7月14日2026 · 星期二

@dotey

这个排名前面的和体感比较接近

@arena

GPT-5.6 Sol by @OpenAI is #2 on the Agent Arena leaderboard, based on 7.8K real-world agentic sessions! It is a notable uplift from GPT-5.5 (xHigh) of +1.6% Net Improvement, narrowing the gap with the frontier Claude Fable 5. The biggest difference comes from ‘Praise vs Complaint’, a signal that captures implicit user satisfaction with an agent’s responses and artifacts. Claude Fable 5 scores +17.3%, compared with +10.9% for GPT-5.6 Sol. See detailed signal-level comparison below. In Agent Arena, we measure models on millions of real-world, long-horizon agentic tasks from a global community of users. Models can access web search, filesystem, and terminal tools to complete complex workflows. The leaderboard measures model performance on outcomes relative to the average model using a causal tracing methodology. Congrats again to the @OpenAI team!

@dotey

给 Codex 点赞👍 暂时移除5小时使用限制，GPT 5.6 Sol更省token，下一小时内进行使用量重置

@dotey

我把那种号称省 Token 的 Skill 叫“电报体 Skill”。 我们小时候语文课要学电报文，老师先给出一件事，比如母亲生病，要让在外地工作的哥哥赶紧回家，然后全班比赛拟电文，看谁用最少的字把事情说得最清楚。 最后能精简到四个字：“母病速归”。但再精简成“母病”或者“速归”都不行，因为收到的人不明白该干嘛或者发生了啥。 那时候要写电报体是为了省钱，电报按字收钱，每个字都是钱。 这种“惜字如金”的技能，现在在 AI 圈子里以 Skill 的形式复活了。 GitHub 上有个叫 Caveman 的项目，2026 年 4 月上线三天就冲上 Trending 第一，目前攒了 8.7 万颗星。它的作者 Julius Brussee 是荷兰莱顿大学一个 19 岁的大一新生，做的事情极其简单：在 Claude Code、Codex 等 AI 编程工具的提示词（prompt）里加一段指令，让 AI 像原始人一样说话。删冠词、删客套、删连接词，只留技术要素。 项目 README 声称能省 65% 的输出 token。听起来很牛逼。但跟电报体一样，这是一个过渡期的产物，而且它在省钱这件事上的效果，远没有看起来那么大。 JetBrains 最近有个测试：《Does Speaking to Agents Like Cavemen Really Save 65% of Tokens? We Test》 https://blog.jetbrains.com/ai/2026/07/speak-to-ai-agents-like-cavemen-tosave-tokens/ 他们用 Claude Code 跑 SkillsBench 上的 86 个真实编程任务，装 skill 和不装各跑一遍，同任务、同模型、同预算，前后约 240 次计费试验，总共花了 106 美元。为了给 Caveman 最好的发挥空间，他们还强制它在每次回复中生效。 结果：输出 Token 只省了 8.5%。因为是强制开启，这 8.5% 已经是天花板，日常使用里它得自己判断要不要触发，只会省得更少。 为什么差这么远？因为 65% 这个数字来自聊天场景。你问 AI 一个问题，它回你一大段话，把客套和废话砍掉，确实能省一大半。 但智能体的 Token 消耗大头从来不是在聊天，工具调用、系统提示词、各种 Skills、MCP等等这些才是大头。 Caveman 优化的那部分，在整张账单里本来就是零头。好比公司要压缩差旅费，机票、酒店和打车一项没动，先把每天 2 块钱的矿泉水取消了。 电报体也不是没代价的，一句“Fixed auth. Tests pass.”看起来很省 Token。但它没告诉你修的是登录过期、权限校验还是刷新令牌；跑的是一个单元测试，还是完整测试套件；有没有改数据库；有没有留下兼容性风险。 这些信息不一定每次都要展开成小论文，但不能因为“说话像穴居人”就固定删掉。开发者看不懂 Agent 做了什么，只好追问。Agent 再读一遍文件、再跑一遍测试、再解释一次。前面省下的几十个 Token，很快会被新一轮工具调用吃回去。 电报体能工作，靠的是双方共享大量背景。“母病速归”只有四个字，收报人知道母亲是谁、家在哪里、为什么要回去。编程 Agent 处理的是不断变化的代码和陌生任务，共享背景没那么可靠。 语言越短，对默契的要求越高。啰嗦，有时候就是通信协议里自带的纠错码。 电报体后来怎么样了？没有人宣布废除它。长途通信的价格降到忽略不计之后，“母病速归”自然变回了“妈住院了，你买最早的票回来，到了给我打电话”。省字数是给按字计费时代做的优化，当价格降下去了，优化就没必要了。 Token 也一样，模型单价总体是在下降的，提示词缓存（prompt caching）能让重复读取的上下文便宜差不多九成。 真正能节约成本的是上下文管理和少走弯路。少加载些没必要的 MCP 和 Skills，用聪明一点的模型少一些返工，这都比电报体省钱多了。

@dotey

Anthropic 7 月 10 日发布了一场关于 Agent 基础设施的对谈。Claude 平台工程负责人 Katelyn Lesse、产品负责人 Angela Jiang 和产品经理 Jess Yann，分享了几个来自一线的观察。 【Agent 的“脚手架”正在变薄】 几个月前，搭建 Agent 往往需要写大量流程控制代码：先执行 A，满足条件再进入 B，遇到不同情况还要切换不同分支。流程越复杂，系统越容易出错。 随着模型的推理和工具调用能力增强，这些编排层（harness）正在变薄。开发者不用再规定每一步，只需给出目标和基本边界，让模型自己决定怎么完成。 与此同时，一种更高层的编排方式开始出现：让多个 Agent 同时解决一个问题，从中选出最佳方案；让一个 Agent 提方案，另一个负责挑错；或者在 Agent 卡住时，请另一个能力更强的 Agent 提供建议。 重点正在从“控制每一步”，转向“设计 Agent 之间如何协作”。 【衡量 Agent “投入产出比”（ROI，Return on Investment），先看一个人快了多少】 Angela 建议，企业不要一开始就规划上百个自动化流程，而应该先看一个具体的人：用了 Agent 之后，他的工作速度和产出提高了多少？ 验证有效后，再从个人推广到团队，最后才处理跨部门流程。前期重点看速度和生产力，等应用逐步成熟，再衡量收入、成本和用户指标。 很多企业做 AI 转型时，喜欢先画一张宏大的自动化蓝图。问题是，流程涉及的部门越多、规则越复杂，落地阻力就越大。从个人开始，更容易看到效果，也更容易持续推进。 【工程团队没消失，但每个人的角色都变了】 Katelyn 观察到，Anthropic 的工程团队和半年前相比，人员构成没有太大变化，但协作方式已经不同。 过去通常由技术负责人决定架构，其他工程师领取任务、编写代码。现在，更多工程师会参与产品和架构决策，再分别指挥 Claude 完成具体工作。 Agent 的作用也不再只是“帮忙写代码”。她提到 Shopify 的 River 系统，已经把需求文档、开发环境、代码实现和 QA 测试串成了一套端到端的 Agent 工作流。 【个体变强，不等于团队自然变好】 Agent 降低了开发和试错成本，也可能带来新的问题。 过去，一个团队会先讨论十个方案中哪个最值得做。现在，每个人都可以快速做出十个原型，甚至全部上线，让市场决定谁胜出。 这样做速度很快，但如果缺少统一方向，产品很容易无序扩张。Agent 能显著放大个人能力，却不会自动解决团队的协调、取舍和决策问题。 来源：https://www.youtube.com/watch?v=ksfm6jeTg3Q

@AnthropicAI

While the values Claude expresses shape millions of conversations every day, we don't yet understand why they vary, or whether that's desired. This approach will allow us to determine what factors influence Claude's value expression—and ultimately how (and whether) to steer it. https://www.anthropic.com/research/claude-values-models-languages

How Claude's values vary by model and languageanthropic.com · 直连原文

@AnthropicAI

In previous research, we found that Claude expresses over 3,000 values, like honesty and warmth. In new work, we asked how the values Claude expresses vary between Claude models and across languages. We analyzed 300K+ anonymized conversations to find out.https://www.anthropic.com/research/claude-values-models-languages

How Claude's values vary by model and languageanthropic.com · 直连原文

@dotey 转推了

@AnthropicAI

The values Claude expresses also vary with the language of the conversation, most noticeably along the Warmth vs. Rigor axis. Claude leans most toward warmth in Hindi and Arabic. In Russian, it leans toward rigor—often asking the user for supporting evidence.

@dotey 转推了

@OpenAI 转推了