搜索
现在的 AI Agent 动辄需要处理超长上下文，既要看系统提示词、工具说明，又要翻阅历史对话和检索文档。为了省钱、省算力并降低延迟，很多开发者会给系统加上 “提示词压缩”（Prompt Compression）模块，把冗长的上下文浓缩后再喂给大模型。
我现在核心做的项目叫QLab，一个AI出海加速器。用多智能体，搭了一张高效的协作网络，专门帮国内的中小创业者、一人公司和AI团队，把产品推到海外去。 1. AI Agent相关技术产品支持：帮助非技术背景OPC迅速搭建AI产品体系
General Intuition 做的事听起来有点绕：用游戏数据训练现实世界里的 AI Agent。换成更直白的话说，General Intuition 做的是让 AI 先在游戏里学会“怎么行动”，再把这种能力迁移到机器人、无人机、自动驾驶、仿真环境里。
AI Agent正在从“会回答”走向“能办事”，但真正的门槛也随之出现：它们能不能在复杂、漫长、不可预测的任务里持续做对？这家公司正在为AIAgent搭建一套“数字世界”测试场，让它们在真正接管网页、企业系统或金融流程前，先在模拟环境里反复试错、暴露漏洞。
上周有个项目，让我觉得很有意思。GitHub上一个叫OpenSquilla的，发布不到一个月，Star涨到了5300多。OpenSquilla 0.4.0，定位Token-Efficient AI Agent，是一个很有效率又很有创意的智能体框架。
这个官方仓库vercel-labs/skills，发布仅五个月，GitHub星标就冲到了2.4万。凭什么这么火？简单到只有一行命令：npx skills add <package>。说白了，它就是AI智能体（AI agent）的包管理器。
三星大模型团队联合北京大学、香港城市大学、香港科技大学等科研机构，共同发布了面向 AI Agent 的基准测试 LiveClawBench。它关注的并不是「谁的 Agent 更强」，而是一个更基础、也更关键的问题：为什么同一个 AI Agent，在一些任务中已经接近可用，而在另一些任务中却会突然失稳？
今晚，我在旧金山 Howard Street 的 Inngest 总部，参加了一场叫做 {AI} in Production 的小型聚会。主办方是 Inngest，Cursor、Arcade、Vapi 联合参与。清一色是在一线真正跑 AI agent 的工程师和创始人，一群人坐在一起，讲他们把 AI 部署进生产环境之后遇到的真实问题。
微信和企业微信的 Agent，同时出牌。
AI高考志愿填报，数据只是最基础的一环。