Product
1. SkillOpt：通过文本空间优化实现 Agent 技能的自我进化
微软研究团队提出的 SkillOpt 框架，改变了传统 Agent 技能依赖人工编写或一次性生成的现状。该研究将技能文档视为冻结 Agent 的外部状态，通过一个独立的优化器模型，根据验证得分对技能文档进行有界限的增删改。这种方法不仅实现了技能的系统化、可控化演进，且在部署时无需额外的推理成本。实验表明，SkillOpt 在多个基准测试中表现优异，甚至超过了人类编写的技能文档，且具备跨模型和跨框架的迁移能力，为 Agent 的长期自主进化提供了新思路。
来源：arXiv.org
2. Hermes Desktop：为 Hermes Agent 提供可视化控制台
Hermes Desktop 是一款开源桌面应用，旨在解决 AI Agent 依赖终端操作的门槛问题。它为 Hermes Agent 提供了图形化界面，涵盖了安装配置、会话管理、技能安装、工具调用、定时任务及日志备份等功能。该应用将 Hermes 强大的 Agent 能力与直观的控制台相结合，使得普通用户也能轻松管理复杂的 Agent 状态。通过消除对 CLI 的硬性依赖，Hermes Desktop 显著提升了 Agent 的易用性与可维护性，是开源 Agent 生态中提升用户体验的重要尝试。
来源：GitHub
3. xAI Grok CLI：开启 Beta 测试，对标 Claude Code
xAI 推出了 Grok CLI 工具，目前已开启 Beta 测试。该工具支持交互式 TUI 和 Headless 无人值守模式，允许用户切换自定义模型。Grok Build 具备编程能力（读写代码、修 Bug）、会话管理（分享、压缩历史）及扩展能力（MCP、Skills）。此外，它还支持多模态生成（图片、视频）。该工具的推出标志着 xAI 正式进入 Agentic 开发环境竞争，为开发者提供了更多选择。
来源：x.ai
4. Grok Build Beta 版发布：支持 Imagine 与自动化编排
xAI 宣布 Grok Build Beta 版现已面向 SuperGrok 和 X Premium+ 用户开放。该工具集成了 Plan 模式、Imagine 多模态生成（图片与视频）以及 CLI 自动化编排功能。用户可以通过 Grok Build 构建自动化工作流或 Agent 编排器。这一更新进一步丰富了 Grok 的生态系统，使其不仅是一个聊天机器人，更成为一个具备生产力的 Agent 开发平台。
来源：@xai
Tutorial
1. Waza：将工程习惯转化为 AI Agent 可执行的技能
Waza 是一套旨在将优秀工程习惯转化为 AI Agent 可执行技能的框架。它包含八种核心技能，如 /think（决策规划）、/design（界面设计）、/check（代码审查）等，通过 slash 命令在 Claude Code 等环境中调用。Waza 的核心理念是让 AI 不仅能输出代码，还能像资深工程师一样思考、审查和调试。该项目强调通过明确的目标和约束，将 AI 的原始输出能力转化为高精度的工程产出，是提升 Agent 开发质量的实用工具集。
来源：GitHub
2. 恐怖短片制作教程：利用 AI 实现一致性叙事
作者分享了如何利用 AI 制作恐怖短片，重点在于保持角色、环境和叙事的一致性。通过详细的 Prompt 设计，包括角色身份、环境布局、恐怖规则及分镜脚本，用户可以生成高质量的连续叙事内容。该教程展示了 AI 在影视创作中的潜力，特别是如何通过逻辑规则约束 AI，避免跳跃式叙事，实现电影级的心理恐怖效果。对于希望利用 AI 进行创意创作的用户具有很高的参考价值。
3. Felix Rieseberg：如何利用 Claude Cowork 构建复杂工作流
Anthropic 的 Felix Rieseberg 展示了如何利用 Claude Cowork 和 Claude Code 进行高效的 AI 协作。他提出了“向上抽象一层”的哲学，即让 AI 处理数据获取和处理，而非手动输入。他演示了如何将 2D 平面图转化为 3D 家具规划器，以及如何利用 Gmail 和 Notion 的实时数据构建个人仪表盘。Felix 强调，AI 的最大价值在于自动化数据密集型任务，释放人类的创造力。该访谈为开发者提供了将 AI 从聊天机器人升级为自主协作 Agent 的实操蓝图。
4. Attention 机制系列：11 个交互式图解模块
AI by Hand 推出的 Attention 机制系列教程，通过 11 个交互式图解模块，深入浅出地解析了 Transformer 架构的核心。内容涵盖了 QKV 投影、自注意力与交叉注意力、多头注意力及 Grouped-Query Attention 等关键概念。该系列旨在通过视觉化手段，帮助开发者和研究人员掌握现代 LLM 的底层构建块。这种模块化的学习路径，对于理解模型如何高效处理信息及进行架构优化具有重要意义。
Opinions/Thoughts
1. Lenny Rachitsky 访谈：AI Agent 时代的生产力与工作流演进
Lenny Rachitsky 总结了与 Dan Shipper 的访谈要点，探讨了 AI Agent 对未来工作方式的重塑。核心观点包括：未来的工作将发生在 Agent 的应用内浏览器中；自动化并非万能，仍需人类监督；PM 和设计师将因 AI 变得更加强大；Agent 将创造对 SaaS 的新需求。此外，文章指出，企业级 Agent 的成功模型是“由 AI 专家维护的中心化 Agent”，而非每个人维护自己的个人 Agent。这些洞察为理解 AI 如何改变组织结构和个人生产力提供了深度视角。
来源：@lennysan
2. 从静态授权到意图授权：AI Agent 时代的安全性演进
文章指出，传统的静态授权模型（RBAC/ABAC）无法应对 AI Agent 动态、不可预测的行为，导致了“权限漂移”和安全漏洞。作者提出了意图授权（IBAC）的概念，即授权应基于特定任务的意图，并在每次工具调用时进行实时验证。Reva.AI 的 AMP 平台通过引入“意图层”，将自然语言请求解析为机器可评估的约束，从而实现对 Agent 行为的实时管控。这种从后置观察到前置执行的转变，是保障生产环境 Agent 安全的必要工程要求。
来源：Agentic AI