标签：context-infrastructure

• Shell 早就有，Agent 才是新的：从 iSH 到 Open Minis yage.ai 2026-10-23
  文章探讨了移动设备（如Open Minis）上运行的本地用户态环境与Agent运行时之间的演进。核心观点是，Open Minis通过在iOS应用进程内运行Alpine Linux用户态，并引入Agent运行时，将命令行环境、内置浏览器与系统级接口统一交给大语言模型，实现了模型自主决定执行路径和工具调用的能力。这与传统基于静态流程图的Shortcuts等工具不同，智能体运行时能够根据实时反馈调整策略，并能连续操控浏览器和本地脚本，从而将物理现场的即时感知与长期上下文记忆相结合，形成现场上下文与长期上下文的闭环，解决了跨端任务交接和权限边界的工程难题。
• OpenAI Presence：把 FDE 的经验回流做成产品 yage.ai 2026-07-25
  文章探讨了OpenAI Presence产品如何将现场失败（FDE）的经验回流到产品流程中。核心思想是建立一个闭环，通过捕获人工接管轨迹、测试用例和规则，实现对Agentic系统的持续改进与迭代。这强调了企业作为资产所有者，通过定义明确的结果边界（Evaluation-First），才能确保模型能力的迁移性和供应商的自由切换权。
• LLM 需要一个更小的可执行世界：DSL、FastAPI 与 Context Infrastructure yage.ai 2026-07-18
  文章探讨了如何通过设计领域特定语言（DSL）和有限的API来为大型语言模型（LLM）构建一个更小、更可执行的世界。核心思想是，将复杂的自然语言指令转化为结构化的程序表示，从而缩小模型的表达边界，提高任务的精确性和可靠性。这涉及到利用FastAPI等技术定义原子操作，以及DSL负责描述完整计划，形成Context Infrastructure闭环。
• 一个不等你提问的 ChatGPT，会是什么样？ yage.ai 2026-07-14
  文章探讨了未来“不等你提问”的ChatGPT形态，认为它将不再是需要用户主动打开的独立应用，而是常驻在邮件、日历等数字环境中的“环境意图层”。这种形态通过持续运行后台任务，结合高层目标和中层经验（Context），动态准备好可直接使用的工件草稿或调整方案，从而实现更深层次的主动智能。
• 团队中共享 AI skills 的原则与方法 yage.ai 2026-04-23
  文章探讨了团队中共享AI技能的挑战与方法。提出了一种去中心化的知识管理体系，包含共享技能池、个人索引、AI驱动的扫描机制和引用追踪，以促进共识的自然涌现，而非强制收敛。最终目标是构建一个动态的“上下文基础设施”，使AI能成为领域内有洞察力的实践者。