铃阅
❌

阅读视图

如何让 AI 一键设计出 Apple 液态玻璃?

一泽Eze 2026-10-23 10:42 浙江

最近全栈 AI Coding 做开发,有些心得(特别是在 AI 直出前端视觉上)

基于 Apple 液态玻璃,总结了一套「流光玻璃」AI Coding 的视觉规范,能直接让 AI 直出符合预期的视觉效果

以后我的产品就能一键沿用这个风格了,开心~

在视频里分享下效果特别棒的几个控件 ⬇️

为了做这个,一开始找了不少 Github 的 Liquid Glass 开源项目。试下来,效果都不太好,不建议走这条路线

Apple 在官网给了他们的 Figma 设计文件,比较推荐以此为参考起点,具体做法发在评论区。

当然也可以一整页框起来复制为 CSS,要求其参考各类材质,直接编排整个页面。

如果感兴趣的人多,要不要干脆直接打包成一个前端规范 Skill?有感兴趣的么。

跳转微信打开

  •  

我们现在可能处于一个未变将变的时代。

一泽Eze 2026-10-16 16:53 浙江

最近 X 上很多人聊 REA、逆向软件。小红书上也传任天堂的游戏被破解,甚至都能在 Mac、iPhone 上免费玩塞尔达。

就算守规矩,AI 也能凭视觉,「复刻」一个产品。

于是很容易有疑问:单机软件、游戏是否就不存在了呢?

试想,你做一个付费产品,用户就能让 AI 来「复刻」,遇到攻克不了的技术问题,还能直接逆向。

哪怕 AI 只能实现 80% 的原体验,但只收 0 元、免费开源。你的受众在付款前,会不会多考虑一下,还要不要拿钱为你投票。

以往不是不能破解、「复刻」,而是人力有限,大家只会盯着验证了商业价值的产品、游戏。

而现在,每个普通用户随着 AI,有着每天更强的“替你开源”的能力;若有意愿,甚至能做出 7*24 的检测新产品、“帮你开源”的自动化生产线。

去年 vibe coding 盛行之际,就有人提到,产品即内容。

今年也有愈多梗图调侃当下是独立开发者多于用户的市场环境。

然,一切更进一步:

当任何人都能简单地“替你开源”,将推出「免费产品」视作赚取所谓 IP 的柴薪。

当大家把「破解、抄袭」美化为「开源、复刻」。

就连我自己,在面对定价超过心理预期、但又做的体验糟糕的产品时,都有“不如随手做个自用平替”的想法。

再往下,不禁怀疑在互联网软件行业,壁垒是否最终只在于大模型和云服务资源,其他人只能作为其消费者、转售商?

(这里不得不说,有些 UI 如 Costco 大卖场的 Agent 产品,没准才是真正有远见的?)

当然,以上只是这两天看社区帖子,在巨变当下一些片面的感慨。

但苦涩教训一直在上演,且越来越快。

过去几年我们以为 AI 只能补全代码,做不了全栈;今年之前没人能想到,仅凭 Coding Agent 就能自主做完故事脚本、画面、情绪兼具的视频(Opus 5.5)。

创造越来越变成了一种消费。

好的方面,对消费者来说,这是好消息:好产品们不得不更谨慎地定价,做到物美价廉。

坏的方面,我们正在用最新的发明,抹平一些旧时代的秩序与利润(虽然旧时代也只是 10 来年的光景)

那创造者的新收入,又将从何而来?

跳转微信打开

  •  

10 条必备技巧,全面玩转 Grok Bot

一泽Eze 2026-10-14 09:45 浙江

非常适合理解 Grok Bot 运作原理、以及新用户排坑的指南👇

昨天在 X 上发了这篇,一天有 1 万多人看过,讨论也不少。试着做了个视频版,用动画把每条技巧背后的原理和细节演示了一遍,比看文字好懂不少。

看看感觉如何?

——————

这是我在实际任务里跑出来的 10 条 Grok Bot 技巧:

1. Grok Bot 和 Codex、Claude Code 有什么区别?

2. 怎么搭好 multi-bot 工作流?

3. 长任务唤醒、Browser Use、防休眠、省 Token

跳转微信打开

  •  

Grok Bot 入门的 10 条必备经验

原创 一泽Eze 2026-10-13 12:18 浙江

这波 Personal Agent 浪里,最值得用的就是 Grok Bot。

最近,我和朋友们共识了一件事:这波 Personal Agent 浪里,最值得用的就是 Grok Bot。

虽然看起来只是「多会话 → 多 Bot」的变化,但会让你长期改进、维护 Agent 方便太多。

我已经把所有非 Coding 类工作,都转移到了 Grok Bot 上。

刚好 Grok Bot、X、Cursor 订阅大一统了(还内置 Opus 5.5),推荐还在观望的朋友们试试。

整理了 10 条装机必备的 Grok Bot 经验与技巧,让你更容易 Grok bot 更好用、搭好 mutli-bot 工作流👇

01

什么时候用 Bot 更好?

长期、反复执行的非 Coding 任务用 Bot;Coding 继续用 Codex、CC、Cursor

Bot 是 Bots 类 Agent,Codex 是会话型 Agent,你会天然更把 Bots 视作一个需要长期沟通的“人”。

让一个 Bot 长期负责一类事,你就会很自然地像带人一样告诉它哪里不对、下次怎么做。

鼓励 bot 在对话中提取学到的经验,更新 bot 记忆。

Codex 的劣势:在需要长期反复做的事情上,因为同一个项目开了一堆会话,哪个是新的、哪个该弃用、上下文在哪个里面,自己都理不清。

02

Bots 的上下文机制

要用好一个 Agent 产品,首要的是摸清它的上下文组织逻辑。

目前实践已知:

1.Bots 之间能私下进行长对话,转接信息与事务;但一个 bot 不能看到另一个的聊天记录,只能转述

2.Bots 系统内,共用的上下文有:「共用记忆」、「Skill」、「连接器」

3.每个 bot 单独持有「bot 专属指令」、「单 bot 专属记忆」、「bot 专属例程(自动化任务提示)」

4.所有 bots 都运行在一个云电脑上,而不是一个 bot 一个云电脑,所以他们可以查云电脑上的任意文件。这也是一个重要的上下文共用位置。

想要让所有 bot 都能够记得某些事情,请使用共用记忆。

另外,Grok Bot 的上下文比较短,需要一直记得的时候,请直接说“请记到共用记忆区 / bot 内专属记忆区”;或者直接落在云电脑的文档 or Skill 里。

03

不要上来就把 Bot 拆得太细

管 Bots 就像开一家初创公司,没人能在一开始保证一个“岗位”的职责边界

以都能看懂的社媒运营为例,

没必要一开始就拆出采集 Bot、选题 Bot、文案 Bot。Bot 成群看起来很酷,但不是好事。拆得越细管起来越累。

由于 Grok Bot 允许 bots 间通信,如 bot A 交接 bot B;主 bot 向子 bot 传递有用的共用消息,Bots 间任务转接的效率很高。

所以可以像初创公司招人一样:

先建个社媒 Bot,把一整块活包下来。等出现需要以下征兆时,再考虑细分,比如:

1.内部形成了更稳定的差异化工作流:小红书、X、Tiktok都有了独特的 Agent 流程

2.内部上下文污染现象严重:不同渠道的文风污染、多活动的上下文积累

并且增加 bot 不一定非得考虑永久性 bot,单独去临时起一个 bot,由上层 bot 教它完成亦可。

04

如何设计 bots 间的重叠任务?

遇到这种任务重叠的情况,怎么设计 bots 的职责?

•Bot A:我负责读你的新邮件

•Bot B:我负责收集用户反馈,但有些反馈会进你的邮箱

•Bot C:我负责管理付费订阅,但有些续费提醒会进你的邮箱

举例,我的收件箱 Bot 会先处理掉 Gmail 里所有邮件,遇到用户反馈就转通知用户反馈 bot;遇到续费、扣款这类订阅邮件就转给订阅管理 bot。

优化冗余、重叠的工作流,从技术角度来讲,就是减少工具调用次数。

每个 Bot 只管自己那摊事,碰哪些账号、能做什么都很清楚。

05

已跑通、有明确标准的自动化流程,可交给  CLI Agent 执行

Grok Bot 的额度有限,也没法自己选模型。

所以已经跑顺、有明确标准的工作流,我会让 bots 通过 CLI 指挥 Codex CLI 或 Claude Code 执行。

Bot 只负责派活和验收。

甚至「定时在某网站,读取某个数值,与前一天比较是否有变化」的任务,都不需要 AI 介入。

这件事是可以固化成脚本的就直接写成纯机械脚本的,每天定时跑,最终只要把增量给到 bot,大幅减少 token 消耗速度。

06

Wake on Done,让 Bots 能及时知道任务是否完成

Grok Bots 现在一大痛点是,命令行 Agent 跑完不会通知你,所以常常会遇到,Bots 让 Codex 去干活,跑着跑着就中断了。

•好消息是,Bots 支持 webhook,所以能做更多及时触发的自动化任务

•坏消息是,每个 Bots 的 webhook 地址不互通,所以每个 bot 都配一次很麻烦

我推荐用 Wake on Done Skill 解决,让你仅需 1 分钟,一次配置,所有 Bots 都能获得被及时提醒。

把这个链接丢给你的主 Grok Bot,让它装好这个 Skill 并帮你设置好就行。

能自动帮你配好云电脑、本机的 web hook。

起一个中转 bot 专门负责叫醒,任务一结束就把对应的 Bot 叫起来接着干,长任务终于能做到无人值守了。

07

自动化操作浏览器,用 Web Access Skill

Grok Bot 现在不支持 Browser Use 能力,拒绝自动使用浏览器。

安装一个 Web Access Skill,这是一个 9K Star 的 Agent 浏览器自动化 Skill,能让你的 Bot 直接操作本机浏览器,还能复用登录态。

也可以让它操作 CLI Agent,继续套娃做 Browser Use。

08

电脑一息屏,Grok Bot 就动不了本机

虽然 Grok Bot 有云电脑,但很多任务还得用到本地机器。

Grok Bot APP 有 App Nap 的限制,用笔记本的话,就算开了息屏不休眠也没用,因为它的 APP 自己会暂停运行,云 Bot 没法操作本地了。

可以让它自己关掉它的 App Nap。必要的时候,还可以用 pmset ,在例程任务之前定时唤醒,让 Mac 到点自己醒过来。

可以参考这个 Prompt:

帮我在这台 Mac 上设置一下:关掉 Grok Bot App 的 App Nap,让它息屏后也能继续运行如果我有固定时间的例程,

再用 pmset 设一个例程前几分钟的定时唤醒。改之前先告诉我你要改什么,改完验证一下是否生效。

09

给人看的数据看板,我现在更推荐放 Notion

虽然我们越来越习惯让 AI 现生成 HTML 可视化看板。

一开始我也觉得那似乎以后也用不上 Notion 这种 DB 了。但最近我觉得做长期的个人信息看板,统一放 Notion 好用得多。

比如给你看看我的首页:

或者月订阅看板:

Notion 自带完整的前端块结构,可以随意组织多个看板的布局关系。另外 Database 里每一条数据也都能承载一个完整页面。而且 Notion MCP 读写比我们想象的快很多,无需 AI 也能批量、定时更新 Notion 上的数据。

在 Notion 上加看板,你做的事更像是往现成框架里填内容,很难做丑。也不用指挥 AI 如何把一堆 HTML 组合起来、再额外做一个总览页。

不过有一个不同的是,我不把 Notion 作为源数据库。

源数据放在 bots 的云电脑数据库就可以,让 bots 写个脚本定时同步到 Notion DB,定时更新映射出来的视图,十分好用。

10

我目前用 Grok Bot 搭了这些,希望能给你带来一些思路

•收件箱 Bot

帮你追踪一切个人信件、消息。

搭得时候能用 MCP 连就用 MCP,比如 Gmail、Outlook;飞书邮箱能用 CLI;实在不行的还能浏览器自动化

•产品反馈 Bot

每天看飞书问卷、转发过来的邮件、discord 新消息,汇总用户反馈

•订阅管理 Bot

盯着我所有订阅的续费和扣款

•商务财务 Bot

管合同和订单,还能连上打印机自动打印合同,签完章还会自动起草回复邮件

•社媒数据 Bot

每天采集 5 个平台的数据,同步到 Notion 看板

大概就是这样了,Enjoy Your Grok Bots!

另外,最近还考虑讲讲的选题还有:

1. 如何让 Agent 干净地改进自己的记忆

2. 如何拆分浏览器自动化任务,让 Agent 更省 token

3. Maybe 有更多朋友想看更具体的 Grok bot 技巧,也可以在评论区留言,那也能再写写

欢迎关注「一泽 Eze」,设个星标,不错过后面的内容~

也感谢你的点赞、在看与分享:)

作者:一泽Eze

跳转微信打开

  •  

TRAE 新版,1 + 1 < 2 但 > 2 ?

一泽Eze 2026-10-09 10:45 浙江

Agent 工作台在前,IDE 在后

问:什么时候「1 + 1 < 2 但 > 2」?

TRAE 的新版本答案是:

把 TRAE Work 和 TRAE Code 合成一个产品,让 Agent 工作台和 IDE 合二为一。

时至今日,Agent 赛道早已白热化。

ChatGPT、Claude Code 依靠原厂模型优势,收敛全球用户;国内各大厂推出 XX 办公产品,瞄准打工人办公场景;Muse、Dots 等新贵,更加激进,想替你订酒店、机票、搞定生活大小事。

从 Coding 起家的 TRAE,决定了他们接下来的方向:

继续聚焦 Coding 场景,让开发这件事更顺手。

不管你是出于兴趣做点玩意儿,还是一个人包办产品、设计和开发,或者专业工程师指挥多个 Agent 实施大型项目,都是它想服务的人群。

为了体验 TRAE 的全链路开发流程,我用 TRAE 做了个 Gmail 换肤插件,请看 VCR ⬇️

顺便在后文,向你分享 Vibe Coding 的流程思路。

01

Work、Code 产品线二合一

TRAE 这次改版,最大的变化是面对用户既要专注于对话的 Vibe 体验,又离不开 IDE 界面查看源码的习惯,收拢了他们的产品线,把 Work、Code 两种产品统一在了一起。

你可以在新 TRAE 里按需切换操作界面:

•Agent 工作台:源自 TraeWork

•AI IDE:继承自 TraeCode 的 IDE 界面,在同类 IDE 中交互体验优异

前者聚焦 Vibe 创造体验,提供 文档生成、设计系统管理,以及各类插件、Skill、模板,适合与 AI 讨论产品需求、 打磨 UI 设计、开发新产品,适合小白开发者上手。

后者提供类 VS Code 的 AI 编辑器体验,有熟悉的 Git、编辑器扩展,右边也留着 AI  Copilot 对话栏。看不懂某个文件,或想问问这段代码为什么这么写,都可以在旁边直接问。

甚至还能启用 IDE 中的 Agent 插件,让不同 Harness、不同模型对同一项目接力。

不少开发者在 AI Coding 的时候,习惯了一个屏幕开着 Agent 工作台,一个屏幕还得开另一个 IDE 和终端。

现在你用 TRAE 来做主力 Coding Harness 时,不用额外开 IDE APP 了。在 Agent 界面点击「IDE」,就能自动打开当前项目的编辑器界面;反之,IDE 界面点「Agent」,也能打开回到 Vibe 对话界面。

并且,在新 TRAE 中,Agent、IDE 界面的 AI 对话是同步的,同一段 AI 对话,可以从两个界面进入,切换后还能接着聊。

所以 Coding 时开着的 APP 进程、交互链路 1 + 1 < 2;但又在需要双开时,有了 > 2 的体验。

(不如,我们把新版 TRAE 叫做 TRAE Duo 吧

02

TRAE 的全链路开发流程

目前,TRAE 主打三类人群:

除了 IDE 界面,还内置了很多全链路开发流程用得上的工具,比如文档、白板、设计系统。但都藏的很深,感觉缺了些教程引导,不然还是用起来挺方便的。

比如我用 TRAE 做了套 Gmail 换肤插件,向你分享大致流程。

1  一些用得上的插件、配置

开始前,先在插件市场安装 3 个插件:画板、设计画布、浏览器控制:

•画板:负责给 AI 可视化向你呈现它写的方案,保护前额叶,强推

•设计画布:在设计阶段展示高保真视觉稿

•浏览器控制:因为产品的功能主要是网页样式识别与改造,所以网页元素识别与测试需要浏览器自动化

然后搞个空的文件夹,指定 AI 在里面出方案、写代码。

2  第一段 Prompt

现在做产品,特别是独立开发,我已经很久不写需求文档了。

所以第一条 Prompt 比较重要,需要大致讲一下 AI 要和你努力的共同目标,并让 AI 从模糊目标起步,先向你问清楚只有“你”才能定的要求。

提示词好习惯:如果一开始就知道哪些要求是必须的,也请在一开始就说清楚,减少 AI 和你的拉扯。如果不确定,就不要用陈述句,而是说“我有个模糊的要求,不确定对不对,但我偏向 XX,你可以反驳我”。避免 AI 把你的话当做绝对的,限制整体方案规划。

发出去之后,AI 返给你计划,来问你一些问题

请至少把自己当下能想清楚的问题好好回答。不确定的就说不确定,也可以让 AI“每种方向的方案都试试,让我做选择题”,譬如:

3  设计系统的使用

安装设计画板后,你就能用到 TRAE 内的设计系统,由配色板、icon、组件、使用规范组成,已经预置了不少知名大厂的设计风格。

如果其中有你喜欢的风格,可以直接用,能够有效统一每次 Vibe Coding 的设计产物风格;如果没有,也可以和 AI 沟通,先磨出一套你喜欢的项目样式,为后续的其他产品服务

我自己做开发的时候,在项目开发相对稳定后,也会让 AI 抽取并维护成一套 Html 格式的设计画板,提前规定好各种配色、字体等,例如:

另外再配上用户画像、设计系统使用规范两份文档,就能快速让 AI “模拟用户画像的心理,思考用户在这一步的心理与期待,按照设计规范设计 XX 功能的交互与视觉体验”,做出各种新界面模块。

这点操作虽然不难,但由于确实过于细节,大部分网上的分享也都比较少提及,导致其实不少人都还没用上这个操作。建议即使是凭兴趣做 vibe coding 的朋友,也可以留意着试试。

一切输入给模型的都是上下文,一切上下文都是给模型的提示词。有了设计系统的输入,自然能让模型做的更加规范统一。

4  如何与模型更好的共识方案

1)产品、技术方案:画白板

在和模型对方案,达成共识的过程中,最头疼还是 AI 给你洋洋洒洒写了上千字的方案,你脑子被灌得云里雾里,只能下意识反应一句:“哞?”

那除了“说人话”、“画个可视化 html”这两个 Prompt 外,直接画白板也是一个常用的技巧。

在 TRAE 装了画板后,你可以要求 AI “用画板给我讲解方案的 XX 实现原理/流程”,它就会给你把方案的关键之处,用示意图体现出来。

比起常规的 html 可视化,AI 在画这类白板时,可以绘制更轻松地画出复杂、细节的形状,而且体感绘制速度更快、自作聪明的废话注释更少,带来更简洁、易懂的示意效果。

2)视觉设计:用设计画布,直接出高保真 Demo

在 TRAE 中,视觉设计方面,可让 AI 直接在设计画布画出高保真前端原型。

射箭总得先有个靶子,就算不用自带的画布,无论是 html 也好,直接上 react 原型也罢,都是所有带前端的产品进入正式开发前,务必要完成的环节。

一般在项目初期,建议你多给模型参考项,让模型给你做选择题:

•给参考:“我们在做这个产品,有哪些优秀产品?可先调研参考他们的样式布局,再推导适合我们的视觉方案”

•做选择题:“先发散着做出几套不同风格方向的原型,方便先确定我们偏好的设计方向”

由于一开始就要求了得在开发前给我一版样式 Demo:

所以 TRAE 直接在设计画布里给出了一些不同的方案,一次性呈现在了画布里。

后面让 TRAE 改进、整理出来后,大概有这些选项,最终选的是第一套:

👉 而这些方案、设计模板,以及后续的代码内容,都会放在最初设定的文件夹,在切换到 TRAE 的 IDE 模式时,就能够进行更深入的编辑、git 管理等了。

另外,值得一提的是,TRAE 在交互上做了个小巧思:与 Codex 变侧边面板为浮窗不同,TRAE 可以把 Agent 对话变为悬浮窗口,使得人可以边看更大的画布,边输入自己的要求。

5  开发与测试收尾

基本上经过前面的方案与设计阶段,一个项目的靶子也就立的七七八八了。

好习惯+2:推荐在 Vibe Coding 正式开工前,习惯性多嘴问一句 AI:接下来还需要做什么、有什么遗漏的需要确认吗?

这个环节往往能根据 AI 的自检与提问,再做补充一些细节决策。

当需求目标、业务逻辑、设计原型、技术栈、资源库与开发架构都确定完事后,就可以让 AI 开工。

而后便是枯燥的刷着手机等 AI 完成全栈开发,并督促 AI 改 bug 的过程

因为网页换肤类的项目往往涉及到略复杂的 DOM 结构处理,前前后后还是花了不少 token 处理 bug,这边就不多赘述踩坑细节。

最终磨出来的插件效果如下:

相较原版 Gmail 丑丑的样式,你看是不是好上了不少?

And 理论上你也可以参考这套流程,为任意网站开发换肤插件。

我也顺手用生图模型做了一些像素素材,另做了一个像素邮局风格的主题

得到了以下效果:

最终,再找了 opus 5.5 写了个视频,就有了你开头看到的那支产品片子 ⬇️

🎐 其他想说的话

其实我也是 TRAE IDE 的老用户了。25 年初,当时最火的 Agent 形态就是 AI IDE,国外 Cursor、Windsurf,国内有 TRAE。

因为 TRAE 是当时一众 VSCode 类 AI IDE 中界面最舒服的,就用 TRAE 做了自己第一个独立小产品。

经过了各类 Agent 层出不穷的市场阶段,相比各种「一键发布产品到网页」,Coding Agent 能做的、被用户期待做好的事情依旧不少:

•如何让小白开发者少踩点坑,轻松用上专业的开发流程?

•如何让专业工程师更省力地指挥多个 Agent?

都是这类 Coding 产品接下来值得继续打磨的地方。

之前让我选择 TRAE 的,是用起来舒服。

希望 TRAE 这次二合一后,也能把这份顺手,延伸到开发的更多环节。

希望本文能对你有些许启发,也可以给我个关注、星标~

也感谢你的点赞与分享:)

作者:一泽Eze

跳转微信打开

  •  

Opus 5.5 做产品视频确实好用

一泽Eze 2026-10-08 14:42 浙江

专门对照实验了一下,Opus 5.5 做产品视频的能力,确实比 GPT 模型好上太太太太多

搓了一个 Gmail 换肤插件,一句话让 opus 5.5 做了个宣传视频。

提示词只要简单说清楚:这是 xx 产品,主要功能亮点是 xx,帮我做一个宣传视频,要有节奏感,就像互联网产品发布宣传视频。

甭管以后是不是连视频都有 AI 味,不同于写文章,没练过的人做视频,真是费劲还做不出来。

无脚本、无指导,直出的效果,应对功能介绍绰绰有余了 ⬇️

跳转微信打开

  •  

关于 Jev,我对朋友的评论深以为然:「基本只关注新模型的成本和速度,太细的算法、架构不怎么考虑了」 也分享一下我看到 Jev 时的思考...

一泽Eze 2026-09-21 11:24 浙江

关于 Jev,我对朋友的评论深以为然:「基本只关注新模型的成本和速度,太细的算法、架构不怎么考虑了」

也分享一下我看到 Jev 时的思考过程 ⬇️

先把 Jev = 不做生成、只做判断的超快模型,自然有了 2 个挑战问题:

1. 速度是否不可替代?

现有的小模型,如果我在 input 阶段就直接把当前问题、以及预设好的回答选项或者数值区间一起给它,让它以 no thinking 模式输出,它能不能做到一样快?

2. 成本是否下探到新的意义区间?

算上小模型的缓存价之后,Jev 那个低价,距离现有同场景可用的小模型究竟能便宜多少?

——这两者若要在业务中有足够“爆炸”的意义,就得达到「便宜又快到能每轮都值得跑」的程度。

前两点之后,就是终极问题:

每轮都能秒级跑完的决策,对自己的业务有什么价值?

以我的研究方向为例(personl memory agent),我的答案是可以更好地做意图路由。

做更重的 Harness,自动判断用户输入背后所期待的回应,给出不同的 System Event Injection,决定主 AI 的思考深度和回应风格。

Belike 用户只是在闲聊,那就用玩梗的心态 no thinking 输出;在分享一件重要的事、跟我讨论,那就能更快进入思考状态,配上工具支持多轮执行与思考。

最后再思辨这个技术意义能不能长期成立。

都知道 AI 发展越来越快,大量架构不断涌出来。一个新东西在当下爆火,但如果它跟别的技术的落地方法区别太大,应用层的数据结构、业务逻辑都要跟着重写,上线之后就会极大影响产品后续的发展路线

(比如去年到今年,通用 Agent 产品已经经历了 MCP、Cowork、Claw、Skill 多轮技术冲刷了)。

如果说 Jev 代表的是更快更便宜的判断,那么不管 Jev,还是后续类似模型,对应用都是同一件事:给输入,拿输出。

所以真正要斟酌的只是一个趋势:

模型的速度和成本是不是还会继续往下探,决策是不是早晚便宜到可以每轮、每秒都跑?

如果认下这一点,哪怕还没拿到 Jev 的 API,也已经有足够的收益预期来支撑实验了:

尝试把 Harness 里的意图路由做得更加无所不在,轻量决策模型 + Harness + Agent 主模型,虽技术上分层,体验上无感。

跳转微信打开

  •  

突然想到一组好问题: 1. 用过 GPT6 Astra 了吗?你这两天用它做了什么? 2. 对你来说,最有实用性的惊喜在哪? 3. GPT6 Astra 改变了你...

一泽Eze 2026-09-07 08:46 浙江

突然想到一组好问题:

1. 用过 GPT6 Astra 了吗?你这两天用它做了什么?

2. 对你来说,最有实用性的惊喜在哪?

3. GPT6 Astra 改变了你过往哪个最大的 想法 / 认知 ? 你打算多做什么?

跳转微信打开

  •  

人人都能学会的自进化 Agent 搭建指南

原创 一泽Eze 2026-09-03 09:28 浙江

Agent in the loop, context is everything.

你想让自己的 Agent 工作流,每天自动迭代吗?

是否发现用了一段时间的 Workflow、Skill,就会和实际需求脱节?

今天,我们来聊「如何给自己搭一套自进化的 Agent 系统」。

@一泽 Eze

 ㅤ

Loop Engineering 这个概念,火了一段时间。

核心理念是“不用反复提示 Agent,让 Agent 在运行中,具备「积累反馈验证信号-自我改进」的循环能力”。

Image

概念是真好,但因为落地复杂度,大多数朋友的实践还集中在 Coding 场景,远不及 Agent Skill “飞入寻常人家”的热度。

 ㅤ

然,随着 Agent 产品普及、DS Flash 级的高性价比算力出现。

搓一套「在日常使用中,自动收集反馈信号进化的 Agent Loop」已不再难事,使用场景也足够广阔:

1)小到一套可自动改进的信源订阅系统,替自己每天推送更感兴趣的信息:

Image

Agent 在 Loop 中,无需人为迭代,自动收集群聊讨论、日报批注 → 按需增减监控信源 → 迭代日报呈现

 ㅤ

2)大到一整个组织,业务数据指标异动,Agent 自己翻项目版本文档、会议纪要、群聊内容,给出归因报告。

业务的每一条反馈批注,都会校准它下一次归因策略,报告越给越准。

Image

这些都是 Loop Engineering 理念在日常办公中的实践。

只不过日常任务中,“什么是最好的成果”没有唯一答案。人类在正常工作中留下的批注、群聊讨论与使用反馈,是 Agent 自然的评价信号。

 ㅤ

Agent in the loop, context is everything.

借着飞书、豆包工作的上下文联动能力,本文将从「10 分钟手搓信源 Loop 系统」入手,包含:

  1. 1.手把手教你搭一套自进化 Agent 系统,全流程照抄就能跑
  2. 2.设计个人 Agent Loop 的思路,可以试用在你任何重复做的工作流上
  3. 3.识别 Agent 工具能力边界的方式,方便判断选什么工具、能搭多大的 Loop

➡️ 兼顾「只想上手即用」、「想了解 Context、Loop 理念」的朋友阅读。

 ㅤ

 ㅤ

首先,Context 和 Loop 是什么关系?

👉

不需要看原理的,可以直接滑到后面,有手把手教程,能直接跟做。

本节讲得比较通俗,已经剪掉了过于复杂且非开发场景用不上的部分。

Context 即上下文,一个很宽泛的概念。

从日常发给 AI 的消息,再到 Agent 运行时读取的文档、Skill、Memory.md 等长期记忆,以及 AI 产品背后的 System Instruction、Tool Description。

Image

它们都算 context。在 Agent 运行时被拼成长长的上下文,也决定了 Agent 在接到任务消息时的回应。

 ㅤ

Loop 是 Agent 的不断循环。

在自改进循环的系统中,Agent 自动进行循环,把上一轮积累的反馈信号写回 Loop。

或以长期记忆回流 Context,或直接调优代码程序,目的都在于让下一轮 Loop 得到更优的结果。

Image

 ㅤ

聪明如你,不难发现:

Agent 整个运行过程中,多数人容易管理的部分,正是 「任务过程消息 → 沉淀长期记忆,如 Skill、Memory、运行时必读文档」 这一环。

(让我们姑且称这类只涉及 Context 循环优化的循环为 Context Loop)

 ㅤ

想让依赖人类自然反馈的 Context Loop 真正跑顺,则需要同时满足三个条件:

  1. 1.人能完全顺手地留下反馈的痕迹:比如发消息、写批注、回邮件
  2. 2.Agent 有足够的工具权限,看到这些反馈痕迹
  3. 3.Agent 能够自主编辑长期记忆,也方便人类共同编辑

 ㅤ

 ㅤ

如何设计 Loop 架构?

在设计 Agent 工作流程前,让我们先设定最重要的几个体验预期。

比如,作为示例的这套信源 Loop 系统,我希望它是这样的:

Image

  1. 1.每天定时运行,按照预定的信源偏好,总结成日报,通过群聊直接推送到我面前
  2. 2.在阅读时,人类用户随手在日报里的批注、或在群里的反馈与话题讨论,都能自然作为反馈信号,改进下一轮 Loop 质量(因为足够自然,面向整个组织时,也不用改造这个信号反馈流程)
  3. 3.增加信源需求时,无需人为介入,Agent 自行找出新信息的采集方案

 ㅤ

有了需求预期,才能去选能实现的工具组合。

本文选择了用豆包工作来做 Case 示范,它与飞书的衔接度超出预期:

  •  ㅤ

    同一个账号,无需任何配置,直接能读到飞书的聊天消息、多维表格、文档甚至批注,也能代发与编辑。

Image

Image

  •  ㅤ

    整合了 Codex 备受好评的远程操控功能,方便远程管理 Agent

Image

 ㅤ

确定了体验预期与工具后,信源 Loop 系统的架构就清晰了:

Image

  1. 1.飞书多维表格负责记录需求任务、信息采集入口;知识库文档负责同时承载日报模板、个性化精选规则,以及日报内容与反馈沉淀,是非常方便的 人-AI 实时数据写作面。
  2. 2.豆包工作内置的 Search、Fetch、本地运行脚本、Browser Use 共同负责信源采集(这个 Browser Use 好用的,和 Codex 体验接近)
  3. 3.整体由豆包工作的 Agent 执行,定时器触发,一个专门的 Skill 统合任务执行流程

 ㅤ

你当然也能选自己喜欢的 AI 产品,不过就需要你自己按每个步骤调试了。

 ㅤ

 ㅤ

👉 打造「自进化」的 Agent 信源系统

0️⃣ 前置操作

先下载「豆包工作」、「飞书」,这就不说了 🙂‍↕️

建议你在豆包工作的左侧导航栏中,创建一个干净的项目文件夹

Image

Image

然后模型档位,我在实操过程中,全程选择「自动、中等推理」,体感够用了。省点 token,加速执行。

Image

顺便解释一下:

  • ㅤ

    设置项目文件夹的原因:后续若有需要本地脚本采集方案的信源,对应的程序脚本,均可在此处统一管理。
  • ㅤ

    选择本地电脑,而不是云电脑的原因:因为必然有部分网页信源,需要 Browser Use 才能采集,豆包工作本地电脑的浏览器自动化效果很不错。

 ㅤ

 ㅤ

1️⃣ 让 AI 创建监测任务表

👍 从这一步开始,你开始正式打造自己的信源 Loop 系统了。

发送以下 Prompt 给到豆包工作,创建用于监测任务的两张表:

  1. 1.监测任务:维护用户的监测需求
  2. 2.信息入口:按监控对象,如「OpenAI、DeepSeek」,维护其相关信源渠道

...

我想搭建一套会随着使用和反馈逐渐变准的精选信源系统。以后,用户只需要说自己想持续关注什么,Agent 就会把需求拆清楚,找到合适的信息入口,确认可行的采集方式,再定期生成日报。并且可通过用户反馈,每日更新信源精选规则,不断优化 Agent 信源精选的准确度。
现在,你的第一个任务是创建一个飞书多维表格“信源管理系统”,在里面建立两张数据表,作为后续运行的地基之一。
第一张叫“监测任务”,每一行是一条可以独立新增、修改或暂停的需求,字段为:
- 需求条目:主字段,单行文本;用来识别一条最小、可独立维护的需求
- 监测对象:单选;用来汇总同一对象下的需求,也是后续分配 subagent 时的筛选依据
- 监测要求:多行文本;说明具体想关注哪些变化,以后出现明确误判时也在这里补充必要边界
- 证据边界:多行文本;说明什么来源或证据足以确认这条信息
- 状态:单选,选项为“启用”“暂停”;决定当前是否执行这条需求
示例:需求条目为“模型发布”,监测对象为“OpenAI”,监测要求为“关注新模型、重要版本升级及模型上线或下线”,证据边界为“以 OpenAI 官方公告、文档或官方账号为准”,状态为“启用”。
第二张叫“信息入口”,每一行是一个可以独立检查的具体入口,字段为:
- 入口名称:主字段,单行文本;用来识别一个具体的信息入口
- 监测对象:单选;用来把入口归到对应对象,让 subagent 能与监测任务一起筛选
- 入口地址:链接;保存实际访问位置
- 渠道定位:单行文本;说明这个入口主要提供什么信号,例如正式公告、开发者更新、实时动态或招聘信号
- 采集方式:单行文本;记录当前确认可行的主要采集路线,例如结构化接口、脚本或 Browser Use,不在这里展开完整操作步骤
- 状态:单选,选项为“待验证”“启用”“暂停”“失效”;表示这个入口当前是否可投入运行
- 上次成功检查时间:日期时间;作为下一轮查找新增内容的时间起点,只有检查成功后才更新
示例:入口名称为“OpenAI 官方动态”,监测对象为“OpenAI”,入口地址为其官方 News 页面,渠道定位为“正式公告”,采集方式为“Browser Use 读取更新列表”,状态为“启用”,上次成功检查时间为最近一次成功运行的时间。这个示例只用于说明字段含义,实际入口和采集方式需要后续验证。
两张表共用“监测对象”作为筛选和分组依据,不需要另外创建监测对象表。默认视图都按“监测对象”分组;再为信息入口建立一个“待验证”视图。
完成后把表格链接发给我,并告诉我最终创建的字段和视图。
这一步只创建空表,不添加正式需求和入口,也不创建日报、Skill 或定时任务。
📍

注意:现在用 Agent 时,其实用不着这么长的 Prompt,而且实际上也很难在复杂系统设计伊始,就给出如此完备的提示。往往是通过跟 AI 多轮交流,慢慢打磨出需要的结果。
该 Prompt 也是我在实验过程中递归整理的完整提示,方便读者直接“抄作业”。

 ㅤ

👉 豆包工作内置了多维表格、云文档、飞书消息等 Skill,能比较方便的一次性替你创建完成对应表格。(换成其他 Agent,虽然也能通过飞书 CLI 实现,但需要多一步终端配置授权)

Image

 ㅤ

Agent 所创建的飞书文档、表格,都归属在同一账号的飞书里 ⬇️

Image

所以方便你和 Agent 一起查看任务结果。打开后你能看到这样的多维表,这就是我们监测任务的长期 Context 规则了 。

Image

 ㅤ

 ㅤ

2️⃣ 按对象生成监测需求、采集方法

搞定监测任务的数据载体后,就可以向 Agent 提出自己的「信源监测需求」,让它帮你拆成持久化的任务要求入库了。

 ㅤ

在原对话输入以下 Prompt,AI 就会自动拆解需求条目,确定信源获取渠道:

...

接下来请帮我把新的监测需求加入“信源管理系统”。
请先读取其中的“监测任务”和“信息入口”两张表,理解字段和已有记录,然后问我:你想持续监测什么?
收到回答后,请直接完成这件事:
- 理解其中的监测对象和监测主题。监测任务表的一行,表示某个对象下面一项可以独立维护的主题;例如“OpenAI 的模型更新”是一项监测需求,不需要继续拆成发布、升级、上线、下线等多行
- 按已经建立的字段新增或更新监测任务,避免产生重复记录
- 围绕这个监测对象寻找能够覆盖该主题的具体信息入口,优先复用已有入口;对新增入口实际验证是否可以访问,以及适合怎样自动获取更新,再写入信息入口表
验证采集方式时,请从轻到重逐级尝试,上一层能够稳定取得信息就停止:
1. 优先使用现成的结构化入口,例如连接器、RSS、API、GitHub Releases 或提交记录
2. 没有合适的结构化入口时,再尝试直接读取网页,或编写轻量脚本提取列表
3. 页面依赖动态交互、登录状态,或前两种方式无法稳定读取时,再使用 Browser Use
常见例子:GitHub 项目更新可以先检查 Releases 或 API;官方博客、更新日志和文档先检查是否提供 RSS 或其他结构化入口,没有再尝试直接读取页面或脚本;需要登录或高度依赖交互的网站,才考虑 Browser Use。这些只是判断示例,实际方案仍由你验证后决定。
验证不能只确认“网址能打开”。请实际取得最近的内容列表,并确认至少能识别标题、链接、发布时间或稳定 ID,以便以后判断增量。没有实际跑通的方案,不要写成已确定的采集方式;可以保留为“待验证”。
例如,我回答“我想持续监测 OpenAI 的模型更新”时,你可以这样理解和记录:
- 监测任务:需求条目为“模型更新”,监测对象为“OpenAI”,监测要求涵盖新模型、重要版本变化以及模型上线或下线,证据边界以 OpenAI 官方公告、文档或官方账号为准,状态为“启用”
- 信息入口:围绕 OpenAI 查找能够提供正式公告、开发者更新或实时动态的具体官方入口;例如先验证 OpenAI News RSS 是否能够稳定返回标题、链接和发布时间,再判断是否还需要其他入口补足覆盖。验证成功的状态设为“启用”,本次先不填写“上次成功检查时间”
这个示例只说明需求如何落到两张表。实际采用哪些入口、使用什么采集方式,由你访问和验证后决定。
除非存在会改变监测对象或主题的歧义,否则请自行判断并继续完成。最后告诉我你如何理解这次需求、写入了哪些监测任务、采用了哪些信息入口和采集方式。
这一步不启动定时任务,也不生成日报。

豆包工作会问你想要持续监测什么。

你按照你的需求,自然描述即可,“帮我监测 OpenAI 的模型、产品更新,以及 Codex 重置预告”。(不用紧张,不用深呼吸,简单说需求就好了,现在的豆包工作还挺聪明的)

Image

输入后,无需其他操作,即可看到如下变化:

  •  ㅤ

    监测任务表中,以「OpenAI」为监测对象,拆分出了 3 条 MECE 的任务需求

Image

  •  ㅤ

    信息入口表中,在 Agent 长程自动化采集实验后,登记了相关信息来源及采集方式

Image

 ㅤ

如果你有更偏好的信息入口与采集方式,也可以让 Agent 给你更换,直接和 Agent 说就好(不是说 Agent 给你选了 Browser Use 策略,你就必须用这个,可以像乐高积木一样随意局部拼接):

Image

豆包工作会对你提供的渠道进行验证后,并更新信源表内容:

  •  ㅤ

    需求表:

    Image

  •  ㅤ

    信源入口表:

    Image

 ㅤ

附: 根据信源入口、采集方法不同,有时会受到网站登录限制,Agent 可能会需要你配合,帮忙在浏览器工具中登录,或者需要你授权对新信源验证,根据 AI 指示继续就行。

Image

 ㅤ

 ㅤ

3️⃣ 建立日报规则,跑出第一份日报

Agent 工作流往往由大量环节组成,又因为模型生成的不确定性,需要做一点测一点,不然积💩成山,积重难改。

⬇️

所以完善了采集方案后,别加太多信源需求,尽快先验证整套系统的最小闭环:根据信源管理多维表,根据日报生成规则,自动采集信息更新日报内容。

发送给 Agent 以下指令:

...

请创建一个飞书知识库“信源 Loop 系统”,作为这套系统长期文档的统一入口。
目前只建立以下结构:
1. 知识库首页
用于长期维护整套系统的说明和文档索引,包括:这套系统解决什么问题、目前怎样运行;已有组成部分分别负责什么;指向各项正式资产的入口
当前先在首页登记:
- “信源管理系统”多维表格:维护监测任务和信息入口
- “每日日报”目录:归档系统每天生成的日报
以后新增日报规则、反馈日志或 Research Map 等正式文档时,再把它们补进首页索引。
2. “日报规则”文档
包含以下章节:使用材料索引、信息筛选规则、日报模板
在“使用材料”中放入“信源管理系统”多维表格的直接链接,并注明:“监测任务”表决定需要关注什么,“信息入口”表决定去哪里获取。
3. “每日日报”目录
作为独立目录使用。以后每天生成一份以日期命名的日报,并统一放在该目录下级子文档。
现在不要提前创建其他尚未实际使用的目录或文档。完成后把知识库链接发给我。

 ㅤ

豆包工作将自动创建知识库:

Image

它会按要求填充 3 个核心文档,为后续 Agent 行动提供上下文指引:

Image

 ㅤ

接下来,让 Agent 先抓出一份日报看看效果:

Image

经过持续一段时间的长程任务执行,就能得到 Agent 给出的日报结果

Image

Image

 ㅤ

⬇️ 日报内容对应本周发生的事件(8.31-9.1),呈现在每日日报目录下

——信源日报小闭环验证成功 ✌️:

Image

 ㅤ

 ㅤ

附:如何调整 Agent 信源日报的格式?

如果你对日报格式有自己的要求,可以让 Agent 帮你再做修改。

1)建议先直接让 Agent 尝试调整日报本身

Image

很快能得到更加干净舒服的日报排版:

Image

 ㅤ

2)也记得让 Agent 帮你总结新的规则,固化在核心文档中,优化后续 Agent 任务行为

Image

发完要求后,就在日报规则中,看到 Agent 的调整:

Image

✏

其实和要求 Agent 优化 Skill 的逻辑差不多,思路都是一致的:
每次任务会加载的上下文 = Agent 将遵循的任务指引,而 Agent.md、Skill、Prompt 都只是一种上下文的载体。

3)对了,由于云文档的人、AI 都可读的性质,实际上也是人-AI 的 Context 共同协作面,所以也可以自己上手直接编辑,改动在 Agent 按下次文档执行时自动生效。

Image

除开这种主动修改的行为,后面 ⑤ 反馈 Loop 小节中,还会介绍更简单的、 Agent 自动根据群聊、批注的 Loop 改进方式。

 ㅤ

 ㅤ

4️⃣ 设定时任务:日报每天自动出现在群里

验证日报生成链路后,信源系统就很容易维护了:

  •  ㅤ

    增删监控需求?直接和 Agent 说即可——它会自己改监测任务表,连信源入口和采集方式都会跟着验证、更新
  •  ㅤ

    想调整日报的格式与内容?也直接说,或者直接在云文档里改「日报规则」——下一轮它就按新规则出

至此,loop 的内容采集-生成层已经完整。

下一步则是让我们的日报能够每天定时推送。

而这就需要由定时任务 + Skill 机制,以及豆包工作与飞书的联动来完成。

 ㅤ

1)自动生成每日信源 Skill,用于简化定时启动的 Prompt

直接在原任务对话的基础上发送要求:

...

接下来,我希望这套系统,能在每天早上 9 点,把当天日报自动推送到我的群里。
请先创建一个 Skill,届时我将结合定时任务,用于指导该任务的自动定时执行。

Image

 ㅤ

即可得到 每日信源 Skill 的初版骨架 ⬇️

Image

 ㅤ

AI 会提示你指定一个发送的群,随意选择都可以,如「一泽与豆包工作 Bot / 部门信源监控群」

Image

豆包工作就会搜索到飞书内的该群 ID,更新 Skill 内容:

Image

 ㅤ

2)确定推送消息形态

由于飞书聊天支持文本消息、长文内联消息、交互式卡片,可选的呈现方式多样,最好提前规定推送形态。

我选了交互式卡片,直接和 AI 说“我需要推送消息以交互卡片形式呈现”即可,并要求其尝试推送今日信息作为示例 ⬇️

Image

Image

这也是识别 Agent 工具能力的方法之一

直接询问 Agent,让它自己读内置工具说明,告诉你它支持什么。有些时候可能有幻觉,所以必须要让Agent 先尝试一下,按结果来判断实际可行性。

 ㅤ

最终实验出以下结果 ✅:

Image

  • ㅤ

    不过豆包工作目前在发飞书消息时,没有自己的 ID 身份,只能以你的账号代发。
  • ㅤ

    当然也可以单独为豆包工作新建一个专属飞书账号,使得你可以把它以独立身份拉入各种群中。

 ㅤ

3)最后是创建定时任务,支持最小间隔 15 分钟,同样在原窗口发送:

Image

自动完成定时任务的创建:

Image

🙂‍↕️ 自此,每天 9 点,你都能自动收到豆包工作为你筛选的信源日报了~

 ㅤ

到这里,这个系统其实已经每天能够把你的信源日报送到群里。

从日报系统本身来看,已足够完整,但它仍只是一个固定 Agent Workflow。它按照你给的规则、预设的信源需求而运行,并不能够自动按照你的阅读体验反馈而进行优化。

 ㅤ

而我们真正的目标是达成自改进的 Context Loop ⬇️

Agent 能够在每天的运行中,自然收集你以及其他读者对日报的反馈看法,使得它能够自动增减需求、筛选规则和呈现形式,变成一个越来越懂你的信源 Loop 系统。

 ㅤ

 ㅤ

PS: 在开始下一步前,建议先让 Agent 总结一下监测任务与信息入口表的拆解与登记规则。

后续当有反馈涉及增删需求时,即可按 Skill 自动完成表格维护。(复杂 Skill 的维护过程,想要写的阅读体验丝滑,太累了= - =,想来想去还是塞这里提醒合适)

...

请参考我之前给你的指令,在 Skill 内增加多维表格中监测任务与信息入口表的登记规则,当用户有新的信源监测需求时,自动按之前的方式完成需求识别、采集方式验证与入表。

Image

 ㅤ

 ㅤ

5️⃣ 反馈的 Loop:让系统学会自己变好

这一步的目标是让 Agent 能自己收集人类反馈,迭代下一次的行为:

Image

关键在于:人反馈的 Context 如何流动到 Agent 那里去?又该什么时候处理、处理成什么样。

 ㅤ

以这个场景为例,飞书内常见的反馈输入途径是这几样:

  •  ㅤ

    直接在发日报的群里说:「今天的日报不错」「这条我感兴趣」「这个方向不用再盯了」,自然、低门槛;
  •  ㅤ

    在日报文档里直接批注:看到哪条觉得好,就在那条旁边写一笔;
  •  ㅤ

    单独提供一份问卷:让读者按固定格式反馈。

 ㅤ

我更偏向群聊的自然发送和文档自带的批注。因为它们在阅读过程中顺手就发,不用专门填表。

反馈越顺手,Loop 才越能持续。

所以需要让 Agent 定时去总结群聊与日报批注中的反馈留言。譬如,我在日报中批注、在群聊中留言:

Image

Image

借着豆包工作与飞书的联动,我所写的内容,自然能被 Agent 捕捉。

再者就是自动循环。

凭借豆包工作提供的「定时任务」功能,在每天抓新内容前,先整理前一天的反馈信息,进行 Autodream,就能把新的监控需求、采集方法、日报规则、模板更新在核心文档了。

故使用以下 Prompt,让 Agent 补上日报反馈目录,并更新 Skill,要求每天定时任务都得先总结反馈信号 :

...

请在“信源 Loop 系统”知识库中新增“日报反馈”目录,并把它登记到知识库首页。该目录用于按天保存从群聊消息和日报批注中整理出的反馈,每天建立一份以对应日报日期命名的子文档。(当天无反馈可不创建)
并新增 Skill 规则:从下一次定时任务开始,每次运行信源采集前,必须先完成以下流程:
1. 读取上一份日报发布后至本次运行前,群聊中与该日报相关的消息,以及该日报中的批注。
2. 在“日报反馈”目录下创建当天的反馈文档,总结当天收到的日报反馈,以及根据这些反馈完成了哪些调整(谁、提出什么反馈、反馈处理结果)。
3. 根据当日反馈文档,按照本 Skill、知识库核心文档,指引更新它所对应的信源 Loop 系统的正式资产,比如:
- 涉及新增、修改或停止某项监测范围时,更新“监测任务”表
- 涉及新增或调整信息来源时,完成必要验证后更新“信息入口”表
- 涉及已有监测范围内更关注什么、哪些内容值得入选时,更新“日报规则”中的“选材规则”
- 涉及日报结构、篇幅、图片、截图或链接形式时,更新“日报规则”中的“日报模板”
向“日报规则”写入新规则时,说明它适用于全部日报、某个监测对象,还是某类监测主题,并放到对应位置。只有实际出现特定规则时,才新增相应的小标题,不提前建立完整分类。

你就可以看到:

  •  ㅤ

    豆包工作在之前创建的 Skill 中,增加了「日报反馈流程」指引:

Image

  •  ㅤ

    飞书知识库中也成功建立了日报反馈目录,来归档每天的反馈信号:

Image

 ㅤ

这时再让豆包工作,就能根据最新的指引,完成整个反馈-优化信源规则-再生成的 Loop:

Image

 ㅤ

  1. 1.成功读取了我在群聊与批注中留言的反馈,形成了今日反馈总结

Image

  1. 2.并根据反馈,在对应条目中,新增了监测需求与信息入口

Image

Image

 ㅤ

  1. 3.随后根据新要求,开始重置今日日报内容。还主动结合表中的「上次检查时间」游标信息,简化了有无新内容的判断难度

Image

Image

ㅤ

最终成功在日报中插入了推文截图(Seed 多模态 + Browser Use 神力 👍)

Image

🎉 至此,Loop 验证通过!可以为自己鼓掌了!

恭喜你也为自己实践了一套自改进循环的 Agent 工作流,拥有了可以根据你 or 组织的留言反馈,自动「进化」的 Agent 工作流程了 ✅

 ㅤ

 ㅤ

💡 加餐:个性化推荐机制

上文因行文节奏,着重只讲了采集固定信息需求的方法,如“OpenAI 的模型更新信息”。

但实际上,如果放宽要求,即使是同一组信源,这套 Loop 系统还能根据你的阅读喜好,自动推荐你可能感兴趣的内容。

 ㅤ

譬如:

  •  ㅤ

    专心做 Agent 应用的产品同学,就多推“AI 应用新品”资讯
  •  ㅤ

    模型 Researcher,就多筛出模型训练相关的新论文
  •  ㅤ

    甚至你对某类“文风”、“调调”的内容不感兴趣,也能让这套系统逐渐熟悉你的偏好,为你筛选一二

 ㅤ

那么怎么做呢?

答案是在整个 Loop 中引入「内容推荐画像」的概念,比如你的职业、关注话题、喜欢的内容风格等。要求 Agent 在筛选监测需求之余,同样留意有没有值得额外推荐的内容。

 ㅤ

同样准备好了可以直接照抄的提示词,你也可以根据自己的理解再做修改,发给豆包工作就好:

...

请在知识库中创建一份「内容推荐画像」文档,用来记录我希望收到什么样的推荐内容,例如关注方向、判断偏好、喜欢或不喜欢的内容特征。同时更新「日报规则」:
1. 每次生成日报时,读取「信源管理系统」中的监测任务,以及「内容推荐画像」和「日报规则」。
2. 信息入口产生的新内容有两种入选方式:
   - 命中已启用的监测任务:作为监测内容进入日报。
   - 未命中监测任务,但符合「内容推荐画像」:作为推荐内容进入日报。
   同一内容同时满足两种条件时,只保留一次,并优先标记其命中的监测任务。
3. 每日总结用户反馈后,按反馈所影响的对象更新对应资产:
   - 关注范围发生变化,更新监测任务;
   - 推荐偏好发生变化,更新「内容推荐画像」;
   - 日报的通用呈现规则发生变化,更新「日报规则」。

你可以直接维护修改创建好的画像;也可以让 Agent 替你修改:

Image

大概会是这么个效果:

Image

这同样也是 Context 的新瓶装旧酒,就不再展开单独演示了。

 ㅤ

 ㅤ

另外,如果你是老读者,应该还记得我之前做的 Web Access Skill,其中有提到过「站点经验」的机制。

具体参考原文:Web Access:一个Skill,拉满Agent联网和浏览器能力

「信源入口」表的采集方式字段,也在起着类似的作用。

Image

如果需要积累更完善的站点经验,让 Agent 操作更快更准确,或者直接叠加 Web Access Skill 来运行,当然也是可以的(感谢认可)

同样要求豆包工作调整日报流程 Skill 即可:可以在本地新增站点经验文件 or 存在云文档中,或者直接要求遵循 Web Access Skill 来联网。

 ㅤ

 ㅤ

🎐 写在最后:看 Context 是 Context

走到这里,你可能已经发现了:

这套 Loop 从头到尾,所有调整只围绕一件事 —— Context 的打通与循环。

Image

  •  ㅤ

    Context 可以提醒 Agent 读另一段 Context:日报 Skill 引导 Agent 读知识库、多维表里的规则;规则引导 Agent 联网采集新闻。
  •  ㅤ

    Context 的来源与存储形态很多样:可以是本地文件、飞书群聊、文档、表格甚至批注。
  •  ㅤ

    Agent 本身还是 Context 的输出者:既可以输出日报,也能推送聊天消息;也能自己编辑给自己看的 Skill、规则文件,仅在 Context Loop 层上就足以自循环优化。

 ㅤ

虽然本文只列了信源日报场景的 Loop 系统,但实际上放宽到 Agent 场景中,「信息 input」非常开放,你能接入的信息远不止这些。

借助 MCP、API、CLI 生态,现在的 Agent 已经能够很方便的连接大量信息。

比如,豆包工作积累了飞书等 IM 内的组织关系、讨论、文档和决策;也提供了连接器,方便访问邮箱、会议、同花顺、淘宝,和企业内部数据来源。

Image

而 Agent 对 Context 的处理结果,更不止日报这种形式:

读时事,分析外部行业趋势;读会议纪要,帮你拆行动项、盯完成进度;接内部系统,做异常告警分析;整理客户信息,生成跟进建议。

 ㅤ

设计 Agent,需要让自己到一种看 Context 不是 Context,但看 Context 是 Context 的状态。

换一种输入 Context、换一种输出形态,就是全新的 Agent 工作流。

定义好 Agent 体验预期、选好匹配的工具,好好设计每套 Loop 的自循环改进流程,就能让 Agent 自动捕捉你的每一次反馈,越用越合心意。

 ㅤ

本来只是想分享一个教程,没想到还是絮絮叨叨到了 1w 字

那就长文更新快乐,也感谢你的点赞,欢迎分享给你的朋友们 :)

Image

跳转微信打开

  •  

建议千问 APP,把新功能改叫「AI 小程序」

原创 一泽Eze 2026-08-10 14:00 浙江

AI 时代的新入口之争?

AI 时代的入口之争再启,应接尽接 👀

前两天,千问 APP 放出了一个入口:智能体广场

Image

别把此「智能体」当做之前的角色扮演 Chatbot 类智能体。

干脆叫「AI 小程序」,就好理解得多:传统小程序要熟悉操作,AI 小程序开口就能用。

 ㅤ

开发者、品牌方可在千问开放平台,通过标准协议,将服务以 Agent 形式提供给千问 APP 用户:

Image

所有用户也可通过千问,用嘴说的方式“订机票”、“寄快递”、“筛选租房源”,而无需再找专门的 APP。

 ㅤ

 ㅤ

先看看产品、用法

接入千问 APP 的生态服务,可以 @ 直接调用。

Image

还在右上角提供了单独入口,展开快捷抽屉,或进智能体列表选用。

相较于技能,智能体运行更独立,遵循开发者自己的配置,不受通用会话中 system prompt、skill、历史消息的干扰。

优先建议想接入的开发者,选用智能体方式接入,确保服务的可控。

 ㅤ

按品类用途,目前已接入了不少生态伙伴:

  •  ㅤ

    生活服务:大麦、自如、天鹅到家、飞猪、顺丰、菜鸟等
  •  ㅤ

    品牌信息及订购:肯德基、瑞幸、盒马、欧莱雅、Coach 等
  •  ㅤ

    常用工具:夸克网盘、彩云天气等

每个品牌的接入程度不同,有些主要支持品牌专有信息查询(如本月新品),有些还能直接在智能体里下订单。

 ㅤ

1)一站式下订单:请保洁、买票、打车

从智能体列表进入「天鹅到家」,一键登录后,就可以直接使用。

输入框上会有预提供的功能,一键发起日常保洁、家电清洗、查订单。也可以发普通消息智能对话、获取服务。

Image

 ㅤ

想预约 2 小时的日常保洁。智能体会问你几个问题:联系人、地址、电话、时间。然后就能在千问 APP 内一键下单。

Image

 ㅤ

目前接入组件已经比较全面,能在智能体内一站式完成支付。对应订单、状态也是实时同步第三方服务 APP 的。

Image

整个一站式下订单的流程挺顺畅。这类每天低频刚需的需求,用智能体查询信息、下订单比独立 APP 方便不少。

 ㅤ

同样,飞猪订票、顺丰寄快递,也都可以一站式完成 ⬇️

Image

 ㅤ

 ㅤ

2)复杂需求一句话问:租房筛选、出行规划

下订单是需求明确的事。但真实生活里,很多需求是说不成一条筛选条件的。

 ㅤ

比如租房。我在千问里直接说:

想在杭州滨江租个一室一厅,靠近地铁;房龄 2 年以上,不要新装修的甲醛房

Image

不用依次去选"区域 / 户型 / 房龄 / 装修",自动按语言筛选出结果。还展示了管家联系方式,方便用户联系管家获得 1v1 线下选房服务。

一句话,顶得上手动输入 N 个筛选条件。

 ㅤ

用户还可在贝壳的智能体里,用 AI 完整了解租房行情:“查查 XX 地区的租房价格水平”。

若连着追问“再远一点会怎么样”,也能直接看到微调问题后的答案,不用完整提问。

Image

 ㅤ

再如出行规划等复杂问题,由于入口明确、高德官方开发团队对接数据,也会让用户更有使用惯性。

Image

 ㅤ

 ㅤ

3)常用工具 Agent 化

目前已接入的智能体中,还有夸克网盘这类工具。

我们也可以通过千问,直接与智能体交互,操作部分工具而不需要打开专门 APP。

 ㅤ

如夸克网盘,可查询现有文件列表;也可以直接模糊搜索自己想看的内容:

比如朋友余一写的《个人AI生存:协作探索指南》,我模糊地说一句「继续看 AI 生存指南」,智能体也能精准找到云盘里真正想找的内容。

Image

对接得当之后,Agent 就很方便给人省事。如果越来越多的产品服务、品牌接入到同一平台中,自然能得到比小程序、APP 更方便的日常体验。

 ㅤ

 ㅤ

4)记忆与上下文推测

另外,基于 Agent 的特性,这些智能体比起传统 APP 更多了记忆上下文的能力,能根据聊过的消息、订单记录,从模糊的一句话中,智能补全完整的需求。

 ㅤ

例如,再次预定新保洁、新快递时,可以直接“再来一单”,而不用再次说明需要 XX 服务、在 XX 地点

Image

也可以方便的临时改单,把正在下的单子,微调成新需求:

Image

 ㅤ

也能方便一句话续上上次看到一半的文件:

Image

随着平台开放越多的 Agent 记忆组件,智能体就能提供越来越顺手省心的体验。

 ㅤ

 ㅤ

智能体要通用,还是特化?

这几年 AI 的发展里有个有意思的反复:

  •  ㅤ

    早在 Prompt、Workflow 编排时期,就有不少“角色化 Agent”;
  •  ㅤ

    再到最近的 Skill、Cowork 形态出来,通用 Agent 淡化了专门分工的智能体的必要性。

但在品牌服务、专业工具服务的场景里,为单一场景特化的智能体形态,好像又能站起来了。原本要 APP 才能提供的“能力”,以 Agent 形式就能 1 对 1 为用户提供更简便的服务。

 ㅤ

从长远来看,(猜测)嵌于千问 APP 的品牌智能体,还能获得向用户推送信息的能力,并通过统一入口 Agent 把关过滤。

比如,我关注了一堆饭馆智能体,只为了订座与关注他们的菜单上新。通用 Agent 就对我的记忆偏好,过滤噪音,筛选这些消息。

Image

公众号的“连接”和 Agent 的“功能”结合在一起,为用户呈现真正个性化、顺手的智能体服务体验。(不如改叫 AI 小程序吧 🤔)

愿景美好,知易行难,有平台开始尝试,总归是蛮好的事。 ㅤ

如果感兴趣,不妨去千问开放平台申请接入试试?

Image

希望本文能对你有所启发,感谢你的点赞与分享:)

Image

跳转微信打开

  •  
❌