Fiona Fung 管理著 Anthropic Claude Code 與 Cowork 背後的整個工程與產品團隊，Boris Cherny（Claude Code 之父）與 Catherine Wu 都向她匯報。最近一兩個月，她的團隊裡出現了一個新問題：隨著 Routines 上線、工作方式轉向非同步，團隊成員同時運行的 Agent 越來越多，有人一次跑二十個，checking in 和 review 的負荷肉眼可見地在上升。 在 Lenny's Podcast 的一期訪談裡，主持人問她有沒有解決方案，她的回答很直接：我還沒搞定。 訪談地址：https://www.youtube.com/watch?v=Ybrl4FYM57c 過去一年，關於 AI 提升工程效率的敘事，大多停留在"變得多快"這個層面。Anthropic 自己公佈的資料是，工程師人均每季度程式碼產出已經漲到 2025 年同期的 8 倍。但更有意思的問題其實是：當一個人可以同時指揮十個、二十個 Agent 幹活，人和 Agent 之間、人和人之間的協作方式，要重新設計成什麼樣？這也是團隊自己還沒完全想清楚的部分。

5周內，他們如何做出了一個 新的Agent產品，並完成了組織改造？ 封面來源｜Cola 安全的，不安全的

檔案系統可以讓Agent更高效地「找東西」，降低了認知負擔，提高了任務執行效率，減少了45%的token消耗和39%的成本，同時保持較高精準率。 當同一個模型面對同一份資料時，介面長什麼樣，會不會直接改變它花掉多少 token（模型上下文與計費的基本單位）？ 答案是會，而且差別不小。 部落格連結：https://nokv.io/blog/agents-want-filesystems

過去兩年，大模型的競爭主要圍繞模型能力展開，而隨著 AI Agent 快速進入開發、辦公和科研等場景，行業關注點正在發生變化：如何讓Agent安全、自主、可靠地完成真實世界中的複雜任務，以及當數以百萬計的Agent開始在網際網路上相互協作、談判和交易時，人類社會將迎來怎樣的重塑？ 在 Google DeepMind 最新一期播客中，研究科學家 Nenad Tomasev 圍繞 AI Agent 的未來展開了討論，內容涵蓋 Agent 的定義、科研應用、智能體安全（Agentic Security）、智能體經濟（Agentic Economy）、認知單一化（Cognitive Monoculture）以及分佈式智能（Distributed Intelligence）等多個話題，並提出一個值得關注的觀點：未來 AI 的演進方向，未必是單一的超級 AGI，而更可能是由大量專業智能體協作組成的智能體社會。 01. 從生成文字到執行行動，Agent相較於模型的重要意義 要洞察這場變革，首先要理解 LLM 與Agent之間的本質區別。雖然Agent在底層依然依賴 LLM 作為“大腦”來制定計畫，但其核心進化在於增加了一個能夠與現實世界互動的“外殼”（Harness）。

編者按： 網易有道CEO周楓近日撰文，就對Harness的思考與實踐進行了分享。 “在大模型應用裡，團隊真正在設計和迭代的產品，往往不是一個個具體的功能，而是這一整層Harness本身”。 周楓以建構一個好的Harness產品要點為核心，提出7個方面：面向下一代模型能力設計產品；要做高智能產品；有價值的Agent產品，往往消耗較多tokens……

在2026年4-6月，Datawhale延續了一季度的高速增長，總Star數從28w進一步提升到35w，在GitHub全球組織榜中的排名從第29名上升到第21名，成為同類組織全球排名第4，中國第1的開源學習社區。 高速增長的背後原因 組織內部的增長仍然由AI Agent和大模型學習類項目驅動，其中hello-agents一個季度新增29809顆Star，單項目貢獻接近千星項目總增量的一半。easy-vibe、Agent-Learning-Hub、all-in-rag和happy-llm組成第二增長梯隊，共同把本季度的項目熱度繼續推高。 按月來看，當前Star數超過1000的37個項目在4-6月合計新增6w+顆Star，其中4月新增1.9w+，5月沖高到2.9w+，6月回落到1.5w+。5月是本季度最關鍵的增長月份，主要由hello-agents單月新增1.3w+和easy-vibe單月新增8000+的Star共同拉動。

2026年，兩件事撞在一起。 產業側，企業開始密集部署Agent。消費側，超級App迎來系統性重構。兩個原本平行的生態，同一時間集體轉向AI。 Agent時代來了。表面看，這是技術升級的擴散，實則背後隱藏著一場對科技廠商的價值重估。 消費側Agent的標誌性事件，是AI版支付寶“阿寶”的率先上線。

智譜深度：模型層定價權的中國樣本，程式碼 Agent 與 API 飛輪能否跑贏算力成本 智譜的定價分歧不在“是不是中國大模型公司”，而在它能否反覆把前沿模型能力轉化為高價值工作流、API 價格和可持續 ARR。程式碼 Agent 是第一塊試金石，GLM-5.2 是最新證據；真正的證偽點則在算力供給、模型迭代速度、雲 API 毛利率和客戶留存。 內容概括 智譜最值得追問的地方，不是它已經成為稀缺的上市大模型標的，而是它在模型層裡暴露出一個更難回答的問題：當基礎智能不斷降價，模型公司還能不能靠前沿能力漲價。UBS 把它稱作“中國版 Anthropic”，BofA 強調程式碼資料飛輪，JPM 則用 GLM-5.2 解釋“成熟智能降價、前沿能力漲價”的價格分層。三份報告共同指向同一件事：智譜的估值不是傳統軟體股估值，也不是一次性項目制 AI 公司估值，而是一種仍在驗證中的模型層期權。