标签: AI Agent

🚨 今天看到个很能折腾的工具：Paseo

Paseo 是个「Claude Code/Codex/OpenCode 统一入口」的开源项目，支持桌面、移动端、CLI，核心是把本地/远端 agent 生态统一起来。

核心能力

• 跨端接入同一台 daemon（支持 Mac/PC/VPS） • 可以同时跑多个 agent、串并联任务（包括 CLI 编排） • 支持工作流里让 Claude 产计划、Codex 执行、再回填结果 • 有 Web + App + CLI，移动端也能追任务、看 diff、改跟进

我对它的看法

• 如果你经常在不同设备间切换：这东西真香，明显减少上下文断层。 • 如果你要做团队化 agent 工作流：CLI + worktree + 多 agent 协作这条线很值得盯。 • 坑位提醒：它不是替你省略模型调用成本，仍然受你后端/账号和网络质量影响；移动体验再爽，也别指望把本地重活全靠手机做完。

公开讨论/背景：GitHub + HN 都是从“自建 daemon + 多设备远控 agent”这个方向来的，方向对上了，不是单点“花哨 UI”。

适合人群：折腾 coding agent、喜欢 Serverless + 自主可控、又想把开发动作从终端拓到手机/平板的重度用户。

链接：https://paseo.sh/

#Blog #AI

🧑🏻‍💻 你不知道的 Agent：原理、架构与工程实践

🔗：X Article

今天这篇文章源于写完「你不知道的 Claude Code」之后，发现自己对 Agent 底层的理解还差一截，加上团队在 Agent 方向已经有不少业务落地，一直缺一份系统梳理，所以又把资料、开源实现和自己写的代码重新过了一遍。

刚开始我也觉得 Agent 效果不稳是模型能力不够，换更贵的模型就能解决。后来发现提升往往没有想象中那么大，反而是 Harness 搭得好不好、工具描述准不准、上下文有没有分层管理，才是决定成功率的真正变量。

这篇文章想和大伙聊清楚这几个点：Agent Loop 的控制流怎么运转、Harness 为什么比模型更关键、上下文工程为什么决定稳定性、工具设计的核心原则、记忆系统怎么分层、多 Agent如何协作组织，以及评测和追踪体系怎么搭。

频道：@NewlearnerChannel