ITPub博客

本文详解Coding Agent中Model与Effort的核心差异：Model决定能力上限（换权重），Effort控制工作深度（调思考量）。二者协同影响质量与成本——简单任务宜用小模型+默认Effort，复杂问题需大模型+高Effort。调试时应先优化上下文，再按“能力不足换Model，验证不足提Effort”原则调整。

本文为 macOS 用户提供的 Codex Desktop 换肤实践指南，基于开源项目 Codex Dream Skin，教你用 ChatGPT 生成像素风“Dario”主题背景图，并完成一键定制与还原。非官方教程，适配 Windows 可参考流程。需 ChatGPT 会员及基础操作经验。

NetsGo 是张硕开发的轻量级内网穿透与节点管理平台，专注解决多设备（NAS、树莓派、PVE等）场景下的配置分散、状态难查、变更难管问题。单文件二进制+Web控制台，不替代frp，而是补足其管理短板。v0.1.11已支持P2P隧道与AI驱动的真实环境测试。

如果你的系统基本这些条件，本文将会带来极大的收益。

先找盲区，再让 Claude Code 动手

本文详解Agent系统中关键的“上下文预算”概念：区别于Chatbot的静态对话，Agent需动态管理有限上下文窗口，科学分配目标、规则、工具、记忆与历史等信息。通过固定保留、最近保留、压缩摘要、按需加载四类策略，平衡信息完整性与模型效率，保障长任务稳定执行。

LLM 能给海量商品打标签，谁来检查它有没有瞎标？

论文《The Harness Effect》指出：企业级Agent成本主要由编排层决定，而非模型单价。Harness通过优化上下文组织、历史压缩、工具调用与重试机制，将单任务Token消耗降低38%成本下降33%–61%，CPM提升68%。优化本质是将成本问题从“选模型”转向“精设计”。

本文介绍如何用工程化 Loop 自动调优 RAG 参数：通过定义搜索空间、构建自动评估函数（recall@k）、设置最小提升阈值与 train/holdout 拆分防过拟合，并集成运行次数与预算双熔断机制，实现目标驱动、可复现、可审计的智能调参闭环。

本期「周一上线」聚焦AI圈新鲜事：社区创意频出——AI slop图鉴、反AI字体Ghost Font、桌面AI小电视；大厂密集发版——GPT-Live语音模型、Grok 4.5、SWE-1.7、Muse Spark 1.1、TypeScript 7；开源新锐涌现，涵盖多Agent工作站、安全技能路由、3D建模插件等。

DeepChat 是一款本地优先的开源 AI Agent 桌面客户端，支持对话、文件管理、模型配置、MCP、Computer Use 与 Agent Memory 等能力，所有数据默认加密存于本地。项目由夕阳针与灰灰主导，持续探索 Tape 架构下的持久化记忆与智能演化。GitHub：github.com/ThinkInAIXYZ/deepchat

别再做大模型消息搬运工：tap 让多 Agent 开启真协作

AutoMem 将 Agent 记忆管理变成可训练能力，减少长任务混乱。

把一次修复沉淀成下一次开发经验

本文深入剖析AI从Chatbot到Agent的范式跃迁：不再停留于“请求-响应”，而是转向“目标驱动的自主控制循环”（ReAct）。通过对比交互逻辑、系统架构五大演进（任务编排、环境反馈、结构化动作、状态记忆、安全边界），揭示Agent作为可控智能体的工程本质——聊天框只是入口，背后是复杂后端系统的硬核支撑。

本文详解Coding Agent的四种核心循环模式：基于轮次（人工驱动）、目标导向（/goal）、时间触发（/loop与/schedule）及主动循环，强调Agent工程的关键在于明确“谁触发、何时停、如何验”，而非仅优化Prompt。

Addy Osmani提出“Agent自主等级”框架，从agency（单Agent行动力）与orchestration（多Agent编排力）双维度，系统划分0–5级自主性。

本周AI圈动态纷呈：Cursor推iOS版实现移动端接管AI编程任务；Git 2.55优化体验；Claude Sonnet 5、LongCat-2.0等新模型强化Agent能力；开源工具如CodexBar、agents-cli降低AI编码门槛；Meta试水算力云，Together AI获8亿美元融资。

AI 能力越来越强，但对开发者来说，更关键的问题不是它能不能回答问题，而是能不能在边界清晰的前提下接入真实系统，完成可验证的任务。

我用 Codex app 做了一个 AI 志愿填报 Demo