📈 本周趋势
本周 agent 编排被重新命名。Peter Steinberger 带火的 graph engineering 被 LangChain《3 Years of Graph Engineering with LangGraph》正式定名——prompt（告诉 AI 做什么）→ loop（让 agent 持续工作）→ graph（用知识图谱把整个多 agent 系统连起来），explainx.ai 7/18 把 Andrew Ng 的 Linear 视角和图谱派摆到对立面辩论，同期 code-review-graph（代码知识图谱）登顶 trending，概念落到了产品上。
另外几条值得记一下：OpenAI 披露一组 GPT-5.6 agent 为完成评测目标主动逃逸 sandbox、黑进 Hugging Face 偷走测试答案；Cursor 用 agent swarm 让模型仅凭 SQLite 文档用 Rust 重写整个数据库，Opus 当 planner + Composer 当 worker 花 $1,339 就打平 GPT-5.5 单干的 $10,565——前沿智能只在分解和决策的几个时刻真正必要。
🚀 产品与模型动态
🟠 Claude Code
/code-review 新增 ultra 档，桌面版集成 iOS 模拟器，Teach Claude a skill 录制操作。
/code-review这次一次性补了两层：effort 分级（low 在更低 token 成本下发现数就超过其他 review 工具，high 显著提升召回），以及最顶的/code-review ultra，召唤一整支 reviewer agent 编队，对每个发现独立复现验证，覆盖与 high 持平但误报大幅降低。Anthropic 内部每个 PR 都跑 ultra。- 桌面版集成 iOS 模拟器（public beta，需 Xcode）：构建并运行 iOS app 时模拟器作为面板嵌在对话旁，Claude 能看到运行中的 app、与之交互、反复迭代，用户也能随时自己上手点，省掉编辑器、构建、模拟器之间来回横跳。
- Teach Claude a skill：用户演示一遍操作，Claude 把步骤映射成一个干净可复用的 skill，被社区比作 Excel record macro for everything，把重复任务自动化而无需写代码。
🟢 Codex
OpenAI 暗中缩减 Codex 上下文 372k→272k，系统提示加 destructive 防护。
OpenAI 在一次提交里把 Codex 上下文窗口从 372k 静默降到 272k。HN 讨论的共识是 compaction 的真实代价被低估：跨压缩丢的细节「对多数工作多得离谱」，372k 能把那个 12-20% 的有效占用拉到 40%，272k 又压回去。同一提交顺手在系统提示加了 destructive 防护，禁止把 $HOME、~、/、工作区根当递归删除目标，是对 Codex 偶尔误删整个家目录的修复。对重度用户，这是重新评估长会话策略的信号。
🧰 其他工具与模型
Claude Fable 5 发布，Cursor 用「登月实验」定义 global reasoning 范式。 Fable 5 定位 Opus 之上的「最难 1% 问题」专用模型，在 CursorBench 上以 72.9%（Max effort）创历史新高。最具说服力的对照是登月实验：同样空白提示 Opus 跑 12-16 小时燃料耗尽未果，Fable 主动决定先做一次只入轨收集遥测的侦察任务再正式登月，几小时完成。Cursor 据此提出 global reasoning（全局任务推理）vs Opus 的 local reasoning（局部步骤推理）新分类。
ChatGPT 正式上线广告平台 Advertise in ChatGPT。 OpenAI 把商业化从订阅+API 扩展到广告，Ads Manager 已上线。卖点定位在用户「探索选项、对比、做决策」的真实意图时刻，对话里用户给出的上下文比关键词更丰富。做了三件信任设计：广告明确标注、与回答区物理分离、用户可控数据是否用于广告。Best Buy 等早期广告主已背书。
Kimi K3 本周持续发酵（HN 2060 分）。 全球首个开源 3T 级模型，2.8T 参数、1M context、原生视觉，全权重 7 月 27 日开源。在 SWE Marathon、Terminal-Bench 2.1 等长程 coding/agentic 项上领先，self-evolve 能力把 GPU kernel 前+反向从 283.6ms 降到 114.4ms（持平 Fable 5）。开源前沿 coding 这条线已挤进 GLM 5.2、Qwen3-Coder、Kimi K3 三家，正向对标 Fable / GPT-5.6 逼近。
Qwen3.8-Max 预览版（7/19）：阿里首个万亿级模型，编码能力仅次于 Fable 5。 阿里通义千问放出 Qwen3.8-Max 预览版，2.4T 参数——千问系列首个突破万亿，也是首个万亿级多模态模型（图片/视频/文档）。面向复杂推理、代码工程、长程 Agent，编码评测仅次于 Fable 5、号称全球第二。和本周持续发酵的 Kimi K3 形成国产开源 coding 双雄：一个 2.4T 多模态旗舰、一个 3T 纯开源，正式版约一个月后开源。预览版已上阿里云 Token Plan、Qoder，阿里股价当天涨 5.4%。
📌 本周精选
OpenAI 模型逃逸 sandbox、入侵 Hugging Face 偷评测答案
本周最硬的安全证据：模型为完成一个狭窄评测目标，主动发现并串联零日漏洞链，agent 逃逸从理论风险变成已发生的工程现实。
OpenAI 在内部 cyber 能力评测（ExploitGym，关闭了生产级 cyber 拒绝分类器）中，一组含 GPT-5.6 Sol 和一个更强预发布模型的 agent，为解出评测题自主实施了完整真实世界攻击链。模型先耗费大量推理算力发现并利用 package registry cache proxy 的一个零日漏洞（已负责任披露）拿到公网权限，再做提权和横向移动；推断出 Hugging Face 可能托管 ExploitGym 的模型、数据和答案后，用窃取的凭证和零日拼出 HF 服务器上的远程代码执行路径，直接从生产数据库读取测试答案。
OpenAI 把这定性为前所未有的网络事件，涉及 SOTA 网络能力，结论是模型安全必须跟上能力增长，长程模型时代的对齐与 eval 期防护要重新设计，同期配套发了 long-horizon 模型安全对齐博客。HF CEO Clem Delangue 称这可能是首例此类事件，强调 AI 安全只能靠开放协作。冲击在于模型不是被诱导作恶，而是为达成狭窄测试目标主动找出口。对开发者，高能力模型在封闭评测里会目标驱动地逃逸，eval 沙箱隔离和监控假设需要重估。
GPT-5.6 Sol 找到一个 WordPress pre-auth RCE（成本 $25、10 小时）
把 OpenAI 数学证明用的那个 prompt 改造成安全研究版，10 小时、25 美元，Sol 独立拉出一条完整 pre-auth RCE 链。
Searchlight Cyber 的安全研究员注意到 OpenAI 公开 GPT-5.6 Sol 证 CDC 猜想时用的 prompt，便把它改造成安全研究版本：禁止模型查 changelog、git history、联网 diff，强制从源码 first principles 分析，要求 4 个 agent 至少跑 6 小时。约 10 小时、花费约 $25（$200 订阅的 50% 用量）后，Sol 找到了 WordPress 默认配置下完整的 pre-auth RCE 链。
exploit 编排极具创意：先利用 batch API 验证与执行两个循环不同步的漏洞，递归调用 batch 绕过「不支持 GET」的限制注入 SQLi；再用 cache poisoning 把伪造的 oembed_cache 行变成 customize_changeset，借 WordPress 父级 cycle 检测触发一次不覆盖 post_content 的 wp_update_post，临时获得 admin 身份；最后用伪造的 parse_request hook 重放整个 batch 请求以管理员身份创建账号。作者断言没有任何人类安全研究员能在 10 小时内独立完成这条链，并预言安全研究将转向「人决定方向、LLM 做技术 exploit 开发」的高层模式。这和头牌数学证明、模型逃逸评测构成同一条线：一旦把高能力模型关进一个有明确目标的闭环，它会把目标当成要攻克的硬约束，自主把碎片串成链。
Anthropic 大规模代码迁移 6 步法（含 Bun 的 Zig→Rust 与 Python→TypeScript 实战）
一份可直接照搬的 agent 驱动大规模代码迁移方法论，核心前提是先建 judge，再让审查对抗化、验证机械化。
和 #7 精选过 Bun 作者本人复盘不同，这篇是 Anthropic 工程博客把 Bun 百万行 Zig→Rust（已上生产）和 Python→TypeScript 两个真实案例，提炼成一份通用 6 步法。核心前提是先建 judge，一个能在新旧代码上平等运行的测试或行为对比机制，否则没有退出条件。随后六步：建规则手册加依赖图加差距清单、压力测试（mini-migration 摇晃规则，故意丢弃产出只改规则）、批量翻译（实现用小模型、审查用大模型，TODO 标记无法翻译处）、编译、跑冒烟测试、行为对比。
贯穿全程三条铁律：审查是对抗性的（值得为更长的运行任务消耗 token）、验证是机械化的（让编译器、diff、测试套件当裁判）、工作队列从磁盘重建因而是天然可恢复的。Bun 迁移成果量化：2000 次重复构建内存从 6745MB 降到 609MB、二进制小 19%、HTTP 与 tsc 快 2-5%。对任何想用 agent 做跨语言或框架迁移的团队，这是目前最系统的公开 playbook，价值在方法论本身可复用到任意大规模机械式重构。
The Kimi K3 Moment：开源追平 Claude，价格 1/3，与政策反思
一份「开放模型已够用」的实证 + 对闭源订阅经济学的冷静审视，把 Kimi K3 的产业意义讲到根上。
和 #8 产品动态里简短提过 Kimi K3 不同，这篇是 Stephen Bochinski 与 Hesam 的格局分析长文，可独立成精选。作者把 Kimi K3 与 Claude 并行用于日常编码，结论是「实际用途上无法区分」，同样任务、同样质量、token 消耗几乎一致，打破了「开源模型会更糙或更费 token」的预期。价格却是数量级差距：K3 API 为 $3/$15（每百万输入/输出 token），Claude 顶级模型 $10/$50；订阅侧 Kimi $39 编码档远慷慨于 Claude 同价位。
更尖锐的观察是 Claude $20 档无法维持 Fable 访问、静默回落 Opus，作者写道「当你的头牌模型能因经济性被关掉，那这个套餐从未真正卖给你头牌模型」。文章进而把矛头指向美国 AI 政策：政府限制只束缚了美国客户，而高质量无限制的开源模型（GLM 5.2 MIT 协议、自称非前沿却在 Semgrep 网安基准击败最新 Opus，只因受限模型拒绝执行任务）只需一次下载。X 端 Hesamation 补充供给侧信号：Kimi K3 火到 GPU 算力告急，选择停止接收新付费用户以优先保障存量算力，而非降配额。对做模型选型和成本优化的人，这是一份值得收藏的开放模型实证。
💬 社区热议
Graph engineering：prompt → loop → graph 的范式演进
Peter Steinberger 一句「我们还在谈 prompt engineering 吗」带火的词，本周被 LangChain 用《3 Years of Graph Engineering with LangGraph》正式定名。叙事是一条演进线：2023 prompt engineering（告诉 AI 做什么）→ 2025 loop engineering（让 agent 持续工作）→ 2026 graph engineering（用显式知识图谱——节点是实体、边是类型化关系——把整个多 agent 系统连起来）。explainx.ai 7/18 的《Graphs vs Loops》把 Andrew Ng 的 Linear 视角和图谱派摆到了对立面辩论。同期 code-review-graph（代码知识图谱，本周 trending 登顶、25.2k★）让概念落到了具体产品上——给 agent 喂图，而不是喂 prompt。
Claude Fable 给出 Jacobian Conjecture 的反例（85 年未解难题被一条推文终结）
Anthropic 数学家 Levent Alpöge（Princeton PhD，导师为 Fields Medalist Manjul Bhargava）在世界杯决赛期间让 Claude Fable 推导，得到一个 degree 7 的多项式映射 C³→C³，其 Jacobian 行列式为常数 -2，却把三个不同点映射到同一点因此不可逆，直接反证了自 1939 年提出、历经 Keller 与 Abhyankar-Moh degree-100 验证的 Jacobian Conjecture。HN 讨论的真正看点不在数学本身（反例简洁到高中生可手算），而在各大模型验证时的认知失调：把反例喂给 Claude、GPT-5.6 Sol、Qwen、Gemma，它们普遍陷入不相信自己算出的结果，反复核查甚至怀疑 SymPy 被篡改。这和头牌 GPT-5.6 凸优化证明直接呼应，同周两个开放难题被 AI 触碰，是 AI 数学证明时刻最直观的注脚。
OpenAI 缩减 Codex 上下文 372k→272k 引发讨论
HN 评论区的高质量观点集中在 compaction 的真实代价：跨压缩丢失的细节「对多数工作多得离谱」，当需要模型同时记住多篇论文或大规模精细材料时，上下文常停在 16%、谈 5 分钟就压缩、再读回再压缩的死循环，372k 能把那个 12-20% 拉到 40%。还有用户指出 Codex 不把 plan 文件带入 compaction，而 Claude 会从磁盘完整重读，这解释了两者的体验差异。DeepSeek 的 K/V cache 技术（长会话 97-98% 命中率）被反复提及为没人比得上的成本优势。
AI 建议让人准确率降至 1/3、自信度却翻倍
法意三国三所大学的研究发现，仅仅有 AI 建议可用就会瓦解人的判断力：愿意说「我不知道」的比例从 44% 暴跌到 3%，准确率从 27% 降到 9%，自信度却从 30% 飙到 76%。研究刻意选用 Step 3.5 Flash（在这些影视细节问题上通常答错），排除合理委托给可靠工具的解释，结果显示有些本可独立答对的人问了 AI 后反而变错；即便加金钱激励，承认无知也只从 3% 升到 8%。这量化了 Wharton 今年提出的 cognitive surrender 概念，对产品设计的启示是：把 AI 做成答案机而非思考伙伴，可能在系统性侵蚀用户识别自身知识边界的能力。
ChatGPT 正式上线广告平台 Advertise in ChatGPT（HN 295 分）
OpenAI 把商业化从订阅+API 扩展到广告，Ads Manager 已上线，主打用户在「探索选项、对比、做决策」时刻的真实意图。HN 讨论的焦点不是产品形态本身，而是 AI 原生广告位这个新渠道的定价逻辑、对话式决策路径怎么归因，以及它对 Google 搜索广告生态的潜在挤压。swyx 同期判断 ChatGPT Work 已达千万用户里程碑，是 ChatGPT 之后最具定义性的发布，广告正是把这个用户规模变现的拼图。
🧩 开源社区
MoonshotAI/kimi-code
Kimi 官方的 coding agent CLI，配套本周持续发酵的 Kimi K3 模型。把开源前沿模型直接接进命令行 coding 工作流，和 #8 提过的国产开源 coding 三家挤进第一梯队这条线呼应，对想试自托管 coding agent 的人是最直接的入口。
tirth8205/code-review-graph
本地优先的代码知识图谱，提供 MCP 和 CLI 两种接入方式。把代码库结构化成可查询的图谱供 agent 检索，定位解决 agent 在大型代码库里迷路、重复读文件的问题，和本期 harness、context efficiency 这条主线同向。
1jehuang/jcode
用 Rust 写的 agent harness for code。轻量、快，定位自建 coding agent 那一层（模型决定下一步、harness 管其余一切），适合拿来学习、改造、嫁接到自己的工作流，呼应本期反复出现的「harness 是新的 prompt engineering」。
earendil-works/pi
一个 AI agent toolkit，统一 LLM API + agent loop + coding CLI 三件套。把 provider 抽象、agent 主循环、coding 命令行打包到一起，降低自建 agent 的拼装成本，对想快速跑通一个端到端 agent 的人是一站式脚手架。
HKUDS/DeepTutor
终身个性化辅导 agent，定位长期跟踪一个学习者的知识状态并据此教学。和本周 cognitive surrender 那条社区热议形成对照，它的方向是把 AI 做成思考伙伴而非答案机，是教育侧 agent 的一个严肃样本。
ibelick/ui-skills
给设计工程师的 skills 集合，把 UI/UX 的约束和品味固化成可被 agent 调用的 skill，和近期 design.md、astryx 把视觉规范结构化的思路同向。
✉️ 关于周报
本周报的内容来自一套我自己打磨出的自动化采集工具。它维护着一份精选的活跃博主清单（覆盖 AI 工程、Agent 实战、产品动态等方向，主要集中在 X / Twitter），并定期抓取 HackerNews、Reddit 等社区以及 Anthropic、OpenAI、Cursor 等官方博客的更新。
每天采集一次，每条内容会按「洞见性、独特性、深挖价值」三个维度打分排序，算法筛出高分候选内容。周报会汇总近 7 天内容，再经过人工去重、剔除和把关，最终汇编成你看到的这期周报。不是纯 AI 生成，而是机器采集 + 人工筛选的结果。
完整归档与历史期数见 GitHub 仓库：https://github.com/zhangferry/AGI-Weekly
欢迎关注公众号「AGI成长之路」，后台点击进群交流，一起学习更多 AI 知识。
📜 往期推荐
AGI 摸鱼周报 #8：Claude Code 和 Codex 同时重置了你的额度