今天的信号集中在“让 Agent 真正持续工作”这条线上：一边是 Munder Difflin、Nowledge Mem 这类把多 CLI、记忆和协作编排落到本地的工具，一边是 ThinkingBox、FigmaTrace、AutoResearchEval 这类把过程、状态和失败纳入评测的数据基础设施。本次 Agent Reach 多源证据包在限时内未生成，以下🛠️条目均以本次 X List 候选为线索，并补做了官网、GitHub、Hugging Face 或官方文档核验；证据不足的项目明确降级到🌱。
一个免费、开源、local-first 的桌面 Agent harness，把 Claude Code、Codex、Gemini CLI、Grok、Qwen、OpenCode、Copilot 等真实终端 Agent 组织成带邮箱、共享记忆、路由和可视化办公室的一支队伍。
先从官网或 GitHub Releases 下载 macOS、Windows 或 Linux 构建，macOS 用户可直接使用 universal DMG；首次启动时选择至少一个已经装好的 Agent CLI 和工作目录，再给“Michael”一个明确目标，例如“把这个仓库的测试从 Mocha 迁移到 Vitest，每一步保持 CI 通过”。随后在办公室里创建不同角色的 Agent，让一个负责调查、一个负责实现、一个负责审查，通过消息和共享记忆完成交接。想自己改代码则 clone 仓库，准备 Node 18+ 和 C/C++ 工具链，执行 npm install、npm run dev。
它把“多开几个终端”提升为可观察、可路由、可恢复的协作系统；Agent 仍然是用户已有的真实 CLI，不是被封装成不可控的黑盒。v0.4.5 还修复了 Apple Silicon 语义记忆、跨 Agent 消息、成本统计等容易被忽略的基础可靠性问题，正好对应长期运行 Agent 最实际的痛点。
一个图谱增强的个人上下文管理器，可保存和搜索不同 AI 工具中的对话、决策与长期记忆，并通过 MCP、插件和 CLI 接入 Claude Code、Codex、Cursor 等工作流。
先按官方 README 选择桌面应用或 CLI 安装方式；如果主要使用 Codex，可按 Codex 集成页添加 nowledge-co/community marketplace，再安装 nowledge-mem 插件，启用 hooks 和 bundled MCP。重启 Codex 后，先确认 SessionStart 能加载 Working Memory，再在一次真实项目任务中让 Agent 检索旧决策、保存新结论，最后用 nmem status 或文档里的搜索命令检查链路。也可以先从浏览器扩展导入 ChatGPT、Claude 或 Gemini 的历史对话，再用全局快捷入口验证跨工具检索效果。
它没有只做一个“聊天记录搜索框”，而是把线程、工作记忆、知识图谱、MCP 读写和生命周期 hooks 组合起来，直接解决 Coding Agent 换工具后丢失上下文的问题。尤其是 Codex 的 SessionStart、UserPromptSubmit、Stop 三段式接入，使记忆可以参与任务开始、检索和收尾，而不是依赖用户手工复制粘贴。
面向 iPhone 5s、iOS 12 和 Safari 12 的复古网页 AI 客户端，用 ES5、XHR 流式读取、localStorage 和 PWA 兼容老设备，同时支持 OpenAI 兼容接口。
想直接体验可以打开项目的 Vercel 地址；想自己部署，先 clone 仓库并准备 Node 18+，复制 .env.example 为 .env.local，填入 PRESET_BASE_URL、PRESET_API_KEY 和 PRESET_MODEL，然后执行 npm run dev 并访问 localhost:3000。设置面板也支持 Custom 模式，可填入 DeepSeek、DashScope、Moonshot/Kimi 或本地 Ollama 的 OpenAI 兼容地址。确认对话能流式输出后，再用 Safari 的 iOS 12 User Agent 模拟器或真机 iPhone 5s 测试，并通过 PWA“添加到主屏幕”。
它的价值不在模型本身，而在于把现代 AI 产品里常被忽略的兼容性、流式传输和密钥边界重新做了一遍：不用 ReadableStream，改用 XHR onprogress；前端会话与密钥放在浏览器本地；服务端通过 Vercel Function 代理 SSE。对于老设备、内网终端或想研究轻量 AI 前端的人，这是一个很具体的参考实现。
ThreeUI 的开源 Community 版本，提供带实时预览、主题、控件、变体选择和源码页的 Three.js 交互组件目录，并以 React 包形式发布。
最快的方式是打开 threeui.com 浏览组件和源码；做 React 项目时，在项目目录执行 npm install @designcodeio/threeui，再导入组件和共享样式，例如 import { AtTheHorizon } from '@designcodeio/threeui' 和 import '@designcodeio/threeui/style.css'。如果需要本地改造完整目录，clone 仓库后执行 npm install、npm run dev；准备发布前运行 npm run build，它会执行类型检查、公开边界审计、站点构建、库构建和安装冒烟测试。
它把“看起来很炫的 WebGL Demo”进一步整理成可浏览、可复制、可安装的组件资产：公开仓库明确列出 Community 组件、变体和控件数量，npm 包还提供组件子路径以缩小开发导入图。对 Vibe Coding 或 AI 生成前端来说，这种可直接运行的源码目录比单张灵感图更容易转化为真实界面。
一个开源原生 iOS 客户端，把 RSS、中文翻译和“乔木改写”放进支持缓存、频道历史、阅读外观和离线回看的长文阅读界面。
先 clone 仓库，进入目录后用 Xcode 打开 QMReader.xcodeproj；在 QMReader Target 的 Signing & Capabilities 中选择自己的 Apple Development Team，必要时改 Bundle Identifier，再选择 iOS 17+ 模拟器或已开启 Developer Mode 的 iPhone 点击 Run。想先做无签名验证，可执行 ./run-reader-logic-tests.sh，再运行 xcodebuild -project QMReader.xcodeproj -scheme QMReader -configuration Debug -destination 'generic/platform=iOS Simulator' CODE_SIGNING_ALLOWED=NO build。启动后依次体验改写优先列表、原文/翻译/改写切换、字体与纸面背景、缓存刷新和文章链接加入。
它把中文阅读中的“可读性”和“内容处理链路”放在产品中心，而不是简单套一个 RSS WebView。README 明确给出缓存、原生频道历史、五款中文字体、辅助功能和服务端边界，也公开了测试和构建命令；对想研究 SwiftUI 阅读器、内容缓存以及 AI 改写产品形态的人，入口清晰且可复现。
微软开源的框架，用 MCP 工具服务器、隔离会话、模拟用户和可执行检查，评估 Agent 是否真正完成了工具调用后的状态变化，而不是只看最终文字。
https://github.com/microsoft/thinkingbox ↗
https://github.com/microsoft/thinkingbox-data ↗
https://github.com/microsoft/thinkingbox-data/releases/tag/thinkingbox-bench-v1.0 ↗
它目前主要面向 Linux/WSL。先并排 clone thinkingbox 与 thinkingbox-data，按 README 用 uv 和 Python 3.12 建环境；如果只想做安装冒烟测试，启动 uv run tb mcp-start，再用 README 给出的 cloud_drive 配置执行 uv run tb infer 并用 uv run tb pp 查看结果。要跑正式 ThinkingBox-Bench，则切到 thinkingbox-bench-v1.0，安装业务 MCP server、Typesense，配置 LLM endpoint，启动后台服务后用 tb infer 执行 507 个任务，最后用 tb agg 计算 pass@1、pass@20 和 pass^20。
它把 Agent 评测从“回答像不像正确答案”推进到“后端状态、额外副作用、政策约束和对话是否都正确”。507 个任务覆盖零售、酒店、车险、新银行 IT 和咨询 IT/HR，且每次运行都在隔离工具环境中检查终态；这对构建 MCP Agent、做离线训练数据或比较模型可靠性，比单轮函数调用成功率更接近真实业务。
Patronus AI 发布的开源数据集，包含 200 多小时 Figma 专家操作记录、3,469 条 Agent 轨迹和阶段标签，用来训练或评估能操作设计软件的视觉语言模型。
https://huggingface.co/datasets/PatronusAI/figmatrace ↗
https://huggingface.co/PatronusAI/Qwen3.8-27B-Figmatrace-SFT ↗
先在 Hugging Face 打开数据集卡片，阅读字段、许可和数据结构，再按页面提供的仓库/文件入口下载或使用 datasets 工具加载。第一轮不要急着训练大模型，可以抽取一条 trajectory，观察 screenshot、mouse_click、keyboard_type、observe、phase 等字段，写一个回放或统计脚本；之后再参考 Qwen3.8-27B-Figmatrace-SFT 模型卡，把它作为 GUI next-action prediction 的起点，在自己的桌面、网页或移动端任务上做小规模评测。使用前应确认数据与基础模型的许可边界。
传统 GUI 数据集往往只保存最终截图或最终结果，FigmaTrace 记录了从布局、组件化到细节修正的决策轨迹，并用阶段切分压缩大量无效鼠标动作。官方数据卡还明确说明它适合 VLM GUI Agent 的监督微调和评估、不包含预标注推理链；这种边界清晰、过程可分析的数据，比只看成功截图更有助于理解 Agent 为什么会操作失误。
一个开源研究评测项目，把 100 个真实前沿研究任务、800 条 Agent 轨迹和 45 类 AutoResearch Failure Taxonomy 组合起来，分析 Agent 在检索、实验、写作和自检环节具体哪里失效。
https://github.com/PrentisAI/AutoResearchEval ↗
https://huggingface.co/datasets/PrentisAI/AutoResearchEval ↗
先 clone 仓库并阅读 README，轻量体验可以只安装 requirements.lock，查看任务构造、轨迹规范化和 ARFT 分类器；若要复现流程，配置 OPENROUTER_API_KEY，按文档执行论文抓取、语料提取和 discovery task materialization。若已有 Claude Code、Gemini CLI 或 Codex 的运行日志，可重点使用 agent-as-a-judge 目录，把任务说明、执行日志、产物文件和评分调用交给分析阶段，再运行 classify 脚本生成失败模式矩阵。不要把公开评测任务的答案或轨迹直接用于提示词优化或微调。
它不满足于“最终报告对不对”，而是把工具调用、文件产物、执行日志和复核过程放在一起审计，明确指出 Agent 常常能在自检时发现严重问题，却仍然不修正。45 类失败模式覆盖 grounding、认知深度、科研诚信和工程健壮性，给做研究 Agent 或自动化流水线的人提供了可操作的故障分类语言。
Anthropic 的官方学习站，提供中文的 Claude、Claude Code、Claude Platform、MCP 和 AI Fluency 课程，适合从基础使用一直学到团队部署与产品集成。
直接打开中文首页，从“Get started”开始，先完成 AI 流畅度基础课程，建立对模型能力、局限和协作方式的基本判断；随后按目标进入 Claude Code、Claude Platform 或 Claude Cowork 产品资源。开发者可以优先看 Platform 与 MCP 相关内容，再把课程中的概念映射到自己的项目：先让 Claude 解释一个小仓库，再要求它生成测试或调用一个受限工具，最后人工检查输出。课程页面提供课程时长、课时和测验信息，适合拆成每天一小段，而不是一次性刷完。
这不是社区二次解读，而是产品提供方维护的中文学习入口，能减少新用户被碎片化提示词和过时教程带偏的概率。它同时覆盖基础 AI 素养、Claude Code、Cowork、Platform 和 MCP，适合把“会聊天”逐步过渡到“会描述、会委派、会验证并能安全接入工具”。
X List 中一条由 Gavin Baker 转发的图表解读称，开源 AI 的 token 使用份额在过去两个月从 28% 上升到 62%，图表来源标注了 Vercel 和 rauchg。
这个数字在本次运行中只拿到了推文及其图表转述，没有把它当作完整行业统计结论。即便按“某一观测口径”理解，它仍然说明模型竞争的关键不只是训练榜单，而是开发者是否愿意把模型嵌入真实代码、Agent 和产品流量。开源模型如果在价格、部署灵活性、可微调性或特定任务上形成组合优势，就可能在调用量层面快速积累；但 token 份额不等于收入、利润或单次调用质量，后续必须核对原始图表的样本范围、时间窗口和模型分类口径。
模型公司会更重视开放权重、兼容 API、推理成本和开发者分发，而云厂商需要同时服务闭源旗舰与本地/开源推理。对使用者而言，选型不能只看“最强模型”，还要比较迁移成本、限流、隐私、量化和自托管的总成本；这会进一步推动多模型路由和按任务分层使用。
X List 中一条讨论称，DeepSeek API 在周末全天按低谷价格计费，并进一步设想企业把部分工作安排到 token 低谷期。
这条信息目前仍是社区转述，日报不把具体价格或优惠期限当作已核实事实。但它提出了一个很实际的基础设施方向：当推理成本可以像电价一样出现时段差，批处理、离线评测、索引构建、代码扫描和素材预生成就可以从“立即执行”变成“可延迟执行”。真正的难点不只是定时器，而是任务优先级、结果时效、失败重试、预算上限和多供应商价格 API；如果这些接口逐步标准化，Agent 调度器会同时优化时间、token 和可靠性。
企业可能把非交互式 AI 工作迁移到低价窗口，降低长期运行 Agent 的平均成本，但也会引入排队、延迟和供应商锁定风险。云平台、模型网关和 Agent harness 将需要提供预算感知的路由策略：紧急任务用稳定模型立即完成，批任务则在价格和容量合适时执行，并对最终结果做质量抽检。
X List 中一条转述称，研究人员在固定公开题库上深入测试后发现，一些得分很高的语音识别模型可能识别了题目而没有真正完成听辨。
本次没有拿到该研究的原始论文，因此只能把它当作评测方法风险提示，而不是对某个模型作弊的定性。问题的核心具有普遍性：当测试集合长期公开、题型固定、音频可被抓取时，模型可能通过记忆、检索或数据污染获得高分，导致排行榜与真实泛化能力脱钩。语音系统尤其需要按说话人、口音、噪声、设备、语言切换和全新组合做分层测试，并检查模型是否能在未见过的内容上稳定工作。
语音产品采购和模型发布不能只报一个公开 benchmark 分数，应该加入时间切分、私有测试集、对抗性重组和跨设备验证。对开发者来说，保留真实错误样本、定期轮换评测集和报告数据污染风险，比继续在同一套题库上刷分更能反映产品质量，也能减少上线后面对陌生口音或环境噪声时的落差。
