2025年

• 1: 2025年的概述
• 2: OpenAI Operator
• 2.1: Operator（材料）
• 2.2: Operator 讲解
• 3: OpenAI o3
• 3.1: OpenAI o3（材料）
• 3.2: o3 讲解
• 4: Deep Research
• 4.1: Deep Research（材料）
• 4.2: Deep Research 讲解
• 5: Claude Code
• 5.1: Claude Code（材料）
• 5.2: Claude Code 讲解
• 6: Manus
• 6.1: Manus（材料）
• 6.2: Manus 讲解
• 7: OpenAI Agents SDK
• 7.1: Agents SDK（材料）
• 7.2: Agents SDK 讲解
• 8: A2A
• 8.1: A2A（材料）
• 8.2: A2A 讲解
• 9: MCP 被追认
• 9.1: MCP 被追认（材料）
• 9.2: MCP 被追认 讲解
• 10: OpenAI Codex（云端 Agent）
• 10.1: OpenAI Codex 2025（材料）
• 10.2: OpenAI Codex 2025 讲解
• 11: Terminal-Bench
• 11.1: Terminal-Bench（材料）
• 11.2: Terminal-Bench 讲解
• 12: IDE / CLI Agent
• 12.1: IDE / CLI Agent（材料）
• 12.2: IDE / CLI Agent 讲解
• 13: ChatGPT agent
• 13.1: ChatGPT agent（材料）
• 13.2: ChatGPT agent 讲解
• 14: GPT-5
• 14.1: GPT-5（材料）
• 14.2: GPT-5 讲解
• 15: SWE-bench Pro
• 15.1: SWE-bench Pro（论文）
• 15.2: SWE-bench Pro 讲解
• 16: Agent Skills
• 16.1: Agent Skills（材料）
• 16.2: Agent Skills 讲解
• 17: OpenClaw（龙虾）
• 17.1: OpenClaw（材料）
• 17.2: OpenClaw 讲解
• 18: Amazon Bedrock AgentCore（re:Invent 2025）
• 18.1: AWS AgentCore（材料）
• 18.2: AWS AgentCore 讲解
• 19: Claude Code in Slack
• 19.1: Claude Code in Slack（材料）
• 19.2: Claude Code in Slack 讲解
• 20: 阿里云函数计算 AgentRun
• 20.1: 阿里云 AgentRun（材料）
• 20.2: 阿里云 AgentRun 讲解
• 21: Agent Skills 成为开放标准
• 21.1: Agent Skills 标准（材料）
• 21.2: Agent Skills 标准讲解
• 22: GPT-5.2-Codex
• 22.1: GPT-5.2-Codex（材料）
• 22.2: GPT-5.2-Codex 讲解

1 - 2025年的概述

一句话主线： 2025 年，控制循环从开发者自写的编排库，迁进可直接委派的运行时——Claude Code、云端 Codex、ChatGPT 里的 Deep Research / Agent 模式。推理模型（o3、GPT-5）把规划与工具选择训练进核心；模型仍不是 Agent。MCP 被跨厂商追认，A2A 给出 Agent↔Agent 接线，Skills 是运行时装载而不是 RPC。评测从 Verified 加硬到 Terminal-Bench / SWE-bench Pro，两套分数不可横比。年底出现转向：云厂商开始把 Agent 运行时当作平台品类提供（AWS AgentCore、阿里云 AgentRun），编码 Agent 的委派面进 Slack。11 月自托管「龙虾」仓库出现，舆论顶点在次年初。

上一页：2024。协议深挖：MCP、A2A、Skills。

和 LLM 的关系

2024 的 o1 是预告。2025 年决策核心的变化是：思考被训练进模型，运行时把模型和电脑接在一起。 核心换了，循环仍在运行时一侧。

• 推理模型成为运行时的默认引擎之一。 o3（1 月 mini、4 月完整版）开始在思维链里选工具；Claude 3.7 / Claude 4（2 月与 5 月）；8 月 GPT-5 把快答、思考和路由收成默认系统。规划、回退、写测试不再完全靠提示词里的 ReAct 明文。代价是延迟和账单。o3 / GPT-5 是决策核心，不是 Agent。
• 专用 Agent 模型出现。 OpenAI 的 Codex 云端 Agent 用为软件工程优化的 codex-1（o3 变体）；Anthropic 把最强编码核心和 Claude Code 绑在一起发。应用层开始反过来说：要的不是通用聊天模型，是会在沙箱里收工的决策核心。
• 原生 agentic 能力变强。 更稳的长链工具调用、更好的代码库定位、Computer Use 从 2024 的笨拙 API 长成 Operator / ChatGPT agent。视觉 + 推理终于够用来点网页；可靠度仍远低于编码主线。能点 ≠ 完成谓词已通。
• 上下文与记忆仍是硬顶。 窗口继续涨，但「跨会话、属于团队而非属于聊天框」的记忆没有被模型层单独解决。那是运行时和产品要管的事，2026 的频道记忆才把它做成组织功能。

里程碑

每条一个分类，标签可多个（六类历史角色）。Claude Code 预览与 GA 收成一行。

刻意不升格的：每一个「我们的多 Agent 平台」发布会；把 A2A 写成已经统一企业通信（协议发布 ≠ 生态长成，对照 前传里的 FIPA）；任何把 Deep Research 的长报告等同于「已解决研究」的说法；Google Mariner 等与 Computer Use / Operator 同线的跟进预览；以及 2026 年才出现的「龙虾套壳安装会」。

能力栈切片

模型层

推理模型与编码专用变体成为 Agent 运行时的引擎。通用聊天模型仍在，但默认用来执行的往往是会思考、会用工具的那一档。Computer Use 从实验 API 长进消费级入口。核心不是循环。

框架 / 协议层

运行时压过框架。 仍可以用 LangGraph 或 Agents SDK 自建，但大量开发者直接开 Claude Code / Codex CLI。MCP 成为接工具的默认方言；A2A 提出接 Agent 的方言，落地慢于 MCP。Skills 是给运行时的可移植专长包，不是又一种 RPC。

三者不要混：调研方法 里的 Framework / Runtime / Protocol 在 2025 年终于能用产品对上号——库、装上即委派的执行环境、接线。

应用层

几条产品线同时成立：

1. 编码运行时（证据最密）：Claude Code、Codex、Cursor Agent、开源 OpenHands 等。
2. 研究型 Agent：Deep Research 及各家仿制。通道是检索文档，谓词是带引用成稿。
3. 电脑/浏览器操作：Operator、Computer Use、Mariner 一类。成功率和安全限制明显弱于编码线。
4. 自托管个人 Agent（年底才出现）：OpenClaw / Clawdbot 把循环放到用户机器和聊天频道上，热度要到 2026 年 1 月才爆。

通用「什么都能干」的云端 Agent（Manus 等）走引爆路线，和 2023 AutoGPT 同类：定义舆论，不定义可靠性上限。

基础设施层

每个编码会话一个沙箱，成为运行时标配。MCP server、密钥、允许域名开始出现在开发者设置里。评测上 SWE-bench Verified 分数继续被刷高，Terminal-Bench 和 SWE-bench Pro 把「会写补丁」和「会在终端/长周期仓库收工」拆开。可观测性仍弱：一次委派烧了多少 token、在哪一步漂了，产品刚开始给日志（Agents SDK 的 tracing 是开发者侧的一步）。

12 月这层被云厂商收成产品。AWS AgentCore 把工具调用的裁决与行为评估搬到推理循环之外，阿里云 AgentRun 用会话亲和与休眠唤醒承接有状态 Agent——两者回答的是同一类问题：环境怎么活着、谁来决定一次调用能不能发出去。产品先于论文：把这些负载当作一类系统问题来测量，要等 2026 年的 Aries 与 SpecBox。

还做不到什么

• 无人盯着做完跨天、跨人的任务。 运行时很强，仍是「一个开发者的副驾驶」，不是团队员工。自托管龙虾把循环放到个人机器上，也不等于已经能当组织员工。
• 电脑操作达到编码线的可靠度。 Agent 模式能点网页，复杂后台、登录墙、验证码仍然脆。第一层（屏）已通，第二层分数仍低。
• A2A 级的多 Agent 分工成为日常。 协议有了，生产上仍是单运行时 + MCP 工具。
• 身份独立于用户。 默认仍是「用你的 GitHub / 你的浏览器 / 你的账号」。主体不是独立 principal。共享频道里的服务账号是 2026 的 Claude Tag 才正视的问题。
• 硬考卷上的自主软件工程。 Verified 可以刷到约四分之三（厂商自报）；Pro 把同一代模型打回约四分之一。谓词不同，完成率不可互换。
• 基础设施被当成一等公民，但仍以产品形态先出现。 沙箱冷启动、调度、长任务存活在 12 月进入云厂商的产品目录，却还没有成为公开的系统论文主题——那要等 2026 年。

2 - OpenAI Operator

OpenAI，2025-01-23。Operator：用自己的浏览器看网页、点击、滚动、键入。美国 Pro 用户研究预览。

1. 材料 — 按当时公告转述：CUA、可用性、安全边界。不写 7 月并入后的产品形态。
2. 讲解 — 2024 Computer Use 的产品化；屏已通，谓词仍弱。

当时公告：Introducing Operator。

2.1 - Operator（材料）

本页转述 2025-01-23 公告当时公开说了什么。7 月并入 ChatGPT agent、独立站点下线，见 ChatGPT agent 讲解，不写进本页「当时主张」。

主要出处：OpenAI，2025-01-23，Introducing Operator。本页不复制公告全文。

产品主张

Operator 被写成能上网替你执行任务的 agent：拥有自己的浏览器，看网页，用键入、点击、滚动与之交互。当时是 research preview，有限度，会按用户反馈改。OpenAI 把它列为「第一批 agent」之一：你给任务，它去执行。

可用性：当天起美国 Pro 用户可在 operator.chatgpt.com 使用。计划扩到 Plus、Team、Enterprise，并在未来把能力收进 ChatGPT。驱动模型 CUA（computer-using agent）计划稍后在 API 放出，供开发者自建电脑使用 agent。

安全与迭代：从小范围开始，边用边收紧。登录墙、验证码、高风险动作需要人确认一类限制，公告按研究预览来写，不是已解决。

当时不是什么

这不是已经并入 ChatGPT 主入口的「agent 模式」，也不是通用桌面 Computer Use 的完整复制——公开形态是浏览器。可靠性与安全边界被明确写成预览。

2.2 - Operator 讲解

当时解决了什么问题

2024-10 Computer Use 是开发者 API：调用方自备桌面。Operator 把同一条动作通道做成可打开的站点——Agent 自带浏览器，不必先搭 VM。CUA 把「看 + 点」训成专用核心；视觉输入是前提，点击策略是另一层。

按定义这 是 Agent：核心选动作，副作用在远程 GUI，观察是新截屏。人下任务、对敏感步确认。登录墙、验证码、复杂后台仍脆；能点 ≠ 完成谓词已通。

对后续 LLM 与 Agent 的影响

7 月并入 ChatGPT agent：浏览执行不再是另开产品，而是聊天入口里的一种模式。电脑/浏览器线的成功率明显低于编码运行时。没有这条预览，看屏仍停在 2024 的 API 与 OSWorld 低分。两条可靠度曲线不要并成一句「已经会用电脑」。

3 - OpenAI o3

OpenAI。2025-01-31 放出 o3-mini；2025-04-16 放出完整 o3 与 o4-mini。o3 可在思维链里选用浏览、Python、看图等工具。

1. 材料 — 按两篇发布当时转述：mini 与完整 o3，不把 GPT-5 回填。
2. 讲解 — 边想边选工具改写了核心；执行与停机仍在宿主。

o3-mini：OpenAI o3-mini。o3 / o4-mini 系统卡：o3 and o4-mini System Card。

3.1 - OpenAI o3（材料）

本页按时间分开转述，不把 8 月 GPT-5 或 Codex 的 codex-1 写成这两天已经有。

2025-01-31：o3-mini

出处：OpenAI，OpenAI o3-mini。推理系列里更便宜、更快的一档，面向 STEM、数学、编码。ChatGPT 与 API 当天可用。开发者可设 reasoning effort：low / medium / high。当时不支持视觉；看图仍用 o1。Plus / Team 限额相对 o1-mini 上调。可与搜索配合给带链接的答案（早期原型）。

这是 o3 家族进入产品的第一只，不是完整 o3。

2025-04-16：o3 与 o4-mini

出处：系统卡 OpenAI o3 and o4-mini System Card；同期产品说明。o3 被写成当时最强推理模型；o4-mini 更快更便宜。关键主张：推理与完整工具能力结合——网页浏览、Python、图像与文件分析、生图、canvas、automations、file search、memory。模型可在思维链里调用工具，例如裁剪图像、上网、用 Python 分析数据。公告还写「think with images」：视觉不只是看一眼，而是进入推理链。

开发者侧：Chat Completions 与 Responses API。社区说明里 o3 在 SWE-bench Verified 上自报 69.1%（厂商榜，脚手架另计）。Plus / Pro / Team 当天可在 ChatGPT 选用。

当时不是什么

推理模型与工具结合，不是新的运行时，也不是自托管网关。o3-mini 1 月还不能看图；完整 o3 的工具是 ChatGPT / API 宿主提供的，不是用户机器上的 shell。

3.2 - o3 讲解

当时解决了什么问题

o1 把长思考藏进模型，工具多半在思考结束之后由宿主另调。o3 把浏览、代码、看图收进思维链：决策与「该不该调用」并进，不必每一步在明文 ReAct 里写完规划。effort 档把延迟和账单暴露给调用方。

按定义 o3 不是 Agent。思维链里的 tool 标记仍是意图；Python、HTTP、文件系统的副作用发生在运行时一侧。没有 Claude Code / Codex / SDK 的循环，它只是一次（或一段）更会选工具的补全。

对后续 LLM 与 Agent 的影响

没有这个核心，5 月 Codex 的 codex-1（o3 的软件工程变体）和 Deep Research 的长检索都缺少默认引擎。GPT-5 再把快答 / 思考 / 路由收成系统，o 系列作为独立选择器退场。记法与 o1 相同：换决策核心，不换品类。把内部 CoT 当成已经实现作用在环境上的循环，会漏掉宿主。

4 - Deep Research

OpenAI，2025-02-02。ChatGPT 里的 deep research：针对复杂任务在网上做多步研究。先给 Pro，计算很重。

1. 材料 — 按当时公告转述：能力、限额、适用对象。不写 7 月 agent 模式回填。
2. 讲解 — 研究型循环成为按钮；长报告 ≠ 研究已可靠。

当时公告：Introducing deep research。

4.1 - Deep Research（材料）

本页转述 2025-02-02 发布当时公开说了什么。4 月加量、轻量 o4-mini 版、7 月与 ChatGPT agent 的浏览器叠加，不写进本页「当天主张」。

主要出处：OpenAI，2025-02-02，Introducing deep research。本页不复制公告全文。

产品主张

deep research 被写成 ChatGPT 里的 agentic 能力：针对复杂任务在互联网上做多步研究，用几十分钟完成人要数小时的检索与综合。面向对象：金融、科学、政策、工程等需要彻底、精确、可引用研究的知识工作；也可用于需要仔细比较的消费决策。

当天：为 Pro 优化，每月最多约 100 次查询；Plus、Team 随后，再 Enterprise。英国、瑞士、欧洲经济区当时仍在处理准入。计算很重：查得越久，推理算力越多。用户在输入框选 deep research、可附文件；当时以网页为主。

驱动侧：公告写到用经过强化学习、面向真实浏览器与 Python 工具任务训练的推理模型变体（发布时叙事挂在 o3 一类推理模型上）。输出强调带引用的长稿，而不是一句聊天回复。

当时不是什么

这不是「已经解决研究」的声明，也不是通用电脑操作。它是带工具的长程检索–综合循环，有次数上限，有地理限制。正确率与引用质量仍要人核对。

4.2 - Deep Research 讲解

当时解决了什么问题

单次搜索和浏览插件给链接或短答。复杂调研要拆题、多源检索、交叉核对、写成带出处的稿。Deep Research 把这套循环收进 ChatGPT，而不是让调用方用 ReAct 拼搜索 API。通道是网页与文档，停机由产品（时长、深度、额度）和核心一起决定。

按定义这 是 Agent：核心选下一步检索或综合，工具产生网络副作用，观察写回后再选。谓词是「带引用成稿」，不是测试绿、不是环境状态断言。幻觉、选源偏差、过时页面，2 月没有被宣布消失。

对后续 LLM 与 Agent 的影响

它划出 2025 年应用层的研究专线，与编码运行时、电脑操作并列。后来与 Operator 收进同一 ChatGPT agent 入口：浏览执行和研究被当成同一类「替你干活」模式，学科边界在产品上合并，尺子没有合并。不要把成稿长度读成质量。

5 - Claude Code

Anthropic。2025-02-24 随 Claude 3.7 Sonnet 以有限研究预览推出命令行 agentic coding 工具；2025-05-22 随 Claude 4 一般可用。

1. 材料 — 按两篇公告分别转述预览与 GA，不混成一天。
2. 讲解 — 运行时如何吞掉 AgentExecutor；框架、运行时、协议必须分列。

预览：Claude 3.7 Sonnet and Claude Code。GA 见 Claude 4 同期产品说明。

5.1 - Claude Code（材料）

本页按时间分开转述，不把后来的 IDE 插件、GitHub Actions、Agent SDK 写成 2 月已经有。

主要出处：Anthropic，2025-02-24，Claude 3.7 Sonnet and Claude Code；2025-05-22 Claude 4 发布说明中的 Claude Code 一般可用。本页不复制公告全文。

2025-02-24：有限研究预览

同日发布 Claude 3.7 Sonnet：公告称为当时最强模型，也是市场上第一只 hybrid reasoning 模型——可近乎即时回答，或延长逐步思考（对用户可见）；API 用户可控制思考时长。编码与前端被写成明显增强。

Claude Code 写成「第一个 agentic coding 工具」的有限研究预览：开发者可在终端里把相当体量的工程任务委派给 Claude。循环、工具、仓库访问由这套命令行运行时带着走，而不是再 import 一个 Agent 框架。预览范围有限。

2025-05-22：GA

随 Claude 4 发布，Claude Code 从预览转为一般可安装的开发者工具。此后 IDE 插件、CI 集成是同一引擎上的表面，2 月的核心主张不变：你用来干活的运行时，不是给应用嵌的库。

当时不是什么

2 月不是 GA，也不是 Slack 里的团队员工（那是 2026 的 Tag）。3.7 的混合推理是模型能力；Claude Code 是接在终端上的循环产品。两者同一天出现，不要把模型写成已经等于运行时。

5.2 - Claude Code 讲解

当时解决了什么问题

2023–2024 自建编码 Agent 的路径是：选编排库、接 Function Calling、配沙箱、写停机。循环在调用方进程里，AgentExecutor 是应用代码。Claude Code 把控制平面收成可安装的运行时：在仓库目录启动，读树、改文件、跑 shell，人在终端批 diff。3.7 的可延长思考把「难步」从明文 ReAct 收进核心；循环本身不在核心里。

框架、运行时、协议必须分列。Agents SDK 一类是库，进程仍是你的。Claude Code 是装上即委派的执行环境。MCP 是它后来的工具插槽，不是它的循环。按定义这 是 Agent：核心在循环里对环境（工作副本与 shell）产生副作用。人在环路是主路径，不是无人值守员工。

对后续 LLM 与 Agent 的影响

5 月云端 Codex 是同一迁移的另一边：循环进托管沙箱，而不是进又一个 Python 包。年中 IDE Agent 模式把这层习惯锁进编辑器。2026 年 Tag 文档写明：频道任务跑在与 Claude Code on the web 相同的短寿沙箱上——引擎未换，换的是委派面与 principal。读 2025，这一条才是「运行时压过框架」的可核对点。

6 - Manus

Monica / Butterfly Effect 团队，约 2025-03-05。Manus：云端虚拟机里「想完就做」的通用 agent。邀请码驱动传播。

1. 材料 — 按当时官网与演示主张转述：通用、多步、GAIA 自报。
2. 讲解 — 引爆与可靠性分开；和 2023 AutoGPT 同类。

产品：manus.im。

6.1 - Manus（材料）

本页转述 2025 年 3 月初公开演示与产品页当时说了什么，不把后来的改版、定价或 Skills 支持写成首发事实。

主要出处：产品演示 Introducing Manus: The General AI Agent（及同期视频）；当时为邀请制网页预览。团队对外信息有限。本页不复制营销全文。

当时公开的主张

Manus 自称 general AI agent：不只生成想法，而是在云端环境里把任务做到交出结果（网站、行程、研报、课件等演示）。叙事是「mind and hand」（mens et manus）：知识必须动手才有用。架构被说成多 agent、多模型；并承诺年后再开源部分模型——那是路线，不是 3 月已交付。

基准：早期检查点在 GAIA 上自称领先，并点名对比 OpenAI Deep Research。还提到 Upwork / Fiverr 与 Kaggle 上的真实任务。独立、可复现的全量对照在首发周并不充分。

传播：邀请码 + 演示视频，在中文互联网形成类似 2025 年初其他爆款模型的排队效应。

当时不是什么

不是开源运行时，不是已审计的「什么都能干」。产品形态接近「云端虚拟机里的通用循环」，可靠性与宣传要分开记。

6.2 - Manus 讲解

当时解决了什么问题

Claude Code / Operator 走专线：仓库，或浏览器。Manus 用「通用助手在云电脑里干活」把 2023 年 AutoGPT 的幻想重新做成 2025 年的消费演示。邀请制制造稀缺，热度快于任何可复核的谓词。

按定义演示中的系统 是 Agent：多步、有环境、有回执。自主度宣传很高；可复现的完成率当时跟不上宣传。GAIA 自报是厂商数字，不是行业水位。

对后续 LLM 与 Agent 的影响

通用云端 Agent 成为中文舆论里的品类名，与编码运行时、研究按钮并列。记法与 AutoGPT 相同：引爆上表，首发周分数不当尺子。人在环路的专线（编码、研究）在 2025 年把日常使用做实；通用线继续吃「什么都能干」的期望税。11 月自托管 OpenClaw 是另一条表面，不要和云端演示合成一种产品。

7 - OpenAI Agents SDK

OpenAI，2025-03-11。Responses API、内置网页/文件/电脑使用工具、开源 Agents SDK、tracing。宣称改进 2024 年的实验库 Swarm。

1. 材料 — 按当时公告转述：四块积木，不写后来的 JS SDK 全貌。
2. 讲解 — 框架没死；主战场是运行时。handoffs 不是 A2A。

当时公告：New tools for building agents。仓库：openai/openai-agents-python。

7.1 - Agents SDK（材料）

本页转述 2025-03-11 公告当时公开说了什么，不把 5 月远程 MCP、JS SDK 或后来的 Sandbox Agent 写成当天已有。

主要出处：OpenAI，2025-03-11，New tools for building agents。Python 仓库当日创建：openai-agents-python。本页不复制公告全文。

主张

客户要把推理、多模态和安全技术做成生产级 agent，仍常卡在提示词迭代、自写编排、缺少可见性。当天给出一组积木：

• Responses API： 把 Chat Completions 的简单性与 Assistants API 的工具能力合在一起，面向构建 agent。
• 内置工具： web search、file search、computer use。
• 开源 Agents SDK： 编排单 Agent 与多 Agent 工作流；写成对 2024 年实验库 Swarm 的显著改进。可与 Responses / Chat Completions 一起用；只要提供 Chat Completions 风格端点，也可接其他厂商模型。当时先 Python，Node 随后。
• 可观测： 跟踪并检查 agent 工作流执行。

核心概念（SDK 文档同期方向）：带指令与工具的 Agent、handoffs、guardrails、sessions、tracing。

当时不是什么

这是给开发者的 API 与库，不是 Claude Code 那种「打开终端就能委派」的运行时。computer use 内置工具是 API 能力，不是 Operator 网站。MCP 支持在 Agents SDK 里要到同月稍后的公开表态，不写进 3 月 11 日这一天。

7.2 - Agents SDK 讲解

当时解决了什么问题

2023 年 LangChain 把循环做成库；2024 年 Swarm 证明多 Agent 交接有人要用。2025-03 OpenAI 把编排、内置工具、tracing 收成官方积木，降低「从 Completions 自写 while」的成本。Responses API 是接口：一次响应里可以带工具循环，状态与进程仍在调用方。

按定义 SDK 不是 Agent。用它写出来的系统可以是。handoffs 是库内拓扑，不是 A2A 协议。同一周前后 MCP 被追认：插槽和编排同时出现，层不同。

对后续 LLM 与 Agent 的影响

真正改日常的是 Claude Code / Codex：运行时吞掉 AgentExecutor，大多数人不再从 SDK 起步。SDK 的位置接近 2023 年的 LangChain——降低自建成本，不定义品类口号。三者对照见 调研方法：Framework / Runtime / Protocol。可读的厂商对照还有 构建 Agent 实践指南。

8 - A2A

Google Cloud Next，2025-04-09。Agent2Agent（A2A）开放协议，五十余家合作伙伴背书。生产就绪版写成「今年晚些时候」。

1. 材料 — 按当时博文转述：互补 MCP、能力发现、企业场景。
2. 讲解 — 发布 ≠ 生态长成。互补 MCP；对照前传 FIPA。

当时公告：Announcing the Agent2Agent Protocol (A2A)。站点说明：什么是 A2A。

8.1 - A2A（材料）

本页转述 2025-04-09 发布当时公开说了什么，不把后来的 Linux Foundation 移交或生产落地写成当天已完成。

主要出处：Google，2025-04-09，Announcing the Agent2Agent Protocol (A2A)。本页不复制公告全文。

主张

A2A 让不同厂商、不同框架上的 AI agent 互相通信、安全交换信息、协调行动，跑在企业平台与应用之上。发布时称有 50 多家技术伙伴与咨询公司支持（Atlassian、LangChain、MongoDB、Salesforce、SAP、ServiceNow 等被点名）。

与 MCP 的关系，公告写明是互补不是取代：MCP 给 agent 工具与上下文；A2A 让 agent 与 agent 互操作。基于 HTTP、SSE、JSON-RPC 等既有标准；认证对齐 OpenAPI 一类方案。支持长任务、实时反馈与状态通知。角色写成 client agent 与 remote agent；用 Agent Card（JSON）发现能力。

生产就绪版本写成与伙伴一起在 2025 年晚些时候推出——4 月 9 日不是「已经统一企业里所有 agent 通信」。

当时不是什么

这是协议规范与合作伙伴名单，不是已经铺开的生产总线。日常开发仍主要是单运行时 + 工具。多 Agent 分工成为默认工作方式，不是这篇博文交付的。

8.2 - A2A 讲解

当时解决了什么问题

MCP 被追认 之后，工具层方言开始收束。企业里下一个问题是：我的客服 agent 如何把工单交给你的 ERP agent，而不绑死在同一家编排库。A2A 用 Agent Card、任务、通知回答这件事，并主动放在 MCP 旁边：MCP 接工具，A2A 接其他 Agent。扩展的是循环的边界，不是再发明一套工具 JSON。

按定义 A2A 不是 Agent，是 Agent 之间的协议。没有它，多 Agent 仍能用私有 RPC；有了它，也不等于生产里已经在跨厂商调度。SDK 里的 handoffs 仍是库内拓扑，不要写成 A2A 落地。

对后续 LLM 与 Agent 的影响

落地慢于 MCP。2026 年 Claude Tag 的「频道里多人转向同一个 session」是产品层多驾驶员，还不是 A2A 互操作。对照 前传 FIPA ACL：标准可以先写十年，生态另算。4 月发布会不能读成企业通信已经统一。

9 - MCP 被追认

2025 年 3 月 26 日起，OpenAI 宣布在 Agents SDK 等产品中支持 MCP；Google 等同期表态。跨厂商插槽从这一刻开始像事实标准。

1. 材料 — 按当时公开表态转述：谁支持、支持到哪一层。不把 2024 年公告重写一遍。
2. 讲解 — 后世重要性落在 2025 春，不在 2024-11；接线不是循环。

OpenAI 表态见 2025-03-26 公开讨论及随后的 Responses API 说明。2024 年规范见 MCP。

9.1 - MCP 被追认（材料）

本页转述 2025 年春季跨厂商支持当时公开说了什么。规范内容见 2024 MCP 材料，此处不重复。

主要出处：OpenAI CEO 2025-03-26 公开说明——MCP 当日可用于 Agents SDK，ChatGPT 桌面与 Responses API「即将」；随后 Responses API 博文宣布支持远程 MCP server，并称加入 MCP 指导委员会。Google 等在 4 月 A2A 公告里把 MCP 写成接工具的既有标准。本页不复制推文或博文全文。

当时主张

Anthropic 在 2024-11 开源的 MCP，被写成「人们喜欢」，OpenAI 要在自家产品里加上支持——包括桌面 ChatGPT。这是对手协议被采纳，不是 OpenAI 另发一套连接器标准。

落地是分阶段的：先 SDK，后桌面与 API 远程 server。生态侧已有一批 MCP server（支付、电商、客服工具等被后来的 API 博文举例）。Google 在 A2A 发布里明确：MCP 管工具与数据，A2A 管 agent 互操作。

当时不是什么

不是 2024 年 11 月「其实已经统一」的补记。2025 年春季才出现足够多的第二家、第三家大模型厂商背书。也不是所有产品默认插上 MCP；授权、远程 vs 本地、OAuth 细节仍在演进。

9.2 - MCP 被追认 讲解

当时解决了什么问题

MCP 在 2024-11 给出模型↔资源的开放协议，当时能用的 client 主要是 Claude Desktop。只有一家认的插槽，对应用方仍是赌 Anthropic。OpenAI、Google 表态之后，写一次 server 开始有机会插进多家运行时。这才是那篇规范的后世重要性：总线成为默认槽位发生在 2025 年春天，不是发布当天。

按定义 MCP 仍然不是 Agent。被追认的是接线，不是自主性。循环仍由 Desktop、Claude Code、Codex、自建 SDK 来跑。对照前传 FIPA ACL：先写标准再等生态可以空转；MCP 是产品已存在、再收成事实协议。

对后续 LLM 与 Agent 的影响

Claude Code、Codex、IDE Agent、后来的 Tag connections，都开始用「MCP server / connections」说话。A2A 必须把自己定义成互补，说明工具层位置已被占住。Skills 是晚绑定专长包，不是又一条 RPC。恶意 server 与提示注入随生态放大，不是 2024 年文本已经写完的故事。

10 - OpenAI Codex（云端 Agent）

OpenAI，2025-05-16。研究预览：并行任务、预装仓库的云沙箱、可开 PR。引擎是为软件工程优化的 codex-1（o3 变体）。

1. 材料 — 按当时公告转述：产品形态、codex-1、与 CLI 的关系。
2. 讲解 — 循环进云端沙箱；不要和 2021 Codex 模型搞混。

当时公告：Introducing Codex。2021 年模型见 Codex。

10.1 - OpenAI Codex 2025（材料）

本页转述 2025-05-16 研究预览当时公开说了什么，不与 2021 年 Codex 模型、也不与后来的产品改名混写。

主要出处：OpenAI，2025-05-16，Introducing Codex。本页不复制公告全文。

产品主张

Codex 是云端软件工程 agent：可并行处理许多任务。能写功能、回答代码库问题、修 bug、提出供人审的 PR。每个任务跑在自己的云沙箱里，预装你的仓库；可读改文件、跑命令、测试、linter、类型检查。任务常见耗时约 1–30 分钟，可监视进度。

引擎：codex-1，OpenAI o3 面向软件工程的变体。用真实编码任务上的强化学习训练，目标包括贴近人的代码风格与 PR 偏好、精确遵从指令、迭代跑测试直到通过。

可用性：当天起滚动给 ChatGPT Pro、Enterprise、Business；Plus / Edu 随后。最初数周较宽松的用量，之后限额与加购。同日更新开源 Codex CLI（终端里的编码 agent），默认改用面向软件工程的 o4-mini 变体，并在 API 计价。

当时不是什么

不是 2021 年那个把自然语言补全到代码的 Codex 模型。不是本地 IDE 插件本身（CLI 是另一表面）。研究预览：虚拟队友、做完「数小时到数天」的工程，是内部愿望与 briefing 里的方向，不是当天已验证的普遍交付。

10.2 - OpenAI Codex 2025 讲解

当时解决了什么问题

Claude Code 把循环放在本机终端。Codex 把循环放进隔离云环境：不占本机、可并行、PR 从沙箱开出。Devin 2024 年的「AI 软件工程师」叙事，这里变成 ChatGPT 套餐里的预览入口。专用核心 codex-1 说明应用层反向点菜：要的是能在沙箱里收工的决策核心，不是通用聊天模型。

按定义这 是 Agent。人下任务、审 PR，循环在云端转。CLI 与云端运行时成对出现，和本机 Claude Code 对台，同属运行时，不是又一个编排库。前传 Codex 是 2021 年模型；2025 是运行时。同名必须切开。

对后续 LLM 与 Agent 的影响

编码运行时形成双侧：终端/本机 vs 云端并行。SWE-bench Verified 继续被刷；Pro 与 Terminal-Bench 随即说明「补丁过单测」和「环境收工」不是同一把尺子。分数 ≠ 能接手真实迭代。2026 年身份问题在厂商工作区浮出；Codex 默认 principal 仍是使用者账号。

11 - Terminal-Bench

Stanford 与 Laude Institute，2025-05-19。真实 Docker 沙箱里的命令行任务；看最终环境状态，不看 transcript 漂不漂亮。

1. 材料 — 按发布时公开说明转述：任务形态、Terminus 基线。
2. 讲解 — 环境状态谓词；与 SWE-bench 的补丁尺子必须分开。

项目与说明见 laude-institute/terminal-bench。发布报道：2025-05-19。论文更晚（2026 年挂出），本页以 2025-05 基准上线为准。

11.1 - Terminal-Bench（材料）

本页转述 2025-05-19 基准公开上线时说了什么。2.0 / 更难后继版本与 2026 年论文，不写成当天已有。

主要出处：Stanford / Laude Institute 的 Terminal-Bench 发布（约 80–100 道 beta 任务）；参考 harness Terminus。后继论文：arXiv:2601.11868（2026 年才挂，仅作对照，不回填 5 月数字）。本页不复制全文。

主张

多数编码基准给模型一段上下文、要一段答案。Terminal-Bench 把 agent 放进一次性 Docker 命令行环境：自然语言指令、真实 shell、读命令输出、改到时间上限。成功与否由脚本检查容器最终状态，不评模型说话漂不漂亮。任务方向包括：编译仓库、训小模型、配服务器、修坏掉的系统。

同时放出 Terminus：尽量薄的参考脚手架，用来比较不同底层模型，而不是绑死某一家商业编码 Agent。后来的评测说明里，Claude Code、Codex CLI、Gemini CLI、OpenHands 等都可以接到同一套 Harbor 任务格式上——那是后续生态，不是 5 月 19 日已经刷完的榜。

当时不是什么

不是 SWE-bench 的替代（issue + 补丁 + 单测仍是另一张考卷）。也不是宣称「终端 Agent 已经过半」。早期外部评测的方向是：强商业运行时好于裸 Terminus，但即便最强也远未做完。

11.2 - Terminal-Bench 讲解

当时解决了什么问题

Claude Code 和 Codex CLI 的工作方式是：在 shell 里跑命令、看输出、再决定。SWE-bench 测的是「对着 GitHub issue 改到测试绿」。真实失败常发生在：依赖没装、路径错、服务没起来、指令含糊。Terminal-Bench 把考场换成有状态的 CLI，判定看最终机器，不看模型有没有写出像样的 bash。

按定义跑在这张考卷上的系统 可以是 Agent。基准本身不是 Agent。谓词类型不同：仓库绿 vs 环境状态。生成像那么回事的命令 ≠ 环境真的好了。

对后续 LLM 与 Agent 的影响

编码线从此至少两把尺子：Verified / Pro 管「修仓库」，Terminal-Bench 管「会不会在壳里把事做完」。9 月 SWE-bench Pro 再把仓库题加硬。两套分数不可互换，更不可与 Verified 七成并排吹。没有这张表，终端运行时只能借用 issue→patch 的叙事。

12 - IDE / CLI Agent

没有单一论文。2025 年中，主要编码工具几乎同时把多文件自主循环做成产品开关。人在环路仍是主路径。

1. 材料 — 按该年产品形态转述：一类事件，不是一家发布会。
2. 讲解 — 引爆的是习惯；弱自主仍满足定义。与 2024 补全要切开。

与 2024 年 Cursor 上半年的补全/对话要分开读。

12.1 - IDE / CLI Agent（材料）

本页转述 2025 年中前后 Cursor、GitHub Copilot、Google Gemini 等编码表面公开呈现的 Agent 模式，不把 2024 上半年的 Tab 补全写成已经等于这些模式。

没有单一出处。可核对的方向：

• Cursor Agent / Composer 一类： 在编辑器里对多文件任务委派，模型改仓库、跑命令，人看 diff。相对 2024 上半年的补全与单轮编辑，循环明显加长。
• GitHub Copilot Agent Mode： 在 Copilot 产品里从「建议下一行」扩到可在工作区执行多步任务（具体开关名随版本变，主张是 agentic 编码）。
• Gemini CLI 等终端 Agent： 把 Google 的编码核心接到命令行，与 Claude Code / Codex CLI 同一品类。

共同形态：人在 IDE 或终端里发起，Agent 读项目、改文件、用工具，停下来等人。全自主是选项，不是唯一路径。

当时不是什么

不是某一家「发明了 IDE」。不是 A2A 级的多 Agent 企业总线。也不是无人盯着做完跨天跨人的任务。

12.2 - IDE / CLI Agent 讲解

当时解决了什么问题

Claude Code 与 Codex 证明运行时可以当产品卖。编辑器不能只停在补全：用户已经会问「能不能让它自己改完这几个文件」。2025 年中把长循环放进已经打开的窗口，减少另开网站或云控制台的切换。人随时打断、审 diff；失败成本低于把钥匙交给全自主云工人。

按定义这些模式 是 Agent：多步、改工作树、看测试/编译回执。自主度通常低于 Devin 叙事，高于 2024 年的 Tab。定义允许弱自主；留存先起来的是这一档，不是无人值守。

对后续 LLM 与 Agent 的影响

开发者日常被这层习惯锁住。2026 年要解决的不是「会不会在 IDE 里改代码」，而是团队频道里那一个身份。专线编码的可靠度继续高于通用电脑操作和研究型长稿。框架仍可自建，默认路径已经是运行时开关，而不是再引入一层 AgentExecutor。

13 - ChatGPT agent

OpenAI，2025-07-17 前后。agent mode 进 ChatGPT 输入框。独立 Operator 站点随后下线。

1. 材料 — 按当时更新说明转述：入口合并，不重写 1 月 Operator 全文。
2. 讲解 — 消费级长循环从独立站点收成聊天模式；可靠度排序未翻转。

更新说明见 Introducing Operator 页上的 7 月更新，以及 Deep Research 页上的同期说明。

13.1 - ChatGPT agent（材料）

本页转述 2025 年 7 月入口合并当时公开说了什么。1 月 Operator、2 月 Deep Research 的首次主张见各自材料页。

主要出处：OpenAI 在 Introducing Operator 的 2025-07-17 更新——Operator 完全并入 ChatGPT，输入框下拉选择 agent mode；独立站点 operator.chatgpt.com 将在随后数周下线。Deep Research 页同期写：agent 模式可配合视觉浏览器把研究做得更深；原 deep research 仍可从工具菜单进入。本页不复制全文。

当时主张

浏览执行不再要求打开第二个网站。用户在 ChatGPT 里选 agent 模式、直接下任务。研究型能力与浏览器执行开始共享入口，而不是两条完全分离的产品。原 Deep Research 按钮仍保留一段时间，避免一次切死。

当时不是什么

不是宣布电脑操作已经达到编码线可靠度。不是企业级身份与治理方案。合并的是入口，限度（登录墙、预览级安全、地理与套餐）没有在更新里被写成已经消失。

13.2 - ChatGPT agent 讲解

当时解决了什么问题

Operator 单独一个域名，教育成本高：用户不知道该去 ChatGPT 还是去 Operator。Deep Research 已是聊天里的模式。并入之后，「让它去网上干活」和「让它做深度研究」变成同一产品里的开关。这是包装，也是能力叠：视觉浏览器可以喂给研究循环。

按定义 agent mode 是 Agent。人在 ChatGPT 里委派。并入口没有把 GUI 线的完成谓词抬到编码运行时的水平。

对后续 LLM 与 Agent 的影响

OpenAI 消费入口统一成「聊天 + 可选长循环」。Anthropic 走 Claude Code / 后来 Tag 的工作区路线，不是同一个表面。可靠度排序没有因为并入口而翻转：编码运行时仍更扎实，点网页仍更脆。读 2025 年中，这一条是产品边界事件，不是新的执行语义。

14 - GPT-5

OpenAI，2025-08-07。GPT-5 成为 ChatGPT 默认；API 面向编码与 agentic 任务。SWE-bench Verified 厂商自报 74.9%。

1. 材料 — 按当时公告转述：统一系统、基准、verbosity / reasoning_effort。
2. 讲解 — 路由核心，不是循环；Verified 七成与 Pro 两成必须切开。

当时公告：Introducing GPT-5、GPT-5 for developers。

14.1 - GPT-5（材料）

本页转述 2025-08-07 发布当时公开说了什么，不把 9 月 SWE-bench Pro 的 23.3% 写进当天材料。

主要出处：OpenAI，2025-08-07，Introducing GPT-5；Introducing GPT-5 for developers。本页不复制公告全文。

产品主张

GPT-5 被写成统一系统：多数问题快速回答，难题延长思考；路由器按对话类型、复杂度、工具需求和用户明示（如 “think hard”）选择。ChatGPT 里替换 GPT-4o、o3、o4-mini、GPT-4.1、GPT-4.5 等，成为登录用户默认。另有 GPT-5 pro（更长思考，替换 o3-pro）。公告称思考版用更少输出 token 仍优于 o3。

开发者向：面向编码与 agentic 任务。新参数包括 verbosity、reasoning_effort 可取 minimal。新增 custom tools：可用纯文本而非 JSON 调工具，并可用开发者提供的 CFG 约束。

评测（厂商自报）

• SWE-bench Verified：74.9%（对照文中 o3 的 69.1%）；相对 o3 high reasoning 自称少 22% 输出 token、少 45% 工具调用。
• Aider Polyglot 88%；τ2-bench telecom 96.7%；AIME 2025 无工具 94.6%；MMMU 84.2%。
• 内部「经济上有价值的知识工作」评测：思考模式下约一半案例可比或优于专家（跨 40 余职业）——这是厂商内部卷，不是公开考卷。

当时不是什么

这是默认决策核心与 ChatGPT 入口，不是新的自主运行时。74.9% 是 Verified，不能直接读成「四分之三真实工程已经能交给它」。长链工具更稳，循环仍由 Codex / Claude Code / 自建系统来跑。

14.2 - GPT-5 讲解

当时解决了什么问题

2025 上半年用户要在 4o、o3、o4-mini 之间自己选。选错就又贵又慢，或该想的时候没想。GPT-5 把路由收进产品：默认系统决定何时走快答、何时思考。编码运行时可以少做一层「简单步走快模型、难步走 o3」的手工分流——分流开始发生在核心侧。工具链更长、更不易走丢，是公告重点。

按定义 GPT-5 不是 Agent。它是循环里的默认核心加路由器。沙箱、停机、MCP 插槽仍在运行时。把「自动想」写成已经交付作用在环境上的循环，会漏掉宿主。

对后续 LLM 与 Agent 的影响

Cursor、Copilot、Codex CLI 很快把默认核心切过来。一个月后 SWE-bench Pro 把同一只 GPT-5 打到约 23%：Verified 已经偏「会的题」，Pro 才接近长周期、多文件、抗污染的仓库。两张表必须并排读，完成率不可互换。2026 年 Tag 一类产品继续换更新的 Opus / GPT，故事不再是「又一个基模名字」，而是身份与沙箱。

15 - SWE-bench Pro

Scale AI 等，2025-09-19。1,865 题、41 个仓库；公开集 731。统一脚手架下前沿模型 Pass@1 低于 25%。

1. 论文 — 按原文转述：题量、分区、23.3%。
2. 讲解 — 谓词变硬，完成率塌缩；Verified 七成不能当 Pro 两成的对照。

原文：arXiv:2509.16941。博文：SWE-Bench Pro。

15.1 - SWE-bench Pro（论文）

Scale Research 等。SWE-Bench Pro: Can AI Agents Solve Long-Horizon Software Engineering Tasks?。2025-09 挂出。arXiv:2509.16941。配套说明：Scale 博文（2025-09-19）。

摘要

SWE-bench / Verified 上的高分，覆盖不了专业软件工程的长度与多样性。Pro 给出 1,865 题，来自 41 个仍在维护的仓库，覆盖业务应用、B2B、开发者工具等。分区：

• 公开集 731（11 个公开仓，偏 copyleft，用来降低训练污染）
• 留出集 858（12 仓，不公开当考题）
• 商业集 276（18 个创业公司私有仓，有正式合作）

任务被写成职业工程师可能要数小时到数天：跨多文件、改动大。全部经人确认可解，并补足上下文。在统一脚手架、最多 200 轮下，广泛使用的编码模型 Pass@1 低于 25%；文中当时最高为 GPT-5 的 23.3%。博文并列 Claude Opus 4.1 约 23.1%。论文还对失败轨迹做了聚类。

评测设定（文中）

评测日期写到 2025-09-18 的模型版本。开源模型用 vLLM；尽可能开 tool-use。同一套基础提示与工具描述。强调：这是抗污染、更接近工业仓库的测试床，不是 Verified 的加长版闲聊。

当时不是什么

不是宣布编码 Agent 失败。是宣布 Verified 已经不够当唯一尺子。23% 是统一脚手架下的模型分，不是某一家产品运行时的私有榜。

15.2 - SWE-bench Pro 讲解

论文解决了什么问题

2024 年 Verified 清洗了坏题，分数应声上涨。到 2025-08，GPT-5 在 Verified 上自报约 75%。若只看这一张表，叙事会变成「软件工程师已经大半能交给模型」。Pro 换更长、更多文件、更不像训练语料的仓库，同一只 GPT-5 掉到约 23%。这与 2023 年原版 SWE-bench 的「个位数」不是同一句话，功能类似：把宣传从考卷上拉开。

按定义 Pro 是评测，不是 Agent。它量的是统一脚手架下的仓库完成谓词。与 Verified 不可横比：分母、题长、污染控制都换了。与 Terminal-Bench 也不可横比：一个看补丁与测试，一个看环境状态。

对后续 LLM 与 Agent 的影响

2026 年 Aries 用 SWE-Bench Pro 当受控负载之一，不是偶然：基础设施论文需要任务够难、轨迹够长。产品侧 Claude Code / Codex 继续报 Verified；读 2025 年编码 Agent，两张表要一起看。人在环路没有过时——论文自己也写，多数非平凡任务仍过不去。

16 - Agent Skills

Anthropic，2025-10-16。工程博文提出 Agent Skills：含 SKILL.md 的目录，渐进式披露。12 月转成跨平台开放标准。

1. 材料 — 按当时博文转述：结构、渐进披露、适用表面。
2. 讲解 — 晚绑定专长包；不是 RPC，不是再训练，不是循环。

当时原文：Equipping agents for the real world with Agent Skills。站点对照：为智能体配备 Agent Skills。

16.1 - Agent Skills（材料）

本页转述 2025-10-16 博文当时写了什么。12 月「开放标准」更新可一笔带过，不把后来所有生态写成当天。

主要出处：Anthropic，2025-10-16，Equipping agents for the real world with Agent Skills。本页不复制全文。中英对照见本站 该文。

主张

Claude 很强，但真实工作需要程序性知识与组织上下文。Agent Skills 用文件和文件夹构建专用 agent：指令、脚本、资源放在一起，agent 按需发现并加载。把专长打包成可组合资源，通用 agent 变成适合你的专用 agent。类比：给新员工写入职指南，而不是为每个用例另做一只定制 agent。

结构：一个 skill 是含 SKILL.md 的目录。文件以 YAML frontmatter 开头，必填 name 与 description。启动时，agent 把已安装 skill 的 name/description 预装进系统提示——这是渐进披露的第一级。任务相关时再读入完整 SKILL.md（第二级）。更大的参考文件、脚本按需再读（第三级及以后）。PDF skill 被当作例子：Claude 懂 PDF，但直接填表单要靠 skill 里的操作说明与脚本。

当时支持面：Claude.ai、Claude Code、Claude Agent SDK、Claude Developer Platform。与 MCP 的关系：文中写成互补——MCP 接外部工具，Skills 教更复杂的流程。

当时不是什么

不是新的模型权重，不是 MCP 的替代品，不是 A2A。12 月才另文把 Skills 推向跨平台开放标准，10 月仍是 Anthropic 运行时上的包装方式。

16.2 - Agent Skills 讲解

当时解决了什么问题

窗口再长，也不该把公司全部流程塞进系统提示。自定义 GPT、长 prompt、私有 fine-tune，都难分享、难版本管理。Skills 把「何时用、怎么做」做成可检入 git 的目录，运行时只在相关时加载。渐进披露是针对上下文税的工程，不是新的推理算法。通用核心不变，动作清单与领域步骤晚绑定。

按定义 Skills 不是 Agent。它是给已经在转的循环配备的知识与脚本包。MCP 接工具，Skills 接流程，A2A 接其他 Agent——三层不要混。开放标准是 12 月的加码；10 月已经够改变「怎么给运行时喂领域知识」。

对后续 LLM 与 Agent 的影响

2026 年 Tag 把 skills repo 做成组织级 bundle：管理员按频道配专长，而不是每人在 claude.ai 上装自己的。这与 Access bundle 同一方向：装载从个人配置上收到组织 scope。调研方法 里的 Protocol 在 2025 年终于能用产品对上号：接线、装载、对端 Agent，都不是循环本身。

17 - OpenClaw（龙虾）

Peter Steinberger。GitHub 仓库 2025-11-24 创建（Warelay / 后称 Clawdbot）。把聊天频道接到本机 Gateway：模型 + 工具 + WhatsApp/Telegram 等。中文常称「龙虾」。

1. 材料 — 按 2025 年 11 月仓库与产品形态转述。不把 2026-01 的星标暴涨写成当时事实。
2. 讲解 — 出生与爆红必须切开；自托管个人 Agent ≠ 厂商终端运行时。

仓库：openclaw/openclaw（创建于 2025-11-24）。站点：openclaw.ai。2026 年爆红见 OpenClaw 爆红。

17.1 - OpenClaw（材料）

本页转述 2025 年 11 月仓库公开时能核对的产品主张。改名 OpenClaw、星标暴涨、安全事件与「养龙虾」舆论在 2026 年 1 月，见 2026 OpenClaw，不写进本页「当时」。

主要出处：GitHub openclaw/openclaw，created_at 2025-11-24；早期常用名 Clawdbot / Clawd（龙虾梗来自标志与 Claude 谐音）。项目 lore：docs.openclaw.ai。本页不复制文档全文。

当时能看见的产品主张

在你自己的机器（或你租的服务器）上跑一个 Gateway：会话、工具、事件、频道连接的控制面。人通过已经在用的聊天软件发指令——WhatsApp、Telegram、Discord、iMessage 等——而不是打开又一个 ChatGPT 网页。Gateway 再去调你配置的模型 API，并用工具碰文件、浏览器、命令行。文档后来把架构写成：受信任的网关、不受信任的执行、确定性策略；2025 年 11 月能确定的是：自托管 + 多频道 + 本机/服务器上的 agent 循环。

它依赖你接入的模型质量与密钥，不是自带基模。需要 Node 一类运行时和供应商 API key。一个 Gateway 可以给单人用，也可以配成互相信任的小团队——配置不同，进程同类。

当时不是什么

不是 Anthropic / OpenAI 的官方运行时。不是 2025 年 11 月已经家喻户晓的现象级产品——仓库那一周远未到后来的数十万星。也还不是名叫 OpenClaw 的商标故事：2026 年 1 月因商标从 Clawdbot 改 Moltbot，再改 OpenClaw。

17.2 - OpenClaw 讲解

当时解决了什么问题

Claude Code 和 Codex 很强，但人要坐在 IDE 或 ChatGPT 前面。日常指令发生在手机聊天里；文件和浏览器在自己的电脑上。Clawdbot 把两边接起来：频道是表面，Gateway 在你控制的硬件上转循环。这是 自托管个人 Agent，不是 2025 年主线上「装一个官方 CLI」。按定义这 是 Agent：多步、调工具、看回执。权限面等于机器本身；密钥、文件、shell 的风险从第一天绑在形态上。

对后续 LLM 与 Agent 的影响

2025-11 只是仓库出现。八周后的 2026 年现象 才把「养龙虾」做成大众事件，并带出暴露实例、恶意 skill、企业禁用。时间线必须把出生和爆红分开：否则会把 2026-01 的星标写进 2025-11。和 Manus 的差别：Manus 是云端托管的通用演示；龙虾是开源、自托管、频道入口。和 Claude Code 的差别：一个是开发者终端运行时，一个是从口袋里的聊天软件指挥你的电脑。principal 仍是机主账号，不是组织级 Agent Identity。

18 - Amazon Bedrock AgentCore（re:Invent 2025）

AWS，2025-12-02（re:Invent）。AgentCore 新增的策略（Policy）在模型推理循环之外拦截 Gateway 的工具调用，按细粒度权限放行或拒绝；评估（Evaluations）按真实行为给正确性与有用性打分；记忆加了情景策略；运行时支持双向流式，用于语音 Agent。前两项当时是 Preview，2026 年 3 月才 GA。

1. 材料 — 按 AWS 官方博客转述：策略、评估、记忆、双向流式，以及 GA 时间。
2. 讲解 — 「拒绝」从模型内决策移到平台层；这是 2026 组织身份与权限线的早期形态。

当时公告：AgentCore adds quality evaluations and policy controls。

18.1 - AWS AgentCore（材料）

主要出处：AWS，2025-12-02，Amazon Bedrock AgentCore adds quality evaluations and policy controls；同日 Strands Agents SDK 见 TypeScript 预览公告（12-03）。本页不复制公告全文。

当时说了什么

• Policy in AgentCore（Preview）：在工具真正执行之前拦截 AgentCore Gateway 的调用，按细粒度权限决定放行或拒绝。公告的措辞值得抄下来：策略施加于 agent 推理循环之外，把 Agent 当作「自主行动者」——它的决定在到达工具、系统或数据之前需要被校验。策略可以用自然语言或开源策略语言 Cedar 写。
• AgentCore Evaluations（Preview）：按真实运行行为评估质量，内置正确性、有用性等维度，也可自定义；结果在 CloudWatch 里看并可告警。
• AgentCore Memory 的情景（episodic）策略：长期记忆的一种，让 Agent 从经历中学习。
• AgentCore Runtime 双向流式：用户与 Agent 可以同时说话，用于语音 Agent。

时间线要分清

• 2025-12-02 是 Preview。公告页顶部有编者更新：Policy 2026-03-03 GA，Evaluations 2026-03-31 GA。写 2025 时不能写成已经可用。
• 同日发布的 Strands Agents SDK 变化属于开发面：TypeScript 支持进入预览、边缘设备支持 GA、steering 实验特性。语言与部署位置的变化，不是循环语义的变化。

当时不是什么

不是新模型，也不是新的 Agent 架构。AgentCore 不改循环怎么转，改的是循环之外那一圈：谁来判断一次工具调用该不该发出去、谁来给整段行为打分。这两件事此前默认由开发者自己写在应用里，或者干脆交给模型。

18.2 - AWS AgentCore 讲解

当时解决了什么问题

2023 以来，「Agent 不要做危险的事」一直靠三样东西：系统提示、工具白名单、人盯着。前两样都在模型或应用里，第三样不可扩展。AgentCore 的策略换了个位置——在推理循环之外拦截工具调用，用独立于模型的规则放行或拒绝。

这个位置很关键。模型被 prompt injection 说服、或者自己判断失误时，提示词层面的防护是同一套推理在自我审查；而循环外的裁决不是。公告把它写成「把 Agent 当作自主行动者」：不是不相信模型，是不把最终决定权交给它。

评估是另一半：正确定性、有用性这类维度按真实运行行为算，而不是靠离线基准。第二层（完成判据）第一次出现在平台侧，而不是只在论文和基准里。

对后续 LLM 与 Agent 的影响

这两项 2026 年 3 月 GA，比 2026 年的组织身份讨论早了三个月。把 Agent 的权限与审计从「借用户的 OAuth」里拆出来，是 Claude Tag 与 Agent identity 同一年的命题——只是那两家走的是身份与 scope，AWS 走的是策略拦截点。三条路指向同一件事：主体和裁决不能留在模型里。

对能力栈的影响是：平台侧开始出现独立的治理层，与循环、沙箱并列。这层在 2025 年属于首家，到 2026 年才会被当作标配讨论。

19 - Claude Code in Slack

Anthropic，2025-12-08，beta 研究预览。在 Slack 里 @Claude，消息被判断为编码任务时自动创建一个 Claude Code 会话；上下文取自最近的频道与线程消息，仓库从已授权的 Claude Code on the web 仓库里自动选。进展回帖到线程，完成时给出会话链接与开 PR 的直链。

1. 材料 — 按当时公告转述：触发、选仓、回帖、适用条件。
2. 讲解 — 改的是委派面，不是执行面；2026 的 Claude Tag 从这里接出。

当时公告：Claude Code and Slack。

19.1 - Claude Code in Slack（材料）

主要出处：Anthropic，2025-12-08，Claude Code and Slack。本页不复制公告全文。

当时说了什么

• 状态写成 beta 研究预览：公告原话是「Now in beta as a research preview」。
• 触发：在 Slack 里 @Claude，它先判断这条消息是不是编码任务；是则自动新建一个 Claude Code 会话。也可以手动要求按编码任务处理。
• 上下文与选仓：Claude 采集最近的频道与线程消息喂给会话，并据此自动选择在哪个仓库上跑——范围是你在 Claude Code on the web 上已授权的仓库。
• 回帖与交付：会话推进过程中把状态回帖到 Slack 线程；完成后给出完整会话链接（可审改动）和开 PR 的直链。

适用条件

需要在 Slack 工作区安装 Claude app（Slack App Marketplace）并用 Claude 账号认证；还需要有 Claude Code on the web 的访问权，任务路由到那里执行。这是既有 Claude app for Slack 的扩展，不是新的执行面。

当时不是什么

不是无人值守的团队 Agent，也不是新的沙箱或权限模型——公告没有提到执行面、停止语义或权限的任何变化。委派从终端挪进聊天流，执行仍落在 Claude Code on the web 既有的沙箱与权限里。频道可见性、多人转向同一会话，要到 2026 Claude Tag 才成为产品主张。

19.2 - Claude Code in Slack 讲解

当时解决了什么问题

2025 年的编码运行时都在开发者的终端或编辑器里启动：Claude Code、Codex CLI、Cursor。任务却常常从对话里冒出来——一段报错贴、一串复现步骤、一句「这个谁看一下」。这一步把触发面搬进 Slack：不用切窗口、不用复述上下文，@ 一下就有一个会话在跑，进展回到线程里。

按定义这 是 Agent：有目标、在仓库与 shell 上产生副作用、按执行回执继续。变化集中在两点。一是上下文来源：频道与线程历史自然成为任务描述，不再需要手写 prompt。二是委派可见性：同事看得见会话在跑、在哪个仓库上跑。

对后续 LLM 与 Agent 的影响

执行面没动。公告没有提新的沙箱、权限或停止语义，任务仍路由到 Claude Code on the web。所以这条不该写成「团队 Agent 就此成立」——它改的是控制面。

它的意义是提前摆好了 2026 要处理的接口：当同一个循环面对「谁在委派、谁看得见、以谁的名义」时，产品形态已经在这儿了。半年后的 Claude Tag 把 beta 收成组织级产品，并第一次正面处理主体（principal）与沙箱生命周期。

20 - 阿里云函数计算 AgentRun

阿里云，2025-12-10。函数计算推出的一站式 Agent 基础设施平台：以 Serverless 为底座，运行时与沙箱可自动休眠、按需唤醒（厂商自报毫秒级），会话亲和让状态跨请求存活；内置 Code Interpreter、Browser Tool 等沙箱，MCP 标准化封装工具，并做全链路追踪。

1. 材料 — 按阿里云产品动态转述：弹性与计费、休眠唤醒、会话亲和、内置沙箱、工具与模型治理。
2. 讲解 — 无状态 Serverless 与有状态 Agent 的矛盾第一次被当作产品问题正面回答。

当时公告：AgentRun 发布，一站式 Agent 基础设施平台。

20.1 - 阿里云 AgentRun（材料）

主要出处：阿里云，2025-12-10，AgentRun 发布，一站式 Agent 基础设施平台。本页不复制公告全文。

当时说了什么

• 定位：函数计算推出的「一站式 Agentic AI 基础设施平台」，以高代码为核心，覆盖 Agent 应用的开发、部署、运维全生命周期；可集成 AgentScope、LangChain、ADK、CrewAI 等框架，支持云端托管或私有化部署。
• 弹性与计费：宣称从 0 到百万级并发弹性、精细化计费。
• 休眠与唤醒：通过请求感知调度、实例冻结与内存快照，实现运行时与沙箱的自动休眠和毫秒级唤醒（厂商自报 1 毫秒）。
• 会话亲和：公告明确写「突破传统 Serverless 的无状态限制」，为 Agent 提供运行时状态的持久化与上下文管理，保障多轮对话。
• 内置沙箱：Code Interpreter、Browser Tool、All In One 等，内置多语言执行引擎与浏览器自动化引擎，面向多租户提供隔离。
• 治理与追踪：模型侧用统一代理屏蔽 API 差异；工具侧用 MCP 标准化封装、Hook 与智能路由；全链路追踪把每一步决策路径、耗时与状态可视化。

当时不是什么

这不是模型或协议事件，也不提供新的 Agent 循环语义——循环仍由框架或调用方决定。它回答的是执行位置问题：Agent 的运行时和沙箱在云上以什么形态存在、按什么计费、状态怎么跨请求活着。

「毫秒级唤醒」「降低多少 TCO」这类数字都是厂商自报，公告没有给出可复现的测量口径。写进时间线时按当时主张记，不作独立结论。

20.2 - 阿里云 AgentRun 讲解

当时解决了什么问题

Serverless 的默认契约是无状态：请求来了起实例，请求走了销毁，状态外置到数据库或对象存储。Agent 的运行形态恰好相反——一次任务是一段长达几分钟到几小时的轨迹，中间有工作副本、进程、打开的连接、累积的观察。把它硬塞进无状态函数，每一步都要重新装载，代价全落在延迟上。

AgentRun 的两个设计正面回答这道矛盾：会话亲和让同一个会话持续路由到同一份运行时状态；休眠与唤醒让这份状态在空闲时不被销毁、需要时快速回来。这不是新循环，是给循环换了一个能活得更久的宿主。

它同时把沙箱做成平台内置项（代码解释器、浏览器），意味着「Agent 在哪执行」从开发者的选型变成云厂商的目录项。

对后续 LLM 与 Agent 的影响

这条与同期 AWS AgentCore、以及 2026 年上半年 Anthropic、OpenAI、Google 的动作连起来看，是同一个转折：云厂商开始把 Agent 运行时当作一种基础设施品类来提供。

对时间线的意义在于时间点——2025 年 12 月。此时 Aries、SpecBox 这类测量与调度论文还没出现（2026 年），但产品侧的答案已经先摆出来了。工程先于论文，这条线在 2026 年被倒过来写成「基础设施第一次成为 Agent 史主线」。

21 - Agent Skills 成为开放标准

Anthropic，2025-12-18。10 月发布的 Agent Skills 格式（目录 + SKILL.md + 三级渐进披露）转成跨平台开放标准，规范与客户端登记表独立到 agentskills.io，仓库 Apache-2.0。公告称格式由 Anthropic 最初开发、已作为开放标准发布，并被越来越多的 Agent 产品采纳。

1. 材料 — 按当时规范与公告转述：格式约束、加载三阶段、采纳名单。
2. 讲解 — 标准管的是能力包的可移植性，不管执行；与 2025-10 的原始发布 是同一格式的两步。

规范：agentskills.io/specification。仓库：agentskills/agentskills。

21.1 - Agent Skills 标准（材料）

主要出处：Anthropic 工程博客，Equipping agents for the real world with Agent Skills（2025-10-16 原文，页内更新注明 2025-12-18 发布为开放标准）；规范与客户端登记表：agentskills.io/specification、agentskills.io/clients.md；仓库 agentskills/agentskills（Apache-2.0，仓库建立于 2025-12-16）。本页不复制规范全文。

格式规定了什么

• 一个 skill 就是一个目录，至少含 SKILL.md。
• SKILL.md 必须有 YAML front matter：name（必填，≤64 字符，小写字母、数字、连字符）、description（必填，≤1024 字符）。可选 license、compatibility、metadata、allowed-tools（标注为实验性）。
• 加载分三阶段：发现（启动时只加载名称与描述）→ 激活（任务匹配描述时才把完整指令读进上下文）→ 执行（按指令操作，可执行随包脚本或加载引用文件）。

这套结构与 2025-10 发布时一致，格式本体未变，变的是归属与可移植性。

采纳情况

规范附的客户端登记表列出数十家已支持或声明支持的产品，包括 OpenCode、Cursor、Amp、Letta、Goose、GitHub Copilot、VS Code、Gemini CLI、Kiro、Roo Code、OpenHands、JetBrains Junie、Tabnine、Qodo、Spring AI、Snowflake Cortex Code、Databricks Genie Code、Mistral Vibe、Factory、Pulumi Neo、OpenClaw、Nous Research Hermes、ChatGPT 与 Codex、Claude 与 Claude Code 等。

当时的模糊处

谁在维护标准，官方表述并不明确：公告只说「最初由 Anthropic 开发、作为开放标准发布、对更广泛生态开放贡献」，没有点名治理主体；仓库挂在 agentskills 组织下。规范页也没有标版本号或发布日期。写治理时要留这个空白，别替它补。

21.2 - Agent Skills 标准讲解

当时解决了什么问题

10 月的原始发布解决的是「通用核心怎么变专用」——把流程、脚本、领域知识装进文件夹，运行时按需读取，而不是再训练一次模型。但它当时是 Anthropic 自家产品的机制。

12 月这一步解决的是另一个问题：同一份 skill 能不能换个客户端继续用。规范把格式固定下来（目录、SKILL.md、必备字段、三级加载），客户端登记表把采纳情况摆到明面上。数十家客户端意味着写一次技能包可以跨产品复用。

对后续 LLM 与 Agent 的影响

判断要说准：这个标准不改执行语义。规范全文不涉及沙箱、权限、工具调用裁决、停止或中断——它规定的是能力包如何被打包、发现、激活。

它的历史位置更像 2025 年的 MCP 被追认：单个厂商的机制，被多方采纳后成为默认。区别在于 MCP 管的是「模型怎么接到工具与资源」，Skills 管的是「专长怎么随包走」。两条线都不是循环，但都在扩大运行时能装什么。

值得记的另一点是速度：从厂商机制（10-16）到开放标准（12-18）只隔两个月。同期协议线（MCP 2024-11 发布、2025 年才被追认）用了更久。这说明到 2025 年底，生态对「跟着一家走」的接受度已经不同了。

22 - GPT-5.2-Codex

OpenAI，2025-12-18（system card 日期）。定位为「面向复杂真实软件工程的、当时最强的 agentic 编码模型」，是 GPT-5.2 针对 Codex 内 agentic coding 优化的版本。system card 写明三处变化：跨多个上下文窗口的上下文压缩、项目级重构与迁移、Windows 环境（含原生沙箱选项）。

1. 材料 — 按 system card 转述：定位、压缩机制、Windows 沙箱、安全评级口径。
2. 讲解 — 改的是「一次能做多久」，不是「怎么做」；厂商自报分数未能一手核实。

System card：oai_5_2_Codex.pdf。安全页：Deployment Safety Hub。

22.1 - GPT-5.2-Codex（材料）

主要出处：OpenAI，2025-12-18，GPT-5.2-Codex system card；Deployment Safety Hub。本页不复制原文全文。

模型定位

system card 的原话是：这是当时最强的 agentic coding 模型，一个为 Codex 中 agentic coding 优化的 GPT-5.2 版本。公告页（openai.com）对本机不可访问，以下均取自 system card。

三处机制变化

• 上下文压缩（compaction）：让模型跨多个上下文窗口保持连贯地工作，而不是只在一个窗口内。原文说明它对长时间运行的评测帮助明显——即压缩服务的是长时程任务。
• 项目级任务：重构、迁移这类跨文件跨模块的工作被单独点出。
• Windows 环境：写明改进。执行隔离上给出两个选项——Windows 原生沙箱实现，或经 WSL 使用 Linux 沙箱。用户可以批准命令运行。

安全评级口径

按 Preparedness Framework：网络安全领域「很有能力，但未达到 High」；生物学被列为 High capability；AI 自我改进未达 High。另注明该模型不面向通用聊天应用部署。

基准分数：只有二手

公开报道普遍转述为 SWE-bench Pro 56.4%、Terminal-Bench 2.0 64.0%，并给出前代对照。但 system card 全文不含 SWE-bench、Terminal-Bench 或这两个数字；数字只出现在被拦截的公告页上，评测口径（脚手架、推理档位、是否开压缩、样本数）均未核实。因此时间线不引用这两个数字，按「厂商自报、口径不明」处理。

当时不是什么

不是新模型世代，也不是循环语义的变化。压缩与 Windows 沙箱改的分别是一次能做多久和在哪执行，工具调用与停止语义未见官方描述为改变。

22.2 - GPT-5.2-Codex 讲解

当时解决了什么问题

编码 Agent 最硬的约束一直是窗口：轨迹一长、观察一多，工作集就满，只能截断或重启一轮。2024 年 o1 把「想」内化，2025 年 GPT-5 把快答与思考路由进同一个系统，但任务持续长度这条线靠的是窗口与上下文管理，不是推理能力。

上下文压缩把这条线往前推了一格：模型跨多个上下文窗口保持连贯，意味着任务的连续时间不再由单窗口大小直接截断。system card 把这条与长时间运行的评测挂钩，方向是清楚的。

Windows 原生沙箱是另一半：Codex 的默认执行面此前在 MacOS 与 Linux 上更自然，Windows 用户要么绕 WSL，要么自己解决隔离。原生沙箱把 Windows 变成一等公民的执行环境。这与沙箱怎么实现无关，只与 Agent 能在哪执行为准。

对后续 LLM 与 Agent 的影响

同一天发布的还有 Agent Skills 开放标准——一边是能力包跨客户端可移植，一边是编码核心跨窗口连续工作。两件事合起来说明 2025 年底的编码 Agent 竞争点已经不在单轮补全质量。

要克制的地方：这条是点版本，不是换世代；厂商自报的基准分数未能一手核实，不能拿来与 Verified / Pro 的历史分数连成曲线。它的可核对意义只有两条——压缩与 Windows 沙箱写在 system card 里。