OpenAI AgentKit：拖拽或代码轻松搭建AI Agent
OpenAI 发布 AgentKit，一套端到端工具，简化了AI Agent的开发。无论新手或开发者，都能用低成本方式快速创建自动化AI工作流。
🔹 Agent Builder 可视化拖拽，快速设计多步代理流程，内置安全护栏与版本控制。
🔹 Agents SDK 支持 Node, Python, Go 编程构建代理，与 Responses API 集成。
🔹 ChatKit 嵌入式聊天组件，轻松集成代理对话体验到应用。
🔹 Evals for Agents 性能评估工具，助力持续优化与调优代理表现。
🔗 官网: https://openai.com/agent-platform/
OpenAI AgentKit：拖拽或代码轻松搭建AI Agent
更多动态
用 AI 自动操作浏览器：Gemini 2.5 Computer Use
Google 发布了 Gemini 2.5 Computer Use 模型，能像人一样“看”并操作浏览器界面，通过点击、输入、滚动等实现复杂自动化任务。它不再依赖传统 API，直接从屏幕截图理解并执行操作，减少人工重复劳动。 1️⃣ 可视化交互：模型接收屏幕截图和你的指令，自动生成并执行浏览器操作，直到任务完成。 2️⃣ 性能领先：在 Online-Mind2Web、WebVoyager 等基准测试中表现优异，延迟低，响应快。 3️⃣ 丰富操作：内置点击、输入、滚动、拖拽、快捷键等 13 种基础 UI 操作，支持自定义功能扩展。 落地场景：端到端 UI 自动化测试、批量表单填写、信息采集与同步、电商比价等。 目前该模型已在 Google AI Studio 和 Vertex AI 提供预览版，按 Token 计费。 本地部署： https://github.com/google/computer-use-preview/ 在线演示： https://gemini.browserbase.com/
让你的网站拥有免费AI搜索：Cloudflare AI Search
Cloudflare AI Search（前称 AutoRAG）是一项托管服务，能将你的网站内容转化为可自然语言查询的智能知识库。它自动化了 RAG 流程，用户无需复杂部署即可实现网站内容的问答。 🔹 零运维成本：Cloudflare 自动处理数据索引、向量化和检索，无需自建后端。 🔹 多数据源：支持 R2 存储桶、网站爬取及自定义数据源，持续监听内容变更并更新索引。 🔹 0成本：利用 Workers AI 进行向量化和 LLM 生成，适用于个人开发者和中小团队。 工作原理 AutoRAG 像一位“智能图书管理员”：它把网站内容（书本）拆解（分块），将每部分内容标记（向量化）并存储。当用户提问时，它能迅速找到相关内容片段，再用 AI 总结（生成）答案。 嵌入网站 Cloudflare 提供两种主要集成方式： ◦ NLWeb 嵌入（推荐）： 在 Cloudflare 控制面板选择 NLWeb Website 模板，配置域名。 将提供的 代码片段插入网站，即可获得对话搜索框。 ◦ 自定义 Worker 集成： 创建 AI Search 实例，选择数据源（如 R2 或网站）。 在 Cloudflare Worker 中调用 aiSearch('YOUR_RAG_ID', { query }) 接口，前端通过 Fetch 调用此 Worker，自定义展示搜索结果与 AI 回答。 🔗 参考资料： Cloudflare AI Search 官网: https://developers.cloudflare.com/ai-search/ NLWeb 嵌入指南: https://developers.cloudflare.com/ai-search/how-to/nlweb/ 访问 Cloudflare 控制面板，在 Compute & AI > AI Search 中根据向导创建你的第一个网站知识库。
claude申诉失败了。
订阅费也没法儿退，我甚至怀疑申诉邮件就是钓鱼的，有追踪IP地址。 dhh是美国开发者，前段时间来深圳交流，演示了自己怎么用claude code。 目前最稳妥的方式就是参考dhh方法，把Claude code放在海外机器上，用tailscale远程连接使用。 那就得租一台有家宽的海外机器，在那台机器上注册和登录claude。
分享下现在的纯手机端工作流。
九月底前我都是坐在电脑前开着terminal指挥着pi，跑多subagent，最后再自己看diff，提pr，经常一坐就是一天。 九月底，我工作流改成在手机端用hermes指挥pi，完全解决了久坐电脑前的痛苦，用到现在还挺舒服。 Hermes用旗舰模型（gpt-6-astra/opus-5.5），pi尽量不装插件，用中端模型（ds-v4.1-flash/sonnet/terra），二者间用a2a通讯。 hermes负责分析issues，拆分成多个小任务，然后给每个小任务创建worktree，并在里面派遣pi去完成小任务。 每个pi完成任务都会通知hermes，由它判断提pr还是返工给pi。基本逛一天景点，或一觉醒来十几个pr搞好了，舒服得很。 就是过程太黑盒了，心路历程有点像早期的vibe coding，那会diff至少自己会看一下，现在diff也黑盒，完全交给旗舰模型，属于盒中盒了。 如果没数据焦虑，其实可以直接用grok-bot或者chatgpt-dot，开箱即用，里面内置了grok-cli和codex，原生agents通讯。弊端就是数据不在本地，有监管，万一被封号一切归零。
