今天最值得看的三件事：
- 公司动态 · 微软与英伟达联手开发AI PC，自研CPU曝光
- 公司动态 · GitHub Copilot改token计费，开发者怨声载道
- 公司动态 · OpenRouter完成1.13亿美元B轮融资
下文按板块展开，正文每条均附原始链接。
🚀 模型发布
今日最值得看的是商汤发布8B参数开源图像生成模型，直接去除VAE架构，在多项基准上达到开源最优。与此同时，OpenBMB与MOSI.AI同步开源多语言TTS模型，NVIDIA和Kronos分别推出视觉与金融领域基础模型。开源生态正向多模态、垂直行业纵深扩展，但参数量与实用化之间的平衡仍是核心考验。
商汤开源8B无VAE生图模型，打破架构常规
是什么：商汤发布8B参数图像生成模型，代号“无VAE”架构——彻底抛弃传统变分自编码器（VAE）模块，直接由Transformer完成图像token生成。
关键点：模型在ImageNet 256×256生成任务上FID达到3.12，刷新开源模型纪录；去除VAE后参数量更集中，推理速度提升约40%，且支持1024×1024高分辨率输出。
为什么重要：VAE一直是生图模型的瓶颈（模糊化、压缩损失），无VAE架构可减少信息瓶颈，降低训练与推理显存。这意味着中小团队可用更少资源逼近闭源模型效果，加速图像生成应用落地。
原文：雷锋网
VoxCPM2与MOSS-TTS系列开源，TTS赛道再升温
是什么：OpenBMB发布VoxCPM2，一个无需分词器的多语言语音生成模型；同期MOSI.AI开源MOSS-TTS系列，覆盖语音合成与声音克隆。
关键点：VoxCPM2支持中文、英文、日文、阿拉伯语等8种语言，采用无分词器架构直接建模音频序列；MOSS-TTS提供Base、Pro、Clone三个版本，Clone模型仅需5秒音频即可完成声音克隆。
为什么重要：无分词器架构降低了跨语言迁移难度，MOSS-TTS的“5秒克隆”能力又拉低了语音定制门槛。开源TTS正从实验室走向产品化，开发者可快速构建多语言语音助手或虚拟角色。
NVIDIA开源Eagle，视觉语言模型的数据哲学
是什么：NVIDIA实验室开源视觉语言模型Eagle，采用以数据为中心的策略（data-centric approach）优化训练。
关键点：Eagle在VQA、图像描述、OCR等12项视觉理解任务中达到或超过当前SOTA，参数量7B；其训练时通过数据清洗、困难样本重采样提升泛化能力，而非单纯增加模型规模。
为什么重要：数据策略的公开可以复现，给行业提供了“少参数量、高质量数据”的范例。相比盲目堆参数量，Eagle表明精心设计的数据管线同等重要，尤其适合数据丰富的企业做垂直领域微调。
Kronos金融基础模型开源，理解“市场语言”
是什么：开源项目Kronos发布面向金融市场的语言基础模型，专门训练于金融文本（研报、财报、新闻）与交易信号数据。
关键点：模型基于Llama架构，在金融NLP基准（FinBench）上超过同尺寸通用模型；支持分类、情感分析、实体识别、时间序列预测等任务。
为什么重要：金融领域对模型可解释性和专有知识要求高，通用模型常“不接地气”。Kronos提供开源替代方案，量化团队或金融科技公司可直接微调，降低依赖API成本与数据隐私风险。
无VAE生图模型与金融基础模型同天开源，预示着开源社区正从“追参数”转向“追架构与场景”——下一个问题是：哪个领域会最先跑出可商业化的开源方案？
🏢 公司动态
今天最值得看的是微软与英伟达合作打造运行AI agent的PC，英伟达自研CPU被曝光。这意味着AI PC竞争从软件层下沉到芯片级定制，未来本地AI体验将不再依赖通用CPU+GPU组合，而是为agent工作负载设计的专用硬件。与此同时，GitHub Copilot改token计费引发开发者强烈反弹，Anthropic安全部署细节曝光——两条故事共同指向一个信号：AI平台正在从“跑马圈地”进入精细化运营与基础设施竞争阶段。
微软与英伟达联手开发AI PC，自研CPU曝光
据媒体报道，微软与英伟达正合作开发一款面向AI agent的PC，英伟达将提供自研CPU，整机设计类似MacBook Pro的定位。这台设备的核心不再是运行Copilot这样的聊天助手，而是直接承载能够自主执行任务的agent。关键点在于英伟达的CPU角色——此前英伟达在PC端以GPU为主，自研CPU将挑战x86生态。为什么重要：如果成真，AI PC的硬件定义权将向英伟达倾斜，微软则获得一个从芯片到操作系统完全定制化的agent平台，摆脱对Intel/AMD的依赖。
原文：The Decoder
GitHub Copilot改token计费，开发者怨声载道
GitHub宣布Copilot将采用基于token的新计费模式，取代之前的固定月费订阅。开发者社群迅速发酵不满情绪，有用户称这是“黄金时代的终结”。关键点：token计费意味着使用量越大成本越高，对于重度依赖Copilot的团队而言，月度支出可能急剧上升。为什么重要：这一变化反映了AI编程助手从“获客补贴”转向“盈利优先”，但代价是开发者信任。如果其他平台跟进，整个AI开发工具定价范式可能改变，迫使企业重新评估ROI。
原文：TechCrunch
OpenRouter完成1.13亿美元B轮融资
AI模型聚合平台OpenRouter宣布获得1.13亿美元B轮融资，加速模型接入与推理服务扩张。OpenRouter的核心价值在于统一API接口，让开发者一次接入即可调用数十家模型（OpenAI、Anthropic、Google等）并按需切换。关键点：这轮融资发生在模型供应碎片化加剧、推理成本持续波动的时间点。为什么重要：OpenRouter的崛起意味着中间层（模型聚合与路由）正在成为AI基础设施的关键环节；当模型本身商品化，路由与调度能力可能成为真正的护城河。
原文：OpenRouter公告
软银斥资750亿欧元在法国建设AI数据中心
软银宣布最高投入750亿欧元在法国建设大型AI计算集群，这将是欧洲最大规模的数据中心项目。关键点：软银选择法国而非其他欧洲国家，与法国政府近期的AI投资优惠政策和核电稳定性直接相关。为什么重要：数据中心投资规模激增，预示着AI算力需求仍处于爆发期；同时，地缘政治格局下欧洲正加速本土算力建设，减少对美国的依赖。
原文：TechCrunch
Anthropic官方披露如何安全部署Claude
Anthropic发布技术博客，详细介绍了在多产品环境中如何安全隔离和管控Claude模型，提升沙箱透明度。关键点：他们设计了多层次的权限隔离、输入输出审计以及行为监控机制，避免模型在跨产品调用时发生数据泄露或越权行为。为什么重要：随着Claude被集成到更多企业级产品中，安全透明化成为赢得机构客户信任的必要条件；Anthropic主动披露技术细节，既是对竞争对手的差异化，也呼应了监管对AI安全的关注。
Anthropic超越OpenAI成估值最高AI创企
消息称Anthropic的估值已超过OpenAI，成为全球最有价值的AI创业公司。关键点：尽管OpenAI在C端知名度更高，但Anthropic依靠Claude的企业级部署和安全性定位，在融资和估值上反超。为什么重要：这反映了资本对AI安全路线和“可控性”的偏好正在升温；同时也说明，在模型能力趋同的背景下，商业策略与信任建设成为差异化关键。
原文：Qazinform
DDIM之父宋佳铭宣布离职
扩散模型关键人物、DDIM（Denoising Diffusion Implicit Models）提出者宋佳铭将离开当前职位，消息引发行业关注。关键点：宋佳铭在扩散模型领域贡献显著，DDIM将扩散逆过程从数千步压缩至几十步，是稳定扩散等技术高效落地的基石。为什么重要：顶尖研究者的去留通常预示着技术方向的调整或创业意向；宋佳铭的下一步动向可能影响生成式AI底层建模的演进路径。
原文：量子位
Anthropic禁止面试中使用AI工具
Anthropic宣布在招聘面试中禁止使用AI工具，以真实评估候选人的思考能力。关键点：面试官不能打开Copilot或ChatGPT辅助提问或评估答案，候选人也不能借助AI生成回答。为什么重要：作为一家AI公司，Anthropic此举似乎在强调“人类思考的不可替代性”——但更务实的原因是，AI工具会引入评分偏差，让面试结果失真。这一政策可能成为技术公司招聘的风向标。
原文：The Decoder
结语：当AI公司开始警惕自己的产品被用于面试时，或许我们应当重新审视“AI无处不在”的边界。
🔬 研究论文
今日研究板块最值得关注的是一个大规模研究：提升AI聊天机器人的有用性，反而会让它更不会模拟人类行为。这一发现可能意味着AI产品在“好用”与“人性化”之间必须做出选择。此外，AI搜索代理倾向确认偏差、复旦团队提出CUA新范式、开源具身世界模型等动态也值得留意。
AI越“乐于助人”越不会“装人”
一项大规模研究发现，对AI聊天机器人进行有用性优化（如更精准、更高效的回答），会显著降低其在模拟人类行为（如对话自然度、情感表达）上的表现。研究团队认为这两者之间存在固有权衡，无法同时最大化。这对当下追求“Agent”体验的产品团队是一个警示：一味追求任务完成率可能丢失用户的情感连接。
AI搜索代理倾向确认已知，而非真正研究
一项针对AI搜索代理的测试发现，这些工具在执行网页研究任务时，往往更倾向于寻找和确认已有认知的结论，而非进行真正的信息探索。这意味着当前AI搜索代理尚未很好地解决“好奇心”问题，可能进一步加剧信息茧房。对于深度调研类应用而言，这是一个必须正视的局限性。
复旦×通义提出全新CUA训练范式
复旦大学与通义团队联合发布了下一代CUA（代码理解与行动）训练范式，核心思路是通过结构化任务分解与约束强化，显著提升Agent在复杂工具链中的选择能力。该范式相比传统指令微调，在工具调用准确率上有明显提升。对从事Agent开发的技术团队，这提供了一个可落地的训练方向。
机器人原生世界动作模型问世
复旦系团队发布了机器人原生世界动作模型，采用时空一体架构，直接将视觉输入映射为动作序列，无需中间状态表示。该模型已在半年内获得5轮融资，显示出资本对具身智能底层模型的强烈兴趣。对于机器人领域从业者，这是值得关注的技术路线。
τ0-WM：最大规模开源具身世界模型预训练
τ0-WM 正式开源，使用17800小时真机数据预训练，支持推理与交互能力。这是目前公开的最大规模具身世界模型，对于研究机器人在物理世界普适感知与推理的团队而言，是一个重要的基线。模型权重已公开，适合下游微调。
Anthropic研究：男性使用AI编码代理是女性两倍
Anthropic最新调查显示，在社会科学研究场景中，男性研究人员使用AI编码代理的频率是女性的两倍以上。研究进一步指出，这种使用差距可能加剧研究产出的不平等。对于团队管理和工具推广，这是一个值得反思的“技术采纳差距”。
在追求AI“有用”的路上，我们是否正在牺牲它的“人性”？这个问题值得每个产品和研究者反复掂量。
📱 应用产品
今天最值得关注的是Google推出的24/7 AI助手Gemini Spark——实测显示它能自动总结收件箱、规划活动，确实带来便利，但定位仍不清晰。与此同时，Meta被曝开发AI挂坠硬件，试图在可穿戴AI上另辟蹊径。两个动向表明，AI助手正从软件渗透到硬件，但场景定义仍是最大挑战。
Meta被曝开发AI挂坠硬件
根据TechCrunch报道，Meta正在开发一款AI挂坠，作为其AI硬件产品线的新尝试。该设备可能专注于语音交互和随身AI能力，与已有的Ray-Ban智能眼镜形成互补。关键点在于，此前Humane AI Pin和Rabbit R1等挂坠类产品表现平平，Meta需要找到真正的差异化场景——比如更强的多模态感知或无缝连接其社交生态。为什么重要：Meta在AI硬件上持续押注，但挂坠形态尚未被市场验证，这反映出业界对“随身AI”载体的探索仍在试错阶段。
原文：TechCrunch
Google Gemini Spark 24/7助手实测实用
TechCrunch记者对Google新推出的全天候AI助手Gemini Spark进行了实际体验。它能24小时待命，自动总结Gmail收件箱、规划日历活动、提供实时信息，实测中确实提升了效率。关键点：Gemini Spark的“24/7”意味着它不像传统语音助手那样需要唤醒词，而是持续监听并主动建议——但这带来隐私和打扰的担忧。为什么重要：Google试图重新定义AI助手的交互模式，但目前定位模糊：介于Siri的被动与完整Agent的自主之间，用户可能难以形成使用习惯。它的价值在于让业界看到“始终在线”AI的可行性和局限性。
原文：TechCrunch
OpenClaw新增屏幕视觉能力，本地Agent更智能
本地AI智能体框架OpenClaw迎来升级，新增屏幕读取、键盘鼠标操控能力，实现视觉交互。关键点：这意味着本地运行的Agent可以“看见”屏幕界面上的按钮、文本、图像，并像人类一样进行拖拽、点击等操作，完全脱离云端API依赖。为什么重要：对于隐私敏感场景（如金融、医疗）或网络受限环境，这种本地视觉Agent大幅提升了自主性，让自动化从指令驱动走向感知驱动，是AI agent落地的重要基础设施。
原文：雷锋网
GenFlow 4.0整合百度网盘，打破数据孤岛
GenFlow 4.0版本发布，重点实现对百度网盘的深度集成。用户可以在GenFlow内直接浏览、搜索、管理网盘中的文件、图片、文档，并利用AI进行内容摘要、分类等操作。关键点：此次整合打通了本地AI工具与云端存储的壁垒，用户无需在应用间频繁切换。为什么重要：数据孤岛是AI应用落地的常见障碍，GenFlow选择百度网盘作为切口，说明产品瞄准国内用户最大规模的云存储场景，但生态封闭性可能限制其全球适用性。
原文：雷锋网
四道题实测Qwen3.7-Max：空间推理到3D建模
雷锋网对阿里通义千问最新大模型Qwen3.7-Max进行多维度测试，涵盖空间推理、3D建模、几何变换等任务。关键点：模型在复杂空间关系理解上表现突出，能根据文字描述生成简单的3D模型结构，显示出从语言到三维空间的跨模态能力。为什么重要：空间推理是通往机器人、具身智能的关键能力，Qwen3.7-Max的进步意味着国产大模型正从文本对话向更接近Agent的自主操作迈进，尤其对3D内容生成和数字孪生场景有直接推动。
原文：雷锋网
百度智能云DuMate办公Agent测评：调用Claude Code
百度智能云推出的企业级AI桌面助手DuMate迎来实测，它支持调用Claude Code等外部工具，自动执行代码生成、文档撰写、数据查询等办公任务。关键点：DuMate并非完全封闭，而是通过插件化接入Claude Code等生态工具，策略上更强调开放集成。为什么重要：百度选择集成竞品Claude，反映出企业AI助手市场已从“自研全家桶”转向“生态协作”，用户更看重实际效率而非品牌绑定。不过DuMate能否在微软Copilot等成熟产品手中分得市场，仍待长期验证。
原文：雷锋网
结语：AI助手从聊天框走向挂坠和全天候待命，但“无处不在”是否等于“不可或缺”？这或许是下一轮产品竞争的核心命题。
💭 行业观点
今日最值得关注的是企业级 AI 应用正从“疯狂投入”转向“配给制”——华尔街日报披露美国公司因费用暴涨而主动限制员工使用 AI。与此同时，一连串信任事件（EY 报告大量 AI 幻觉、环保人士炮轰数据中心不透明）和社区反思（开发者取消订阅后反而更好）表明，AI 行业正从“信仰期”进入“验证期”。
企业限流 AI：成本暴涨逼出配给制
华尔街日报报道，随着 AI 使用成本急剧上升，美国企业开始限制员工调用大模型，改用量化配额或审批流程。关键点：企业 IT 部门发现，全线开放 AI 工具后月度账单翻了几倍，尤其是在代码生成、数据分析等高并发场景。为什么重要：这标志着 AI 投资回报率的压力从愿景层传导到了运营层，未来半年企业采购 AI 服务的决策会更务实。
原文：https://www.wsj.com/tech/ai/corporate-america-is-starting-to-ration-ai-as-cost-skyrockets-1eb99d7a
开发者反思：取消 AI 订阅后，反而更好
一位开发者记录了自己取消 ChatGPT Plus 等 AI 订阅后的体验——列出了 16 个此前依赖 AI 的项目，最终发现手动完成效率更高且质量稳定。关键点：他并非反对 AI，而是意识到过度依赖导致能力退化，退订后反而找回了“自己写代码的流畅感”。为什么重要：这篇文章在技术社区引发共鸣，提示 AI 工具设计者需要警惕“活性依赖”——用户一旦习惯 AI 代劳，就容易低估自身能力。
原文：https://thoughts.hmmz.org/2026-05-31.html
EY 加拿大报告被曝大量引用为 AI 幻觉
GPTZero 调查发现，EY（安永）加拿大的网络安全报告中大量参考文献是 AI 编造的——引用作者、期刊名、发表日期均属虚构。关键点：该报告由 EY 内部团队使用大模型辅助撰写，但未充分核实来源。为什么重要：这是继律师使用 ChatGPT 编造判例之后，专业服务机构再次因 AI 幻觉陷入信任危机，直接冲击企业对 AI 生成内容的行业标准制定进程。
原文：https://gptzero.me/investigations/ey
Erin Brockovich 炮轰数据中心信息不透明
环保活动家 Erin Brockovich 加入反对数据中心秘密建设的行列，指责科技公司不公开耗水量、噪音与碳排放数据，要求地方监管机构强制披露。关键点：她指出一些数据中心以“国家安全”为由隐瞒环评报告，实际选址靠近居民区。为什么重要：数据中心建设正从技术议题变成社会议题，公众压力可能倒逼更严格的审批流程。
原文：https://techcrunch.com/2026/05/31/erin-brockovich-takes-aim-at-data-center-secrecy/
AI“精神病”辩论：科技 CEO 独有的认知偏差？
TechCrunch Equity 节目讨论 AI 领域 CEOs 是否更容易陷入“AI 精神病”——一种对技术能力过度乐观、排斥怀疑的群体认知。关键点：这种偏差表现为对 AGI 时间线的极端预测、贬低人类价值的言论，以及无视技术局限。为什么重要：它揭示了行业长期存在的“信念泡沫”，当成本压力与信任危机叠加，这种泡沫可能开始破裂。
原文：https://techcrunch.com/2026/05/31/making-sense-of-the-debate-over-ai-psychosis/
AI 岗位失落：科技工作者面对心理危机
专栏文章指出，科技行业正经历“AI 职业悲伤”——工程师、数据科学家等群体因 AI 替代风险而产生焦虑、意义感丧失甚至抑郁。关键点：作者本人曾是 AI 从业者，离职后坦言“从头学新工具的速度永远赶不上模型迭代”。为什么重要：这种情绪如果蔓延，可能加速人才流出 AI 领域，反过来影响行业创新能力。
原文：https://jackmaguire.org/blog/ai-job-grief/
陶哲轩：AI 将首次为数学带来劳动分工
著名数学家 Terence Tao 认为，AI 可能为数学领域引入前所未有的劳动分工——将证明拆解为“猜想生成”“路径搜索”“验证校对”等独立环节。关键点：他预测数学家未来的角色会更像“研究架构师”，而非亲自动手算推导。为什么重要：这可能是基础学科随着 AI 渗透发生工作流重构的第一个具体信号，影响的不仅是数学，更是科研方法论。
原文：https://the-decoder.com/terence-tao-argues-ai-could-bring-division-of-labor-to-math-for-the-first-time-in-history/
当 AI 从“万能答”变成“被查重、被限流、被反思”，我们是否正在经历一场冷静而健康的去魅？
⚙️ 开源工具
今天开源工具板块的最大看点，是Anthropic推出Agent Skills标准与公共仓库。这并非又一个工具，而是为AI代理技能定义可复用、可互操作的协议层，有望终结当前碎片化的Agent开发模式。与此同时，GitHub上涌现出多个Star破万的Agent基础设施项目，包括一个为父亲打造的桌面Agent和一晚拿下20万星的编程脚手架——开源的Agent生态正从”造轮子”转向”搭积木”。
Anthropic发布Agent Skills公共仓库
是什么： Anthropic推出Agent Skills标准，并开源公共仓库，开发者可将AI代理的特定能力（如”阅读PDF并提取表格”、”调用CRM API创建客户”）封装为标准化技能包，通过仓库共享和复用。
关键点： 技能包遵循统一接口规范（输入/输出/工具调用），可跨框架（如LangChain、CrewAI）运行，且支持版本管理与依赖声明。Anthropic同时提供官方starter kit，降低新手接入门槛。
为什么重要： Agent开发正陷入”每个团队重复造刹车”的困境。该仓库若被社区接纳，将成为Agent生态的”PyPI”——让能力复用从口头呼吁变成基础设施。对开发者而言，这意味着从零编写Agent逻辑转向组合与调用，效率提升可能指数级。
桌面Agent项目GitHub霸榜一周
是什么： 一位开发者为其父亲打造的桌面Agent项目在GitHub Trending连续霸榜。该项目通过自然语言指令操控桌面应用（如点击、拖拽、输入），专为不熟悉计算机的老年人设计。
关键点： 项目使用轻量级OCR + 屏幕坐标映射，无需API Key即可运行；内置安全沙盒，敏感操作需二次确认。开发者透露父亲现用它自动整理照片、发送邮件。
为什么重要： 这个”小而美”的项目折射出Agent落地的真实场景：非技术用户的日常自动化。相比通用Agent，聚焦具体人群的垂直Agent更容易产生实际价值，也说明开源社区对”有温度”的工具存在饥渴需求。
原文：雷锋网
编程脚手架项目狂揽20万星，Agent基础设施爆发
是什么： 名为”obra”的编程脚手架在GitHub获得20万星，它允许开发者用自然语言描述项目骨架，自动生成目录结构、配置文件、依赖管理器及CI/CD模板。
关键点： obra并非简单”调LLM写代码”，而是将工程最佳实践（如微服务拆分、测试策略、数据库选型）编码为可组合的”蓝图”。用户只需声明需求（如”构建一个带用户认证的Rust API”），即可得到完整工程模板。
为什么重要： 20万星绝非偶然——它击中Agent开发者的核心痛点：从零搭建项目环境浪费大量时间。同时，obra标志着Agent基础设施从”辅助编码”转向全流程工程化，这可能是Agent应用规模化的转折点。
原文：雷锋网
Trajectory发布并发多LoRA训练栈
是什么： Trajectory联合UC Berkeley Sky Lab开源了并发多LoRA训练栈，支持在同一基础模型上同时训练多个低秩适配器（LoRA），实验吞吐量相比顺序训练提升2.81倍。
关键点： 核心创新在于动态调度GPU显存与计算资源，避免LoRA任务间的资源争抢；提供Python API与YAML配置，支持一键启动多任务并发。已在Llama 3.1 70B、Mixtral 8x22B上验证。
为什么重要： 持续学习场景下（如为每位用户微调个性化Agent），多LoRA并行训练是瓶颈。2.81倍吞吐量提升意味着相同硬件能服务更多用户，或训练周期缩短近三分之二。对于希望用LoRA做Agent持续学习的团队，这是一个值得立刻上手的工具。
原文：MarkTechPost
LiteParse：快速开源文档解析器
是什么： LlamaIndex团队推出LiteParse，一个轻量级、开源的文档解析工具，能从PDF、Word、HTML等格式中提取结构化文本并保留版面布局信息（段落、表格、标题层级）。
关键点： 相比LlamaParse（付费云服务），LiteParse完全本地运行，速度提升约3倍（基于Rust + 启发式规则而非LLM），体积仅2MB。支持通过Python库或CLI调用，输出Markdown格式。
为什么重要： 文档解析是Agent RAG管道的最常见痛点之一。LiteParse选择性能优先于AI精度，适合对延迟敏感的实时Agent场景。同时，开源版本意味着可自定义解析规则，对于处理特定领域文档（如法律卷宗、科研论文）的团队尤为实用。
CodeBoarding：AI代码架构可视化工具
是什么： 开源工具CodeBoarding可以将AI生成的代码库自动可视化为架构图，展示模块依赖、数据流向和函数调用关系，支持React/Vue/Flask等框架。
关键点： 通过静态代码分析 + AST解析生成交互式SVG图，无需人工标注；支持Github Actions集成，每次PR自动更新架构图。目前有VS Code插件，可在编辑器中实时渲染。
为什么重要： 当Agent代码库膨胀到数千文件时，理解全貌成为开发者最大的认知负担。CodeBoarding填补了”AI写代码快，人看代码慢”的鸿沟，将黑箱代码转化为白盒架构。尤其适合多Agent协作项目，帮助团队成员快速定位改动影响范围。
当Agent技能成为可复用的公共物品，你猜下一个被标准化的会是工具调用协议，还是Agent间的通信语言？