Tweets

The way I use AI has changed with Gemini 3…

I used to try and perfect the minimal ask to get the model to be successful at a task.

Now, I’m constantly pushing myself to be more ambitious, asking for 5x more than I did before with a single prompt. And Gemini 3 crushes it.

OpenAI 🤝 Accenture:

- Tens of thousands of ChatGPT Enterprise seats for Accenture
- Collaborating to help enterprises bring agentic AI capabilities to their businesses
openai.com/index/accentur…m

Today we're releasing BrowseSafe and BrowseSafe-Bench: an open-source detection model and benchmark to catch and prevent malicious prompt-injection instructions in real-time.

perplexity.ai/hub/blog/build…

🔍 PeopleHub: AI-Powered LinkedIn Intelligence

Made by the LangChain Community

Open-source LinkedIn intelligence by Meir Kadosh. Uses LangGraph 1.0.1 to orchestrate automated research workflows—profile analysis, parallel scraping, and AI-generated reports.

Check it out on GitHub:github.com/MeirKaD/pepole…T

If you're building an agent, I recommend looking into Raindrop for monitoring. We use it.

New from our alignment blog: How we trained Codex models to provide high-signal code reviews 

We break down our research approach, the tradeoffs, and what we’ve learned from deploying code review at scale.
alignment.openai.com/scaling-code-v…

Cong to our team for the NeurIPS Best Paper!

Deep agents accumulate a lot of context during long runs. That’s where file systems come in.

File systems provide a shared workspace for agents and subagents to collaborate. Agents can jot down notes during a run and store context across conversations and threads for persistent memory.

In this post we discuss the key components of deep agents, including a file system: blog.langchain.com/deep-agents/?u…

不写代码，月入5位数？他用N8N打造的“自动化工厂”太狠了 

30岁大厂裸辞，血压飙到180，以为人生完了？ 
结果他靠n8n工作流，单枪匹马月入 5 位数，峰值 10 万，把“一人公司”做成了印钞机。

上周四和香君的直播，下面写一些关键点复盘：

1. 赛博时代的“影分身之术”

香君最震撼我的，不是技术，是他的“矩阵思维”。

在 YouTube Shorts 上，开通 YPP（赚钱门槛）是第一步。 
普通人做一个号，累死累活剪视频，听天由命等爆款。  

既然爆款是概率学，他就用数量去对冲不确定性。

几十个号怎么管？招人？不
 
他用n8n搭建了一套“自动化内容工厂”。 
剧本固定、素材抓取、剪辑生成、上传发布，全流程自动化。 
机器24小时干活，他在睡觉。 

这才是真正的“睡后收入”。

2. 别做“批量生产垃圾”的傻事

听到这，很多人是不是准备装n8n了？ 

停！先听听香君这句人间清醒：
“如果你输入的是垃圾，自动化只会帮你生产更多垃圾。”

这是无数新手死在半路的原因。 

香君的路径极具参考价值，分三步走： 

第一步：手动干。
先人肉跑通SOP，确认内容有人看，模型能跑通。 

第二步：RPA 辅助。
用凹凸码、八爪鱼这些工具，模拟人工操作，提效。 

第三步：API + N8N。
确定能盈利了，再写脚本调用 API，实现全自动。

过早自动化，就是加速死亡。 
这条建议，价值百万。

3. 极简主义的“功利性学习”

很多人问：n8n门槛高吗？要懂代码吗？ 
香君是产品运营出身，但他现在玩得比程序员还溜。 

秘诀就三个字：“干中学”。

别去买一堆课。 
业务推进到哪一步，“不搞这个就饿死”，这种时候的学习效率是最高的。 

把技术当工具，而不是当学问。

4. 哪怕是风口，也要有退路

即便现在一个月能搞几十个 YPP 账号，香君依然很冷静。 
他说这只是“人力密集型产业”的自动化版， 没有成长空间，只是在吃风口红利。

所以他把这当成“投资”： 在合适的时机，投入资源，拿走收益。 
然后把赚到的钱和时间， 投入到寻找下一个更长周期的机会中。

这是通透。

最后说一句：技术本身不值钱，用技术构建出的“自动化印钞系统”，才是你在这个时代最大的底气。

别光看着，先去跑通你的第一个 SOP。

@香君赛博淘金，是他的公众号，欢迎关注。

本周四继续：邀请70万册书+跑通AI出海赚钱的孟健，欢迎预约

Anthropic 提出了一种双层智能体设计 

解决Agent执行长任务时丢失记忆的问题

随着 Claude 等 AI 模型变得更强，开发者希望它们能够：

执行复杂任务（如全栈开发）
持续工作数小时甚至数天

但每次上下文窗口刷新后，AI 都会丢失记忆，无法连续推进任务。

这就像一个工程团队轮班工作，但每个新工程师上岗时都完全不知道前一班干了什么。

传统长任务执行的两个主要失败模式：

1、试图一次性完成所有任务（one-shot）

Claude 会在一个窗口中尝试构建整个应用，结果中途上下文耗尽，留下“半拉子工程”，下一次启动又得重新理解。

2、过早宣告任务完成

当项目部分功能完成后，Claude 有时会错误判断为“任务已结束”。

这两种问题都导致 任务状态不连续、上下文断裂。

为什么这很难解决？

AI 模型的“记忆”不是持久的。

每次上下文窗口结束，它就像“重启的电脑”一样，什么都不记得。

虽然 Anthropic 给 Claude 做了 “上下文压缩（compaction）” 功能，可以把对话浓缩后带入下一轮

但这还不够，因为 AI 仍然会丢掉结构化的项目状态。

Anthropic 的解决方案：双智能体架构（Two-Agent Harness）

为解决这些问题，Anthropic 设计了一种新的智能体工作架构，称为：

双智能体长运行框架

它由两类 AI 角色协同完成整个任务过程：

Initializer Agent（初始化智能体）
Coding Agent（编码智能体）

这两个智能体并非两种模型，而是同一个 Claude 模型在不同阶段使用不同的提示模板（prompt template）运行。

区别在于它们的职责分工与上下文约束。

🧩 第一位成员：Initializer Agent（初始化智能体）

Initializer 的任务是：

为项目建立结构化的“工作记忆”
创建清晰、可持续的开发环境

它只在项目第一次启动时运行，做“项目准备”：

第一次启动时，这个智能体负责：

创建整个工作环境；
写下一个初始化脚本init.shr；
生成一个项目进度文件 claude-progress.txt；
建立 Git 仓库（用于版本管理）。

💡 它相当于项目的“开工仪式”，帮后续AI打好地基。

🧑‍💻 2. 编码智能体（Coding Agent）

接下来的每一次运行中，这个智能体会：

阅读进度日志和 Git 记录；
查看“要做的功能列表”；
只实现一个小功能；
写好注释、测试代码；
保存清晰的 Git 提交；
更新进度日志后退出。

💡 每次运行就像接力赛中的一棒：干一件小事、记录清楚、交给下一位。

实测结果：真的更聪明了

实验发现，这种结构化方法可以让 Claude：

连续运行数小时仍保持逻辑一致；
自动检查自己之前写的代码；
快速修复遗留bug；
有“团队协作”的感觉。

但它仍有局限，比如：

看不到浏览器原生弹窗；
某些bug只能人工发现；
对多智能体协作的最优方式还在研究中。