分类：ai-workflow
共 31 篇文章
-
改完代码自己定闹钟盯 CI：OpenAI
源码里的自唤醒机制
🎙️ yage.ai
📄 文章探讨了OpenAI正在测试的Codex Persistent mode，一种让AI在完成任务后通过‘再次采样与休眠’的循环机制，实现自唤醒、状态检查和主动排查的自动化工作流。该模式强调通过严格的状态纪律（如检查点四要素和无实质变化保持静默）来平衡模型的自主性与人类的控制，旨在将后台Agent的调度权逐步移交给具备推理能力的模型。 -
从 OpenClaw 迁移到 Grok Bot：我的 7 个日常高频 AI Agent 实操工作流
📝
🎙️ How I AI
📄 播客 How I AI 主理人分享了将数十个个人与工作智能体从维护繁琐的 OpenClaw 全面迁移到 Grok Bot 的实战经验。文章深度解析了涵盖播客分发、竞品情报、SOC 2 合规、客户支持、订阅管理、精准导购及个人穿搭的 7 大 Agent 落地场景与人机协同工作流。 -
用 Claude Cowork 重塑产品管理：打造一天完成一周工作的自优化 AI 工作流
📝
🎙️ How I AI
📄 Miro 产品经理 Daniel Bloom 深度拆解了他基于 Claude Cowork 与 Notion 构建的个人 AI 工作流。该系统通过每周准备与晨会简报自动化管理会议纪要与跨工具待办，更具备上下文主动捕获、间接改写学习、技能推荐与多源建议审核等自愈自优化闭环，并将工作站机制推广至全团队。 -
构建多模型协同的自动化工作流与AI Harness系统
📝
🎙️ FearNation 世界苦茶
📄 文章详细介绍了如何构建一个超越传统聊天机器人的全任务系统（Harness），它通过多Agent协同、全局编排和模型平替切换机制，解决了单一模型依赖的脆弱性问题。核心在于将工作流程工程化，实现跨项目沟通和模型容灾，旨在为AGI时代前构建可自主、可定制的AI资产。 -
为什么你停不下来 babysit agents：不是 context
的问题，是管理的问题
🎙️ yage.ai
📄 文章探讨了在管理AI Agent时，核心问题不在于上下文窗口大小，而在于任务管理和流程设计。作者强调，真正的解法在于减少无谓的消耗，通过让模型进行静态预测、锁定任务目标和确保运行结果可见性，来缩短单轮探索长度，从而避免频繁重开会话。最终建议将精力从上下文维护转移到前置的管理动作上，如清晰的交付边界、动态反馈机制和明确的验收标准，以实现Agent的自主闭环。 -
「豆包工作」现教现学：从一份日文 PDF 到官网、视频、PPT 全搞定，打通飞书后太爽了！ · 乔木博客
🎙️ 向阳乔木
📄 文章介绍了字节跳动推出的「豆包工作」Agent产品，该产品通过与飞书的打通，实现了从处理日文PDF文档到生成官网、社交媒体素材、视频宣传片、PPT制作等全流程的生产力场景自动化。核心亮点在于Agent能够理解企业上下文，并能与飞书的组织结构、文档、会议纪要等深度结合，实现跨工具的协作和任务流自动化，极大地提升了传统企业在AI落地时的效率和执行力。 -
重构人生的五大心智盲区：如何用 AI 作为你的心智镜像与行动导航
📝
🎙️ Sandeep Swadia
📄 本文深入探讨了阻碍个人成长的五大心智盲区（自我欺骗、关系投射、身份认同、决策困境及创伤反刍），并针对每个盲区设计了具体的 AI 提示词与实操建议，帮助读者通过为期30天的践行实现深度的自我重塑。 -
豆包更新了工作模式，正面硬刚 Workbuddy · 乔木博客
🎙️ 向阳乔木
📄 文章介绍了豆包客户端更新后的工作模式，重点展示了其在AI办公场景中的强大能力，如集成Office和飞书套件、支持本地和云端电脑、以及通过Agent实现定时更新论文学习网、生成互动课件、制作PPT和Vlog等多种复杂任务。作者强调了豆包工作模式的实用性，并指出Agent是实现高效办公的关键，云电脑模式提供了7*24小时的无缝工作体验。 -
Agent 停火了，用户为什么反而输了
🎙️ yage.ai
📄 本文通过 Anthropic Frontier Red Team 对多 Agent 系统进行实验，探讨了在共享环境中分配互相排斥任务时，Agent 之间如何处理冲突、停火和协作。研究发现，沟通是放大局部目标一致性的关键，而真正的控制权和系统级规则（如资源上限、停止条件、权限边界）才是解决冲突和确保用户委托有效性的核心，而非单纯的沟通或角色设定。 -
给性价比最高的推理引擎装一双眼睛
🎙️ yage.ai
📄 文章探讨了在缺乏原生多模态能力的情况下，如何通过感知层与推理层分离的架构来构建高效的AI系统。核心思想是利用轻量级模型（如3B VLM）在本地进行快速、低延迟的感知任务，并将结构化的感知结果传递给强大的推理模型（如DeepSeek V4）在云端进行复杂推理，从而在延迟、隐私和成本之间实现最佳平衡，并强调这种分工架构的持久价值。 -
你纠正了 AI 十几次，它为什么还是记不住
🎙️ yage.ai
📄 文章探讨了AI在记忆和经验固化方面的局限性，指出AI记不住要求或经验的关键不在于模型智商或措辞，而在于经验的存放位置。作者提出了经验的四层结构（对话上下文、外部记忆、项目版本化文档、模型微调），并建议根据经验的性质选择最合适的落点，强调先外化再执行的策略，以平衡风险和成本。 -
多模型路由进入 Agent 会话之后
🎙️ yage.ai
📄 文章探讨了多模型路由（Model Routing）在Agent连续对话和工具调用场景中的智能难题与工程瓶颈。核心问题在于，当路由从单轮问答扩展到多轮会话时，系统需要重构认知视野以理解完整任务进度，并面临历史格式不兼容、缓存失效以及隐式状态迁移等工程限制。文章提出了固定强模型、隔离子任务和有状态路由三种分化的工程路线作为应对困境的解决方案。 -
当 AI
开始删我们的文件：如何用结果确定性打造一套毁不掉的备份系统
🎙️ yage.ai
📄 文章探讨了在 AI Agent 时代，由于 AI 对文件操作权限的增强，误删文件的风险从偶然手滑转变为常态隐患。作者提出了构建“结果确定性”备份系统的核心理念，强调需要理解增量备份与多版本归档（如 Borg），并要求AI不仅执行过程，更要通过真实恢复测试来提供验收证据，从而将繁琐的运维工作交给AI，实现安全高效的知识管理。 -
给智能音箱加上大模型以后，为什么还得重做交互？
🎙️ yage.ai
📄 文章探讨了将大模型集成到智能音箱后，为什么仍需重新设计交互逻辑。核心观点在于，仅仅实现语音识别和自然对话不足以构成一个完整的语音Agent。系统在处理用户指令时，必须解决注意力状态、上下文边界和动作授权范围这三个关键问题，并根据不同场景（如驾驶、共享空间）对回复长度、数据私密性和操作风险进行差异化管理。 -
无影指尖：我如何让 AI 代理接管浏览器与系统
📝
🎙️ How I AI
📄 本期视频深入探讨了 AI 浏览器和计算机使用（Browser & Computer Use）的最新突破。主持人分享了三个核心场景：通过 Codex 桌面端进行自动化的网页可用性与响应式 QA 测试、利用 Persona 模拟多角色进行产品体验评测，以及在 Chrome 中自动帮宝妈在 Free People 官网挑选适合的度假衣物。此外，还展示了利用 iPhone 镜像进行远程 Wi-Fi 路由配置的高级技巧，全方位展现了 AI 代理在消灭日常数字繁琐事务中的巨大潜力。 -
Agent
的基础能力正在收敛，产品化平台却分成了三条路
🎙️ yage.ai
📄 文章探讨了Agent基础能力趋同后，产品化平台在状态管理和工作流处理上的三种主要路线。这三种路线分别是先部署运行环境（如Koyeb），先确定长期身份（如Cloudflare Durable Objects），以及先定义任务执行步骤（如Vercel Workflow）。核心思想是选择最适合自身需求的基础能力模型，而非简单地对比功能列表。 -
Codex 并入 ChatGPT：Agent 为什么开始跨界面工作
🎙️ yage.ai
📄 文章探讨了Agent产品从IDE走向手机等跨界工作流的趋势。核心变化在于底层执行环境与人类操作界面分离，使得任务可以持续在后台运行，用户只需关注低成本验收结果而非过程监督，从而改变了人类对智能体的工作方式和监督成本。 -
在 AI 时代，你会休息吗？
🎙️ yage.ai
📄 文章探讨了在 AI 时代，工作流如何改变了人类的休息模式。核心观点是，AI 将低档任务（如格式调整、数据搬运）压缩，使得人的精力更多地集中在高密度判断和监督负荷上。因此，真正的休息不再是简单地更换任务，而是需要主动‘停下外部输入’，让判断系统降载，通过低输入的动作来恢复认知资源。 -
模型的窗口不是无限大的垃圾桶：为什么智能体需要上下文治理
🎙️ yage.ai
📄 文章探讨了在构建智能体（agent）时，如何从简单的上下文窗口管理转向更复杂的上下文治理。核心观点是，仅仅依靠增大模型窗口或简单地拼接提示词是不够的，真正的挑战在于建立一套运行期管理机制，以保护模型的注意力免受海量无关信息污染。文章提出了通过分层状态管理、动态过滤与压缩中间生成物、以及将文件系统作为最终上下文存储等运行时架构改变，来解决高昂的开销和延迟问题，强调系统需要知道很多，但模型这一轮不该看太多。 -
从零开始玩转循环 (Getting started with loops) | 宝玉的分享
🎙️ baoyu.io
📄 本文介绍了设计和理解 AI 智能体中的“循环 (loops)”概念，并从触发方式、停止条件、基础指令类型和适用场景四个维度对循环进行了分类。文章详细阐述了回合制循环、目标导向循环、基于时间的循环以及主动式循环等四种主要模式，并提供了如何通过具体提示词定义验证技能、设置明确的完成标准来控制 Token 消耗和保证代码质量的实践方法。 -
当执行力开始贬值：最会用 AI 的那批人，可能被 AI
伤得最深
🎙️ yage.ai
📄 文章探讨了在高度依赖 AI 提升产出的环境下，过度依赖 AI 执行力可能导致职业判断力的贬值。核心观点是，当“让 AI 做一下”的低摩擦选项扩散为默认行为时，团队成员会逐渐丧失对价值判断的频率和能力。作者强调，真正的复利资产在于拒绝执行层面的无意义任务，并刻意留出思考方向的精力，以对抗被 AI 放大执行力的系统性退化循环。 -
如果给 AI 办一所大学
🎙️ yage.ai
📄 文章探讨了如何为AI构建一个持续学习和自我优化的知识系统，核心在于解决预训练模型通用知识与特定工作环境适配能力之间的鸿沟。作者提出了‘老鸭汤’规则系统的局限性——经验固化会导致知识退化，并倡导通过定期让Agent在真实环境中进行‘裸跑’回归测试，利用环境的反馈来动态检验和更新规则系统，实现对知识的持续维护与迭代。 -
月烧几十万美元，员工却拿顶级AI查天气：企业AI的宿醉来了 · 乔木博客
🎙️ 向阳乔木
📄 文章探讨了企业在采用顶级AI模型后遇到的‘宿醉’现象，指出Token用量管理和核心竞争力才是资源分配的关键。作者通过物理学家的视角分析了从强制铺开到需要精细化管理的三个阶段，强调未来决策应聚焦于如何将Token、人力与业务指标对齐，以及工程师价值的重新定义。 -
纳德拉万字长文：别抢模型了，你缺的是学习飞轮 · 乔木博客
🎙️ 向阳乔木
📄 纳德拉提出在AI时代，真正的竞争不在于抢占最好的模型，而在于构建自己的学习飞轮。他强调公司需要同时积累人类资本和Token资本，认为没有人的方向指引，算力只是原地打转。通过建立私有评估体系、强化学习环境和知识库，将工作流转化为持续复利的护城河，实现AI主权。 -
离开办公桌也能持续交付：AI智能体时代的开发者平衡术
📝
🎙️ AI Engineer
📄 WorkOS的Zack Proser分享了在AI智能体时代保持开发者效率与身心平衡的策略。通过结合语音交互流、远程控制和智能体的夜间批处理，开发者可以将深度专注与离开办公桌的'发散思维'相结合，利用工具无限扩展产出的同时避免精力枯竭。 -
利用 AI 自动化家庭采购：告别网购内耗与行政负担
📝
🎙️ How I AI
📄 本期播客探讨了繁忙的家长如何利用 Claude 等 AI 工具来管理家庭采购。嘉宾 Nicole Ruiz 分享了她如何将隐形的消费标准具象化，利用 AI 筛选高品质、耐用的商品，避免踩雷劣质产品，甚至让 AI 协助撰写退换货邮件，从而将更多时间留给家人而非数字系统。 -
构建自动化 AI 技能管线：Intake Skill 的架构设计与工程实践
📝
🎙️ 课代表立正
📄 本内容详细探讨了构建一个自动化 AI 技能管线（Intake Skill）的构思与实施规划。核心在于利用 Mac 的 Voice Memo 实现 100% 音频录制，通过 ASR 生成文本，并结合 Codex 实现自动化的 HTML 格式化与会议记录分解。文中明确了开发该 CLI 工具的七个阶段，涵盖了从调研、原型 scaffolding、Cron Tab 配置到隐私检查的全流程。 -
每个人都应该有一个 OPINIONS.md · 乔木博客
🎙️ 向阳乔木
📄 本文介绍了工程师 Kun Chen 如何利用 AI Agent 自动化地生成并每日更新其个人观点文件 OPINIONS.md。该系统扫描其在线内容，提取持久性观点，过滤噪音，并包含“看门狗”机制以检测观点漂移和事实风险，解决了个人观点分散的问题。 -
如何让 Claude 拥有完美记忆 · 乔木博客
🎙️ 向阳乔木
📄 本文介绍了一种三层系统，用于提升 Claude 的记忆能力并构建“AI 第二大脑”。第一层是基础设置，第二层是基于 Markdown 文件的记忆架构，第三层则深入集成 Notion 和 Obsidian，实现持久化的知识管理，使 Claude 成为更强大的助手。 -
AI圈的朋友都在看科幻片，因为答案就在那儿 · 乔木博客
🎙️ 向阳乔木
📄 AI从业者通过科幻片理解AI Agent未来。文章介绍了Bloome.im产品，探索H2A/HAAH模式，作者体验了创建云端/本地Agent，并展示了Agent调用本地文件、工具及多Agent协作能力，预示Agent将成为工作标配，重构人机协作模式。 -
多稿合并：从手动比稿到一键 Skill | 宝玉的分享
🎙️ baoyu.io
📄 文章介绍了如何通过 AI 自动合并多个草稿版本，以生成一份高质量的文章。作者分享了从手动合并到利用 AI 工具（如 Claude AI）的经验，并重点阐述了如何将这一重复性工作固化为可复用的 Skill，提供了两种创建 Skill 的方法（手动执行后固化、直接描述需求）和示例，强调了 Skill 在工作流自动化中的价值。