今天最值得看的三件事：
- 模型发布 · 腾讯发布Hy4预览版：770B参数开源权重大模型
- 公司动态 · 索尼音乐与华纳起诉Anthropic大规模盗用版权
- 公司动态 · OpenAI切断Cursor合作，称马斯克有毁约前科
下文按板块展开，正文每条均附原始链接。
🚀 模型发布
腾讯以开源权重方式发布 Hy4 预览版，770B 总参数把国产开源模型的上限抬到新刻度，而 49B 激活参数让规模化部署保持现实可能。Google 的 Gemini Omni 1.1 Flash 则把视频生成带到 40 秒场景扩展，并加入首尾帧控制与 4K 超分。两条动态指向同一趋势：模型竞争的重心，正从单点能力转向落地路径。
腾讯 Hy4 预览版：开源权重进入 770B 时代
是什么：腾讯发布 Hy4 预览版，一款开源权重 LLM，总参数 770B、激活参数 49B，支持 100 万 token 上下文，暂不支持视觉输入。
关键点：总参数与激活参数的巨大差距，意味着推理时的显存与算力需求将主要由激活参数驱动，资源门槛远低于稠密 770B 模型。100 万 token 上下文让它在长文档、代码库级任务上具备自托管竞争力。但预览版阶段，实际质量仍需评测与社区反馈验证，视觉能力缺位也意味着其应用场景目前集中在文本域。
为什么重要：对开发者，这是一条可私有化部署、可微调的模型路径；对闭源 API 提供商，权重开放策略正在压缩「规模即壁垒」的叙事空间。接下来值得关注的是社区适配速度和正式版表现。
Gemini Omni 1.1 Flash：视频生成跨入 40 秒
是什么：Google 发布 Gemini Omni 1.1 Flash，这是其原生多模态视频生成与编辑模型的更新版本，定位生产级。
关键点：三项更新分别补足不同环节——40 秒场景扩展解决了时长瓶颈，首尾帧控制让镜头间可以按脚本衔接，4K 超分把输出拉近交付标准。尤其首尾帧控制，意味着创作者可以先确定两端画面、再由模型补全中间过程，这更接近剪辑逻辑而非单条生成。
为什么重要：AI 视频生成此前最大的问题是「单片可用、成片不可用」；40 秒时长加可控首尾帧，开始触及叙事性内容的制作流程。对于依赖视频生产力的团队，这是一次值得认真评估的能力升级。
当开源权重来到 770B、视频生成跨过 40 秒，单点参数与时长不再是唯一看点，能否用进真实工作流才是分水岭。你会把哪条能力放进产品线？
🏢 公司动态
🔬 研究论文
今日研究板块的焦点只有一个：Anthropic 让 Claude 参与训练下一代 Claude，以 4 美元/小时的成本跑赢了 150 美元/小时的人类研究员。这不只是效率提升，而是 AI 自进化路径上的一个标志性节点——当模型开始教模型，训练成本的边际曲线将被彻底改写。
Claude 训练 Claude，4 美元/小时跑赢 150 美元人类研究员
Anthropic 最新实践显示，让 Claude 参与新一代模型的训练环节，每小时成本仅 4 美元，而性能表现超过 150 美元/小时的人类研究员。这意味着 AI 对齐与训练中的人力环节正在被系统性替代。
关键点在于：不是替代全部人类角色，而是优先切入那些标准化程度高、可验证性强的研究任务。Anthropic 并未宣称完全去人工化，而是将人类研究员的时间释放给更深层的架构设计。
为什么重要：这是「AI 自进化」从理论走向工程实践的成本可行性论证。当 AI 训练 AI 的单位经济性跨过盈亏线，整个训练范式将向自我迭代方向加速演进——护栏与监督机制的设计，将成为比训练本身更稀缺的能力。
原文：量子位
Google WikiSkill：给 AI Agent 装上「错题本」
Google 推出 WikiSkill 机制，让 AI 智能体拥有对过往错误与成功案例的持久记忆。区别于传统上下文窗口的临时记忆，WikiSkill 将经验沉淀为可检索、可积累的结构化知识。
关键点在于：Agent 不再每次从零学习，而是基于历史经验调整策略。这解决了两个长期痛点——多轮交互中的遗忘问题，以及同类错误反复出现的低效循环。
为什么重要：持久记忆是 Agent 从「会话工具」进化为「长期协作者」的阶梯。WikiSkill 若成熟，将改变评估 Agent 的维度——从单任务表现转向跨任务的学习曲线斜率。
原文：The Decoder
本地部署不如官方版？734 个依赖包在作怪
一项研究发现，推理软件栈的微小差异即可改变输出 token——734 个依赖包的版本差异，是导致本地部署效果不及官方版的关键原因。同一模型在不同环境下表现不一致，问题不在权重，而在环境。
关键点：模型输出的确定性被严重高估。依赖包版本、CUDA 版本、推理框架配置等细节，都可能引入不可见的输出漂移。研究指出这与「对齐」无关，纯粹是工程层面的复现问题。
为什么重要：这直接冲击「本地化部署即安全可控」的假设。若 734 个依赖包能悄悄改变行为，那么部署环境的验证和锁定将成为企业落地的硬性要求——也意味着 MLops 的复杂度比想象中更高。
原文：量子位
Google EnvHarness：静态 Agent 环境变自适应训练场
Google Cloud AI Research 联合高校发布 EnvHarness，采用 Apache-2.0 协议，将静态智能体基准转化为可随策略训练动态调整的环境。EnvHarness 本质上是一个可编程层，让环境不再是固定考卷，而是能根据 Agent 当前水平自适应出题的教练。
关键点：现有基准测试像「标准化考试」——题目固定，无法区分真正理解和刷题记忆。EnvHarness 让环境本身成为训练信号的一部分，缩小训练环境与真实世界的差距。
为什么重要：Agent 评估体系的僵化已经成为领域瓶颈。环境自适应能力将推动基准从「验收工具」转向「训练伙伴」，这对强化学习和通用 Agent 研究都有直接价值。
原文：MarkTechPost
Code-as-World：从真实视频生成可执行物理仿真
这项研究可从真实视频恢复可编辑的 MuJoCo 仿真场景代码，并用验证过的虚拟世界训练 AI 的物理推理能力。视频到仿真代码的转化，意味着真实世界的物理规则可以被「编译」为可计算、可修改的程序。
关键点：不是简单的视频预测，而是能够生成可执行的结构化代码。研究者可以将物理规则抽取、编辑、重放，让 AI 在受控但多样的虚拟环境中反复试错。
为什么重要：数据永远是 AI 推理的天花板，真实数据昂贵且不可编辑。Code-as-World 提供了一条从真实观察中蒸馏「世界模型」的路径，让合成数据第一次具备了物理真实性。
原文：MarkTechPost
语音 Agent 推理延迟基准：TTFT 之外还需看什么
新基准聚焦语音与实时 Agent 的推理 API 首字延迟（Time-to-First-Token, TTFT），指出 TTFT 是正确的起始指标但不应是唯一的评估终点。实时的体验是多个延迟指标共同作用的结果。
关键点：TTFT 衡量「第一句话开始的快慢」，但完整体验还取决于 token 间延迟、中断响应、语音活动检测等多环节。单一指标优化可能带来次优的真实用户体验。
为什么重要：实时语音 Agent 正在进入产品竞争期，评测标准的成熟度将直接决定行业的优化方向。如果只看 TTFT，厂商会过度投入首字延迟而忽视整体交互流畅度。
原文：MarkTechPost
今天的共同信号是：AI 正在从「被训练」走向「自我训练」——无论是对齐人力、经验记忆、环境适应还是世界模型。留给从业者的问题是：当 AI 不再依赖人类标注时，我们的角色还剩什么？
📱 应用产品
今天最值得关注的不是又一个模型发布，而是 Anthropic 放出的模型硬件标准 MHS 研究预览。它第一次为 AI Agent 安全操作物理设备提供了一个统一驱动规范，设备集成时间从数周压缩到几天。这意味着 Agent 正从屏幕之内走向真实世界，标准层的竞争已经开始。
Anthropic 开放 MHS：Agent 控制物理设备的「通用语言」
Anthropic 发布了模型硬件标准（MHS）的研究预览，这是一套供 AI Agent 安全发现和操作物理设备的共享规范。它相当于给 Agent 和硬件之间定义了一层统一的「驱动协议」，让不同品牌、不同接口的设备能以一致的方式被 Agent 调用。
关键点在于「统一」与「安全」。过去 Agent 对接一台新设备，需要单独编写驱动和适配逻辑，集成周期往往以周计；MHS 试图把这套流程标准化，直接降到几天。同时，安全是规范的核心前提，Agent 在操作物理设备时的边界、权限和异常处理都被纳入设计范围。
MHS 如果被广泛采纳，Agent 将不再局限于网页和代码，而是可以触达摄像头、打印机、工业设备等实体。这也是 AI 从「对话」走向「行动」的关键基础设施。值得关注的是 Anthropic 选择以开放预览的方式推进，意图显然不只是做自家标准，而是争夺 Agent 硬件生态的底层话语权。
原文：Anthropic Opens a Research Preview of the Model Hardware Standard (MHS)
Claude Code 限额调整被指「明升暗降」
Anthropic 近日调整了 Claude Code 的使用限制。表面上是额度提升了，但不少开发者在实际使用后认为，这次调整实际上是变相削减——所谓的「提升」在真实工作负载中并不成立，有些场景下可用量反而缩水。
关键点在于「纸面提升」和「实际体验」之间的落差。如果按新的规则运行同样的任务，开发者可能更快触达限制，或者需要支付更多来获得与之前等量的使用。这种「调整方式」本身比幅度更值得讨论——它不是直接降价或涨价，而是改了计费与限制口径，导致用户需要重新评估使用成本。
对开发者而言，这类变更直接影响 CI/CD 流水线、批量任务和 Agent 化工作流的稳定性。信任一旦动摇，用户就会开始寻找替代方案。对于以 API 和开发工具为核心触达人群的 AI 公司来说，限额条款的透明度，正在成为开发者关系的重要考题。
原文：Anthropic’s Claude Code limit change is a raise on paper but a cut in practice
阿里 Qoder 发布：编程不再是程序员专属
阿里推出了 AI 编程工具 Qoder，主打让非程序员也能完成编码任务。它的核心卖点不是更强的代码补全，而是把「编程」这件事从专业技能转变成一种表达意图的能力——用户用自然语言描述需求，Qoder 负责产出可运行的代码。
关键点是定位的变化。过去 AI 编程工具面向的是开发者，提升的是编码效率；Qoder 面向的是没有编程背景的普通用户，解决的是「从 0 到 1 把想法变成代码」的难题。这背后是 Coding 正在演变为 AI 世界里的「数字执行力」——就像 Office 之于文档，编程工具正在变成通用生产力工具。
为什么重要：当编程不再需要「程序员」，企业里的角色边界会被重构——产品经理可以直接做原型，运营可以自己写脚本，分析师可以自己做数据管道。AI 编程的市场竞争，正从开发者工具赛道扩展到更广泛的职场生产力赛道。阿里此时入场，瞄准的也许正是这个更庞大的市场。
HarmonyOS 7 视觉 AI 落地：一句话找图、低清增强
HarmonyOS 7.0 的视觉 AI 能力开始进入真实应用场景。用户可以通过自然语言检索本地图片，比如直接说「找上个月聚会的照片」，系统理解语义后返回对应结果；同时支持对低清图片进行画质增强，模糊老照片也能一键修复。
关键点不在单点功能，而在于「系统级」视觉 AI 的规模化落地。自然语言找图和画质增强都是典型的端侧 AI 能力，要流畅好用，需要在模型压缩、推理速度和功耗之间取得平衡。HarmonyOS 把这些能力直接集成进系统，意味着海量终端用户无需安装额外应用就能使用。
这也反映了国产操作系统的 AI 竞争已经进入「系统原生 AI」阶段。过去 AI 是应用的功能，现在是系统的底层能力。对于开发者和生态伙伴来说，这意味着新的接口和新的应用可能性；对用户来说，AI 真正变成了「随手可用」而不是「专门打开某个 App」。
Claude Code 默认给 commit 附会话链接，开发者不买账
开发者发现 Claude Code 在生成 commit message 和 PR 描述时，默认会附带一条 Claude 会话 URL，指向生成该提交的对话记录。这个设计初衷应该是提供可追溯的上下文，让协作者能回看 AI 的推理过程。
但社区的反应相当不一致。支持者认为这能帮助 code review 时理解 AI 的意图，反对者则指出这是纯噪音——commit message 里混入一个指向外部会话的链接，不仅污染提交历史，还可能暴露与 AI 对话的敏感上下文。尤其是默认开启，很多开发者根本没注意到就被写进了 commit。GitHub issue 里已经有人在讨论替代方案。
为什么重要：这本质上是「AI 生成代码的可追溯性」与「工程协作的整洁性」之间的矛盾。AI 编程工具的默认行为，会直接影响团队代码库的质量标准。工具厂商需要意识到：哪怕是一个链接，默认开启也可能违背用户的既有工作习惯。默认值即立场。
原文：GitHub Issue: Claude Code included conversation URL in commit message
Superagent 上线：号称「普通人的 Claude Code」
新产品 Superagent 在 Product Hunt 上线，定位是 AI Agent 的「家」，让普通用户也能获得类似 Claude Code 的 Agent 体验。它想做的事很简单：把 Agent 的使用门槛从「会写命令行的开发者」降到「会点按钮的普通人」。
关键点是产品形态的差异。Claude Code 本质上是终端的延伸，它有学习曲线；Superagent 选择用更图形化、更容易上手的界面来包装 Agent 能力，同时强调「管理」——不同类型的 Agent、任务、会话都可以在一个地方统一打理。与其说它是对标 Claude Code 的替代品，不如说是在做 Agent 的「平民化」版本。
这类产品出现说明 Agent 正在从开发者工具向消费级产品演进，就像当年 Linux 命令行之后出现了图形界面。当「创建 Agent」变成像建文件夹一样简单，「每个人都有自己的 Agent」这个命题才真正有了落地可能。不过，简化往往意味着能力的折损，普通人的 Agent 能做多少事，还有待验证。
oMLX：把 Mac 变成 LLM 服务器，Agent 等待缩至 5 秒
oMLX 是一款面向 Mac 平台的 LLM 推理服务器，它的核心卖点是「快」：官方称可以将 AI Agent 的等待时间从 90 秒缩短到 5 秒，大幅改善本地推理的响应体验。它基于 MLX 框架构建，利用 Apple Silicon 的统一内存架构来运行大模型。
关键点在于本地推理的体验瓶颈。过去在本地跑 LLM，速度往往达不到 Agent 场景的实用要求——尤其是多轮交互或工具调用时，等待几十秒会让整个流程显得笨重。oMLX 的优化方向是把 Mac 变成一台随时可用的 LLM 服务器，让 Agent 的每一步调用都快到接近「即时反馈」。
这意味着开发者可以在 Mac 上完成更多 Agent 的本地开发和调试，不必每轮都打 API。对于隐私敏感场景和离线环境来说更是实用补充。当本地推理速度够快，Agent 的架构选择就会从「默认云端」转向「本地优先 + 云端补充」的混合模式。
原文：oMLX — Run LLMs on your Mac, wait times down to 5 seconds
MHS 只是起点：当 Agent 被允许触碰物理设备，规则、安全和责任都会重新定义。留给读者的问题——你的下一个工作流，会跑在谁的标准上？
💭 行业观点
加州立法者全票通过Linux年龄验证豁免，GPL、MIT、BSD、Apache等开源许可证分发的软件获得政策通行证。这是开源社区在监管博弈中罕见的制度性胜利。今天还有一组值得注意的侧影：AI的算力成本、就业冲击、职场口碑，以及开发者社区的反抗正在同步发生。
加州给开源开了绿灯
是什么：加州立法者全票通过一项法案，将基于GPL、MIT、BSD、Apache等开源许可证分发的软件豁免于年龄验证法律。
关键点：全票通过意味着该议题几乎无争议；豁免按许可证类型区分，而非软件内容；开源软件的分发与下载不再被强制要求身份核验。
为什么重要：这是开源社区从被动应对监管转向主动赢得规则的首个标志性案例。加州的法规常被其他州效仿，这一豁免可能成为全国性参照标准。
原文：California lawmakers unanimously pass Linux exemption from age verification law
AI替身开始上岗
是什么：中国娱乐产业中，AI生成视频已开始实际替代演员和直播主播，涉及的不只是边缘角色，而是真实岗位的消失。
关键点：直播带货和短视频是冲击最密集的领域；成本压力是核心驱动力，企业正在用AI把边际成本压到接近零；替代速度和范围超出此前预期。
为什么重要：中国娱乐业是AI应用最激进的前沿，这里的就业替代不是试点，而是规模化落地。它提供了一个观察窗口：当AI成本足够低，行业惯性根本挡不住替换。
云巨头是AI的隐形税
是什么：巴克莱银行最新报告显示，AI模型公司每获得100美元收入，其中35-40美元以推理算力费用流向三大云厂商，后者的营业利润率高达35%-45%。
关键点：算力成本是AI应用公司最大支出项，且高度集中流向少数供应商；云厂商的高利润本质上来自AI公司的结构性依赖。
为什么重要：AI融资热潮中的最大赢家不是应用层公司，而是卖铲子的云巨头。这也意味着，应用层公司的长期盈利能力不被看好，除非算力成本结构发生根本变化。
Debian说”可以”但要负责
是什么：Debian项目通过投票，正式允许”负责任地使用生成式AI”，成为首个以社区决议方式为AI划定边界的顶级开源项目之一。
关键点：”负责任”是限定词——不是全面放开，也不是一刀切禁止；这是一个社区治理机制对新技术议题的回应，而非技术层面的决策。
为什么重要：开源社区此前对AI的讨论多停留在情绪层面，Debian把问题拉回到制度框架内。这个决议会影响其他Linux发行版和基金会的AI政策走向。
当Agent成为文明单元
是什么：Dwarkesh最新播客以”Agent文明的兴衰”为题，对话OpenAI与HuggingFace相关人士，讨论AI Agent生态的演进与风险。
关键点：嘉宾来自对Agent方向有张力立场的机构——一边是闭源与商业化代表，一边是开源与去中心化代表；议题重心在生态系统的结构性风险，而非技术细节。
为什么重要：播客不一定给出答案，但议题本身说明Agent已从技术概念上升为文明级变量。谁主导Agent生态的规则，谁就定义下一代计算平台的秩序。
原文：OpenAI & HuggingFace: The rise and fall of agent civilizations
员工开始反感AI
是什么：对员工评价数据的分析显示，AI在职场中的口碑正从乐观转向负面，挫败感在多个行业蔓延。
关键点：挫败感并不等于AI无效，更多来自工具碎片化、期望落差和部署不善；负面评价主要集中在效率提升有限、操作复杂度和对自主性的侵蚀。
为什么重要：员工评价是AI采用度的先行指标。口碑转差会拖慢企业的AI落地节奏，也可能引发管理层对AI投资回报的重新评估。
原文：AI sentiment is turning sour as employee reviews reveal growing frustration across the workforce
马斯克不走碳电路
是什么：马斯克透露，SpaceX的秘密铸造厂正在自产燃气轮机叶片，目标比对手快18个月获得燃气电力，以支撑AI算力扩张。
关键点：燃气发电是AI电力缺口的快速方案，但已在多地引发诉讼与健康研究关注；马斯克选择自研供应链来绕开外部供应商的交货周期。
为什么重要：AI算力与化石能源的绑定正在加速。这既是商业竞争问题，也是公共健康问题，AI的环保账开始变得复杂。
原文：Musk’s faster path to more gas turbines comes with pollution problem
周五，把AI关掉
是什么：开发者社区发起”No AI Fridays”倡议，号召每周五不使用AI工具，反思AI对开发工作和创造力的影响。
关键点：这不是罢工，而是自我约束式的抵制；诉求聚焦在AI对长期技能、问题解决能力和创造力的潜在侵蚀。
为什么重要：开发者既是AI最重要的使用者，也是AI的建设者。这个群体开始主动设置边界，可能会成为AI职业伦理讨论的一个重要节点。
AI这周的真正主题不是进步，而是分配——谁承担成本、谁拿走利润、谁被替换，比模型排行榜更有说服力。
⚙️ 开源工具
今日板块最值得关注的，不是某个模型发布，而是「技能」正在成为 Agent 生态的新接口：Anthropic 与 Google 同日上线官方维护的插件目录与技能库。另一边，vLLM v0.28.0 继续夯实推理底座，OCR 工具则据称把 PDF 转 Markdown 压到单页 20 毫秒。判断：开源竞争的注意力正在从模型层上移到能力分发层。
vLLM v0.28.0 发布：推理引擎再升级
主流大模型推理引擎 vLLM 发布 v0.28.0，主要涉及性能与功能两方面的更新。作为自托管大模型推理的核心选择之一，vLLM 的每个版本都会直接影响部署选型、吞吐与成本基线。关键点在于，今天多数 Agent 工作流的底层都跑在 vLLM 这类引擎上，技能生态越热闹，推理底座越不能掉链子。为什么重要：在各家模型快速迭代的当下，推理引擎的稳定性与兼容性往往比跑分更决定生产环境敢不敢上。
Anthropic 上线官方 Claude Code 插件目录
Anthropic 推出官方维护的 Claude Code 插件目录，开发者可以从中发现经过验证的插件。关键点：官方目录解决的是信任与分发问题——此前插件散落在个人仓库，质量与维护状况参差不齐，目录相当于给 Claude Code 的插件生态建了一个审核入口。为什么重要：Claude Code 要成为开发者日常依赖的 Agent 入口，插件目录就是它的应用商店，这一步决定了生态能长多大。
Google 开源 Agent Skills 库
Google 在 GitHub 开源了面向自家产品与技术的 Agent Skills 集合，开发者可通过 skills.sh 一键安装到各类 Agent 工作流。关键点：与 Anthropic 同日动作，表明「Skill」正在成为跨厂商的 Agent 能力分发格式——不再只是代码片段，而是带入口、可安装、可组合的模块。为什么重要：官方背书意味着技能分发标准可能收敛，Agent 不必什么都从头学，「装技能即可干活」的开发方式正在成为现实。
开源 OCR：20ms 将 PDF 页转 Markdown
据量子位报道，一款新开源 OCR 工具可将 PDF 页面在约 20 毫秒内转为 Markdown，3 秒处理约 200 份文档，速度比同类方案快近 300 倍。关键点：PDF 转 Markdown 是 RAG、文档解析、Agent 读取资料的高频前置步骤，过去往往要调用付费 API 或忍受分钟级处理；把这一步压缩到毫秒级且开源，直接降低了文档智能化的落地成本。为什么重要：速度数据有待实测复现，但方向明确——文档解析正在成为开源生态里被快速商品化的环节。
原文：量子位报道
OpenClaw 从爆红到落幕：Harness 接棒
曾风靡一时的开源 AI Agent 项目 OpenClaw 热度明显退潮，据量子位报道，社区注意力正转向 Harness 等新一代方案。关键点：Agent 框架的迭代周期已经短到以月为单位，一个项目从爆红到被替代可能只需一年——热度榜上的 star 数并不等于长期维护力。为什么重要：对技术选型者而言，拥抱 Agent 框架前要看社区迁徙方向，而非当下 star 数；对观察者而言，这是开源 Agent 生态快速洗牌的又一证据。
原文：量子位相关报道
LiveKit Agents：开源实时语音 AI Agent 框架
LiveKit Agents 是一个面向实时语音 AI Agent 的开源框架，支持语音、视频等多模态实时交互式智能体开发。关键点：相比多数以文本交互为主的框架，LiveKit 直接提供了实时音视频通道，把「能听会说的 Agent」的开发门槛显著降低。为什么重要：实时交互是客服、陪伴、教育等场景的商业化前提，开源意味着这类产品可以自托管，不必绑定云厂商。
scientific-agent-skills：165 个科研技能开源
scientific-agent-skills 自称排名第一的 Agent 技能库，提供 165 个即用型科研技能和 100+ 科学数据库，覆盖生物、化学、医学与药物发现等领域。关键点：通用 Agent 技能之外，垂直学科技能库正在形成「技能+数据」的组合资产——有数据库可查、有流程可跑，科研 Agent 才有实际生产力。为什么重要：当工具能力变成可安装技能，专业领域 Agent 的复制成本会显著下降，科研团队可以从造轮子转向直接调技能。
MoneyPrinterTurbo 再登 GitHub 热榜
MoneyPrinterTurbo 是开源的 AI 短视频生成工具，输入主题或关键词即可一键生成高清短视频，近期再次登上 GitHub 热门榜。关键点：它的价值不在技术独特性，而在「输入即出片」的完整流程——把视频生成过程封装成一条流水线，极大降低了短视频生产门槛。为什么重要：内容生产工具每隔一段时间就会再火一次，说明 AI 生成内容的需求始终在线；对开发者而言，它是观察 Agent 工作流封装范式的简单样本。
今天不是模型发布日，而是技能生态的塑形日。你的 Agent 工作流，装官方技能库了吗？