螺旋镖还是回到通用 Agent 了， 100天里，我们一起见证了创作、设计、搜索、编程、旅游、办公、播客等垂直领域 Agent 们的诞生， 也迎来了通用 Agent 一次完整的能力升级 —— MiniMax Agent
今年上半年，最吊足胃口和期待的，莫过于 Agent 工具，饼画得都很大：日常中那些烧脑、重复、耗时间的任务，现在似乎只需要动动手指、敲几行 prompt 就能搞定。
LLM 和 agent 最关键的能力之一就是基于 context 来准确完成用户的任务，而最真实、鲜活的 context 往往不在 Google doc 等文档中，而是存在人与人的对话中，纪要就承载着这一类高价值信息。
近年来，大型语言模型（LLM）在处理复杂任务方面取得了显著进展，尤其体现在多步推理、工具调用以及多智能体协作等高级应用中。这些能力的提升，往往依赖于模型内部一系列复杂的「思考」过程或 Agentic System 中的 Agent 间频繁信息交互。
过去一段时间，“通用 Agent”成了 AI 应用的默认发展方向。无论产品叙事还是技术布局，大家似乎都在追求一个“什么都能做”的智能体。但现实逐渐显露：通用 Agent 在真实世界中并不那么“通用”。
在过去的一段时间里，各种 AI 编程工具扎堆上线，很多人都在问一个问题：现在的 AI 真的能帮我写完一个项目了吗？
2025 年，是 Agent 按下加速键的一年。
Era of Experience 这篇文章中提到：如果要实现 AGI， 构建能完成复杂任务的通用 agent，必须借助“经验”这一媒介，这里的“经验”就是指强化学习过程中模型和 agent 积累的、人类数据集中不存在的高质量数据。
今天，一个坐标北京海淀，一支年轻的创业团队，正在小范围 Alpha 测试一款叫 Teamo 的全新 Agent 产品。 给你们看下这个产品的恐怖数据——平均每 2.5 个看到这个产品的人，里面就有 1 个人想要参与 Alpha 内测...
AI 搜索 Agent 产品 Genspark 近期被 Anthropic 官方点名了。「Less structure, more intelligence.」是 AI 搜索 Agent 产品 Genspark 一直以来坚持的基本原则。Genspark 团队认为，过度结构化的工作流程会限制创造力和深度，赋予专业 Agent 更多自主权，自由选择并灵活运用多种工具来处理问题，反而能释放出更强的能力。
