一边的人，每次跟 Agent 说话都像重新 onboarding：得再讲一遍背景、偏好和上下文。另一边的人，Agent 已经知道自己是谁、该怎么说话、用户讨厌什么，也记得上次积累下来的东西。这条分界线，叫 workspace。
现在的AI agent往往把长交互历史直接存起来，但很难高效复用。最朴素的方法直接从「原始记忆」里检索，但常常把模型淹没在冗长、低价值的上下文里。PlugMem把经验转化为结构化、可复用的知识，并提出一个任务无关（task-agnostic）的统一记忆模块，在多种Agent基准上提升性能，同时消耗更少。
Karpathy自曝：我得AI精神病了！这些天，他已经处于精神错乱边缘，16小时不吃不睡就是搞Agent，而且很焦虑自己有没有把智元（token）用到极限，根本停不下来……
Gumloop 刚刚宣布完成 5000 万美元的 B 轮融资，由 Benchmark 领投，Nexus VP、First Round Capital、Y Combinator、Box Group、The Cannon Project 和 Shopify Ventures 参与跟投。
OpenFinClaw 团队把试图填补这层能力断层的系统，称为“金融龙虾”——一只可以 7×24 小时持续运行、替用户完成分析、建模、执行与风控的 AI 基金经理。但在产品定位上，它更接近一个工具提供商，而不是资产管理方：用户资金仍在自己的账户中，系统只负责提供策略生成、执行与风控能力，把原本属于机构的整套工作流，以工具的形式交付给个人。
传统的 AI 购物助手更像是一个任务完成机器：接到指令，搜索，下单。他们或许能跑通流程，却完全无法理解用户为何在最后一刻因为一条关于 “夹耳朵” 的差评而放弃支付。简而言之，传统的电商 Agent 只是任务导向的（task-oriented），而不是模拟导向的（simulation-oriented）。为此，来自亚马逊（Amazon）的研究团队提出了名为 Shop-R1 的训练框架 。
小米MiMo团队中，每天Agent对话次数少于100次的，就离职吧。
AI下半场拼的是数据。
我们公司很多很多的小伙伴，都在用Claude Code，因为这玩意，在很多时候，确实就是最牛逼的通用Agent。但，公司的小伙伴，大家的用法差异巨大。有的人已经能开Agent Team并行跑任务了，有的人到现在还在每步挨个确认，然后不知道在命令行里怎么换行。
AI Agent世界的npm来了！
