AI 情报日报 — 2026-05-19

高度相关

OpenAI Codex 升级为跨设备控制平面，Mac/台式机组成个人 Codex 网络 — 跨设备上下文同步是私人助手产品的核心能力，Codex 用「Locked Use」突破系统权限实现锁屏后台常驻，跟 aiself「获取用户全部上下文」的设想几乎是同一个产品形态在大厂侧的具象化。同时也暴露了跨设备授权的漏洞（备用手机无需二次验证即可控制电脑）来源
openhuman 项目登 GitHub Trending，slogan「Your Personal AI super intelligence. Private, Simple and extremely powerful」 — 跟 aiself 几乎同一个定位（私人 AI + 私有 + 简单 + 强大），需要详细看代码结构和实现路径，是直接对照系 GitHub

动态	相关性	来源
DeepSeek 招聘 Agent Harness PM，明确「Model+Harness=Agent」公式，估值 21 天暴涨至 3500 亿元	顶级模型公司亲自下场做 agent 产品，模型层不再满足做底座	链接
三大运营商集体推 Token 套餐，电信 9.9 元/1000 万 Tokens、移动 1 元/40 万 Tokens 支持话费支付	Token 正在变成「类流量包」的基础计费单元，C 端推理成本继续下探，对小团队成本结构友好	链接
AnySearch 上线，定位 agent 专属搜索基础设施，Token 消耗较 Exa 降 60-70%，准确性优于 Brave、Parallel	agent 时代的搜索层基建在快速分化，对接 REST API / MCP / Skill 三种方式	链接
LeCun 离开 Meta，称 LLM 不是 AGI 路径，预言 JEPA 类世界模型 5 年内统治 AI 圈	模型路线大佬级公开分歧，长期可能影响私人助手的「记忆+主动行为」实现路径	链接

腾讯设计 Ardot 公测、阿里云 QoderWork 上线 Design Desk —— 设计-代码协作工具继续被大厂 AI 化重写，跟 aiself 主线无关
LibTV 团队版上线两个月单日收入破百万美金，服务 300+ 企业客户 —— AI 视频协作赛道商业化样本
Figure F.03 人形机器人连续 100 小时直播分拣 13 万包裹，10 小时人机对决人类以 192 个微弱领先 —— 具身智能里程碑事件
腾讯混元 Chronicles-OCR 评测显示 GPT-5、Gemini 3.1 Pro 在跨时代汉字检测上 H-mean 接近 0 —— 多模态模型在专业感知任务上仍存在系统性盲区

一句话：Chief Agent Operator（CAO），给一个目标，它自动组装多 agent 团队、在云上并行跑 Claude Code/Codex/OpenClaw，每天给你发一份 brief，不用切 15 个 tab
链接：Product Hunt / Website
核心机制：以 CAO 角色为入口，从 273K+ Skills 和 51K+ MCP servers 里挑工具组队；agent 通过 Slack / Discord / Telegram / WeChat / 飞书 / iMessage 等用户已有的 IM 出现，不需要用户进 LobeHub 自己的界面盯着；只在需要决策时回报，把"持续在线"剥离出去
对 aiself 的启发：1) IM 即入口的设计哲学值得借鉴 —— Rik 已经在用飞书机器人，本质是同一个思路：不让用户为 AI 切换上下文；2) "只在需要决策时回报"的异步交互模式，跟"获取用户全部上下文"的产品形态天然契合，比 ChatBot 的同步对话更符合私人助手的真实使用节奏；3) Skills+MCP 作为能力库的范式已经在大厂级产品里被验证，aiself 早期就该决定要不要走这条路

一句话：定位"Your Personal AI super intelligence. Private, Simple and extremely powerful"，是上 GitHub Trending 的私人 AI 项目
链接：GitHub
核心机制：仅从信息源给出的 metadata 看不到具体架构（README 内容未抓取到），但 slogan 三个关键词 Private/Simple/Powerful 跟 aiself 的产品理念高度重叠，命名"tinyhumans"也对应了"小团队做大事"的 vibe
对 aiself 的启发：1) 直接对照系，需要立刻去看它的 README、架构、commit 历史，搞清楚它是 chat 套壳、还是真做了 memory + 主动 agent 层；2) 它选什么模型、走端侧还是云端、记忆怎么持久化，都是 aiself 当前要决的事；3) 如果它已经把 aiself 想做的事做了一半，可以直接 fork 或借鉴架构，没必要从 0 重写

一句话：仿照 12-factor app 提出的 "agents 生产化十二要素"方法论，回答"什么样的 LLM 应用足够好可以放到生产用户手里"
链接：GitHub
核心机制：作为方法论 repo，把 agent 工程化的失败模式抽象成十二条原则（具体内容需要点进去读，本次抓取未拿到完整 README）；humanlayer 是 agent 基础设施公司，这份文档相当于他们的"工程经验外化"
对 aiself 的启发：1) aiself 还没开始写产品代码，现在就读这份文档可以避免后续在 agent 工程上的踩坑成本；2) 私人助手 = 长期运行 + 多模态记忆 + 主动行为，比纯 chatbot 复杂度高一个数量级，方法论级的输入比单点教程更值；3) 可考虑把其中适合 aiself 的几条做成内部团队约定，写进 CLAUDE.md 或 align/

把 openhuman 的 README、架构、commit 历史完整读一遍，写一份"是否值得 fork/借鉴"的判断，放进 research/ 或 decide/
完整阅读 12-factor-agents 全文，提取适合 aiself 当前阶段的原则，写一份摘要进 research/
把 LobeHub 的产品形态（IM 即入口 + 异步只汇报决策）和 OpenAI Codex 的跨设备控制平面，作为 aiself 形态决策的两个外部参照系，纳入下次方向讨论