Product
1. OpenAI 预热新模型家族 Astra：面向多 Agent 协作的长任务，解 10 道难题成本约 2000 美元
OpenAI 透露了一个名为 Astra 的新模型家族，其设计目标是解决需要多个 Agent 协同的长时间运行任务。据公布信息，该模型在 Sol API 价格下以约 2000 美元成本解决了 10 个重大数学问题，体现出用算力换深度推理的取向。这是 OpenAI 继常规对话与编码模型之后，向长期、多步骤、多 Agent 任务场景延伸的信号，也意味着推理成本与任务复杂度的权衡将成为评估这类模型的关键维度。具体能力边界与公开可用时间尚未明确。
2. Grok Imagine Video 1.5 升级：支持文本生视频、语音与图像参考及原生 1080p
SpaceXAI 旗下的 Grok Imagine 上个月推出了被官方称为迄今最佳的视频模型 Imagine Video 1.5，带来更逼真的动作与声音；本次更新进一步加入文本生视频（text-to-video）、图像与语音参考（image/voice references）以及原生 1080p 输出。用户还可通过 Grok Imagine 的 Agent 模式用 @ 标签引用此前生成的素材，复用角色及其一致的声音，实现跨片段的角色一致性。整体定位是生成、编辑、动画化一体化的图像与视频迭代工作流。
来源：Grok
3. 前 Manus 成员开源 codexloom：把 Codex 线程组织成长期在岗的 Agent 团队
由前 Manus 成员开源的 codexloom 旨在把 Codex 的会话线程（thread）转化为长期在岗的数字员工，再进一步组织成协作团队。其核心动机是：当一个人需要同时管理数十个专职 Agent 时，人本身就成了最大的瓶颈，因此需要一个可组织、可复用的 Agent 团队层。产品面向的是手里已经养着数十个以上专职 Agent 的重度使用者，试图解决多 Agent 编排与人力瓶颈问题，定位接近以人为中心的 Agent 团队编排框架。
来源：GitHub
4. ChatGPT 桌面版新增独立 Security 入口，可直接扫描代码仓库
最新版 ChatGPT 桌面客户端新增了一个独立的 Security（安全）板块，用户可在其中对自己的代码仓库进行安全扫描。这意味着 OpenAI 正把安全审计作为桌面端的一等公民功能而非附属能力，与编码助手场景天然契合，降低了开发者做初步安全自查的门槛。扫描的具体覆盖面（依赖漏洞、代码污点、配置问题等）、误报率以及与专业 SAST 工具的差距，仍需实测评估。
Tutorial
1. Kun 公开其 Pi Agent 完整配置：极简、实用、优雅，附 dotfiles 仓库
因被反复问及如何配置 Pi Agent，作者把完整配置整理成博文并公开了 dotfiles 仓库，定位为极简、实用、优雅。内容覆盖从 Agent 行为偏好、技能调用到工作流编排的实战配置，适合想把 Pi Agent 调整到适合自己习惯的使用者参考。这类把个人 Agent 配置作为可复现工程公开的做法，本身就是 Agent 时代个人工作流沉淀的范本。
2. sol-advisor 模式：用 GPT-5.6 Sol High 编排，Luna/Terra Max 分工执行
作者为 Codex 用户推荐一种称为 sol-advisor 的多模型协作模式，以充分利用 GPT-5.6 Luna Max 的效率与能力：1) 以 GPT-5.6 Sol High 作为编排者（orchestrator）；2) 以 GPT-5.6 Luna Max 承担常规任务的实现；3) 以 GPT-5.6 Terra Max 承担复杂任务的实现。其本质是强模型做规划与调度、便宜模型做执行的分层路由，在成本与能力之间取得平衡。这种一脑多手的编排思路对任何想用多档位模型搭建 Agent 流水线的人都有参考价值。
来源：@daniel_mac8
3. LLM 的上下文压缩（context compaction）到底是如何工作的
这篇博文系统讲解大模型中上下文压缩的工作原理：为什么长对话会撑爆上下文窗口、模型与框架如何在对话变长时对历史内容进行摘要与裁剪以维持可用上下文，以及由此带来的信息损失与取舍。对使用编码 Agent、长任务 Agent 的人而言，理解 compaction 机制有助于判断何时该信任压缩后继续、何时该新开 Session，也能解释一些 Agent 忽然忘事的现象。属于把日常现象讲透底层原理的科普长文。
来源：Outcome School | Get a High-Paying Tech Job
Opinions/Thoughts
1. Can I Vibecode It？给每个 SaaS 一个能否被一条 prompt 替代的诚实判定
该项目做了一份哪些 SaaS 可以被一条 AI prompt 替代的排行榜，对每个应用给出诚实判定、可运行的精确 prompt，以及离开它会失去什么。作者还建议按护城河（moat）排序，找出那些主要靠代码堆出来的产品，自己动手复刻。其更深层的信号是：当生成式 AI 把写一个可用产品的门槛压到一条 prompt，SaaS 的竞争壁垒正从功能与代码量转向数据、网络效应与运营。这对创业者和投资人评估哪些产品还站得住是一个直观的工具化视角。
2. chamath 的 AI 投资指南：LPS（土地-电力-算力外壳）仍是最高确定性的回报路径
chamath 发布其 2026 年 8 月时点的 AI 投资指南，核心观点之一是 LPS（他用以概括土地、电力、算力外壳的 Land Power Shell 层）仍是当下最显而易见、现金回报最快的路径：在数据中心所在的这一层，大量价值可以被快速组装并交易。其框架把 AI 投资从底层能源与土地、到模型、再到应用分层，指出越靠近物理基建的层级确定性越高、周转越快。这是一份带有鲜明个人判断的市场框架，适合作为理解 AI 产业链资金流向的一种结构化视角。
来源：@chamath