Loop 日报: 2026年7月8日
今天，「循环」不再只是一个比喻。刷一整天时间线，同一句话换着说法反复冒出来：真正的杠杆不是模型，而是循环本身。有两件事把这句话落到了实处。一是自动化研究真的进了生产环境，不再是PPT里的概念，Replit把自我改进的闭环合上了，OpenAI的Tax AI把从业者的修正喂回给智能体。二是一批会自己写工具、自己修剪记忆的自我进化智能体集中出现，再加上一小撮做基础设施的人，终于开始把一次智能体运行当成可以分叉的一等对象。贯穿其中的逻辑是：谁设计好了验证器和停止条件，谁就赢，而不是谁租到了最聪明的模型。
#1
@amasad
https://x.com/amasad/status/2074257906594177279
Replit的CEO给大多数人只敢空谈的「循环」摆出了实数：智能体现在能自我改进，因为他们把闭环合上了。这条推一天冲到近40万曝光，说明市场已经看腻了单纯的模型能力，想看的是反馈机制本身。这就是一个demo和一个能复利增长的系统之间的差别，智能体自己的产出变成了下一轮的训练信号。Replit等于在说，产品会在你睡觉的时候自己变好。
https://x.com/amasad/status/2074257906594177279
Replit的CEO给大多数人只敢空谈的「循环」摆出了实数：智能体现在能自我改进，因为他们把闭环合上了。这条推一天冲到近40万曝光，说明市场已经看腻了单纯的模型能力，想看的是反馈机制本身。这就是一个demo和一个能复利增长的系统之间的差别，智能体自己的产出变成了下一轮的训练信号。Replit等于在说，产品会在你睡觉的时候自己变好。
#2
@merccante
https://x.com/merccante/status/2074176590863348199
两位OpenAI工程师完整拆解了Tax AI在生产里跑的这套闭环，重点全在数字上：处理了7000份报税、准备时间砍掉约三分之一、初稿准确率97%。真正关键的恰恰是所有人都跳过的那段无聊机制，从业者的修正被结构化成信号，Codex去调查trace和评测，工程师在上线前审阅范围明确的修复。大多数团队任由专家的修正蒸发掉，而在这里每一次修正都是往上爬的一级台阶。让准确率不断攀升的，是这套反馈的接线，不是底座模型。
https://x.com/merccante/status/2074176590863348199
两位OpenAI工程师完整拆解了Tax AI在生产里跑的这套闭环，重点全在数字上：处理了7000份报税、准备时间砍掉约三分之一、初稿准确率97%。真正关键的恰恰是所有人都跳过的那段无聊机制，从业者的修正被结构化成信号，Codex去调查trace和评测，工程师在上线前审阅范围明确的修复。大多数团队任由专家的修正蒸发掉，而在这里每一次修正都是往上爬的一级台阶。让准确率不断攀升的，是这套反馈的接线，不是底座模型。
#3
@SwishMoe
https://x.com/SwishMoe/status/2074135655299318216
开源了AutoSecurity，一个把两个想法干净地缝在一起的仓库。AutoResearch那一半让智能体绕着你的仓库不停循环，收集证据、改进发现，直到你喊停。RLM那一半把审查拆开，一个根模型Fable 5把活切成鉴权、密钥、数据库访问、智能体工作流这些聚焦的小片，再用递归的Haiku子调用逐片审查。它最后综合出report.md、findings.json和一份可以喂回Claude Code的skills.md，让下一个智能体带着仓库特定的上下文去修，而不是靠猜。
https://x.com/SwishMoe/status/2074135655299318216
开源了AutoSecurity，一个把两个想法干净地缝在一起的仓库。AutoResearch那一半让智能体绕着你的仓库不停循环，收集证据、改进发现，直到你喊停。RLM那一半把审查拆开，一个根模型Fable 5把活切成鉴权、密钥、数据库访问、智能体工作流这些聚焦的小片，再用递归的Haiku子调用逐片审查。它最后综合出report.md、findings.json和一份可以喂回Claude Code的skills.md，让下一个智能体带着仓库特定的上下文去修，而不是靠猜。
#4
@patrickvdpols
https://x.com/patrickvdpols/status/2074176409237401679
关于「自我改进」到底能产出什么，这是难得的具体数据点：他的智能体给自己造了229个工具。这份清单本身就是证据，网页研究、API探测、SQLite的ETL、画图、图像处理、RSS、天气和空气质量、加密货币、统计、工具测试、目录搜索。这就是循环在吞掉自己的脚手架，不是人去连接各种集成，而是智能体发现缺口就自己把工具写出来。这229个是不是都真在用无关紧要，重点是这套机制不靠你也能扩张。
https://x.com/patrickvdpols/status/2074176409237401679
关于「自我改进」到底能产出什么，这是难得的具体数据点：他的智能体给自己造了229个工具。这份清单本身就是证据，网页研究、API探测、SQLite的ETL、画图、图像处理、RSS、天气和空气质量、加密货币、统计、工具测试、目录搜索。这就是循环在吞掉自己的脚手架，不是人去连接各种集成，而是智能体发现缺口就自己把工具写出来。这229个是不是都真在用无关紧要，重点是这套机制不靠你也能扩张。
#5
@stretchcloud
https://x.com/stretchcloud/status/2074063304591597839
今天最锋利的基础设施想法：Shepherd把一次智能体运行做成了可回退、类似Git的对象。每一次模型调用、工具调用、环境改动都变成结构化事件，于是一个元智能体可以检视、分叉、从任意历史状态重放，或者直接回滚。数据很硬，回退比docker commit快5倍，重放能复用95%的KV缓存，在CooperBench上结对编程通过率从28.8%跳到54.7%。Git这个类比不是装饰，正是版本控制让多人协作在结构上成为可能，而这就是多智能体运行的那一层。
https://x.com/stretchcloud/status/2074063304591597839
今天最锋利的基础设施想法：Shepherd把一次智能体运行做成了可回退、类似Git的对象。每一次模型调用、工具调用、环境改动都变成结构化事件，于是一个元智能体可以检视、分叉、从任意历史状态重放，或者直接回滚。数据很硬，回退比docker commit快5倍，重放能复用95%的KV缓存，在CooperBench上结对编程通过率从28.8%跳到54.7%。Git这个类比不是装饰，正是版本控制让多人协作在结构上成为可能，而这就是多智能体运行的那一层。
#6
@stagedhappen
https://x.com/stagedhappen/status/2074243171702411321
DotCode发布两小时后的压测数字：340次生成、路由了1120万token、平均每次生成3.3万token、单次运行峰值飙到140万token、92%完成率。让它成为一个循环故事而不是发布吹嘘的，是它的机制，每一次生成都是一个智能体循环，沙盒启动、写文件、跑命令、触发工具，结果先被验证过才算数。三个人做的，没拿一分钱融资，这本身就说明循环的成本已经降到了什么地步。
https://x.com/stagedhappen/status/2074243171702411321
DotCode发布两小时后的压测数字：340次生成、路由了1120万token、平均每次生成3.3万token、单次运行峰值飙到140万token、92%完成率。让它成为一个循环故事而不是发布吹嘘的，是它的机制，每一次生成都是一个智能体循环，沙盒启动、写文件、跑命令、触发工具，结果先被验证过才算数。三个人做的，没拿一分钱融资，这本身就说明循环的成本已经降到了什么地步。
#7
@RakeM39
https://x.com/RakeM39/status/2074189921838047443
今天最好的方法论帖子，思路借自控制论：一个反馈回路的上限取决于它的传感器，而在智能体循环里，传感器就是那个verify步骤。循环可靠性大概有90%都压在这道闸上。两种失败模式最常见，一是没有终止逻辑，一个无界循环配上弱鸡的成功判定，就是一台无限烧token的bug生成器；二是让智能体给自己的作业打分。他给的处方很具体，循环开始前就把「完成」定义成可执行的检查，加一个硬性的最大迭代上限和token预算，绝不让模型的自我评估当停止条件。
https://x.com/RakeM39/status/2074189921838047443
今天最好的方法论帖子，思路借自控制论：一个反馈回路的上限取决于它的传感器，而在智能体循环里，传感器就是那个verify步骤。循环可靠性大概有90%都压在这道闸上。两种失败模式最常见，一是没有终止逻辑，一个无界循环配上弱鸡的成功判定，就是一台无限烧token的bug生成器；二是让智能体给自己的作业打分。他给的处方很具体，循环开始前就把「完成」定义成可执行的检查，加一个硬性的最大迭代上限和token预算，绝不让模型的自我评估当停止条件。
#8
@arjunkshah21
https://x.com/arjunkshah21/status/2074215298094493700
一段很长的建造者自述里，埋着一个真家伙：Loopy，一个能自己构建、测试、迭代产品的智能体循环编排平台，在Composio和Nebius的黑客松800多个项目里拿了第二。帖子其余部分是一个少年的成长弧线，从凭感觉写一个植物识别app，到做出开源的token压缩API和一个opencode的分叉。值得注意的是，循环编排如今已经能这么随意地跟「我给Flappy Bird写了个神经网络」并列出现，对这拨人来说，这个原语已经是入场门槛了。
https://x.com/arjunkshah21/status/2074215298094493700
一段很长的建造者自述里，埋着一个真家伙：Loopy，一个能自己构建、测试、迭代产品的智能体循环编排平台，在Composio和Nebius的黑客松800多个项目里拿了第二。帖子其余部分是一个少年的成长弧线，从凭感觉写一个植物识别app，到做出开源的token压缩API和一个opencode的分叉。值得注意的是，循环编排如今已经能这么随意地跟「我给Flappy Bird写了个神经网络」并列出现，对这拨人来说，这个原语已经是入场门槛了。
#9
@huang_chao4969
https://x.com/huang_chao4969/status/2074164108057047227
DeepTutor v1.5是个漂亮的例子，把整个产品建在一个智能体循环上，而不是往上堆功能。聊天、测验、研究、可视化、解题、精通路径全跑在同一个循环上，你切换的是目标，不是引擎，上下文跟着你走。有意思的一层是可检视的记忆，L1是trace、L2是表层摘要、L3是综合，外加一张能把每个论断追溯回证据的记忆图。它还能在任意一轮里去请教一个在线的Claude Code或Codex。这是把辅导当成数据循环，而不是一堆互不相干的工具。
https://x.com/huang_chao4969/status/2074164108057047227
DeepTutor v1.5是个漂亮的例子，把整个产品建在一个智能体循环上，而不是往上堆功能。聊天、测验、研究、可视化、解题、精通路径全跑在同一个循环上，你切换的是目标，不是引擎，上下文跟着你走。有意思的一层是可检视的记忆，L1是trace、L2是表层摘要、L3是综合，外加一张能把每个论断追溯回证据的记忆图。它还能在任意一轮里去请教一个在线的Claude Code或Codex。这是把辅导当成数据循环，而不是一堆互不相干的工具。
#10
@EnterMirari
https://x.com/EnterMirari/status/2074067132950741233
一扇窗，让你看见自我改进底下那些不体面的管道活。MIRARI把会话修剪的过滤器直接接进它的记忆存储，这样修剪一个会话不会丢掉信号，Mirror和Dream先把它吃进去，把重要的提升上来，再归档。接下来要做的是一条/loop停止规则，阈值一到就触发归档或修剪，让循环在你睡觉的时候自己收拾干净。「干净的会话数据库就是干净的头脑」是个好说法，它想讲的是，长时运行智能体的瓶颈是记忆卫生，不是模型智商。
https://x.com/EnterMirari/status/2074067132950741233
一扇窗，让你看见自我改进底下那些不体面的管道活。MIRARI把会话修剪的过滤器直接接进它的记忆存储，这样修剪一个会话不会丢掉信号，Mirror和Dream先把它吃进去，把重要的提升上来，再归档。接下来要做的是一条/loop停止规则，阈值一到就触发归档或修剪，让循环在你睡觉的时候自己收拾干净。「干净的会话数据库就是干净的头脑」是个好说法，它想讲的是，长时运行智能体的瓶颈是记忆卫生，不是模型智商。
#11
@fucckt332
https://x.com/fucckt332/status/2074123963374936235
给所有自我改进热潮当配重的一帖：真正决定你造出来的是操作系统还是一个昂贵聊天标签页的，是记账。有三样东西你不撞墙就不会去接，一是智能体拗不过去的花费上限（他在cron循环里烧掉40美元才想起来按次限额），二是给智能体之间付款用的稳定币轨道，让结算几秒内清算，三是记住每个动作花了多少钱、而不只是做了什么。每项技能的成本才是那个告诉你该砍掉哪些循环的指标。带着血泪、具体，而且很少有人肯说出口。
https://x.com/fucckt332/status/2074123963374936235
给所有自我改进热潮当配重的一帖：真正决定你造出来的是操作系统还是一个昂贵聊天标签页的，是记账。有三样东西你不撞墙就不会去接，一是智能体拗不过去的花费上限（他在cron循环里烧掉40美元才想起来按次限额），二是给智能体之间付款用的稳定币轨道，让结算几秒内清算，三是记住每个动作花了多少钱、而不只是做了什么。每项技能的成本才是那个告诉你该砍掉哪些循环的指标。带着血泪、具体，而且很少有人肯说出口。
#12
@stefan_hamann
https://x.com/stefan_hamann/status/2074014254886244682
看看一套认真的家用自动化研究装备：两台H200服务器专门跑自动化研究、长程推理和自主实验，一个四节点的华硕Ascent集群在本地跑开源前沿模型，一台Mac Studio M3 Ultra当日常主力，还有一个DGX Spark实验室做机器人。他的论点是，未来属于那些在本地构建、实验、迭代的人，没有API限制、隐私拉满、迭代更快。结尾那句很到位：理解AI最好的方式不是看比赛，而是自己造车。
https://x.com/stefan_hamann/status/2074014254886244682
看看一套认真的家用自动化研究装备：两台H200服务器专门跑自动化研究、长程推理和自主实验，一个四节点的华硕Ascent集群在本地跑开源前沿模型，一台Mac Studio M3 Ultra当日常主力，还有一个DGX Spark实验室做机器人。他的论点是，未来属于那些在本地构建、实验、迭代的人，没有API限制、隐私拉满、迭代更快。结尾那句很到位：理解AI最好的方式不是看比赛，而是自己造车。
#13
@FakePsyho
https://x.com/FakePsyho/status/2074204365121077700
一位顶尖竞赛程序员的实战笔记，讲自动化研究到底在哪儿崩，比任何吹捧帖都有用。他的观察是，标准的自动化研究很容易卡在局部最优，而且在代码优化上出奇地差。AI赢的地方是变态的速度和并行度，像100个还行的程序员在协作，但面对一个真正新颖的问题，它不会随时间推移变聪明多少。诚实的框定是，harness的质量和海量推理能盖住其中一部分问题，但卡在局部最优这个失败，才是朴素循环真正的天花板。
https://x.com/FakePsyho/status/2074204365121077700
一位顶尖竞赛程序员的实战笔记，讲自动化研究到底在哪儿崩，比任何吹捧帖都有用。他的观察是，标准的自动化研究很容易卡在局部最优，而且在代码优化上出奇地差。AI赢的地方是变态的速度和并行度，像100个还行的程序员在协作，但面对一个真正新颖的问题，它不会随时间推移变聪明多少。诚实的框定是，harness的质量和海量推理能盖住其中一部分问题，但卡在局部最优这个失败，才是朴素循环真正的天花板。
#14
@hasan_ab_hasan
https://x.com/hasan_ab_hasan/status/2074183352811209008
精准点出了教程智能体和生产智能体之间的那道鸿沟：教程里的循环在demo里跑得好好的，然后凌晨三点，LLM调用超时、返回坏JSON、把工具参数给幻觉出来。他做了SimplerLLM，就是不想为每个新智能体一遍遍重写同样的重试、校验、兜底外壳，还维护一个Claude技能库，几分钟就能插进任何新智能体，跑在VPS上的Coolify里。真正戳中的一句是，一个智能体用不上这些，但你的第三个就需要了，真正吃时间的地方就在可靠性脚手架上。
https://x.com/hasan_ab_hasan/status/2074183352811209008
精准点出了教程智能体和生产智能体之间的那道鸿沟：教程里的循环在demo里跑得好好的，然后凌晨三点，LLM调用超时、返回坏JSON、把工具参数给幻觉出来。他做了SimplerLLM，就是不想为每个新智能体一遍遍重写同样的重试、校验、兜底外壳，还维护一个Claude技能库，几分钟就能插进任何新智能体，跑在VPS上的Coolify里。真正戳中的一句是，一个智能体用不上这些，但你的第三个就需要了，真正吃时间的地方就在可靠性脚手架上。
#15
@ardchain
https://x.com/ardchain/status/2074140933835071720
紧凑地拆解了一位Anthropic工程师到底怎么把循环扩到下午早些时候就关掉30个PR。工作流是这样的，把一张issue工单丢给智能体让它自我纠正，而不是问它要代码片段；用git worktree并行跑5个以上互相隔离的智能体会话；派专门的子智能体去做代码审查，好把主线程的记忆省下来；再用MCP把Claude直接接进GitHub、Linear和Slack。目标不是打字更快，而是一个能把产出规模化的系统，这就是「循环胜过提示」这条论题在一套工作流里的完整体现。
https://x.com/ardchain/status/2074140933835071720
紧凑地拆解了一位Anthropic工程师到底怎么把循环扩到下午早些时候就关掉30个PR。工作流是这样的，把一张issue工单丢给智能体让它自我纠正，而不是问它要代码片段；用git worktree并行跑5个以上互相隔离的智能体会话；派专门的子智能体去做代码审查，好把主线程的记忆省下来；再用MCP把Claude直接接进GitHub、Linear和Slack。目标不是打字更快，而是一个能把产出规模化的系统，这就是「循环胜过提示」这条论题在一套工作流里的完整体现。
#16
@0xPascual
https://x.com/0xPascual/status/2074182253739901019
那个传遍时间线的通宵构建故事，值得看的是它的机制：一份设计文档直接喂进一个由Fable 5驱动的定制智能体循环，全程没打开IDE。这个循环表现得像一位资深技术主管，动态分配一个100万token的上下文窗口，自己修好了多人架构里三个网络瓶颈，还在用户醒来之前干掉了自己写坏的状态逻辑。一个带地图、模式、多人大厅和bot的3D游戏，token成本不到40美元。要点不是这游戏，而是循环做了判断，不只是自动补全。
https://x.com/0xPascual/status/2074182253739901019
那个传遍时间线的通宵构建故事，值得看的是它的机制：一份设计文档直接喂进一个由Fable 5驱动的定制智能体循环，全程没打开IDE。这个循环表现得像一位资深技术主管，动态分配一个100万token的上下文窗口，自己修好了多人架构里三个网络瓶颈，还在用户醒来之前干掉了自己写坏的状态逻辑。一个带地图、模式、多人大厅和bot的3D游戏，token成本不到40美元。要点不是这游戏，而是循环做了判断，不只是自动补全。
#17
@aditya_an1l
https://x.com/aditya_an1l/status/2073987592979132674
做了AgentTool，一个完全活在你本机上的终端助手。它自动探测你的Ollama或LM Studio实例，把你的本地模型丢进一个真正的智能体对话循环里，用LangChain把这个定制循环接起来。小而具体，但它是所有人都在追的那套模式的本地优先版本：用你自己选的模型跑完整个循环，没有一个字节离开这台机器。
https://x.com/aditya_an1l/status/2073987592979132674
做了AgentTool，一个完全活在你本机上的终端助手。它自动探测你的Ollama或LM Studio实例，把你的本地模型丢进一个真正的智能体对话循环里，用LangChain把这个定制循环接起来。小而具体，但它是所有人都在追的那套模式的本地优先版本：用你自己选的模型跑完整个循环，没有一个字节离开这台机器。
#18
@gokulr
https://x.com/gokulr/status/2074281759831941179
开源了ProductSpec，一套描述软件意图的Markdown标准，要求同时对人类可读、对智能体循环可执行。有意思的是它的设计原则，把「问题」和「假设」留成人类去推理的散文，但给智能体必须解析的部分定结构化格式，也就是范围、验收标准、AI评测、成功指标。它坐在Git、Jira、Figma和编码智能体的上游，让意图在交接中不丢。当智能体承担越来越多的构建，这份规格，也就是你对问题的理解，才是那个能留存下来的产物。
https://x.com/gokulr/status/2074281759831941179
开源了ProductSpec，一套描述软件意图的Markdown标准，要求同时对人类可读、对智能体循环可执行。有意思的是它的设计原则，把「问题」和「假设」留成人类去推理的散文，但给智能体必须解析的部分定结构化格式，也就是范围、验收标准、AI评测、成功指标。它坐在Git、Jira、Figma和编码智能体的上游，让意图在交接中不丢。当智能体承担越来越多的构建，这份规格，也就是你对问题的理解，才是那个能留存下来的产物。
#19
@Praveen_G07
https://x.com/Praveen_G07/status/2074079157873504337
一篇讲SkillHone的文章，它给技能进化型智能体加上了持久的决策历史，是一份带讨论和证据的Git历史，而不只是最新那份文件。它把优化智能体（改进技能）和评估智能体（测试技能）分开，把每一次诊断、修订、决策都记下来，好让未来的智能体不再重复走过的死路。报告的收益是GAIA上涨15.8分、WebWalkerQA-EN涨3.2分、真实内部工作流平均提升18.8分。它点出的那个未解难题，同时协调多个正在进化的技能，恰恰是朴素自我改进卡壳的地方。
https://x.com/Praveen_G07/status/2074079157873504337
一篇讲SkillHone的文章，它给技能进化型智能体加上了持久的决策历史，是一份带讨论和证据的Git历史，而不只是最新那份文件。它把优化智能体（改进技能）和评估智能体（测试技能）分开，把每一次诊断、修订、决策都记下来，好让未来的智能体不再重复走过的死路。报告的收益是GAIA上涨15.8分、WebWalkerQA-EN涨3.2分、真实内部工作流平均提升18.8分。它点出的那个未解难题，同时协调多个正在进化的技能，恰恰是朴素自我改进卡壳的地方。
#20
@SkyeSharkie
https://x.com/SkyeSharkie/status/2074092629974044730
推出了eidoverse的第一个alpha，打包了一条3D打印流水线、一个「造创作者的创作者」、一个机器人创作者，外加一批帮智能体跟你一起做视频、或者干脆自己做视频的助手，它们是auto分支上多智能体循环里的dockerized子智能体。这是自运行智能体潮流最极端的那一端，不是一个循环，而是一张容器化智能体的网，每个都在产出成品。粗糙、早期，但真实地展示了当每个智能体都有了自己的沙盒，多智能体编排会往哪儿走。
https://x.com/SkyeSharkie/status/2074092629974044730
推出了eidoverse的第一个alpha，打包了一条3D打印流水线、一个「造创作者的创作者」、一个机器人创作者，外加一批帮智能体跟你一起做视频、或者干脆自己做视频的助手，它们是auto分支上多智能体循环里的dockerized子智能体。这是自运行智能体潮流最极端的那一端，不是一个循环，而是一张容器化智能体的网，每个都在产出成品。粗糙、早期，但真实地展示了当每个智能体都有了自己的沙盒，多智能体编排会往哪儿走。
#21
@alexanderbenz
https://x.com/alexanderbenz/status/2074138274466234502
一个小而具体、大多数循环建造者都会顺手偷走的优化：他们给每个模块加了错误码，让智能体可以grep模式，而不用去解析整份日志，结果把智能体的循环深度砍了一半。这就是那种不起眼的埋点，决定了一个循环是5步收尾还是拖到40步，你是在塑造环境，让智能体的传感器读得清清楚楚。少堆模型，多给可读的反馈。
https://x.com/alexanderbenz/status/2074138274466234502
一个小而具体、大多数循环建造者都会顺手偷走的优化：他们给每个模块加了错误码，让智能体可以grep模式，而不用去解析整份日志，结果把智能体的循环深度砍了一半。这就是那种不起眼的埋点，决定了一个循环是5步收尾还是拖到40步，你是在塑造环境，让智能体的传感器读得清清楚楚。少堆模型，多给可读的反馈。
#22
@dani_avila7
https://x.com/dani_avila7/status/2074213055169245378
一个关于循环栈的清爽心智模型，一层一层拆：工具使用靠stop_reason结束一次调用，智能体循环高一层，由一个评估器决定何时退出，而他真正想够到的，是再上面一个编排器，去决定哪些目标才值得起一个循环。最后这个问题几乎没人在为它构建，而下一轮harness设计正是奔那儿去的。当成一张所有人此刻都在往上爬的抽象阶梯图来读，很值。
https://x.com/dani_avila7/status/2074213055169245378
一个关于循环栈的清爽心智模型，一层一层拆：工具使用靠stop_reason结束一次调用，智能体循环高一层，由一个评估器决定何时退出，而他真正想够到的，是再上面一个编排器，去决定哪些目标才值得起一个循环。最后这个问题几乎没人在为它构建，而下一轮harness设计正是奔那儿去的。当成一张所有人此刻都在往上爬的抽象阶梯图来读，很值。
📡 生态产品雷达
生态产品雷达
Claude Code 是默认的底层基质，从AutoSecurity到DeepTutor的各类智能体都把skills.md喂回给它，并把它当子智能体拉起来。
Codex 是OpenAI的编码智能体，在审查循环里跟Claude Code配对，在Tax AI的修正流水线里反复被点名。
Hermes Agent（Nous Research）是那个反复出现的、自我改进且记忆持久的智能体harness，大家拿自己的循环去对标它。
Fable 5 是重循环首选的前沿模型，AutoSecurity的根模型、通宵的3D游戏构建都用它。
MCP 是那层接线，让循环够得到GitHub、Linear、Slack，也够得到彼此，不用为每个集成单独粘胶水。
Claude Code 是默认的底层基质，从AutoSecurity到DeepTutor的各类智能体都把skills.md喂回给它，并把它当子智能体拉起来。
Codex 是OpenAI的编码智能体，在审查循环里跟Claude Code配对，在Tax AI的修正流水线里反复被点名。
Hermes Agent（Nous Research）是那个反复出现的、自我改进且记忆持久的智能体harness，大家拿自己的循环去对标它。
Fable 5 是重循环首选的前沿模型，AutoSecurity的根模型、通宵的3D游戏构建都用它。
MCP 是那层接线，让循环够得到GitHub、Linear、Slack，也够得到彼此，不用为每个集成单独粘胶水。
评论