Follow 深度日报

Agent 进入持久工作区，记忆和算力成为新战场

基于 Obsidian Follow List active 账号与公开来源，覆盖 2026-06-24 00:00 UTC 至 2026-06-25 00:00 UTC。未使用 Folo CLI；未绕过 CAPTCHA 或做反爬规避。抓取优先级按 Follow List 中 Status=active、Priority=high、Cadence=daily/weekly/manual 排序，使用官方页面/RSS、个人博客/Atom、公开 X URL 与 Nitter 公开镜像交叉确认。

发布时间：2026-06-25 08:00 CST 窗口：上次运行以来来源：Follow List.md、OpenAI、LangChain、Hugging Face、Qualcomm、Nitter 公开镜像

总览：今天的主线很清楚：agent 产品正在从“会话里的模型”变成“有工作区、有记忆、有算力供应链、有组织入口”的系统。OpenAI 一边发布 Jalapeno 推理芯片，强调成本、延迟和 Codex/API 等产品负载，一边用 Ona 路线补持久云执行环境；LangChain 把 agent memory 拆成 trace、analysis、memory update 的闭环；Hugging Face 的 Moon Bot 则把 Slack、长期会话、内部工具、PR 和对象存储串成一个可审计 team agent。开放生态侧，Qualcomm-Hugging Face 试图把 300 万开放模型带到端云连续体，GLM 5.2 继续在 ARC-AGI-2、CursorBench 和开源 agent 模型讨论里出现。

核心主题

1. Agent 需要长期工作场所

Ona、Moon Bot、Claude Tag 和 LangChain memory 都指向同一件事：高价值 agent 不能只靠单次 prompt。它需要持久会话、文件/对象存储、工具权限、审计日志、重启恢复和团队协作入口。

2. 记忆开始从概念变成工程闭环

LangChain 的新文章把记忆定义为可跨运行检索的 durable context，并明确 trace 只是证据，只有被抽取、泛化并写回上下文后才算 memory。这个框架很适合评估 OpenClaw 自身的 cron、skill 和 taskflow 任务。

3. 推理成本成为产品竞争变量

OpenAI 发布自研推理芯片 Jalapeno，Greg Brockman 同步转发；Nathan Lambert、Francois Chollet、swyx 则围绕 GLM 5.2 的开源性能和成本优势讨论。前沿模型差距仍在，但单位任务成本正在被开放模型和定制硬件压缩。

4. 开放模型往端云混合部署走

Qualcomm 与 Hugging Face 扩大合作，重点是让开放模型跨手机、PC、边缘设备和数据中心部署，并用 agent 自动处理配置、优化和部署。它不是单个模型新闻，而是开放模型进入分布式基础设施的信号。

重要更新

OpenAI / Broadcom：Jalapeno 把 OpenAI 的全栈竞争延伸到推理芯片

来源账号/机构：OpenAI、Greg Brockman；发布时间：2026-06-24；链接：OpenAI 官方文章 / Greg Brockman 公开镜像

OpenAI 与 Broadcom 发布 Jalapeno，这是 OpenAI 第一代 Intelligence Processor，面向 LLM 推理而非通用 AI 加速。官方强调它从模型、kernel、serving system 和产品负载出发设计，工程样片已在实验室以目标频率和功耗运行，并计划作为多代计算平台的第一步。

这条消息的核心不是“又一颗 AI 芯片”，而是 OpenAI 把 ChatGPT、Codex、API 和未来 agent 产品的推理成本、延迟、可靠性纳入自有全栈优化。Greg Brockman 转发时强调性能/瓦特，OpenAI 文中则把它和 gigawatt-scale data center、Broadcom networking、Celestica 系统集成放在一起。

为什么值得看：Agent 的长任务、多步工具调用和实时交互都会把推理成本放大。谁能把推理做得更便宜、更稳定，谁就能支持更长上下文、更频繁调用和更低边际成本的 Codex/agent 产品。

后续行动：等待 OpenAI 后续技术报告；跟踪 Jalapeno 是否主要服务 Codex、ChatGPT Instant/API 还是企业 agent；把它和 NVIDIA、TPU、Cerebras、AWS Trainium/Inferentia 的 inference economics 做对照。

OpenAI / Ona：Codex 需要安全、持久、客户可控的云工作区

来源账号/机构：OpenAI；发布时间：2026-06-11，本轮作为 Codex 基础设施背景复核；链接：OpenAI to acquire Ona

OpenAI 此前宣布收购 Ona，目标是把安全云执行和编排技术纳入 Codex 生态。文章特别强调 Codex 的高价值工作会从几分钟扩展到几小时甚至几天，因此需要能在笔记本关闭后继续运行的持久环境，并让用户远程查看进度、补充方向和审查结果。

这与今天的 Jalapeno 形成上下游组合：Ona 解决 agent 在哪里工作、凭什么权限工作、怎么审计；Jalapeno 解决这些 agent 以什么成本和性能持续推理。两者都服务于 Codex 从开发者工具扩展到企业生产工作流。

为什么值得看：企业不只买模型能力，还要控制执行环境、凭证范围、日志、数据位置和 review 流程。Codex 若要承接长程软件生命周期任务，Ona 这类环境层会比 UI 功能更关键。

后续行动：跟进收购交割和产品整合方式；观察 Codex 是否出现客户云内执行、持久 workspace、长任务队列、审批和审计增强。

LangChain：Agent memory 被拆成 trace、分析和写回的生产闭环

来源账号/机构：LangChain、Harrison Chase；发布时间：2026-06-24；链接：LangChain 文章 / Harrison Chase 公开镜像

LangChain 发布《How To Give Your Agent Memory》，把 memory 定义为 agent 可跨运行检索并用于改变行为的持久上下文。文章区分短期 working memory 和长期 memory，并把长期 memory 拆成 semantic、episodic、procedural 三类。

关键工程观点是：trace 本身不是 memory，而是证据层。系统需要先捕获 agent trajectory，再分析失败、偏好、工具调用模式或可复用经验，最后把有用信号写回 Context Hub 之类的 memory store。Harrison Chase 同步强调 tracing can be used for memory，团队其他成员把它称为 continual learning 的数据挖掘问题。

为什么值得看：这把 agent memory 从“给模型一些历史”推进到可运维流程：trace、诊断、泛化、写回、回归。对 OpenClaw 这种有 cron、skill、memory 文件和长期任务的系统尤其相关。

后续行动：把当前 Follow 日报任务当作 memory-loop 样例：记录抓取失败、源质量、日报判断偏差，定期更新抓取策略和报告模板；对比 LangSmith Context Hub 与本地 MEMORY.md/skill_workshop 的职责边界。

Hugging Face：Moon Bot 展示 Slack-native coding agent 的真实组织形态

来源账号/机构：Hugging Face；发布时间：2026-06-24；链接：Hugging Face Moon Bot

Hugging Face 发布 Moon Bot 文章，介绍一个活在 Slack 线程里的内部 coding agent。它能查询 Elasticsearch、MongoDB、Hub 代码库，理解支持与工程问题，打开 GitHub PR，并把每个 Slack thread 映射到独立 agent session。

最值得看的是持久化与权限设计：会话记录用 HF Bucket 保存，重启后可以按需恢复；全局 memory 维护最近交互；技能以 Markdown 形式提供领域知识；GitHub bot 跑在另一套权限更低的 pod 中，避免 Slack/internal credentials 外溢。它还包含每周 ops report 和部署回归监控两个 scheduled tasks。

为什么值得看：Moon Bot 把 Claude Tag、OpenClaw TaskFlow、Codex 持久工作区这些概念落成一个团队内部系统。它说明组织级 agent 的关键不是聊天界面，而是 session、memory、skill、权限隔离、可审计存储和定时任务。

后续行动：拆解 Moon Bot 的 session JSONL、memory.json、skill 文件和双 pod 权限模式；评估 OpenClaw 是否可借鉴“每个线程一个可恢复 session + 定时巡检”的结构。

Qualcomm / Hugging Face：开放模型从设备到数据中心的端云连续体

来源账号/机构：Qualcomm、Hugging Face、Clement Delangue；发布时间：2026-06-24；链接：Qualcomm 新闻稿 / Clement Delangue 公开镜像

Qualcomm 与 Hugging Face 扩大合作，计划把 HF 内部与开发者工作负载接入 Qualcomm Dragonfly 数据中心方案，并让 Hugging Face 的开放模型生态能够跨设备、PC、边缘设备和数据中心部署。新闻稿中特别提到 agentic AI model onboarding：用 agent 自动处理模型设置、优化和部署。

Clement Delangue 当天也转发了 Qualcomm 投资者日相关内容，强调开放模型、成本、数据控制和 vendor lock-in 的现实压力。Qualcomm 同日围绕 data center roadmap、Meta 协议和 Modular 收购释放多条信号，说明它在补 AI data center 与软件栈。

为什么值得看：开放模型如果要进入生产，不只是托管在 Hub 上，还要能在端、边、云之间按成本、隐私、延迟和可用性调度。HF + Qualcomm + Modular 这条线可能影响未来本地 AI、企业私有部署和混合 agent runtime。

后续行动：跟踪 Qualcomm AI Hub、Modular、HF Inference/PRO 的整合路线；观察是否出现可复现的“从 Hub 到 Snapdragon/Dragonfly 部署”开发者工作流。

GLM 5.2：开源模型在 ARC-AGI-2、CursorBench 和 agent 数据上继续积累信号

来源账号/机构：Francois Chollet、Nathan Lambert、swyx；发布时间：2026-06-24；链接：Francois Chollet 公开镜像 / Nathan Lambert 公开镜像 / swyx 公开镜像

Francois Chollet 转发 ARC Prize 信息，称 GLM 5.2 是截至目前 ARC-AGI-2 上最强的开源模型表现。Nathan Lambert 进一步指出，GLM 5.2 在 CursorBench 成本维度靠近 Opus frontier，会压低 frontier lab 的边际利润，同时也提醒开放模型通常更 jagged，需要按任务组合使用。

swyx 则从产业角度讨论 Zai/GLM 的崛起，称 GLM 5.2 正把开源模型带回开发者和 AI Engineer 社区视野。Nathan 还关注 OpenThoughts-Agent/OpenThinkerAgent-32B 这类开放 agentic 数据和模型，说明“开源 + agent 数据 + terminal/coding benchmark”正在形成连续话题。

为什么值得看：闭源前沿模型仍有综合优势，但开源模型在特定 benchmark、成本和可部署性上持续逼近，会改变 coding agent、企业私有部署和多模型路由的经济账。

后续行动：把 GLM 5.2、OpenThinkerAgent-32B、TMax/terminal-agent RL 与 Claude/OpenAI/Cursor eval 放在同一张表里，重点比较单位任务成本、失败类型和可私有部署能力。

Hamel / Shreya：AI 产品工程课程首讲把“AI debug AI”落到用户选择失败样本

来源账号/机构：Hamel Husain、Shreya Shankar；发布时间：2026-06-24；链接：Hamel Husain 公开镜像 / Shreya Shankar 公开镜像

Hamel 宣布 AI Product Engineering mini-course 当天开讲，录播和笔记会发给注册者。Shreya 的相关讨论很有意思：她反思了把认知上有趣的工作交给 LLM 后，人只剩下 verifier 的糟糕 UX；课程 demo 则展示用 LLM 做错误发现、让人选择失败样本、再用 Claude Code monitor 辅助标注。

这和 LangChain memory/trace loop 是同一类问题：高质量 AI 产品需要把失败暴露出来，让人或模型协助诊断，再转成 eval、规则或产品修复。它不是“多加 prompt”，而是围绕失败样本组织工程工作。

为什么值得看：AI 产品真正的瓶颈常常是发现失败、定义失败、把失败变成可重复测试。Hamel/Shreya 这条线能给 eval、UX 和 AI coding tools 的结合提供实践样本。

后续行动：等录像/笔记发布后整理课程材料；重点摘取 error discovery、user-selected failures、Claude Code monitor 和 eval 自动化的具体流程。

人物/机构动态

Greg Brockman / OpenAI：同步放大 Jalapeno 和 GPT-5.5 Instant 更新，前者是基础设施战略，后者是默认模型体验优化。
Harrison Chase / LangChain：继续把 trace、memory、Engine、Context Hub 组合成 agent 持续学习闭环。
Simon Willison：公开反馈 Claude Code for web 出现 GitHub egress blocked 问题，提醒 web coding agent 的网络策略会直接影响实用性。
Nathan Lambert：继续围绕 GLM 5.2、开放 agentic 数据、post-training 课程做高信号评论。
Francois Chollet：强调 GLM 5.2 在 ARC-AGI-2 上的开源模型表现，同时继续讨论复杂系统、edge cases 和 failure modes。
Clement Delangue / Hugging Face：放大 Qualcomm 合作、Kog 低延迟模型和开放模型回潮。
swyx：围绕 GLM 5.2、Databricks/Neon、metaharness、agent cloud 等投资和工程话题提供行业纹理。

值得跟进项目

Jalapeno 技术报告：等待 OpenAI/Broadcom 披露架构、吞吐、延迟、功耗、内存和网络细节。
Codex + Ona：跟踪客户可控云环境、持久任务、凭证范围、日志和 review workflow 是否进入 Codex 产品。
LangChain memory loop：把 trace 到 memory update 的流程复刻到一个小 agent 项目，验证 procedural memory 是否真的改善行为。
Moon Bot 架构：研究 Slack thread session、HF Bucket 持久化、skill Markdown、低权限 GitHub bot pod 与 scheduled report。
Qualcomm-HF hybrid AI：观察 Hugging Face Agent for hybrid orchestration 是否有公开 SDK 或示例。
GLM 5.2 / OpenThinkerAgent：建立 coding-agent/open-agent benchmark 观察表，包含成本、延迟、可私有部署和失败类型。

待验证信息

OpenAI 对 Jalapeno 的性能/瓦特表述来自早期测试，详细技术报告尚未发布，不能直接等同于独立 benchmark。
Ona 收购仍受 customary closing conditions 和监管审批影响，产品整合时间线需要后续确认。
Moon Bot 是 Hugging Face 内部工具，文章展示的是架构经验；Pi SDK、Bucket 权限和内部工具连接的可复现程度需要实测。
Qualcomm-HF 合作中的 “Agent handles setup, optimization and deployment” 仍是新闻稿级描述，尚需开发者文档和 demo 验证。
GLM 5.2 的 ARC-AGI-2、CursorBench 等信号来自公开转述和单点 benchmark，应与更多实际 coding agent 工作流交叉验证。
Nitter 公开镜像可用但不保证覆盖完整 X 时间线；X-only 内容在本报告中只作为公开线索处理。

低优先级噪音

OpenAI GPT-5.5 Instant “更好聊”属于产品体验更新，本轮只作为 Greg/OpenAI 动态记录，未展开成核心技术主题。
AI Engineer World’s Fair 活动预热、社交活动和泛泛转发较多，除 GLM、metaharness 和 agent cloud 相关线索外未纳入重点。
Qualcomm 投资者日同日新闻很多，非 AI agent/open model 直接相关的财务与路线图内容未展开。
课程报名、祝贺和二级营销帖只在能指向 eval、memory 或 agent 工程方法时保留。

Follow 深度日报：Agent 进入持久工作区，记忆和算力成为新战场