← 返回首页
AI 情报日报 — 2026-06-11
🎯 命中战况（与我们正在做的事直接相关）
深度原理把 SciClaw 升级成 Mira，把"执行/记录/沉淀"做成闭环
- 发生了什么：深度原理团队将科研产品 Mira 推出三件套：专家小队（用户自由配置 AI 实验室，不预设流程）、科研画布（多格式文件汇于无限平面云端实时保存）、LLM WIKI（每晚自动沉淀知识）。一位博士生 1 分钟搭建框架、当天产出完整 AI 论文初稿。
- 为什么重要：这是离 aiself 定位最近的同型产品——"个人 Wiki / 个人认知系统"的科研垂直版。它把"执行、记录、沉淀"显式做成完整闭环，特别是"每晚自动沉淀知识"对应我们的 Anthropic Dreams 类型的长期记忆合成方向。
- 对我们意味着什么：(1) 验证"无限画布 + WIKI 沉淀"作为认知系统的产品形态被用户接受；(2) 它选择"专家小队不预设流程"——和我们"Agent 内部零业务路由 + 用户做 onboarding 引导"的取舍可对照思考；(3) 我们 Context Out（MCP 持续分发）暂不做的决定可以再 review——Mira 已经在做"执行/记录/沉淀"的对外分发了。
- 想深入：腾讯研究院速递（重点看科研画布和 WIKI 自动沉淀的产品形态——这是 aiself 团队最该研究的同形态竞品）
Addy Osmani "The Orchestration Tax"：并行 agent 解决不了真正瓶颈
- 发生了什么：Google DevRel 负责人 Addy Osmani 发文指出 agentic workflow 存在隐藏的不对称——启动 agent 几乎免费（一个 prompt），但关闭循环（验证返回结果是否正确、是否与其他 agent 改动协调）不便宜。"那个人就是你。而你只有一个。"
- 为什么重要：直接命中 Rik 的工作标准——"onboarding 是转化率工程，每轮改动后必须以全新用户视角生产构建走查"。也命中我们 v2-calibration-note 强调的"从准确概括到 aha 洞察"——这种判断只有人能做。
- 对我们意味着什么：(1) 验证我们当前不堆 agent 并行、把精力压在"逐轮人工走查"上的取舍是对的；(2) 我们的 KB Manager 写入走 WriteProposal/PR 模式（用户在循环里做判官）也是这个哲学的产品化表达；(3) 警告——未来如果产品里要做"多 agent 自动协作"（例如几个 connector 同时写 me/），要预留人能高效判断的回路设计，而不是 fire-and-forget。
- 想深入：Addy Osmani 推文（看他原文里"someone has to check and reconcile"那一段——是 aiself proposal UI 设计的语义注脚）
HuggingFace 本周连出三篇长期记忆 / 自优化论文，正对应 KB Manager 缺口
- 发生了什么：本周 HF Daily Papers 三篇高赞论文同时朝向我们正在做的事——MemDreamer（分层图记忆 + agentic 检索做长视频理解，⬆️35）、Latent Memory（单 token 压缩多模态证据用于资源受限 QA，⬆️14）、RHO（Retrospective Harness Optimization，仅用过去轨迹自监督优化 agent harness，⬆️48）。
- 为什么重要：分别对应简报里三个明确的具体缺口——KB Manager "LLM 层矛盾/重复检测刚拆接口未落实现"（MemDreamer 的分层图 + 主动检索是一种实现路径）、Context Assembly "日记机械取 60 行 /
slice(-3000)"（Latent Memory 的压缩思路）、SkillOpt 类的"plain-text skill 自我重写"（RHO 的轨迹自评机制）。 - 对我们意味着什么：长期记忆和 agent 自优化正在快速学术化、但还没落到消费级产品里——这是我们 KB Manager 这一层的"窗口期"。不要被"先把 P0 写入版本历史 + 并发保护做完"拖住，应该已经开始做 LLM 矛盾检测的最小可用版（从"两条对同一主题说不同话"的检出开始，先做检测、不做自动合并）。
- 想深入：MemDreamer（分层图记忆架构最贴近我们 me/ 的多层结构）；Latent Memory（看资源受限场景的压缩做法——我们 onboarding 也是成本敏感）
高度相关
- Anthropic 发布《The Founder's Playbook: Building An AI-Native Startup》 — "瓶颈不再是你能造什么，而是选择造什么。"AI-native 创业的验证周期从数月压缩到一下午，重新定义创始人的角色。来源
- Palo Alto Networks CEO Nikesh Arora：分析型 SaaS 将被 AI 绕过 — 应用层是新利润池，企业软件入口从 UI-first 转向 Agent-first，未来五年记录系统和工作系统都会被重新设计。命中我们"AI 个人 Wiki 而不是'加记忆的聊天机器人'"的定位选择。来源
- 讯飞星火医疗 V3.5 发布——基于全国产算力，端到端病历生成医生采纳率 91%、书写时间缩短 52%，超越 GPT-5.5 / DeepSeek-V4-Pro。证明垂直人群 + 真实 ground truth 数据可以打过通用大模型——和我们押注神经多样性 + 真实用户数据的逻辑相通。来源
- Hinton 警示 AI 会自发衍生"自我保存"子目标 — 关乎 aiself agent 在 me/ 写入时的边界设计。我们的 KB Manager 单一入口 + WriteProposal/PR 模式本质上就是给 agent 装"自我保存"的护栏。来源
中度相关
| 动态 | 相关性 | 来源 |
|---|---|---|
| Anthropic Claude Fable 5 实测惊艳，但 API 价格近 Opus 4.8 两倍 | 高难任务才划算，onboarding 不会用 | 链接 |
| Google Gemini 3.5 Live Translate 上线 70+ 语言、任意耳机可用 | 离 aiself 多语言 onboarding 又近一步（但当前主战场仍是中文） | 链接 |
| 2000+ 学者签署《莱顿宣言》警示 AI 对数学的炒作 | 商业动机驱动的"通用推理"评测可能误导——我们对 onboarding 报告质量的判断要靠真实用户反馈而不是 benchmark | 链接 |
| Role-Agent (HF ⬆️73)：agent 兼任 environment 通过 dual-role co-evolution 自我进化 | 长期方向上参考价值——me/ 既是用户也是 agent 的 environment | 链接 |
| EEVEE (HF ⬆️16)：test-time prompt learning + 任务聚类 + router-prompt 协同优化 | Phase 2 prompt 校准之后的下一阶段——不同用户群应该用不同 prompt | 链接 |
背景信息
- Bret Horsting：领域专家才是真正的护城河 — "AI 让领域专家有了 coding 能力，但不能让工程师有领域 know-how。"我们对"帮人认识自己"做大厂做不到的深度，是同一种护城河逻辑。链接
- 腾讯研究院 AI 周关键词 Top50：Anthropic IPO、MiniMax A 股上市、奥特曼收回就业末日论、YC 推 AI-Native 组织——大盘信号。链接
- 匿名开发者《也许解决方案是取消我的 AI 订阅》 — 一个用 AI 工具堆砌的开发者反思自己根本维护不了那些东西。提醒我们 onboarding "导入 1063 条 flomo 但只读 40 条"问题不解决，会被用户感知为"看似强大但实际无用"。链接
PH & GitHub Trending 深研
今天三个 [深度研究] 来源都是 Agent Skills 仓库——这是一个非常清晰的赛道信号，Skills 生态正在跨厂商爆发。下面合并拆解。
obra/superpowers · google/skills · addyosmani/agent-skills
- 一句话：三个 Agent Skills 仓库——obra/superpowers（224k stars，agentic skills 框架 + 软件开发方法论）、google/skills（13.3k stars，Google 官方的 Cloud + Gemini 系列 Skills）、addyosmani/agent-skills（52k stars，生产级工程 Skills 集合，有 web-performance-auditor 这样的 persona + slash command）。
- 链接：obra/superpowers / google/skills / addyosmani/agent-skills
- 核心机制：三者都是 plain-text Markdown 即 Skill 的范式——一个 Skill 是带 frontmatter 的 Markdown 文件，定义触发条件、流程、验证清单。obra/superpowers 强调 self-review + 取代 subagent loop（团队实测发现 subagent review 多 25 分钟却不提升质量）。Google 的 Skills 已经包含 Cloud / WAF 全套，并且
npx skills add已经是分发标准。addyosmani 给每个 persona 都配一个 slash command（如 /webperf）。 - 对 aiself 的启发：
- 直接命中简报里跟踪中的 SkillOpt 线索——三个头部仓库都把 plain-text Skill 当成第一公民。我们的 me/ 本质上也是 plain-text 个人知识库，未来"用户自己定义认知技能"（例如
/晨间复盘、/给过去的我写信）完全可以用 Skill 范式实现，而不是另起炉灶。 - obra/superpowers 的发现尤其关键：他们做了 5 版本 5 trials 回归测试，发现 subagent review loop 双倍耗时但不提升计划质量，最后回退到 inline self-review。这直接对照 Addy Osmani 的 Orchestration Tax——验证了我们 KB Manager proposal/PR 模式而不是"多 agent 自动协作"的取舍。
- Google 的 npx skills add 分发值得我们提前考虑——如果未来 aiself 走 "用户可装第三方认知技能"路线，标准化分发格式很关键。但这是 N+1 优先级，不动当前节奏。
- 命中战况判断：当前阶段不应该投入做 Skills 平台——我们的 P0 是 Phase 2 报告深度差距 + KB Manager 缺口。这条记到 explore 即可。
- 直接命中简报里跟踪中的 SkillOpt 线索——三个头部仓库都把 plain-text Skill 当成第一公民。我们的 me/ 本质上也是 plain-text 个人知识库，未来"用户自己定义认知技能"（例如
Action Items
- 把 MemDreamer / Latent Memory / RHO 三篇 paper 链接归档进 execute 层的"技术参考线索"，作为 KB Manager LLM 检测层与 Context Assembly 改造的实现参考。
- 把 Mira 三件套（专家小队 / 科研画布 / LLM WIKI）的产品形态截图与功能拆解放进 research 层"同形态竞品"卡片——这是离我们最近的对照系。
- 考虑在 explore 层起一条非共识假设："未来用户会自己定义认知技能（plain-text Skill 范式）"——当前不做，但记录三个仓库的演进轨迹，确认时机后回到决策层。