OpenClaw 2.0 是该项目迄今最大的一次发布：933 名贡献者合入逾 16,000 个 PR，其中 569 人为首次贡献；发布前团队连续近七周未发版。新版把重心放在降低上手门槛——安装引导会直接沿用本机已有的 ChatGPT/Claude 订阅、API key 或本地模型，并移除大量初始配置；浏览器端被重构成第一优先级的操作入口，首次对话即可继续设置或跟进任务。文章还展示了从单个收件箱通知这类简单流程，向跨 iMessage/邮件查证并代回复的复杂任务演进，以及让团队共享云会话、保持上下文移交的多人在线模式。全文没有技术架构细节，偏产品发布叙事；适合 OpenClaw 用户评估是否升级，或关注 agent 产品形态的工程师快速浏览。
DeepSeek Harness（dsh）是 DeepSeek AI 开源的智能体运行框架（agent harness），核心设计是“一切皆插件”：整个 harness 的能力都通过插件组装，底层由 Cordis 驱动，强调时空可组合性。当前处于 developer preview 阶段，迭代频繁且可能有不兼容变更。提供本地 Web UI（默认 127.0.0.1:3080），可从 npm 安装或从源码构建运行，适合需要自托管、可扩展 agent 运行环境的工程师评估试用。
Cloudflare 发布 @cloudflare/computer 早期预览：一个面向 agent 的开源运行库，直接反对“给每个 agent 一个容器”的主流做法。核心理念是给 agent 一台“电脑”，由平台决定代码跑在 isolate、容器沙箱还是浏览器里。包的核心是 workspace——由 SQLite 支撑的持久化虚拟文件系统，可声明式初始化并附加不同执行后端。内置两种后端：isolate 后端用 just-bash 把 shell 翻译成 JavaScript，在 worker 里执行，文件通过绑定直接访问；容器后端用 FUSE 挂载文件系统并回写更改。两者共享同一份文件，agent 通过统一的 exec(string, options) 接口按需选择快的 worker 还是完整 Linux 容器，示例代码展示如何把 workspace 挂进 Durable Object 上的 @cloudflare/think agent，完成 bug 分诊。适合在 Cloudflare 上构建 agent harness 或对执行沙箱抽象感兴趣的工程师；目前是预览版，缺少基准数字和失败案例。
Composio 用同一模型 DeepSeek V4 Flash 对比 8 种 Agent Harness，在 30 项高难度任务中 Pi 通过 20 项（66.7%），Claude Code、Codex、Deep Agents 均只通过 16 项。成本差距更大：Pi 每成功任务仅 0.028 美元，约为 Claude Code 的七分之一。社区数据还显示，Pi 配合 DeepSeek 缓存命中率可达 99.93%，处理近 10 亿输入 Token 只花 2.65 美元，未命中则需约 132 美元。文章剖析了 DeepSeek 前缀缓存机制：匹配必须从第一个 Token 开始，因此 Harness 必须保持上下文前缀稳定。Reasonix 与 pi-deepseek-cache 为此采用冻结环境摘要、追加而非改写、独立会话分离执行/规划模型、确定性摘要哈希等手段，把输入成本降幅做到 98%~99%。适合关注 Agent 工具链选型与 LLM API 成本优化的工程师。
DeepSeek 在 V4 Pro 发布后正式推出自己的 Agent 产品 DeepSeek Harness，核心口号是一切皆插件。它的内核名为 Cordis，只负责插件的加载、卸载与依赖管理，支持在 Agent 运行中热插拔，并用 88 页论文定义了时间/空间可组合性。UI、工具、Skills、存储、Agent 循环全部以插件形式暴露，官方预设 100 多个一方插件，也开放社区插件入口。安装只需一条 `npx @deepseek-ai/dsh web`，且未锁死在自家模型上，可以接入其他厂商的 Base URL 和协议。文章拆解了标准、PTC、极简、创造四种模式，其中创造模式允许 Agent 检查自身运行环境、现场创建并挂载新插件；会话被设计成只追加事件日志，失败后可按来源查看轨迹，便于审计和复现。作者也指出 V4 Pro 涨价明显，缓存命中价涨了 12 倍、高峰输出 27 元，且 Harness 对普通用户门槛高、UX 粗糙，更适合关注 Agent 可组合性与基础设施设计的工程师。
Cloudflare 开源其内部 AI 工作平台 Cloudflare OS，目标是把 Agent 从程序员扩展给全体成员。核心不是又一个聊天工具，而是一个绑定公司上下文与系统的工作区：Agent 默认零权限，通过 typed binding 拿到受限资源；Gatekeeper 作为外部服务与 Agent 之间的代理，持有凭证、执行策略并记录每次读取。当 Agent 把敏感数据做成仪表盘再共享时，平台会依据观察日志复核查看者权限，防止旁路泄露。应用即 Worker，每个应用拥有自己的 SQLite 状态，Agent 也能调用用户构建的方法。所有模型调用经 AI Gateway 统一控管。适合关注 Agent 基础设施、权限治理与内部工具平台工程的人阅读。
常规做法为每个 AI agent 常驻完整容器，但 agent 大量时间只是读文件、搜代码或等模型响应。Cloudflare Computer 改变分工：项目状态存于 Workspace Durable Object 的 SQLite VFS，日常读、搜索、小编辑在 Worker isolate 中通过 workspace.fs 和 just-bash 完成，只有 npm install、构建等真正需要 Linux 的操作才按需拉起容器；执行后通过 post-command pull 把变更同步回持久层。文章给出成本模型：容器占空比从 100% 降到 10%，月成本约从 $36.83 降至 $7.53（降 79.6%），且强调成功条件是 exitCode 与 sync.status 双通过，node_modules 默认不持久化。适合构建 coding agent、沙箱与持久工作区的工程师。
Cloudflare Computer 是一个运行在 Durable Object 内的虚拟文件系统：权威状态存于 SQLite，并通过一个插拔式执行接口 workspace.runtime.exec 对外暴露。项目目前提供三种后端——容器后端用 FUSE 把状态挂载成真实目录，可在沙箱内运行完整 Linux 用户态和真实二进制；Isolate shell 在 Dynamic Worker 中执行 bash，通过 Workers RPC 直连权威状态；Isolate JavaScript 则运行 ECMAScript 模块，支持结构化输入输出、持久化相对导入和受限的 node:fs/promises。Workspace 也可以脱离后端单独作为文件系统使用。项目目前是 preview 阶段，明确不适合生产，适合关注 Agent 基础设施、沙箱执行和云端文件系统设计的一线工程师阅读和实验。
Cursor 团队在推出云智能体一年后，分享了构建过程中的关键教训。核心发现是：云智能体的输出质量很大程度上取决于是否拥有完整的开发环境，这与本地智能体继承本地环境的做法不同。为达到“完整环境”，团队需要重建大量基础设施，包括 VM 休眠/恢复、快照/回滚/分支管道、网络访问控制等，最终形成了智能体专用的“企业 IT”系统。可靠性方面，早期的工作窃取架构仅达到一个九的可用性，迁移至 Temporal 的持久执行框架后，可靠性提升至两个九以上，目前 Temporal 每日处理超过 5000 万个动作、700 万个独立工作流。另一个重要经验是将智能体循环、机器状态与对话状态解耦，使得智能体可跨不同 pod 运行、子智能体可比父智能体存活更久。此外，团队发现随着模型变强，应将更多逻辑从硬编码的 harness 移至智能体可控的工具中，例如让智能体直接使用 GitHub CLI、Playwright 等。文章还介绍了自我修复环境（如 autoinstall）的前景。适合对智能体工程、持久执行、云基础设施有兴趣的工程师阅读。
本文提出一个核心观点：优秀的垂直 Agent 是对任务分布的有损压缩，其上下文应像 CPU 缓存一样分为 L1/L2/L3 三层。作者以自己构建的 Shortcut 电子表格 Agent 为例，详细展示了如何极度优化高频操作：读取时通过 R1C1 范式化和别名将 500 个公式压缩为一行动态；写入后返回分组、采样、分类的 diff，并将 #REF! 等错误标记为 MUST FIX。第二层是按需拉取的英文规范文档，例如透视表规范教会模型 suspendLayout/resumeLayout 和聚合参数必须传原始整数 8；第三层是完整的原始 API 参考，配一个 100 行的 grep 技能让模型能自行挖出所需签名。整篇文章提供了具体的代码片段、prompt 预算分配和可迁移的设计原则，适合所有需要构建高可靠 Agent 的工程师。
Cloudflare 推出临时账户功能，允许 AI 代理通过 `wrangler deploy --temporary` 直接部署 Workers，无需人工参与注册或认证。临时账户有效期为 60 分钟，期间代理可多次迭代部署，开发者也可随时认领为永久账户。文章解释了后台 AI 会话因缺乏浏览器交互而难以完成 OAuth 等认证步骤，该功能通过 CLI 自动提示 `--temporary` 标志，使代理自主发现并完成部署，实现快速试错和验证。文中给出了从编写 TypeScript hello world 到修改重部署的完整示例，并提及与 Stripe、WorkOS 的合作以进一步消除代理部署摩擦。适合构建 AI 代理平台或使用编码代理的开发人员。
本文展示了如何通过内外部 Agent 循环让 Skills 实现自我改进。内循环在每次新建 GitHub Issue 时通过 GitHub Action 触发云代理，运行分类技能并打标签。外循环每天运行一次，检查所有人工修正的标签和评论，自动生成 diff 更新技能文件，并合并回主分支。作者以 issue triage 为例，使用 Warp 的 Oz 云代理平台给出完整配置和代码示例，并提供了可复现的示例仓库。该方法适用于代码审查、Bug 修复、事件响应等场景。适合正在构建 AI Agent 并希望技能持续优化的工程师。
作者分享了在 Claude Code 与 Codex 上进行 Agentic 工程的 22 条实战技巧。核心是“先规划后执行”：用 /ce-plan 生成 plan.md 约束 AI，人只需略读或提问，而非阅读全文。具体包括：以语音（Monologue/Wispr Flow）替代键盘输入，利用 LLM 理解不完美转录；在 cmux 中同时打开 4-6 个标签页，各自运行独立 Agent 任务；设终端默认启动为 Claude Code，跳过所有权限提示并以声音提醒任务完成；通过 AgentMail 为 Claude 配置邮箱，实现远程邮件触发新会话；用 last30days 在规划前并行搜索社区、视频和新闻，获取实时信息；将重复操作封装为可复用 Skill，持续扩展 Agent 能力。此外，他强调人类在循环中的核心价值是提供品味与方向，而非亲自编码，并警示 AI 开发成瘾的风险。全文包含大量可复制的配置片段与具体工具，适合重度使用 AI 辅助开发的工程师。