[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-doubao-pro-turns-agent-into-office-tool-en":3,"article-related-doubao-pro-turns-agent-into-office-tool-en":31,"series-ai-agent-c4d10424-4e13-4b5c-98f0-8a0a5e75ce72":76},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":23,"views":27,"created_at":28,"published_at":29,"topic_cluster_id":30},"c4d10424-4e13-4b5c-98f0-8a0a5e75ce72","doubao-pro-turns-agent-into-office-tool-en","豆包专业版把办公Agent做成了日常工具","\u003Cp data-speakable=\"summary\">我拆解豆包专业版的办公任务模式，看看它怎么把本地操作、财报分析和自建 Skill 变成可复制模板。\u003C\u002Fp>\u003Cp>我最近一直在盯着各种 \u003Ca href=\"\u002Ftag\u002Fagent\">Agent\u003C\u002Fa> 产品，心里其实挺烦的。大多数东西都像是“会聊天的演示机”，你让它做点正经活，它就开始客气、开始绕、开始装懂。最让我受不了的是，它们总把“我可以帮你”说得很满，真到交付的时候，连个像样的初稿都拿不出来。\u003C\u002Fp>\u003Cp>所以我看到豆包专业版这次更新时，第一反应不是兴奋，而是怀疑。一个每天打开的人很多、门槛又极低的 App，真的能把 Agent 做到能干活吗？还是又一轮包装过的 Demo？我后来把它的办公任务模式拆了一遍，发现它不是在跟我争“聪不聪明”，而是在回答一个更现实的问题：普通人能不能直接把任务丢给它，然后拿到能交付的东西。\u003C\u002Fp>\u003Cp>这次最有意思的地方，不是模型名字有多响，而是它把 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2053132995230425411\">新智元这篇实测文章\u003C\u002Fa>里提到的几类工作，真的压进了一个日常 App 里：本地文件整理、财报分析、Skill 创建、网页和应用生成。对我这种天天和工具打交道的人来说，这比“跑分更高”有意义得多，因为它开始碰真实工作流了。\u003C\u002Fp>\u003Cp>我下面不想复述一遍宣传话术。我更想把它拆成几个你能直接照着用的部分：它到底怎么拆任务、怎么调用工具、怎么把结果做成能交付的成品，以及我觉得哪些地方值得抄，哪些地方别乱学。\u003C\u002Fp>\u003Ch2>它不是在聊天，是在接工单\u003C\u002Fh2>\u003Cblockquote>在这个模式下，豆包能完成一个完整的工作目标，自主拆解步骤，调用本地电脑、浏览器、飞书办公套件等工具，产出可以直接交付使用的工作成品，一份行业报告、一张数据分析表、一套 PPT，或者一个带后端数据库的网站。\u003C\u002Fblockquote>\u003Cp>这句话是整篇里最关键的。它把“Agent”从一个抽象词，变成了很具体的工单系统。你给它一个目标，它自己拆步骤，自己找工具，最后交付一个成品。不是陪你讨论怎么做，而是直接做。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782479013354-okfy.png\" alt=\"豆包专业版把办公Agent做成了日常工具\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我特别想强调这点，因为很多产品都卡在“会规划，不会执行”。规划图看起来漂亮，真到要操作本地文件、跑脚本、改 UI、再跑一遍验证时，就开始掉链子。豆包这次的办公任务模式，至少从公开实测看，已经把“执行”放到了前面。\u003C\u002Fp>\u003Cp>这背后其实是工作方式的变化。以前我们用 AI，大多是“问答式”：我问一句，它回一句。现在变成“任务式”：我给目标，它自己拆分。前者像咨询，后者像外包。这个差别很大，因为外包是要交付结果的，不是给我一堆建议。\u003C\u002Fp>\u003Cp>我自己的经验是，只要任务里有三步以上，而且每一步都依赖前一步的输出，普通聊天模型就很容易废掉。比如“整理本地照片并找出重复项里质量最好的那张”，这不是一句话回答能解决的，它需要扫描、比较、排序、确认、处理异常。豆包这次就是冲着这种链式任务去的。\u003C\u002Fp>\u003Cp>怎么用这类模式？我的建议很简单：别一上来就丢一个特别大的目标。先把你的真实工作拆成“结果 + 约束 + 交付格式”三块。比如“给我一份 500 字以内的行业摘要，附表格，最后输出到飞书文档”。这比“帮我分析一下行业”强太多了。\u003C\u002Fp>\u003Cul>\u003Cli>结果：你到底要什么成品。\u003C\u002Fli>\u003Cli>约束：字数、格式、工具、权限、时间。\u003C\u002Fli>\u003Cli>交付：文档、表格、网页、脚本，还是可执行文件。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这类 Agent 最怕的不是难，而是模糊。你越模糊，它越像个热情但没干过活的实习生。你越具体，它越像一个能接活的执行者。\u003C\u002Fp>\u003Ch2>本地电脑操作，才是真正的分水岭\u003C\u002Fh2>\u003Cblockquote>操作用户本地电脑上的文件，写代码、跑代码、发现问题自己修。\u003C\u002Fblockquote>\u003Cp>我觉得这部分最能看出一个 Agent 是不是“真干活”。因为只要碰到本地电脑，问题就不再是回答对不对，而是能不能真的把事情做完。文件路径、依赖冲突、界面交互、回收站、启动脚本，这些都不是嘴上说说就行的。\u003C\u002Fp>\u003Cp>文章里那个重复照片整理的例子很典型。第一轮它先看本地照片文件夹，再写代码。中间遇到依赖兼容性问题，主动切方案；发现评分算法和分组逻辑有 Bug，又自己修复重跑，直到结果达标才交付。第二轮用户要求加极简 UI，它又用 tkinter 做了完整图形界面，还补了文件夹选择、严格度滑块、备份模式、可视化结果、进度条、二次确认弹窗，最后还给了双击启动脚本。\u003C\u002Fp>\u003Cp>这不是“生成代码”，这是“交付一个能给不会写代码的人用的工具”。这中间差的不是一点点。很多 AI 编程工具能吐代码，但吐出来的东西往往只是半成品。真正麻烦的是最后那 20%：把命令行脚本变成可点可用的桌面工具。这一步最耗人，也最容易被忽略。\u003C\u002Fp>\u003Cp>我自己以前做内部小工具时，经常卡在这种地方。脚本能跑，但同事不会用；加个 GUI，又出现路径选择、权限、异常提示一堆问题。最后还是我自己收尾。豆包这次的演示说明，Agent 如果真能把这部分也兜住，那它就不只是“写代码助手”，而是“软件交付助手”了。\u003C\u002Fp>\u003Cp>怎么把这个能力用到你自己的工作里？我建议先从低风险的本地任务开始，不要一上来就让它碰核心生产环境。最适合试的是这些：\u003C\u002Fp>\u003Cul>\u003Cli>批量整理本地文件，比如重命名、分类、去重。\u003C\u002Fli>\u003Cli>生成一个只给内部用的小工具，比如 CSV 清洗器、图片压缩器。\u003C\u002Fli>\u003Cli>把一个命令行脚本包成桌面界面。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>你要看的不是它能不能写出“看起来高级”的代码，而是它能不能把异常处理、交互、可回退动作一起做进去。一个能删文件但不敢确认的工具，基本没法交给别人用。\u003C\u002Fp>\u003Cp>这里我也想提醒一句：本地操作很强，但权限边界一定要盯紧。能访问文件，不代表可以无脑放权。最好把“可执行范围”限定清楚，比如只允许某个文件夹、只允许先备份再删除、只允许生成而不允许覆盖。别把安全感交给模型自己。\u003C\u002Fp>\u003Ch2>财报分析这件事，重点不是算数，是把话说人话\u003C\u002Fh2>\u003Cblockquote>帮我整理近半年全球 AI 芯片行业的财报核心数据，对比英伟达、AMD 两家公司的营收增速、毛利率变化，生成对比分析表格并给出行业趋势总结，输出为飞书表格 + 500 字以内的投资摘要文档。\u003C\u002Fblockquote>\u003Cp>如果说本地操作考的是执行力，那财报分析考的就是信息整理和表达能力。这个任务看起来像“做表”，其实真正难的是三件事：从多个来源提取数据、把口径统一、再把结论写成能读懂的摘要。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782479012922-tpyr.png\" alt=\"豆包专业版把办公Agent做成了日常工具\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>文章里给出的结果是双交付：一份飞书表格，一份投资摘要。表格里按季度和年度整理了英伟达、AMD 的营收、毛利率、数据中心收入、市值等信息；摘要里没有停留在复述数字，而是提炼出行业趋势，比如 AI 算力建设持续加速、\u003Ca href=\"\u002Ftag\u002Fcuda\">CUDA\u003C\u002Fa> 生态形成壁垒、竞争格局是一超多强。\u003C\u002Fp>\u003Cp>这点我很认同。很多人以为分析报告的核心是“数字多”，其实不是。数字只是材料，真正值钱的是把数字变成判断。否则你做出来的只是一个漂亮的表格，不是分析。\u003C\u002Fp>\u003Cp>我以前看过不少 AI 写的行业摘要，最大的问题就是像在念新闻稿。它能把数据摆出来，但不会告诉你这些数据意味着什么，也不会处理时间范围和口径差异。豆包这次的实测里，至少从描述上看，它把时间范围标注得比较清楚，这很重要。没有时间范围，财报数字基本没法读。\u003C\u002Fp>\u003Cp>如果你自己要用这类能力，我建议你把任务写成四段：\u003C\u002Fp>\u003Cul>\u003Cli>数据范围：哪些公司、哪些季度、哪些指标。\u003C\u002Fli>\u003Cli>输出格式：表格、文档、图表、链接。\u003C\u002Fli>\u003Cli>分析要求：对比、趋势、风险、结论。\u003C\u002Fli>\u003Cli>限制条件：字数、语言风格、是否要注明来源。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这样写，模型更容易产出能用的东西。否则它很容易把“分析”做成“复述”。\u003C\u002Fp>\u003Cp>我还想补一句，财务类任务最不能省的是人工核验。文章自己也提到了，AI 生成的数据仍需核对，而且文档有“部分内容由豆包生成”的标注。这很正常。Agent 适合做初稿、整理和结构化，不适合在你没看过的情况下直接拿去发给客户。\u003C\u002Fp>\u003Cp>所以我的实用建议是：把它当分析助理，不要当最终审稿人。让它先把数据和初稿做出来，你再做判断、修正、补充。这样效率才高。\u003C\u002Fp>\u003Ch2>自建 Skill 这一步，才像真正会用工具的人\u003C\u002Fh2>\u003Cblockquote>创建一个可以生成数据可视化面板的技能，然后用这个技能把今天世界杯的所有比赛数据分析一下。\u003C\u002Fblockquote>\u003Cp>这个场景我觉得最有意思，因为它不是单纯做一次任务，而是先造工具，再用工具。很多人会忽略这一层，但这才是 Agent 真正开始像“工作系统”的地方。\u003C\u002Fp>\u003Cp>文章里说，豆包先生成了一个名为 data-dashboard 的 Skill，基于 ECharts，支持统计卡片、柱状图、饼图、折线图、双轴图，还有响应式设计、深色主题、HTML 模板和使用指南。然后它再调用这个 Skill，抓取当日世界杯比赛数据，做出交互式面板。\u003C\u002Fp>\u003Cp>这比“直接生成一张图”强很多。因为一旦 Skill 建好了，后面每次遇到类似任务，你不用重新描述需求。你是在复用一个工作模板。说白了，这就是把一次性劳动变成可重复劳动。\u003C\u002Fp>\u003Cp>我特别喜欢这个思路，因为它很像我平时做开发时的习惯：先把重复动作封装成脚手架、模板、脚本，然后再让工具替我跑。Agent 如果也能这么干，那它就不是在“帮我完成一次任务”，而是在“帮我搭工作台”。\u003C\u002Fp>\u003Cp>怎么把它用在你自己的工作里？我建议你先想三类可复用场景：\u003C\u002Fp>\u003Cul>\u003Cli>固定格式的周报、月报、日报。\u003C\u002Fli>\u003Cli>固定结构的数据可视化面板。\u003C\u002Fli>\u003Cli>固定流程的内部小系统，比如查询页、录入页、统计页。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这类任务很适合先做成 Skill 或模板。你第一次花时间搭好，后面反复调用，收益会越来越大。\u003C\u002Fp>\u003Cp>不过我也要泼点冷水。Skill 这东西如果没有版本管理、命名规范和使用说明，很快就会变成垃圾堆。你今天建一个，明天又建一个，最后谁都不知道哪个能用。所以要把它当内部工具维护，而不是玩具。\u003C\u002Fp>\u003Cp>我建议最少做三件事：给 Skill 起清晰名字，写一句用途说明，保留一个可复制的输入示例。这样别人接手时不会一脸懵。\u003C\u002Fp>\u003Ch2>真正有价值的不是“会做”，而是“能持续做”\u003C\u002Fh2>\u003Cblockquote>办公任务模式也在一定额度内向所有用户免费开放。\u003C\u002Fblockquote>\u003Cp>这句看起来像产品策略，实际上是这次变化里最现实的一刀。因为它决定了谁能用、怎么用、用多久。很多 Agent 产品的问题不是能力不够，而是离普通用户太远。门槛太高，最后只在少数技术用户圈子里转。\u003C\u002Fp>\u003Cp>豆包这次的做法比较狠：免费用户现有功能和额度不受影响，办公任务模式也开放一部分额度；专业版则解决复杂任务下的额度需求。再加上它本身用户量很大，这意味着 Agent 不再只是专业开发者的玩具，而是会直接进入大量普通人的日常工作流。\u003C\u002Fp>\u003Cp>我觉得这才是它最值得关注的地方。不是因为它“多先进”，而是因为它“够近”。很多人根本不会去装 \u003Ca href=\"\u002Fnews\u002Fclaude-code-terminal-main-workflow-guide-en\">Claude Code\u003C\u002Fa>，也不会碰 \u003Ca href=\"\u002Ftag\u002Fcodex\">Codex\u003C\u002Fa>，更不会专门研究 Agent 框架。但他们会打开一个熟悉的 App。如果 Agent 能藏在这个入口里，影响就完全不同了。\u003C\u002Fp>\u003Cp>这也是为什么我总觉得“能不能持续做”比“第一次做得多漂亮”更重要。一次 Demo 很容易，持续接活很难。持续接活意味着它要稳定、要能复用、要能处理异常、要能记住上下文、要能适应不同用户的习惯。\u003C\u002Fp>\u003Cp>如果你正在评估类似产品，我建议你别只看一次演示。你应该看这几个问题：\u003C\u002Fp>\u003Cul>\u003Cli>它能不能连续处理同类任务，而不是只会一次性输出。\u003C\u002Fli>\u003Cli>它能不能在失败后自己修正，而不是卡死。\u003C\u002Fli>\u003Cli>它能不能把结果变成别人可直接接手的格式。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这三个问题，比“它会不会说得很像人”重要得多。因为工作不是聊天，工作是交付。\u003C\u002Fp>\u003Cp>还有一个点我想单独说：产品如果真的要做成日常工具，就不能只服务“最懂 AI 的人”。它得考虑那些不熟代码、不熟命令行、甚至不熟复杂交互的人。豆包这次强调本地操作、极简 UI、双击启动脚本，本质上就是在降低这类用户的使用门槛。这个方向我认可。\u003C\u002Fp>\u003Ch2>我会怎么把这套思路搬进自己的工作流\u003C\u002Fh2>\u003Cp>如果让我自己用这套模式，我不会先追求“全自动”。我会先做三层：\u003C\u002Fp>\u003Cp>第一层，固定任务模板。把我常做的周报、竞品表、会议纪要、数据摘要，全部写成明确输入输出的模板。每个模板都要有目标、限制、交付格式。\u003C\u002Fp>\u003Cp>第二层，复用工具。凡是重复出现两次以上的分析面板、文件处理动作、格式转换动作，我都会让 Agent 先生成成 Skill 或脚本，再反复调用。\u003C\u002Fp>\u003Cp>第三层，人工校验点。财务、法律、对外文案这类东西，我不会让它直接发布。我只让它做初稿和结构化整理，最后由我拍板。\u003C\u002Fp>\u003Cp>这套方法的核心其实很朴素：让 AI 做它最擅长的部分，别让它越权。它擅长拆解、整理、生成、试错；它不擅长替你负责。这个边界要想清楚。\u003C\u002Fp>\u003Cp>我看完这次实测之后，最大的感受不是“哇，又一个模型很强”。而是“终于有产品开始认真面对普通人的工作场景了”。这比空谈 Agent 概念有用得多。因为真正改变化的，不是模型榜单，而是你明天上班时少做了哪一步。\u003C\u002Fp>\u003Ch2>你可以直接照着抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Agent 办公任务模板（可直接改成你的提示词）\n\n你现在要完成一个完整的办公任务。不要只给建议，不要只输出分析框架，要交付可直接使用的成品。\n\n## 任务目标\n[在这里写清楚你要的最终结果]\n\n## 输入材料\n[在这里列出文件、链接、数据源、文件夹、截图、表格]\n\n## 约束条件\n- 输出格式：[文档 \u002F 表格 \u002F PPT \u002F 网页 \u002F 脚本 \u002F 桌面工具]\n- 字数限制：[例如 500 字以内]\n- 语言风格：[例如 简洁、正式、面向业务]\n- 工具范围：[例如 只允许本地文件夹、浏览器、飞书]\n- 安全要求：[例如 删除前先备份、修改前先确认]\n\n## 任务步骤\n1. 先读取并理解输入材料，确认缺失项。\n2. 自主拆分子任务，并按顺序执行。\n3. 遇到错误时先修复，再继续，不要中断交付。\n4. 每一步都保留可追踪结果，方便我检查。\n5. 最终输出可直接交付的成品。\n\n## 交付要求\n- 先给我最终结果。\n- 再给我简短说明，告诉我你做了什么。\n- 如果有风险或待核验项，单独列出来。\n- 如果可以，请附上可复用模板或脚本。\n\n## 示例：财报摘要\n帮我整理近半年全球 AI 芯片行业的财报核心数据，对比英伟达、AMD 两家公司的营收增速、毛利率变化，生成对比分析表格并给出行业趋势总结，输出为飞书表格 + 500 字以内的投资摘要文档。\n\n## 示例：本地文件整理\n设计一个可复用的本地软件，帮助我检测出重复照片中质量最好的，将其余质量相对更差的放入回收站。可以用我本地文件夹的这些照片来测试并完善软件。\n\n## 示例：创建 Skill\n创建一个可以生成数据可视化面板的技能，然后用这个技能把今天的所有比赛数据分析一下。\n\n## 你开始前要先确认\n- 你理解的最终交付是什么\n- 你会使用哪些工具\n- 你预计会拆成哪些步骤\n\n然后直接开始执行。\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>我之所以把这个模板放在最后，是因为这才是最值得你拿走的东西。不是“豆包很强”这句话，而是“怎么把一个 Agent 任务写得像工单一样清楚”。\u003C\u002Fp>\u003Cp>你拿去改一改，就能直接用在自己的日报、周报、数据整理、文件处理、内部工具生成上。别把它当成炫技提示词，把它当成工作说明书写法就行。\u003C\u002Fp>\u003Cp>原文来自 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2053132995230425411\">知乎专栏的新智元文章\u003C\u002Fa>，我这里做的是拆解和转写，不是原文复刻。文中涉及的产品能力、实测结果和表述，均以原始文章为基础；我加的是方法论、使用建议和可复制模板。\u003C\u002Fp>","我拆解豆包专业版的办公任务模式，看看它怎么把本地操作、财报分析和自建 Skill 变成可复制模板。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2053132995230425411",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782479013354-okfy.png","ai-agent","en","4bae46b4-28cb-40fc-b4d0-ea7d5d2b2d70",[17,18,19,20,21,22],"豆包专业版","Agent","办公任务模式","Skill","飞书","本地电脑操作",[24,25,26],"Agent 的价值不在聊天，而在把任务拆解后交付成品","本地电脑操作和自建 Skill，决定了它是不是能长期干活","最实用的用法是把重复办公任务写成模板，再让模型反复执行",0,"2026-06-26T13:03:05.457828+00:00","2026-06-26T13:03:05.449+00:00","a9bee732-b07c-4e5b-a0e6-3048577e32a7",{"tags":32,"relatedLang":35,"relatedPosts":39},[33],{"name":34,"slug":34},"agent",{"id":15,"slug":36,"title":37,"language":38},"doubao-pro-turns-agent-into-office-tool-zh","豆包专业版把Agent做成日常工具","zh",[40,46,52,58,64,70],{"id":41,"slug":42,"title":43,"cover_image":44,"image_url":44,"created_at":45,"category":13},"b4fd1081-03b2-4a5a-a164-63abf5aae4a7","hippo-deploys-devin-insurance-engineering-en","Hippo rolls out Devin across insurance engineering","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782482571866-ikl0.png","2026-06-26T14:02:25.423732+00:00",{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"42a4132d-fedc-4592-8831-b14e85168947","valkey-bots-backporting-pipeline-en","Valkey’s bots turn backporting into a pipeline","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782457402483-yzo4.png","2026-06-26T07:02:55.253806+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"7d80deb7-681b-4ebd-aa99-1ae041890f2b","loop-engineering-ru-men-gou-jian-ke-chi-xu-die-dai-de-zhi-ne-en","Loop Engineering 入门：构建可持续迭代的智能体","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782443868495-4h1i.png","2026-06-26T03:17:20.204174+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"fc444cfc-7934-45d3-9e3a-e88bacdcd189","omp-terminal-ai-coding-agent-ide-integration-en","omp brings IDE-grade coding to the terminal","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782428583651-pjdm.png","2026-06-25T23:02:37.536469+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"e2049534-8d94-453a-8cee-8eced0b74e69","public-sentry-keys-hijack-claude-code-cursor-en","Public Sentry keys can hijack Claude Code and Cursor","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782413277883-xtvj.png","2026-06-25T18:47:31.313932+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"daccbfdf-46f3-432e-8b8d-aecb8198d1c1","loop-engineering-agent-completes-tasks-en","Loop Engineering 让 Agent 把事做完","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782408826341-e6s0.png","2026-06-25T17:33:18.472838+00:00",[77,82,87,92,97,102,107,112,117,122],{"id":78,"slug":79,"title":80,"created_at":81},"03db8de8-8dc2-4ac1-9cf7-898782efbb1f","anthropic-claude-ai-agent-task-automation-en","Anthropic's Claude AI Agent: A New Era of Task Automation","2026-03-25T16:25:06.513026+00:00",{"id":83,"slug":84,"title":85,"created_at":86},"045d1abc-190d-4594-8c95-91e2a26f0c5a","googles-2026-ai-agent-report-decoded-en","Google’s 2026 AI Agent Report, Decoded","2026-03-26T11:15:23.046616+00:00",{"id":88,"slug":89,"title":90,"created_at":91},"e64aba21-254b-4f93-aa21-837484bb52ec","kimi-k25-review-stronger-still-not-legend-en","Kimi K2.5 review: stronger, still not a legend","2026-03-27T07:15:55.385951+00:00",{"id":93,"slug":94,"title":95,"created_at":96},"30dfb781-a1b2-4add-aebe-b3df40247c37","claude-code-controls-mac-desktop-en","Claude Code now controls your Mac desktop","2026-03-28T03:01:59.384091+00:00",{"id":98,"slug":99,"title":100,"created_at":101},"254405b6-7833-4800-8e13-f5196deefbe6","cloudflare-100x-faster-ai-agent-sandbox-en","Cloudflare’s 100x Faster AI Agent Sandbox","2026-03-28T03:09:44.356437+00:00",{"id":103,"slug":104,"title":105,"created_at":106},"04f29b7f-9b91-4306-89a7-97d725e6e1ba","openai-backs-isara-agent-swarm-bet-en","OpenAI backs Isara’s agent-swarm bet","2026-03-28T03:15:27.849766+00:00",{"id":108,"slug":109,"title":110,"created_at":111},"3b0bf479-e4ae-4703-9666-721a7e0cdb91","openai-plan-automated-ai-researcher-en","OpenAI’s plan for an automated AI researcher","2026-03-28T03:17:42.312819+00:00",{"id":113,"slug":114,"title":115,"created_at":116},"fe91bce0-b85d-4efa-a207-24ae9939c29f","harness-engineering-ai-agent-reliability-2026","Harness Engineering: From Bridle to Operating System, The Missing Link in AI Agent Reliability","2026-03-31T06:36:55.648751+00:00",{"id":118,"slug":119,"title":120,"created_at":121},"7a09007d-820f-43b3-8607-8ad1bfcb94c8","mcp-explained-from-prompts-to-production-en","MCP Explained: From Prompts to Production","2026-04-01T09:24:40.089177+00:00",{"id":123,"slug":124,"title":125,"created_at":126},"116d5ee9-a4f1-4b5a-aac5-5d035dd22bbe","amazon-bedrock-agents-multi-agent-workflows-en","Amazon Bedrock Agents Gets Multi-Agent Workflows","2026-04-01T09:30:30.197685+00:00"]