AI News｜2026-08-16

今日目录

• Basis 复盘长时 Agent：eval 全过，仍不代表能进生产
• OpenClaw 团队开始用 OpenClaw 开发自己，session URL 成为协作单元
• 把 UI 变更自动附视频写进 AGENTS.md，agent 开始遵守团队规约
• Garry Tan：不少单向门决策已经可以直接接受 Claude Code 建议
• /goal 一次性跑 14 小时生成详细 spec，长任务编排能力开始显形
• Peter Yang 拆 X 的反垃圾模型：行为特征够多，但还没读内容

今日判断

我今天更关注两类信号：一类是 agent 真正进入团队生产流程后，协作界面开始变化；另一类是 builder 对长时任务可靠性的表述，开始从 demo 成功率转向流程设计和约束设计。前者最典型的是 openclaw 这类把 agent session 直接做成可分享 URL，和把 AGENTS.md 当成团队级操作规约。后者则是 Basis 在长时 agent 里的判断：100 个 eval 全过，不等于真实工作可交付，尤其在税务这类长链路任务里，能不能稳定找对资料、保持上下文、按流程推进，比单点能力更重要。

我看下来，AI coding 这条线已经不只是模型更强、补全更快，而是在往完整工作流层面吃掉更多环节。Garry Tan 提到现在面对很多 one-way-door 决策都能直接接受 Claude Code 的建议，这句话其实很具体：不是说模型更聪明了，而是建议质量已经高到足以覆盖一部分原本必须人工 review 的高成本决策。Peter Steinberger 那条 UI 变更自动附视频的 AGENTS.md 也一样，它说明团队开始把 agent 当执行者来写规则，而不是把它当聊天助手来提问。

我的判断是，接下来最有价值的 builder 不是再去做一个更像聊天框的 AI 产品，而是谁能把 agent 嵌进已有软件协作机制里：PR、规范文件、可回放 session、任务交接、人工兜底。能落地的差异不会先体现在模型榜单，而会体现在团队里有没有形成一套低摩擦、可复用、可审计的 AI 工作流。这比再讲一遍市场有多大，更接近一线 builder 真正该盯的东西。

快讯

1. Basis 复盘长时 Agent：eval 全过，仍不代表能进生产

查看原文 · 来源：The MAD Podcast with Matt Turck

Basis 联合创始人 Mitch Troyanovsky 在播客里系统讲了长时 Agent 怎么做，重点不是再讲多智能，而是讲为什么很多 eval 看起来漂亮，到了真实生产还是不可靠。他举的标准很实在：如果一个人只是会去 Wikipedia 查答案，事务所也不会雇他，那 agent 也一样不能上岗。我看这条重要，是因为它把行业讨论从 benchmark 拉回到真实工作流：长任务需要流程、约束、上下文管理和可审计性，不是多跑几轮测试就行。对做 agent 的团队来说，这比任何功能发布都更有参考价值。

2. OpenClaw 团队开始用 OpenClaw 开发自己，session URL 成为协作单元

查看原文 · 来源：Peter Steinberger (@steipete)

Peter Steinberger 提到，他们已经把团队迁到用 openclaw 来开发 openclaw，其中一个关键点是 agent session 可以直接分享成 URL。我今天会把它当成 workflow 信号来看，而不是单纯产品宣传。过去代码协作的基本单元是 PR、issue、commit，现在 agent 时代开始多了 session：不仅看结果，还能回放过程、共享上下文、把一次自动执行当成团队资产。我判断这类可分享 session 会很快变成 agent 产品的标配，因为没有可回放和可转交，agent 很难真的进入多人协作。

3. 把 UI 变更自动附视频写进 AGENTS.md，agent 开始遵守团队规约

查看原文 · 来源：Peter Steinberger (@steipete)

Peter Steinberger 说，他们只是在共享的 AGENTS.md 里加了一条短指令：凡是改动 UI 状态的 PR，都要上传视频。信息很短，但我觉得含金量很高。它说明团队已经不再把 agent 当需要随时口头提醒的助手，而是开始把组织规范写成机器可执行的默认规则。这样做的价值很直接：review 成本下降，变更更容易核验，新成员和 agent 的行为也更一致。我的判断是，未来很多 AI 原生团队的工程规范，会先写进 AGENTS.md，再写进 wiki。

4. Garry Tan：不少单向门决策已经可以直接接受 Claude Code 建议

查看原文 · 来源：Garry Tan (@garrytan)

Garry Tan 提到，GStack 在 Fable 5 前后给他的最大变化是：很多原本属于 one-way-door 的问题，现在在 Claude Code 里甚至可以直接说 take all recommendations。这句话比表面看上去更重要，因为它不是在夸模型更会写代码，而是在说建议质量已经提升到足以覆盖部分高代价决策。对一线 builder 来说，真正的门槛不是能不能生成方案，而是你敢不敢默认采用。我的判断是，coding agent 接下来竞争的关键指标会从生成能力，转向在高信任场景里的采纳率。

5. /goal 一次性跑 14 小时生成详细 spec，长任务编排能力开始显形

查看原文 · 来源：Nikunj Kothari (@nikunj)

Nikunj Kothari 提到，/goal 也许不是最省 token 的方案，但在有充足 CLI 工具的前提下，它能一把跑出一个极其详细的 spec，持续 14 小时。这条信息的价值不在产品名，而在任务尺度：agent 已经不只是几十秒内补全代码，而是在长时间窗口里持续调用工具、展开规格、维持目标。我看这代表一个明显变化，真正有用的 agent 系统开始把 token 效率让位给任务完成率。我的判断是，面向复杂软件生产的 agent，接下来会更像 orchestrator，而不是单轮对话模型。

6. Peter Yang 拆 X 的反垃圾模型：行为特征够多，但还没读内容

查看原文 · 来源：Peter Yang (@petergyang)

Peter Yang 去看了 X 的开源推荐算法，发现它有一个 TweetSpamBot 行为模型，会看账号最近 512 次行为，识别发帖爆发、引用模式、浏览停留等信号，但他判断一个明显缺口是：模型似乎不真正读内容本身。这意味着更高级的 AI 内容农场仍可能通过模板化 quote tweet 大量灌水。我觉得这条重要，是因为它给内容平台 builder 一个现实提醒：只做行为检测，很难挡住生成式垃圾内容。我的判断是，下一阶段反 slop 系统必须把内容理解和行为图谱结合起来。