搜索“编码”

织方式，都参考了开源的OpenClaw。 资深Agent从业者赵江杰把Muse的架构拆成六层：模型、带终端和浏览器的云端Linux执行环境、连接器与Skills、记忆与主动循环。前四层是Manus、Claude Code等产品的通行做法，Meta真正下功夫的是后两层。 底层模型也不算最强。不止一位从业者提到，Muse背后的Muse Spark大模型，在部分纯编码测试上落后于Claude Opus 4.8和GPT-5.5。赵江杰打了个比方：做个人Agent，模型占3分，工程占7分，做编程Agent则相反。模型够用之后，体验好坏就看接入、授权、记忆和成本这些工程活。 第一，怎么替你把事办完。就好比你关掉手机，任务还在跑。 AI连续创业者祁瑞峰表示，Muse借鉴了Manus的设计理念，即使退出程序，任务依然执行，其做法是给每位用户分配一套独立、可持续运行的云端环境，把Manus偏向工程化的内部逻辑做了封装收敛，普通用户看到的只是一个好用的AI，复杂能力全部藏在系统底层。 这个“云端”还有一把锁。赵江杰解释，Meta对架构的定位，是一台机器上的两个隔离安全域，AI住在处理数据的区域，凭证和放行

匹配字段正文

aS 变成无头模式，让智能体使用它，按交互收费，尤其是对企业） 下午10:39 · 2026年8月18日 · 55.9万次查看 333条回复 · 229次转发 · 6570次点赞 云端大脑，本地之手 并且试试 Claude Projects： Boris Cherny @bcherny Projects 不仅改变了我与 Claude 交互的方式，也改变了我的编码方式。 我不再管理会话。我只是随时发送想法，Claude 将它们拆分成线程，项目会记住我的工作方式。现在我的大量编码工作都在这里进行。 [截图：我的实际 ClaudeDevs @ClaudeDevs 今天我们在桌面端和网页端的 Claude Code 中推出 Projects。 一个项目就是与 Claude 的一次对话。它会自行将工作拆分成线程，作为并行云会话运行，在它们之间传递上下文，并在你离开后继续运行。 面向部分用户的内测。 下午7:33 · 2026年9月17日 · 57.4万次查看 332条回复 · 126次转发 · 3.11万次点赞 “hands”（手）这一术语不仅是对 Cognition 等前沿编码智能体公司正在构

匹配字段正文

多来自于它带来的现实影响。 这种影响，首先表现在就业上。过去，讨论人工智能会不会“抢走工作”，多少还是一个关于未来的推演。人们可以争论二十年以后AI究竟会创造更多岗位，还是消灭更多岗位。但对刚刚进入劳动力市场的年轻人来说，他们面对的却是一个更具体的问题：今年还有没有第一份工作？ 很多年轻人的第一份工作通常是相对繁琐、复杂度并不高的智力劳动。年轻程序员要从基础编码、程序调试做起；刚进入律师事务所的年轻律师，需要检索案例、阅读合同、整理文件。这些“初级工作”并不只是单纯的岗位，在很大程度上还承担着职业训练的功能。很多真正重要的职业能力，恰恰是在这些看起来并不高级的工作中形成的。从这个意义上看，它们是年轻人通向更高职业位置的阶梯。 然而，随着AI技术出现，这些岗位受到了前所未有的冲击。它们中的相当一部分，目前已经被大模型和AI智能体接手。更重要的是，在面对AI给劳动力市场带来的冲击时，企业会更偏向于减少招聘，而非辞退有经验的老员工。斯坦福数字经济实验室的一项新近研究显示，在AI暴露程度较高的职业中，22至25岁年轻人的就业表现明显弱于同龄但AI暴露程度较低的职业；在高AI暴露岗位上，资深员工

匹配字段正文

iogo 介绍了 Jev，它随即席卷了 AI 时间线——我们将跳过完整的 Jev 讲解，因为你最喜欢的 AI 网红/教育者可能已经做过一期了。我们还收集了： 来自 Allie 的官方模式与 cookbook，你应该先看这些 Jev 用例 基于速度的——游戏与计算机使用 我们在 1 小时 34 分讨论的语音 + 计算机使用示例 短信中的引导式回复 Jev 用于编码代理有官方指南 jev 用于 linting 压缩工具调用 Theo 提出的合理反驳——Diogo 发表了一篇关于《KV Cache 的暴政》的说明，你应在播客后作为 Jev + 编码代理的后续阅读，因为他相信缓存统治一切 构建于 Jev 之上的编程语言（Diogo 的最爱） Jev 用于分析回放与用户旅程回顾 Jev 的一个核心目标是“消失在背景中”——例如像正则表达式一样不起眼 融合 transformer 与分类器 关于 confidence api Jev 与 GLiNER（注意差异/反驳，同意，同意，同意） Jev 论电车难题 Jev Bush 相反，我们将聚焦于我们能独特提供的东西——对 Jev 为何以及如何被创造，

匹配字段正文

作。OpenAI与学术经济学家的一项联合研究显示了这在它们自己组织内部发生得有多快。关键的是，使用智能体的不仅仅是程序员。法律、人力资源和其他非技术职能采用智能体的速度几乎相同。OpenAI可能是煤矿中的金丝雀，预示着工作其他领域将会发生什么。 OpenAI 的工作正越来越像是在管理 AI。四分之一的 OpenAI 员工每周至少同时运行四个智能体。而且，随着编码工作由专门执行框架和应用中的 AI 完成，其他岗位也开始在某种程度上变成编码者。而且他们很擅长这一点。一项针对 Claude Code 用户的独立研究发现，软件工程师在实际使用 Claude Code 完成编码任务时，成功率与其他职业相似。 真正重要的不是用户的职业，而是他们的专业能力。某人的领域经验越多，他们在该领域使用 Claude Code 就越成功。更有趣的是，他们从 Claude 的每次提示中获得的输出也越有用。 我们正在从一个非专家使用聊天机器人填补空缺的世界，转向一个专家使用智能体完成工作的世界。而使用智能体的最佳方式，就是把自己当作管理者。 身处指数增长之中意味着，每个固定窗口内的变化都比前一个更大。如果你的组织

匹配字段正文

们打造了一座“软件工厂”——一种完全依赖AI来编写、测试和交付生产软件、无需人类参与的工作方式。该流程包含两条（相当激进的）规则：“代码不得由人类编写”和“代码不得由人类审查”。为了驱动这座工厂，每位人类工程师预计要在AI token上花费相当于其薪水的金额，至少每天1,000美元。 这座工厂的基本理念是：它接收由人类编写的未来产品路线图，并将其转化为产品。编码智能体利用这些路线图构建软件，而测试智能体则在模拟的客户环境中试用软件（该环境由测试智能体按需构建）。各组智能体相互提供反馈，来回循环，直到结果令AI满意。然后由人类审查成品，结果便交付给客户，全程没有任何人接触、甚至看到底层代码。 由软件工厂的测试智能体构建的 Slack 模拟版本，其中一群模拟客户提交请求，以测试编码智能体正在打造的工具。显然，这里有很多细节让这种方法得以奏效，StrongDM 团队已经公开分享了许多细节。他们还邀请了一些聪明的外部观察者来观看工厂的运作，并对所见所闻发表评论，因此你可以阅读 Simon Willison 和 Dan Shapiro 的记述，以更好地了解他们方法的优势和劣势。然而，在许多方面，

匹配字段正文

任务，而非一份工作，但它也可能戏剧性地改变人类事业的整个领域。是什么让这一切成为可能？AI智能体已经变得好得多，而且非常快。 自最初的 ChatGPT 以来，生成式AI已经帮助许多人完成任务，但限制始终在于人类用户。AI会犯错出错，因此，如果没有人类在每一步上加以引导，就无法完成任何有价值的事情。自主AI智能体的梦想——即给定一项任务后，能够规划并使用工具（编码、网络搜索）来完成它——似乎遥不可及。毕竟，AI会犯错，因此在智能体为完成任务而必须遵循的漫长步骤链条中，一次失败就会导致整体失败。 然而，事情的发展并非如此，另一篇新论文解释了原因。事实证明，我们关于AI智能体的大多数假设都是错的。即使准确率小幅提升（而新模型出错的可能性要低得多），也会带来AI能完成的任务数量的巨大增长。而最大、最新的“思考”模型实际上能够自我纠错，因此不会因错误而停滞。所有这些都意味着，AI智能体能够完成比以往多得多的步骤，并且能够在没有大量人工干预的情况下使用工具（这基本上包括你的电脑能做的任何事情）。 因此，有趣的是，过去几年中少数几个覆盖从 GPT-3 到 GPT-5 全系列AI模型能力的衡量指标之一

匹配字段正文