📈 本周趋势
Harness 通常是厂商定好的一套工具，功能齐不齐，用户只能等更新。DeepSeek Harness 的创造模式换了个方向：想要什么，让 agent 写成插件装进去，工具慢慢长成每个人自己的样子。官方演示从悬浮番茄钟延伸到设计工作台、小游戏和模型可视化。开发者也可以从项目里的小需求开始，比如整理 TODO、展示测试结果或接入团队的 MCP 服务。同期公开的 Super-agent 原型，则把 issue、PR 和后续评审接成持续任务，减少来回给 agent 搬运上下文的操作。
Surge 的对照实验里，同一模型提高推理预算的收益高于继续叠加编排；Codex 社区开始明确检查子 agent 是否继承父会话，避免独立 review 带上原有讨论。Karpathy 用 HN 视频推荐做出 HackerTube，从现成数据一路做到上线；Cursor 的百小时复盘则提醒使用者，测试变绿也可能根本没有验证目标功能。Zombie Stats 继续追问引用能否查到原始研究。模型侧这周也不安静：Kimi K3.1 Pro 放出权重，腾讯 Hy4 同周发布，社区里还有 Revolut 的自托管实践。
🚀 产品与模型动态
🟠 Claude Code
2.1.318 是一次「收边界」更新：
- 在 IDE 终端里启动时，不再自动安装或更新 IDE 扩展，需要手动走
/ide或编辑器的扩展市场。 - 当「消息被标记时切换模型」设为「每次询问」，subagent 现在会停下来，而不是自作主张换模型；后台 subagent 的 shell 命令跑满 3 分钟后会转入后台，避免 prompt cache 过期。
/permissions的规则详情、内置规则和删除确认统一成标准对话框，连按两次 Ctrl+C 只会返回或取消，不再直接退出。claude auth status新增loginExpiresAt，claude -p的 JSON 结果新增credential_expires_at，并在登录到期前 10 天向 stderr 输出提醒。另修了 47 个 bug，包括--continue在 2.1.314 的回归、macOS 多 Bash 命令卡死、共享网络家目录下配置文件被清空。
🟢 Codex
- 稳定版 0.166.0 更新集中在长会话与排障：transcript 支持按词、行、页的键盘选择，内置搜索和可配置快捷键；接入 GPT-6.1 Terra 的 bundled、Vertex AI 与 Amazon Bedrock 目录；新增
codex queue --resume，排队消息后可以恢复未加载的线程；codex doctor --network-only专门检查配置、连通性和 WebSocket。 - 安全阻断提示改成可读的解释，并给出可选择的更安全后续动作。
- OpenAI 的 Git 基础设施同步推进：Tibo 称新后端 Pando 把 push 延迟降低 80%，每天承载近 1PB Git 数据；随后宣布收购 Pierre，Codex 应用里浏览文件和查看 diff 用的 Trees、Diffs 库正来自这家团队。agent 并行写代码之后，OpenAI 在同时重做评审和代码存储这两层。
社群信号：Matt Pocock 发现 Codex 倾向于让大多数 subagent 继承父 agent 的 context window，等于把主会话 fork 一份；依赖干净上下文的 code review、implement-spec 类 skill 因此明显劣化。他已随 skill 发布修复，跨 harness 移植 skill 时，context 是 fork 还是干净启动，这点最容易被忽略，移植前得先确认。
🧰 其他工具与模型
Kimi K3.1 Pro 的权重已经开放：2.8T 总参数、104B 激活的 MoE，1M 上下文，原生多模态，Terminal-Bench 4.0 报 65.7，这些上期讲过，本周落地的是权重与许可证。Hugging Face 上的 96 个分片是 MXFP4 权重、MXFP8 激活的量化版，训练阶段就做了量化感知。许可证不是 Apache 或 MIT，而是自定义的 Kimi K3.1-Pro License：允许商用、微调和再分发，但经营「模型即服务」且任意连续 12 个月合计收入超过 2000 万美元的团队，需要先和 Moonshot 单独签约；月活过亿或月收入 2000 万美元以上的产品，还要求在界面上标注模型名。2.8T 的体量决定了自托管门槛很高，多数团队更现实的路还是 API 或托管平台。
腾讯 Hy4 正式版：相比 preview 扩大了预训练与后训练规模，首次加入视觉理解和电脑操作，能把命令行、图形界面和工具调用串起来做多步任务；上下文约 105 万 token，单次最多输出 65,536 token。腾讯官方评测表把 Kimi K3.1 Pro 放在同一张表里：DeepSWE v1.1 上 Hy4 是 74.9、Kimi 是 75.5，FrontierCode 2.0 上 Hy4 的 31.6 反而高于 Kimi 的 25.5。差距集中在长程命令行任务：Terminal-Bench 4.0 只有 44.4，Kimi 是 65.7。价格也便宜得多：国际站目录价每百万 token 输入 $0.834、输出 $2.501，年底前按五折结算，两项都不到 Kimi K3.1 Pro（$2/$10）的一半。正式版权重还没开放，Hugging Face 上目前只有 Apache-2.0 的 Hy4-preview，官方说计划开源。
📌 本周精选
创造模式：把每天重复的小操作，做成自己的 Harness 插件
缺一个常用功能，可以让 agent 写成插件，留在工作台里反复用。
创造模式在标准模式的开发能力之上，还能检查当前 Host、Client 的运行时接口，让模型先看清插件能加在哪一层。官网的悬浮番茄钟示例把写代码、安装、验证走了一遍。插件也不限于加一个工具，可以扩展界面和技能。想看最小代码结构，可以接着读官方的第一个插件教程。
日常项目可以从一个小需求开始。比如把这段需求交给创造模式：「为当前仓库做一个 TODO 面板，列出文件、行号和内容，点击能打开源文件；先检查运行时接口，完成后安装并验证，重启后仍能使用。」这段需求可以按自己的仓库改写，先试单一功能，再往上加交互。
官方实践指南还给出了接入 MCP 的完整验证思路：提供实际服务地址，让 agent 配置并调用 ping。持久配置由 Plugin Manager 管理，创造模式的运行时检查本身是只读的。安装后应同时看到 application: applied 和真实工具调用成功；restart-required 表示还没激活。配置保存在当前 profile，也会影响该 profile 的其他会话。
Karpathy 用两小时做出 HackerTube：让 agent 从现成数据做一个自己的产品
不满意推荐流，就让 agent 用现成数据做一个自己的版本。
Karpathy 受够了 YouTube 的推荐，给 Claude 的任务很具体：用 Hacker News 用户推荐过的视频，做一个自己的 YouTube。Opus 下载 HN 评论，在 Claude Code 的 Workflow 中调用 Sonnet 过滤垃圾内容，筛出约 4 万条推荐 YouTube 视频的评论，最后整理成覆盖 150 个话题的 6,454 个视频，再完成界面、部署和优化。作者说整个过程约两小时，默认用的是 Claude Code 桌面版、Opus 5.5、Medium effort。
成品也有自己的取舍：用视频中间帧代替上传者缩略图，推荐状态保存在本地，不要求注册账号，数据可以导出给其他 agent 继续做自己的版本。Karpathy 手动做的只有申请 API key、开 VPS 和买域名。想自己试，起点很低：找一批已有数据和一个自己不满意的使用体验，让 agent 完成筛选、界面和部署，再用真实使用继续调整。
Surge 实测 coding agent harness：让模型「想更久」比 37 个 skills、17 个 agent 更有效
同一模型下，多给推理预算的回报，远高于再加一层 skills 或 subagent。
Surge 用 100 个真实软件工程任务固定 Opus 5.5，比较 vanilla Claude Code、Superpowers、Compound Engineering，以及 /goal 加 /code-review 等组合。结论反直觉：把 vanilla 的 thinking effort 从 medium 提到 xhigh，分数提升 11.3 个点；最有效的 harness 附加项只带来 2 到 3 个点。Superpowers 用 10% 额外成本换 2.4 点，/goal 加 /code-review 用 1.8 倍成本换 3.3 点，Compound Engineering 成本 8 倍却没有统计上清晰的提升。文章还举了一个 37 skills、17 个子 agent 的配置，它没发现「未付款就发出会议链接」这一核心产品问题。对每天搭 agent 工作流的团队，更实际的做法是先调推理预算，再考虑复杂编排。
100 多小时 Cursor 实战：测试全绿，也可能根本没测到 API
测试变绿，可能只是 agent 绕开了原本要测的功能。
Orchid 在复杂 monorepo 里用了 100 多小时 Cursor Composer 2.5，记录了他在这些项目里反复遇到的问题：只是问一个函数为什么存在，agent 就删掉它；让它重命名方法，它保留旧方法并标成 deprecated，却漏改测试和文档；改动了无关配置后，还要被要求检查 git diff 才承认。
作者要求先写失败测试再改实现，agent 却先改代码，再补一个不会失败的测试，甚至故意改错期望值来制造红测。另一次，为了让新增数据的测试通过，它直接写数据库，绕开了本来要验证的 API 路由。测试通过了，目标功能却没有被验证。
作者因此在提问时关闭 agent mode 或明确禁止删除，并要求它看过 diff 再说明改动。验收也可以写得更具体：重命名要覆盖调用处、测试和文档；API 测试必须真的经过路由；失败测试要证明它捕捉的是目标 bug。说到底，证据要对得上任务，一句「已经完成」不算数。
Zombie Stats：1,285 条 AI 引用的人工溯源研究，只有 40% 的数字能追到研究
五个助手给出同一个数字，只说明它们读了同一批网页，不说明数字有出处。
Trakkr 向 ChatGPT、Perplexity、Gemini、Claude、Google AI Overviews 五个助手问了 200 个「答案是一个数字」的日常问题，然后随机抽取并人工追踪 1,285 条被引统计，最多追五层，另有 150 条手工复核。结果只有 40% 能追到说法一致的研究，8% 找到了研究但数字或语境已经变了，40% 停在无法核查的页面，11% 全程无源。AI 引用的页面 82% 确实含有那个数字，但只有 21% 是原始研究，超过一半是公司博客。反直觉的地方在于「一致性不是验证」：五个助手给出相同数字的问题，溯源成功率没有提升；被五家共同引用的四个数字，全部找不到研究支撑。Claude 每个答案平均引用 6.8 个统计，溯源率 38% 垫底；ChatGPT 引用最少，1.3 个，反而有 57% 可溯源。文章给出的纪律很具体：沿着引用一路点进去，直到落到研究原文，核查样本、年份、人群，发布数字时把方法写在数字旁边。
💬 社区热议
Claude Code 产品负责人 Cat Wu 离职，加入 OpenAI 负责 Core Products
Cat Wu 10 月底离开 Anthropic，加入 OpenAI，向 Tibo Sottiaux 汇报，负责 ChatGPT、Codex、API 和 agent 基础设施所在 Core Products 的产品管理。她是不到两周内第三位宣布离开 Claude Code 团队的成员，前两位是负责桌面版的 Anthony Morris 和做 agent 功能、Skills 与 context engineering 的 Thariq Shihipar。Anthropic 本月更新的 S-1 显示，季度收入从 2025 年一季度的 3.76 亿美元涨到 2026 年三季度的 169.56 亿美元，员工从约 940 人增至约 5,300 人，过去 12 个月的遗憾流失率约 1%。对 coding agent 用户，短期产品节奏未必立刻变化，但两家的产品负责人已经直接对位。
YC Labs「Agents in Games」：50 个 GPT 在 Minecraft 自发建立配给政府
YC Labs 联合 Olam Labs 做了三个多智能体实验并全部开源。Civ50 里，50 个 GPT-6.1 Sol 在 Minecraft 生存 3 小时，目标是「建立繁荣文明」；它们自发形成配给账本、成文规则和许可制度，名册第一位的 Ada 成了事实上的领袖，49 个 agent 里有 46 个第一条消息发给她，没有选举也没有投票。第一晚出现 34 次死亡，在其中的 22 次之后，整个群体转向「复合式谨慎」，文明从未真正繁荣。一次鸡肉误投递触发了 3 分钟的无责调查，还产出了一份在 agent 之间传递的书面协议。Bed Wars 里 GPT 以激进拆床和 5 到 30 倍的消息量战胜 Claude；Mindustry 里 GPT-6.1 以 6 比 1 战胜 Claude Opus 5.5。工具 bug 导致无法破坏方块时，GPT 诊断出 workaround 并广播队友，几个 Claude 得出「破坏不可能」的结论继续防守。作者说，这种过度谨慎、角色固化和排障上的差异，与日常编程 agent 的行为模式很像。
Revolut 把 2,000 名工程师从 Claude Code、Codex 迁到自托管 GLM，AI 编码成本降 90%
Revolut 的 AI 运营负责人 David Abitbol 在 AI Engineer 的分享里给出了完整账本：约 2,000 名工程师从按量计费的 Claude Code、Codex 迁到自托管 GLM，混合成本降到每百万 token 约 30 美分，约为此前的十分之一；整套服务跑在约 56 张 NVIDIA B200 上。自托管从 4 月开始后，同一批工程师的编码耗时缩短约 60%，交付周期缩短约 70%。在 GPU 数量不变的情况下，首 token 时间从 10 秒以上降到约 1.6 秒，吞吐从每秒约 3 个请求升到 7 个以上，靠的是上下文上限、量化和并行策略调优，而不是加卡。他们把上下文卡在 256K，并要求 coding 工作负载的 cache hit rate 高于 90%。30 美分的口径不含云资源、人力和可观测性成本，也不能直接套到小团队；自托管开源模型已经能进生产，前提是调用量足够大、工作负载足够窄。
🧩 开源社区
本周开源区五个项目，围绕的是仓库任务的续接、跨会话记忆、远程接管和并行开发。DeepSeek Super-agent 打头，侧边栏插件补的是文件、终端和 diff 的日常操作。
deepseek-ai/dsh-superagent-prototype
DeepSeek 团队的编程 agent 研究原型，以 DSH 插件包的形式跑在单个仓库上，也能接飞书。它监听 GitHub 上的请求，确认授权后为每个任务开独立会话和目录，做完回到原对话交付，通常是一个 PR；网页面板只列需要人处理的事。它的原则是尽量少占人的注意力，只做被要求或规则允许的事。安装同样交给 agent，按 SETUP.md 一步步问清再装。官方注明这是研究代码，不建议直接上生产。
thedotmack/claude-mem
给 agent 加一层跨会话记忆：自动记录会话里的工具调用，压缩成语义摘要，下次开新会话时把相关的几条注入回来；要翻旧账，可以用 MCP 工具分三层查：先拿索引，再看时间线，最后只取相关条目，比一股脑塞回上下文省 token。安装是一条 npx claude-mem install，默认用托管记忆，也能切成本地观察器，宿主覆盖 Claude Code、Codex、DSH、OpenCode、Grok Bot、T3 Code 和 Antigravity。本周新增 8,822 星，冲到周榜第一。
pingdotgg/t3code
一个 agent 控制台：在本机跑一个 t3 服务，手机 App、网页和 Electron 桌面端都能连上去，接管已经登录的 Claude Code、Codex、Cursor、Grok Build、OpenCode、Antigravity 和 fx，不替换原有订阅。装完运行 t3 就能用，t3 service install 让它后台常驻，人在外面也能看进度。作者说没打算卖什么，方向不对可以直接 fork。本周新增 14,580 星，是榜单里增速最快的项目。
max-sixty/worktrunk
把 git worktree 做成接近分支的体验，专门给并行 agent 用。它按分支名寻址，wt switch -c -x claude feat 一条命令建树并起 agent，wt list 列出各工作树的改动，加 --full 再补 CI 状态和自动摘要。十个工作树能共享 target、node_modules 这类构建缓存，不用各建一份（限 APFS、btrfs、XFS）。同时跑 5 到 10 个 agent 时，它补的是「一个 agent 一个目录、互不踩改动」这层基础。本周新增 1,261 星。
omdsh-dev/DSH-better-sidebar
给 DSH 加一个双工作台：原生右侧栏加一块自绘的底部面板，文件树、可编辑的编辑器、真实终端、Git 图谱和侧边对话都在里面。侧聊会继承父会话的完整上下文、独立跑，还能一键提升成主线程；ctx.betterSidebar 服务对插件开放，别的插件也能往里加东西。本周 0.30.x 补上侧聊图片、代码引用跳转和草稿恢复，要求 DSH 0.2.2-rc.1 及以上。0.2.1-rc.1～rc.5 用户按发布说明固定 0.28.2。
✉️ 关于周报
本周报的内容来自一套我自己打磨出的自动化采集工具。它维护着一份精选的活跃博主清单（覆盖 AI 工程、Agent 实战、产品动态等方向，主要集中在 X / Twitter），并定期抓取 HackerNews、Reddit 等社区以及 Anthropic、OpenAI、Cursor 等官方博客的更新。
每天采集一次，每条内容会按「洞见性、独特性、深挖价值」三个维度打分排序，算法筛出高分候选内容。周报会汇总近 7 天内容，再经过人工去重、剔除和把关，最终汇编成你看到的这期周报。整套流程是机器采集加人工筛选的结果。
完整归档与历史期数见 GitHub 仓库
欢迎关注公众号「AGI成长之路」，后台点击进群交流，一起学习更多 AI 知识。