🛠️ Perplexity SPACE
一句话
把 Agent 或用户生成的代码放进隔离的 Firecracker microVM，并通过 HTTP API 管理执行与生命周期的开源平台。
怎么玩
先读仓库 docs/installation.md，准备文档要求的 Linux/Kubernetes 与虚拟化环境，再按安装指南在本地 Kind 集群部署服务并完成认证；接着跟着 docs/first-sandbox.md 创建模板和 sandbox，等待异步操作完成后建立命令会话、附着输出通道，执行一段无害的示例代码，读取退出码和输出，最后删除 sandbox。不要在未确认宿主机是否支持 Firecracker 的情况下直接把生产凭证塞进去；先在隔离测试机上检查网络权限、存储清理和并发上限。
为什么值得关注
SPACE 不是给 Agent 再包一层提示词，而是把不可信代码的实际执行搬到独立虚拟机，同时把环境模板、沙箱实例、命令会话与生命周期拆开。对于自建 Agent 平台，隔离边界、异步状态与输出回收比单次代码运行是否成功更重要；这份开源实现可以作为安全设计与故障恢复的对照样本。
应用场景
- 让代码 Agent 跑用户提交的单元测试，同时隔离工作空间与宿主机。
- 为多租户自动化任务提供可销毁的临时执行环境。
🛠️ Sofatap（沙发瘫）
一句话
用 iPhone 的触控板、键盘和语音输入控制接在电视上的电脑；Google/Android TV 直连目前仍属实验预览。
怎么玩
iPhone 先安装 TestFlight 并通过公测链接加入 Sofatap，电脑端从官网下载安装对应 Windows、Mac 或 Linux 的 receiver；让电脑与手机接入同一家庭网络，保持电脑唤醒且已解锁，按照电脑端的配对提示在手机上扫描二维码。配对后先用手机滑动移动鼠标、轻点点击、双指滚动，再聚焦电视上的搜索框测试手机键盘与发送。若要直接控制 Google TV，可在应用内查看实验适配器是否适配自己的设备；官方明确尚未认证具体电视型号，不要把它当成熟的电视遥控器。
为什么值得关注
这款产品把「客厅里 Agent 需要人点一下或回一句」的摩擦降到了手机侧，且桌面接收端与协议公开可查。它不是远程桌面视频流，画面仍在原电脑和电视上；免费手动操作、无需账号的路线适合低成本试用，但电视直连和不同系统的输入支持仍需按官方测试版说明逐项核对。
应用场景
- 让连接电视的开发机跑 Agent，坐在沙发上补充指令或批准步骤。
- 家庭影院电脑搜索影片、暂停播放或填写短文本。
🛠️ OpenDesign Motion
一句话
在开源设计工作台内用 Agent 和可选模型生成可迭代的动效短片。
怎么玩
从项目 GitHub Releases 下载适合 macOS 或 Windows 的桌面版，打开后按应用说明配置自己的模型密钥或可用模型；新建一个设计项目，写一段十几秒的视频分镜，例如「标题出现—三组数据逐项进入—品牌结尾」，再明确字体、颜色、节奏和导出尺寸。让 Agent 套用 Motion/视频模板生成 HTML 动画帧并渲染视频，先检查一版镜头时序，再用自然语言改慢标题入场、换掉片尾字幕并重新导出。若使用外部视频或音乐模型，先查各自额度与授权，别误以为整个链路无成本。
为什么值得关注
官网明确把短片的画面组织为可版本管理的 HTML 动画而非只有不可编辑的成片，时间和布局可以重复渲染、局部改动。它更适合片头、产品功能介绍和数据动效，而不是长篇影视剪辑；今天的发布推文值得看的是开放模型选择与源码工作流，不是「一键生成任何大片」的口号。
应用场景
- 用产品真实配色制作版本更新的十秒动态演示。
- 为课程或日报视频做可复用的数据标题模板。
🛠️ Reflection Beam 1.0
一句话
面向代码与 Agent 场景的开放模型，采用 501B 总参数、约 23B 激活参数的 MoE 架构。
怎么玩
先阅读模型卡与 Hugging Face 教程，确认许可证、支持的文本输入、聊天模板和资源开销；没有多卡推理资源时，优先在 Hugging Face Inference Providers 的模型页选可用服务商和额度，准备访问凭据后按教程提供的 OpenAI 兼容示例发送一个小型代码修改请求。把返回的补丁放进一次性测试仓库运行测试，再与常用模型比较耗时、成本和改动正确率；有硬件的团队可按文档使用 FP8/NVFP4 权重及 vLLM、SGLang 路径。不要把 23B 激活量误解为整模型只占 23B 内存。
为什么值得关注
Hugging Face 官方文章同时给出推理、微调与强化学习路径，模型卡标明文本模态及长上下文设定，使它比只有排行榜截图的新模型更容易做真实试验。其本地完整部署仍是重型基础设施任务；公开的上下文窗口属于模型能力标称值，具体服务商限制及中文效果都需要实测，不能照推文的横评结论下定论。
应用场景
- 在相同测试集上对比开源编码模型的 Agent 修补能力。
- 评估团队能否在自有算力上定制长文档代码检索模型。
🛠️ BothShot
一句话
Mac 原生截图与录屏工具，覆盖标注、OCR、翻译和导出动图。
怎么玩
Mac 上通过官网跳转 App Store 安装，先授予实际需要的屏幕录制权限；从一张包含英文 UI 的区域截图开始，试着加编号标注、马赛克处理账号信息，再调用设备端文字识别与翻译核查结果。接着录制一次短的产品操作，按需加入系统声音或麦克风，裁剪首尾并分别导出 MP4 与 GIF。涉及工作屏幕时先测试窗口选择和隐私遮盖效果，检查导出的文件是否真的去掉了敏感字段；不需要录音时不要随意开放麦克风权限。
为什么值得关注
官网把截图与录屏放进同一条工作流，且声称 OCR、翻译、截图与录制在本机处理、无需账号。相较把截图发送给在线识图服务，这种设计适合经常记录内部产品问题或做演示的人；不过隐私声明只能代表厂商描述，含敏感信息时仍应审核系统权限、更新记录与输出文件。
应用场景
- 给 Agent 自动化故障截屏标注步骤并录制最小复现。
- 把英文应用界面截图翻译后制作中文操作讲义。
📡 Anthropic 内部用工：Agent 时长高于员工
事件
Anthropic 发布内部用工研究，称截至 2026 年 8 月互动式 Agent 工作时长约为员工工作时长的六倍，同时初级技术岗位招聘占比走低。研究：https://www.anthropic.com/research/employment-at-anthropic
解读
这是一家高度采用自家 AI 的公司的内部观察，不能直接外推为所有企业的普遍失业率，也不能把工作时长比理解为等效产能比。报告强调代码、销售与合同处理产出随工具采用增加，但人类注意力成为审读 Agent 产出的瓶颈；招聘经理更看重自主性与判断力。比「Agent 替代了多少人」更可操作的问题是：输出能否被采样检查、责任边界是否清晰、每位员工承载了多少校验负荷。
影响评估
软件团队可能先调整初级岗位任务结构、培训路径与审查工具，而不是简单减少所有招聘。Agent 运维、评测、日志可见性和质量门槛会直接影响组织能否吃到效率红利；教育机构也需要让新人练习判断、验证和协作，而不只练最容易自动生成的样板代码。
