agent

很多人还在研究 Prompt Engineering。
但 AI 行业已经开始进入下一个阶段。
Context Engineering。
过去两年，我们一直相信：
Prompt 写得越好，AI 输出就越好。
于是出现了各种 Prompt 模板、万能咒语、提示词技巧。
但随着模型能力越来越强，一个事实开始变得明显。
Prompt 的重要性，正在下降。
真正决定 Agent 能力的，不再是一段提示词。
而是它能够获得多少正确的上下文（Context）。
举个例子。
如果让 Claude 或 GPT 帮你修改一个 Bug。
你只给它一段报错信息。
它能解决一部分问题。
如果你再给它整个项目代码。
它会更准确。
如果再给它 Git Commit 历史。
它开始理解为什么会这样设计。
如果再给它产品文档、数据库结构、用户反馈、Issue 记录。
它甚至能够推测开发团队真正想实现什么。
模型并没有变聪明。
真正增加的，是上下文。
很多人认为，大模型的能力来自参数。
但越来越多研究表明。
对于真实工作来说。
上下文的重要性，已经开始超过模型本身。
为什么 Cursor 比普通 ChatGPT 更好用？
不是因为模型不同。
很多时候，它们调用的是同一个模型。
真正的区别在于。
Cursor 会主动读取：
整个代码仓库。
依赖关系。
文件结构。
Git Diff。
终端输出。
Linter。
报错日志。
这些信息共同组成了一个完整的 Context。
AI 不需要猜。
它是在理解。
这也是为什么越来越多 AI 产品开始疯狂投入 Memory。
OpenAI 在做 Memory。
Claude 在强化长期记忆。
Google 也在探索跨会话上下文。
大家都意识到了同一个问题。
未来的竞争，不是谁拥有最大的模型。
而是谁拥有最完整的 Context。
我认为，未来 Agent 的能力可以拆成三个部分。
第一层。
Model。
负责思考。
第二层。
Tool。
负责行动。
第三层。
Context。
负责理解世界。
过去两年，行业几乎把所有资源都投入到第一层。
未来几年，真正拉开差距的，很可能是第三层。
因为现实世界不是一道数学题。
没有完整的信息，再聪明的模型也只能猜。
一个拥有完整上下文的中等模型。
往往比一个缺少上下文的顶级模型，更容易完成复杂任务。
所以我越来越认同一句话。
Prompt Engineering 是教 AI 怎么思考。
Context Engineering 是决定 AI 能看到什么。
而在真实世界里。
你看到什么。
往往比你怎么思考，更重要。
未来几年，我们可能很少再听到 Prompt Engineering。
取而代之的，将是 Context Engineering。
因为 AI 的竞争，正在从模型能力，转向信息组织能力。
谁能够构建最完整、最实时、最准确的 Context。
谁就更有机会打造真正可靠的 AI Agent。
这或许也是为什么，越来越多 AI 公司开始把 Memory、Workspace、Knowledge、Browser、MCP 放在比模型更新更重要的位置。
因为真正的护城河，已经不只是模型。
而是 AI 对世界的理解深度。
#ContextEngineering #LLM #Agent

我认为，大多数人都看错了。
如果把 Codex 理解成一个 AI 编程工具，那它和 Cursor、Claude Code、GitHub Copilot 的区别确实不大。
但如果站在 OpenAI 的战略层面来看，Codex 的目标从来不是”帮助程序员写代码”。
而是验证一件更大的事情：
AI 是否已经具备独立完成复杂工作的能力。
为什么 OpenAI 会选择 Coding 作为第一个 Agent 场景？
因为在所有知识工作中，编程拥有最完美的训练环境。
需求可以明确描述。
代码可以自动执行。
错误可以即时反馈。
测试可以自动完成。
结果可以客观验证。
对于强化学习来说，这几乎是一个天然的数据闭环。
换句话说。
如果一个 Agent 能独立完成软件开发。
那么理论上，它也可以迁移到金融分析、市场运营、法律研究、客服、数据分析，甚至企业管理。
Coding 并不是终点。
它只是 Agent 最容易突破的入口。
很多人发现，OpenAI 最近发布的新能力几乎都围绕着同一个方向。
长上下文。
工具调用。
浏览器操作。
终端执行。
记忆能力。
文件理解。
多步骤推理。
这些能力单独来看，似乎没有太大意义。
但把它们放在一起，你会发现，它们拼出来的是另一个东西。
一个真正能够完成工作的数字员工。
这也是为什么我认为，OpenAI 未来最大的竞争对手，并不是 Cursor。
而是 Salesforce、Microsoft、SAP、ServiceNow、Atlassian 这些企业软件公司。
因为 OpenAI 想替代的，不是 IDE。
而是整个办公流程。
很多人拿 Cursor 和 Codex 做对比。
但我认为，它们代表的是两种完全不同的产品哲学。
Cursor 的核心是：
让开发者变得更高效。
开发者始终是主角。
AI 是助手。
而 Codex 更希望做到的是：
开发者只负责提出目标。
AI 自己规划任务。
AI 自己编写代码。
AI 自己运行测试。
AI 自己修改错误。
AI 自己完成交付。
这不是 Copilot。
这是 Autopilot。
两者最大的区别，不在于模型能力。
而在于控制权属于谁。
过去几年，AI Coding 一直在解决”写代码”的问题。
未来几年，它真正要解决的是”交付软件”的问题。
这是两个完全不同的命题。
如果今天让一个程序员写一个登录页面。
AI 已经可以完成。
但如果让 AI 从零开始开发一款完整的 SaaS 产品。
包括需求分析、数据库设计、接口开发、测试部署、Bug 修复、文档编写。
今天仍然没有任何 Agent 能稳定完成。
而这，正是 OpenAI 想解决的问题。
所以我越来越觉得。
Codex 并不是一个产品。
它更像是 OpenAI 的 Agent 实验室。
这里训练的，不只是写代码的能力。
而是如何让 AI 学会规划、执行、反思和迭代。
这些能力未来可以迁移到任何知识工作。
很多人喜欢讨论 GPT-6 会不会更聪明。
但我更关心另外一个问题。
未来的 AI，到底是回答问题的工具。
还是能够真正替你工作的同事？
如果答案是后者。
那么 Coding Agent，只是这个时代的第一块多米诺骨牌。
未来十年，我们回头看今天，也许会发现。
Codex 从来不是为了改变程序员。
它真正改变的，是知识工作的生产方式。
#OpenAI #Codex #Agent

AI Agent一直挺有讨论度的。
比如最近讨论的加密处理交易和支付。
真要它们管钱，最怕的不是比特币脚本弱，是规则太自由了。
以前以为比特币要想承载更多应用，就该更灵活，但仔细思考后我对什么都能做的系统多了层警惕。
人犯错可能就是点错一笔，代理要是管资金库、自动支付、搞协作，出错速度快，影响也会放大。
所以代理管钱，第一需求不是想象力，而是边界。能花多少、什么时候花、什么条件才能花、异常时能不能延迟审批或者停下来。
这些限制听起来不酷，但真把资产交给机器执行，最值钱的往往就是这些限制。
比特币十几年一直很克制，复杂opcode早早禁用，520字节栈限制也一直留着。它让开发者少点自由，却换来更少的攻击面，基础层也稳，难被随便改。
市场常低估这种克制，牛市爱快、爱灵活、爱新叙事。真涉及长期托管和机器执行，大家又绕回老问题能不能验证、能不能预测、能不能经得起时间。
@op_catlayer 现在让我觉得有意思，就在这里。
它不是要把比特币变成全能平台，而是在小范围内恢复拼接能力。按BIP 347路径，在Tapscript里让脚本能做x1和x2的拼接，还守着520字节限制。
重点不是单纯能拼接。
而是结合Schnorr签名和交易自省，脚本能约束未来支出。钱不只是能不能花，还能规定以后怎么花。
这就是covenant的价值。
保险库能加时间延迟或多步审批，防代理一笔提空。条件支出让资金按规则跑，代理不用总等人确认，也不能随便越界。
递归条款通过链式交易延续规则，构造简单状态机。虽做不到无限复杂，但能把持续性资金规则锚定在比特币安全模型里。
核心不是让比特币突然无所不能，而是让代理经济最需要的能力，变得可验证、可执行、可预测。机器以后能沟通、报价、协作、支付，但动真金白银的资产时，市场会问这规则靠什么保证？
要是只靠中心化服务器、临时API或者能随便改的数据库，很难建立长期信任。所以A2A经济里，关键不是代理会不会说话，而是能不能在高安全边界里管钱。
@OPCATLayerCN 的路线正是在这点上让我感兴趣。
它没把更强表达力包装成无限自由，而是在比特币的安全哲学里补上可编程金库、条件支出、规则延续这些能力。
路子比较克制，不够热闹。但能穿过周期的，往往不是最炫的那个。OP_CAT还没在比特币L1激活，BIP 347规范完成了，不等于软分叉发生，也没确定时间表。
它也不是图灵完备，递归能做简单状态机，但受520字节限制，开发落地有复杂度。执行层方案能更快进应用，但桥接和长期验证还要观察。
我不是说它解决全部问题，我只是觉得市场以前嫌比特币慢、保守，现在AI代理接近真实资产管理，这种慢和保守反而显得珍贵。
比特币真正稀缺的不只是数量，还有它十几年坚持不乱动的那份时间。
如果机器真要管你的资产，你更愿意交给无限灵活的系统，还是更窄更慢但规则清楚、边界可验证的系统？
你怎么看？
@clawchatglobal #OPCAT #bitcoin #AGENT