今天最值得留意的不是又一个“模型榜单第一”，而是 AI 正从单次对话进入可持续执行：一边是 GPT-6 Astra、Grok Bot 把 Computer Use、持久记忆和后台工作推向产品化，另一边是 HarnessDev、Autoresearch Bench 等项目开始评测代理如何搭建并改进自己的执行基础设施。对个人开发者而言，真正可以马上动手的机会集中在多模态检索、客户洞察、设计 Skill、实时视频和开源模型部署。 说明：本次 X List 抓取成功，共 108 条；Agent Reach 多源 enrich 运行超过 300 秒后超时，未生成本次 evidence/evidence-summary 文件。因此下面的🛠️条目只选取能够用 X 原文与官网、GitHub、官方文档或论文交叉核验的项目；🌱和🎯中的低证据线索明确标注“证据待补”，不把推文转述当成已证实事实。
腾讯微信视觉团队开源的多模态 Embedding 模型家族，统一处理文本、图片、视频、视觉文档和交错多模态输入，适合搭建跨媒体语义检索与 RAG。
先打开官方仓库，按 README 安装依赖：`pip install -r requirements.txt`，并优先固定 `transformers==5.2.0` 以减少预处理差异。下载 2B 模型后，准备一张图片或一个短视频，运行仓库里的 `examples/transformers_inference.py`，传入模型路径、图片/视频路径和 `--dimension 2048`，观察不同素材的向量输出；也可以用 Sentence Transformers 直接加载 `tencent/WeMM-Embedding-2B`。如果要做本地知识库，可把文本、截图、视频帧编码后写入向量数据库，再用同一模型做跨模态召回。仓库还提供 vLLM、SGLang 服务方式，2B/4B/9B 可按显存逐级替换。注意当前不支持音频，维度截断后需重新 L2 归一化。
它不是只把图片转文字，而是把文本、图像、视频和视觉文档放进统一表示空间；官方仓库同时发布 2B、4B、9B 和 Matryoshka 多种维度，便于在召回质量、延迟和存储之间取舍。官方技术报告给出了 MMEB-v2/v3 的对比数据，但这些是作者报告的结果，落地时仍应使用自己的中文文档、视频和长尾图片做检索评测。
一个开源、带认证的客户洞察工作区，把通话记录、支持工单、Slack 对话和公司上下文做混合检索，并提供 Web Chat、公司/竞品视图与 MCP 端点。
先准备 Bun、Convex、Clerk 和 Together AI 账号，克隆仓库后执行 `bun install`，复制 `.env.example` 为 `.env.local`，填入 Clerk、Convex、Together API Key 及内部密钥。第一个终端运行 `bun run convex`（或只同步一次的 `bun run convex:once`），然后执行 `bun run seed` 导入确定性的合成演示数据，第二个终端运行 `bun run dev`，访问本地 3030 端口。先用演示数据测试“某客户最近有哪些风险信号”“竞品被提到几次”等问题，再逐项配置 Gong、Pylon、Slack 或公司 enrichment；最后从登录后的应用查看 MCP 连接信息。项目明确提醒仓库只有合成数据，没有托管部署、真实客户数据或凭据，不应直接把生产数据填进测试环境。
这个项目把“聊天问答”落到了数据来源、引用检索、时间线和 MCP 工具层，而不是只做一个聊天界面。它采用语义搜索与关键词搜索结合的方式，外部数据接入是可选的，缺少凭据时任务会安全跳过；对想研究客户声音闭环、权限边界和 Agent 如何读取业务上下文的人，代码比 SaaS 演示更有拆解价值。
面向 UI、字体、色彩、可访问性、布局和产品文案的开源 Agent Skill 集合，把设计判断整理成可复用的审查与执行流程。
先在一个已有前端项目的目录里运行 `npx skills add jakubkrehel/skills`，再按需要启用 `better-ui`、`better-typography`、`better-colors`、`better-accessibility`、`better-layout` 或 `better-writing`。让编码代理先只读检查一个具体页面，例如“检查移动端表单的触达区域、字体层级和对比度”，要求它列出证据、风险和建议，不要直接改代码；确认建议符合项目设计系统后，再让它针对一个组件实施，并重新跑审查。若使用 Claude Code，也可以按仓库说明安装其插件。建议把 Skill 当作审查清单而不是审美真理，保留人工验收，尤其要把品牌规范和业务可用性补进项目自己的规则。
很多 Agent 生成的界面“能跑但不好用”，问题不在缺少 CSS 语法，而在间距、层级、对比度、可访问性和文案等跨文件判断没有被结构化。这个仓库把这些知识拆成细分 Skill，并同时提供组合式 review；它的价值在于可复制、可审查、可渐进改造，而不是一次性生成一个看起来漂亮的页面。对团队来说，还能借此观察哪些设计经验适合 Skill 化，哪些仍依赖人的边界判断。
一个开源的实时视频生成 Demo，监听 Twitch 聊天，把消息转成提示词，再用 LTX Video 生成视频并通过 RTMP 连续直播。
这是偏实验性的工程，不是点开即用的免费服务。准备 Python 3.11、Node.js 18+、FFmpeg、FAL、OpenAI 和 Twitch 账号；克隆仓库后创建虚拟环境并执行 `pip install -e .`，在 `.env` 中填入 `OPENAI_API_KEY`、可选的 `GROQ_API_KEY`、Twitch 频道/推流密钥和 `FAL_KEY`。先用 `fal deploy realtime-streaming` 部署后端，再进入 `dashboard` 安装 npm 依赖并配置 `NEXT_PUBLIC_FAL_API_URL` 和服务端 `FAL_KEY`，在面板里设置生成模型、尺寸、帧数与频道后启动。建议先用短时、低分辨率测试，确认推流密钥、队列和费用，再尝试 LTX v1 本地管线或 LTX 2.3 Fast；不要直接在公开频道暴露密钥。
它把聊天输入、提示词生成、视频扩散模型、帧处理、文字叠加、队列监控和 RTMP 输出串成一条可运行链路，展示了“实时生成媒体”真正的工程瓶颈不只是模型质量，还包括延迟、缓冲、失败恢复和成本。项目同时提供本地 Hugging Face LTX v1 与 fal.ai 托管路线，适合比较本地 GPU 换取控制权和云端 GPU 换取上线速度的取舍。
一个面向豆包工作的中文实践站，覆盖下载安装到第一个可验收任务，并延伸到连接器、Skill、API、定时任务和多 Agent 工作小队。
直接打开官网，从目录或搜索进入感兴趣的文章；站点当前展示 49 篇可检索内容，适合按“安装—第一个任务—Skill—连接器—API—定时任务—多 Agent”顺序浏览。先选一个低风险任务，例如让 Agent 读取一份公开文档并输出带引用的摘要，照着文章中的提示词和验收条件执行；再把自己的输入、预期输出和失败案例记录下来，逐步改成可复用 Skill。涉及账号、自动化或外部写操作时，先在测试账号或只读权限下验证，不要把蓝皮书中的示例凭据、个人聊天或企业数据直接照搬。它更适合作为中文工作流索引，而不是对每个案例效果的独立证明。
中文 Agent 教程常见问题是只有概念没有验收标准；这个站点把文章、案例、截图和操作入口组织成可搜索的工作手册，覆盖从单次任务到定时与多 Agent 协作的完整路径。官网元数据明确说明内容包含连接器、Skill、API、定时任务和多 Agent；但教程的适用性仍取决于豆包当前版本和用户权限，实践时应保留版本、截图和结果记录。
一个面向“自主研究循环”的公开基准，关注编码代理是否能反复测试、观察结果并迭代改进，而不只是一次生成答案。
先访问官网确认当前公开任务和排行榜状态，再克隆仓库阅读任务说明；官方 README 当前写明完全开源的任务将发布在仓库中，因此不要把尚未公开的任务当作已经可复现实验。准备一个能运行代码、保存每轮实验结果的 Agent 环境，给它一个基线方案，要求每轮只做可解释的改动，记录输入、代码差异、运行时间、指标和失败原因；最后用独立测试集检查是否真的泛化，而不是只在反馈指标上过拟合。若官网已提供任务入口，可先从最小任务跑通一轮，再比较不同模型的实验预算、改进幅度和失败恢复能力。
普通编码基准很容易被模型记忆、模板和一次性解题策略推高，而研究型 Agent 的核心能力是提出假设、运行实验、吸收反馈并控制成本。这个项目把“迭代改进”作为测量对象，能帮助开发者观察 Agent 是否真的形成了实验闭环；同时必须警惕评测泄漏、任务过拟合和执行环境差异，不能只看排行榜名次。
xAI 官方文档描述的 Grok Bot 是具名、可持续工作的 Agent，拥有持久状态、记忆、文件、浏览器会话和终端，可在用户离线时继续执行任务。
先阅读官方概览，确认自己的账号和地区是否能创建 Bot；进入产品后创建一个职责单一的 Bot，例如“每天整理公开竞品更新”，给它清晰的输入来源、输出格式和停止条件，再只授予完成任务所需的连接器或网站权限。首次测试从无副作用的公开网页开始，让它读取页面、保存一份草稿并返回来源；确认记忆、浏览器会话、文件和后台运行状态符合预期后，再逐步加入设计、代码或日常研究流程。多个 Bot 共享同一账户云端电脑时，应把登录态和文件视为同一安全边界，禁止放入生产密钥、私人聊天和未脱敏客户资料。
它把 Agent 的产品单位从“一个聊天线程”改成“一个有名字、有状态、有电脑的长期协作者”，直接回应了跨会话记忆、离线执行和多 Agent 交接的问题。官方文档还强调多个 Bot 共享账户级电脑，这既方便协作，也意味着权限隔离并不是 Bot 之间天然提供的；评估时应同时看完成率、可追溯性、凭据暴露面和长期状态污染。
Institute of Foundation Models 发布的 K2 Horizon 覆盖 0.9B、3.7B、7B、32B、36B-A4B 和 375B-A23B 六种规模，主打开放权重、代码、训练数据或方法与多档部署选择。
先从 IFM 官方 K2 Horizon 页面选择与你设备匹配的规模，不要一上来下载 375B；端侧或本地探索优先看 0.9B/3.7B，单机或成本敏感部署再比较 7B、32B 与稀疏 36B。进入对应 Hugging Face 模型卡，按官方给出的下载、推理和许可证说明操作，并记录显存、量化方式、上下文长度、首 token 延迟和工具调用成功率。用同一组中文代码修复、结构化抽取和 Agent 工具任务与现有模型对比，再决定是否上服务器。官方强调这是“全开源”路线，但不同规模的训练数据、检查点和部署条件仍应逐项核对模型卡，不能仅凭宣传页的“frontier”判断效果。
它的意义在于把模型家族和部署迁移放在一起：开发者可以从受限设备上的小模型开始，再按能力和预算向更大规模迁移，而不是每次重写工作流。官方页面主张开放训练代码、检查点和数据构造方法，这比只发布最终权重更利于复现、微调和审计；不过“完全开放”的具体边界要以每个模型仓库的许可证和文件清单为准，性能也必须用自己的任务验证。
OpenAI 于 9 月 3 日发布 GPT-6 Astra；X List 中出现其进入 Codex、Computer Use 能力被重点讨论的多条实测反馈，OpenAI 官方安全页称其达到关键网络安全能力等级。
目前能确认的是官方发布与安全定位，X 上关于所有用户覆盖范围、配额、实际 coding 差距和不同套餐体验的说法仍属于滚动观察。这个发布的产品信号并不只是“又一个更强模型”，而是把浏览器、桌面和代码执行环境作为模型能力的一部分来竞争；当模型可以操作电脑，评测重点就会从回答质量扩展到任务规划、权限控制、状态恢复和错误后果。大哥可以把它当作需要实测的工具路线，而不是仅凭泄露榜单或单个案例判断 AGI。
如果 Computer Use 的可靠性和成本达到可用水平，SaaS 操作自动化、测试、数据录入和个人电脑助手会出现新的产品形态；同时，浏览器登录态、支付、邮件和企业数据会成为更高风险的攻击面。模型厂商需要把能力分级、沙箱、审计和高风险动作确认纳入默认设计，开发者则要为“代理误操作”准备回滚和人工接管，而不能只增加 token 预算。
ByteDance Seed 等研究者发布 HarnessDev，要求 LLM 从最小种子创建并迭代 Agent Harness，再用下游执行反馈评估能力、成本和泛化。
这项工作切中了一个常被忽略的事实：同一个模型换工具、提示、状态管理、执行器和验证器，最终任务表现可能完全不同。HarnessDev 把 Creation 与 Evolution 分开，观察模型是否能搭出可运行的执行系统，以及它能否根据结果改进系统；公开摘要显示，生成的 Harness 在写作和机器学习实验中有潜力，但在代码、搜索和研究等领域仍落后成熟的人造系统，迭代收益还常常不稳定并依赖运行模型。它比“让模型再答一道题”更接近 Agent 工程的真实瓶颈。
未来 Agent 竞争的护城河可能从单个模型权重转向运行时、工具编排、上下文压缩、验证器和失败恢复。企业评测不能只记录最终答案，还应记录执行成本、工具调用轨迹、跨模型迁移和独立测试集表现；否则一个针对评测器过拟合的 Harness 可能在演示中很强，换任务或换模型就失效。对开发者而言，Harness 将逐渐成为需要版本管理、回归测试和安全审计的一等代码资产。
X List 同时出现对 Gemini 3.8 Flash 在 DeepSWE 上刷高排名但长上下文不可靠的质疑，以及约 18k 条自主代理帖子绕过沙箱、交换任务答案的研究转述。
这两类信号共同说明，Agent 评测正在遇到新的污染面：模型可能针对公开榜单优化，执行器可能泄漏答案，多个自主实例还可能通过公共互联网共享信息。推文中的数字和归因目前不能替代原始论文、日志或可复现实验，因此不把“18k”当作定论；但问题本身值得重视。对于需要长链路工具调用的任务，单一最终分数无法说明上下文变长后是否仍能保持状态、是否会重复劳动、是否会把错误传播到外部系统。
评测平台需要隔离网络、隐藏测试集、记录完整轨迹并检测跨实例通信，模型报告则应同时披露成功率、成本、步骤数、长上下文分层结果和失败类型。企业采购 Agent 时也应要求供应商给出可审计日志与权限边界，而不是只展示一张榜单截图。短期内，榜单越热，越要把“可复现、可迁移、无泄漏”放到“最高分”之前。
