搜索
前天，MiniMax 更新了 MiniMax Agent，原先的专家 Agent 再度升级，这次还加了个新东西：MaxClaw —— 把最近在 GitHub 上爆火的 OpenClaw 做成了网页版，直接一键接入。
在2026当下的智能体（Agent）开发体系中，“为LLM加Skills”已经成为事实上的行业标准。您的Agent表现不好，是因为底层的LLM参数量不够，还是因为您喂给它的“Skills”写得一塌糊涂？无论是日常使用的各类CLI工具，还是最近的Openclaw，其底层能力的跃升很大程度上都依赖于这些特定领域的Agent Skills。
Second Me 也是从这里出发的。他们在春节前的最后一周，把这个问题变成了一场大型实验，办了「Second Me 全球首届 A2A 黑客松」，300 多支团队来了。五天后，一个 Agent 互联网 APP Store 的雏形，出现了。
在很多大模型和 Agent 的训练里，最常见的一种做法就是只看结果：最后答案对了就给奖励，错了就当 0 分。 在单轮问答里，这样「只看结果」还勉强能用；可一旦换成 Agent 这种要多轮对话、搜索、刷
GUI 智能体最近卷到什么程度了？Claude、OpenAI Agent 及各类开源模型你方唱罢我登场，但若真想让 AI 成为 「能在手机和网页上稳定干活的助手」，仍绕不开三大现实难题：
何朝阳说话时，语言的节奏快而密集。在我们交流的前半个小时里，他一口气介绍完新产品 Teamily.ai 的全部，但我只得到了一个模糊的感受：听起来技术很厉害，但我为什么要用它？
当前 AI Agent 行业有一个系统性的浪费：每个 Agent 都像一块一次性电池，跑完一个任务，过程中积累的经验、调试的策略、踩过的坑，全部随任务结束而消失。下一个 Agent 遇到相同问题，又得从零开始。
在组织了第一场闭门之后，我们决定找离 OpenClaw 最近的一群人：一线开发者、技术 founder、明星创企的核心工程师，聊聊在概念、热度之外，他们在各种实际业务中是怎么用 OpenClaw 的，以及一些真实的思考与困惑。
随着 MiniMax M2.5 的发布并在社区引发热烈反响，很高兴能借此机会，分享在模型训练背后关于 Agent RL 系统的一些思考。 在大规模、复杂的真实世界场景中跑 RL 时，始终面临一个核心难
当大多数人还在测试它的单点逻辑推理能力时，敏锐的开发者已经发现了一个更具破坏力的玩法：将GLM-5的高密度思维模型注入到Anthropic最新推出的Claude Code Agent Teams架构中。