其最新的尖端图像生成模型，能够提供更清晰的细节、更精准的编辑以及更快的生成速度。新模型能够产生更自然的灯光和更丰富的纹理，同时能更好地保留参考照片中的主体，并在多轮对话中更可靠地遵循编辑指令。对于用户，OpenAI 引入了全新的创意功能，包括可直接在 ChatGPT 中绘图作为参考的 Sketch、热门图像格式的模板、可直接在图像上添加评论进行针对性编辑的功能，以及提示词分享功能。对于开发者，OpenAI 发布了两个新的 API 模型：用于通用场景、具有更高质量和速度的 GPT-Image-2.5 Flare，以及为需要更严密控制的高端视觉工作流设计的 GPT-Image-2.5 Sunburst。Images 2.5 已面向所有 ChatGPT、ChatGPT Work 和 Codex 用户，支持桌面端、移动端和 Web 平台。

OpenAI 宣布 Agents API 进入公测阶段。这是一项托管服务，开发者只需一次 API 调用，指定任务、模型、工具和计算环境，即可创建生产级 AI 智能体。该 API 提供可配置的 harness，负责上下文管理、工具搜索和程序化工具调用，同时支持多智能体编排，让子智能体并行工作并共享结果。开发者可以选择 OpenAI 托管的沙箱、自管理基础设施，或来自 Cloudflare、Vercel、Modal 等公司的合作伙伴沙箱。Agents API 基于开源 Codex harness 构建，提供模型改进的版本化访问、长会话的自动上下文压缩，以及可供审查的透明代码。此次发布还包含代码片段、合作伙伴集成和快速入门指南，帮助开发者上手。

在这篇文章中，OpenAI 首席科学家 Jakub Pachocki 分享了他对自 2023 年年中 RLSlow 项目以来 AI 发展轨迹的看法，该项目证明了推理模型可以规模化。他认为 AI 更多是「培育」而非「设计」出来的，这使其成为一门实验结果越来越难以解读的实验科学。他区分了目标对齐与价值对齐，指出当前方法具有脆弱性，泛化仍是核心挑战。他强调，随着模型能力的提升，OpenAI 的主要对齐工具——思维链监控——正变得越来越不可靠。他主张对 AI 引发的威胁（如超人级网络安全能力）进行可扩展的防御，并认为递归自我改进的进展必须以安全信心为节奏。他呼吁采取更广泛的干预措施，包括强制安全标准和第三方监督，以确保随着 AI 能力的增强，人类仍能保持控制。

面壁智能联合 OpenBMB 于 9 月 8 日开源 MiniCPM5-2B 模型。该模型以 2B 参数在 Artificial Analysis Intelligence Index 综合得分 23 分，位列全球 4B 以下开源基座模型第一，Agentic Index 得分 20 分，为同级模型的 10 倍。文章指出，MiniCPM5-2B 在 34 项基准评测中平均得分 53.9 分，领先同级 2B 模型第二名（33.2 分）及 4B 最佳模型 Qwen3.5-4B。在真实任务评测中（人类基线 1000 分）获得 891 分，高于 Gemma 4 12B 的 647 分。模型采用高密度架构，支持工具调用、深度搜索、代码生成等任务，面向手机、PC、车机和机器人等端侧设备。开源内容涵盖模型权重、训练 Recipe、数据集（UltraData-Code、UltraData-SFT-Agent-2609、UltraData-RL-2609、UltraX）、强化学习框架 Meshy 及策略 JustRL II。模型已与英特尔、瑞芯微、Arm 等平台完成 Day0 适配，并支持 LlamaFactory、ms-swift、SGLang、vLLM、llama.cpp、Ollama 等主流工具链。文章还提供了详细的本地部署指南，涵盖 ModelScope 下载、Transformers、vLLM、SGLang、GGUF 和 MLX 版本的使用方法。

这场 Claude 圆桌讨论提供了 Managed Agents 在三类生产场景中的具体实践：会议准备与后续跟进、账户级及跨账户的销售工作，以及能够理解代码的产品分析。核心设计原则是先定义可以独立核验的结果，再在信息不确定时选择不展示，避免制造代价高昂的错误判断。嘉宾解释了账户、用户和组织记忆如何服务不同问题；受限工具与沙箱如何让代码访问更安全；以及当基础设施并非产品差异化能力时，团队为何应优先购买而不是自建。讨论也涉及提示词和工具的迭代、运行时与离线评估、有状态外部系统、模型迁移回归、成本归因、批处理和模型选择。由于这是一场官方产品对谈，关于效果与经济权衡的说法更适合作为实践案例，而非独立测量结论。

这篇 Claude 博客文章详细介绍了在使用 Claude 平台时如何降低成本并提升性能。文章重点阐述了三个关键策略：通过稳定的前缀最大化提示词缓存命中率、谨慎管理工具和系统提示词，以及智能校准努力程度。文章还强调了阻碍前沿模型并浪费 token 的常见提示词反模式，并展示了新的 /claude-api prompt-audit 命令如何检测并消除这些模式。实际案例表明，清理提示词后成本可降低高达 15%，准确率可提升 5%。文章介绍了自动化优化工具——/claude-api cost-optimize 用于整体审计，/claude-api hillclimb 用于迭代式模型/努力程度调优——并展示了在多个基准测试中实现显著节省（50-73%）的同时保持性能。这篇文章为构建基于 Claude 应用的工程师提供了全面指南，给出了具体且可复现的方法，以实现更便宜、更高质量的部署。

这场技术访谈描述了一种工程模式：Claude Code 的能力不仅取决于模型本身，也取决于周边的 harness。Shihipar 主张给予智能体更宽的目标和充分上下文，再让它在 schema、数据源、权限和验证循环内探索、规划与执行。对话将 Auto mode、周期循环、技能、artifacts 与 Claude Code 视为更广泛软件开发生命周期的组成部分，而非孤立的编码功能。同时也保留了重要边界：当验证与数据准备能够证明投入合理时，自主工作会创造价值；但这些系统本身也需要高成本的设计与运营。

在这场深度访谈中，Tibo Sottiaux 从优化问题研究和比利时创业经历讲起，回顾自己在 Google、DeepMind 与 OpenAI 的工作，并借此解释 Codex 背后的产品与工程选择。他介绍，早期内部编程智能体原本服务于研究工作；当团队将模型能力与紧密的社区反馈循环结合后，它才逐步成为面向用户的产品。访谈还讨论了为何 Codex 在早期模型更熟悉 Python 的情况下选择 Rust、为什么安全性、正确性与编译期保证对智能体至关重要，以及产品集成为何与自主执行同样重要。Sottiaux 进一步把 AI 辅助编程与代码审查、维护、模块化架构和领导力联系起来：团队可以更快交付，但仍必须守住边界、测试、可观测性，以及引导高速增长贡献者群体所需的人类判断。

Shopify 最初在 2020 年采用 React Native 以实现跨平台效率，节省时间并让非移动端开发者也能参与贡献。到 2025-2026 年，大语言模型的进步削弱了共享代码的成本优势，使原生开发更具吸引力。公司借助 LLM 辅助，用 Swift 和 Kotlin 原型重建了核心应用，并采用名为 Helix 的新系统，将迁移拆解为可审查的检查点，并利用 CLI 实现快速、无需模拟器的反馈循环。Shop 应用仅用 12 周就完成重建，Shopify 主应用的迁移正在进行中，并计划将所有移动应用迁移至原生。Shopify 继续赞助关键的 React Native 开源库（Skia 和 FlashList），同时归档 Restyle，以确保生态稳定。文章阐述了决策依据、迁移方法、工具链及未来展望，凸显 AI 正在重塑移动工程。

文章指出 AI 在大型存量分布式系统中效果不稳定的根源，并非模型能力不足，而是复杂系统的关键知识散落在代码、文档、配置与经验中，彼此断裂，导致 AI 只能依据局部代码推断，出现『局部正确、整体错误』。作者提出让 AI 成为『架构师』的系统性方案，核心是知识库建设与 Agent Runtime 设计。知识库建设强调以『领域』为第一层，采用强结构化设计（business-knowledge 含 meta、principle、scenario、practice、reference 等），而非首推 RAG，因为 RAG 无法保证知识集合的完整性与工程相关性。知识正确性依赖日常增量维护与周期性校准（如大促复盘）。技术方案设计 Agent 的落地包括 PRD 准入（prd-digest）、产品需求增强、分层知识渐进式披露、以及由业务理解层（KBase MCP）、系统分析层（AITOM）、架构推理层（Skill）、服务知识层、事实验证层（Git）构成的 Agent Runtime。最终 AI 能独立完成调研、链路推理、代码核查与方案生成，人类则从『替 AI 收集资料』转为『裁决事实缺口与承担关键决策』。

本文以「模型撞上边界，工程补上部件」为主线，系统梳理 Agent 系统从单次 LLM 调用逐步演化为完整 Harness 的过程。文章先回顾 LLM、Q&A Bot、ReAct、Tool Calling、Memory 五个基础阶段，说明上下文装配、行动循环、结构化工具调用与长期记忆各自解决什么问题。随后引入 Agent Harness 概念，指出当任务变长、副作用变强、客户端变多时，会话恢复、权限沙箱、上下文压缩、多客户端连接、扩展装配与子 Agent 并行等工程问题会凝结为独立的运行时层。文章重点拆解四个代表性框架：Pi 以极简工具集与紧致上下文压低成本；OpenCode 用 Agent Profile 与结构化 Session Events 实现多身份与可恢复状态；Codex 以 Thread/Turn/Item 生命周期与双层安全边界支撑长任务监督与恢复；Hermes 通过外部记忆与技能沉淀实现跨会话自进化。最后指出 Harness 不会因模型变强而消失，未来竞争在于为同一模型搭建更好的上下文、循环、边界与记忆。

文章基于蚂蚁数科两个真实项目（40 万行 Rust 新项目、60 万行 C++ 存量项目），系统阐述 Harness 工程如何构建 AI Coding 的研发闭环。核心观点：AI Coding 没有创造全新问题，而是以更高产能将需求模糊、目标漂移、事实冲突等旧问题集中放大；检验标准从「代码写得好不好」演变为「任务能否被约束、验证、验收」。Harness 架构分五层：约束层（任务目标/非目标、唯一事实源）、对抗验证层（多视角 Agent Code Review）、证据层（可视化测试报告）、状态写入层（工作流持久化）、目标对齐层（任务拆解）。存量项目改造路径为：先用 AI 扫描重建事实源，再逐步植入 Review 规则和 CI 门禁。

本文以天猫新品 MDI 项目为案例，阐述大型 AI 项目研发协同的四个进化阶段。在单兵攻坚期，通过 AGENTS.md 入口地图、六个 Skill 与知识库六模块，构建结构化知识库，让 AI 深度理解项目上下文，打造超级个体。在加人提速期，借鉴站点地图思路进行物理隔离分工，利用四种变更类型（feature/patch/sunset/blueprint）管理需求演进，并通过双向指针、代码到 spec 的反向提醒及上下文缝补机制（MCP 与 skill）解决多人协作冲突与推理链断裂，实现效率横向复刻。在高速迭代期，部署独立技术哨兵机（collar-daemon）还原预发合并态，通过云端 Agent 检测隐形业务逻辑冲突并闭环告警，保障研发质量不劣化。在稳定运作期，推出 NekoCollar 云端协作平台，通过沙箱环境、所见即所得的真实页面代理及 Git 软硬双锁，让非研发角色也能安全高效参与协同，最终实现 AI 研发能力从个人到团队再到组织全员的规模化放大。文章强调 AI 上下文是效率关键，任何导致上下文异常的架构变动都需缝补，并记录了失败尝试（Agent Manage）以说明介入时机的重要性。

在这场访谈中，Roman Ugarte 回顾了一个小型独立团队如何在约一个月内从零打造出可供内部使用的知识工作智能体 Grok Bot。他认为，关键的产品决策是将系统定位为能穿梭于用户真实工具和信息之间、完成具体工作的同事，而非只是在各类连接之上叠加一个通用聊天界面。访谈进一步讨论了团队如何通过亲自参与用户上手过程、快速观察真实工作流，识别适合委托的任务边界，让进展变得可见，并先以小而可检查的任务建立信任，再逐步让用户交付更广泛的工作。Ugarte 还把 Bot 描述为拥有不同上下文、权限与职责的角色型协作者，并强调只有在真实场景中被反复使用，才能检验 AI 产品是具备持久效用，还是仅仅看上去令人惊艳的演示。

在这场覆盖广泛的访谈中，a16z 普通合伙人 Anish Acharya 区分快速演进的模型能力与缓慢扩散的经济影响，并指出许多企业受到物理系统、组织与人际关系的制约，而非只受智能水平限制，因此不认同社会将形成永久性底层阶级的叙事。他提出，AI 原生企业会成为一组嵌套循环：智能体能够在工程、增长、客服、销售与法务等环节执行、衡量并优化工作，但循环最终会抵达局部最优点，届时仍需由人类选择下一个目标、处理新颖例外。他主张根据任务的潜在收益与经济性选择模型：边际提升可能创造巨大价值时，应使用前沿智能；面对边界清晰的工作，则应采用更便宜的专用模型。讨论随后从生产力延伸到服务于连接、创造力、健康与幸福感的消费者 AI。对创业者而言，Acharya 建议每周交付，以培养模型直觉；在真实使用与产品打磨中发现护城河；建立自下而上的传播能力；并在软件与智能日益充裕的时代，不断抬高产品愿景的上限。

本文探讨了知名科技公司如何通过将工作负载从昂贵的前沿闭源模型转移至高性价比推理服务上运行的开放权重模型，从而成功遏制飞涨的 AI 预算。Uber 利用开放模型、优化模型选择和提示词缓存，在用量激增的情况下成功平抑了 AI 成本。Pinterest 通过在其独特数据上对开源模型进行后训练，实现了 92% 的成本降低；而 AT&T 在输出质量仅微降 2% 的情况下，将 AI 账单削减了 56%。作者强调，尽管提示词优化和支出控制等技术有所帮助，但转向开放模型和实施智能模型路由才是提升 AI 成本效益的最强大动力。

在这场 Y Combinator 访谈中，Ollama 联合创始人兼 CEO Jeffrey Morgan 指出，开源模型正成为企业 AI 的主要使用层：它们不仅降低推理成本，也让团队能够更自由地试验、定制工作流并扩大 AI 的使用范围。编程智能体、更长的上下文窗口和非开发者的自动化需求，正在持续推高 Token 消耗。讨论的重点随后从模型能力转向上线所需的运营工作，包括兼容的推理引擎、开发框架、硬件支持、基准测试、安全控制与容量保障。Morgan 预计，企业将采用混合组合：本地或开源模型承担常规、低延迟任务，前沿模型保留给复杂的协调和判断任务。真正稀缺的能力不再是托管 Token，而是将模型、供应商、状态、凭据与智能体执行整合为可靠系统的编排能力。

本期节目对谈快看漫画创始人兼 CEO 陈安妮。她分享了自己从 22 岁毕业后创业至今 12 年的经历，以及快看正在开发的 AI 原生虚拟世界产品「Vivo」——一个由具备自主意识、目标和梦想的 AI 角色构成的实时世界，用户可干预角色命运，体验蝴蝶效应，产品核心功能名为「命运」。安妮回顾创业历程中的几个关键节点：第一次现金流断裂源于被骗投资人且签约后拖延打款，后获陌生投资人救急；第二阶段的转折是面对算法驱动的流量内容泛滥时，她曾想离开公司，最终因看到员工与作者的热忱而留下来，确立了「企业为员工和行业从业者创造价值」的更高使命，并做出主动将不认可内容移出推荐池、短期数据下跌 30% 的决定，这一决定在多年后使 IP 衍生收入占比过半；2021 年融资危机中她完成两亿美元融资，就此认识了商业化的必要性。她将创业心得总结为「游戏精神」——不惧怕失败、不执着于成败，并通过公司氛围和群体智能决策来实践。她强调在 AI 时代，产品应回归精品内容，坚持「复古人文主义」，让 AI 服务于打动人心。

本文从成本结构切入，论证 AI Agent 经济为何颠覆互联网商业模式。互联网依赖近零边际成本，广告、订阅、佣金模式得以成立；而 AI 每次推理都消耗真实算力，边际成本显著大于零且高度异质，训练成本更成为永续性资本开支，导致不存在互联网式的盈亏平衡甜蜜点。文章提出 AI Agent 经济的基本单位从“点击”变为“任务”，平台争夺从用户入口转向任务入口，护城河由网络效应转为数据飞轮与转换成本。冲击效应体现在三层：入口与分发权向 Agent 平台转移，广告因客户旅程缩短而空间收窄；交易类平台护城河转向独家供给与履约能力；SaaS 从卖坐席转向卖结果，软件市场边界向人力预算侵蚀。最后指出 AI 时代稀缺的是高价值任务及所需数据、权限与执行能力，经济交易单位正从“使用工具”变为“交付结果”。