AI 动态日报 · 2026-08-23（周日）

《AI 动态日报》是 Sway Lab 每天早上做的简报：抓取当天的 GitHub、Hacker News、arXiv、Hugging Face 等一手来源，筛出十条最值得读的，原样公开。它首先是写给 Sway 本人看的，所以文中的「你」指的是他。

今天最该知道的一件事：一篇新基准测出，五套主流 agent 记忆方案全都不如「不给记忆」，最强的也掉 10% 以上。

Top 10

1. MemTrapBench：给 agent 装记忆，五种主流方案全都跑输「不装记忆」 · 论文 · Hugging Face Papers 今日 31 upvotes，arXiv 2608.20202，2026-08-20 提交，9 位作者（Mengru Wang、Haozhe Luo、Zhenqian Xu、Zhixiang Cui、Haoming Xu、Qu Yang、Jizhan Fang 等） 它测的不是「记忆存没存对、取没取回」，而是取回来的记忆怎么反过来把当前这道题做坏——论文把这类失败叫「记忆诱发的认知陷阱」，分两种：推理定势（Reasoning Fixation，模型套用上次的解法不肯换）和信念扭曲（Belief Distortion，旧结论污染新判断）。摘要原话：两个模型家族 × 五个代表性记忆框架，全部弱于 no-memory 基线，最强的那个也跌超过 10%。 你手上正好有 session-memory-skill 和一堆 memory/notes/。这篇给的不是「记忆没用」，是记忆的验收标准写错了——你现在的检查大概率还停在「这条笔记有没有被检索到」，而它证明检索准确率高的方案照样能把任务做砸。今天就能给自己加一条对照实验：同一个任务跑两遍，一遍带 memory/、一遍空上下文，比的是最终结果不是召回率。 🔗 https://arxiv.org/abs/2608.20202

2. MCP 新路线图：把「agent 自己的身份」正式立项，本地服务器也要统一走 HTTP · 产品 / 官方发布 · HN 172 pts / 126 条评论，blog.modelcontextprotocol.io 官方博客，2026-08-22 发表，署名两位核心维护者 David Soria Parra、Den Delimarsky 五个优先方向：① agent 式消息原语（server 主动推事件、webhook 与 channel，让客户端不用轮询；Tasks 扩展 SEP-2663 要进正式规范）；② 传输层统一到 HTTP-native，连本地服务器都要改成在 stdio 上说 Streamable HTTP；③ agent 身份与企业级安全；④ 原语改进；⑤ SDK 开发体验。 第 ③ 条是冲着你这种场景写的：官方原话是现在的授权模型「围绕一个人在浏览器里点同意」建起来的，但越来越多的调用方是云上跑着、代表一个不在场的用户、还要把更窄的权限再转授给子 agent。你的 hermit-agent 已经在派子 agent 了，这条规范定成什么样，直接决定你未来是自己发凭据还是跟着协议走。 🔗 https://blog.modelcontextprotocol.io/posts/mcp-roadmap/

3. Munder Difflin：把《办公室》搬进终端——你的团队每人一个分身，12 种 CLI agent 随便挂 · 产品 · HN 244 pts / 114 条评论；仓库 chaitanyagiri/munder-difflin 3,671 stars / 405 forks，2026-05-31 建仓，今天（08-23）仍在推送，JavaScript 它是个本地多 agent harness，官网自称拿过 GitHub Trending 单日仓库第一。卖点有两层：一层是工程的——开箱支持 12 家 CLI agent（Claude Code、Codex、Grok、Kimi Code、Antigravity、Qwen、Gemini CLI、OpenCode、Crush、Pi、Copilot、Cursor），复用你已有的订阅按小时额度跑；另一层是界面的——所有 agent 摆在一个仿《办公室》的 2D 办公室里，点一个「分身」能看它此刻在干嘛（比如 "triaging the PR queue"），这个模拟画面是确定性渲染的，不烧 token。 对你有两个用处：多 harness 适配层可以直接抄；「把 agent 状态做成一眼能看懂的画面」这件事，是 hermit-ui 一直缺的那块，也是它今天能上 HN 244 分的真正原因。 🔗 https://news.ycombinator.com/item?id=49398152 ｜仓库 https://github.com/chaitanyagiri/munder-difflin

4. EnvHarness：环境也能套 harness——不改原环境逻辑，外挂一层插件专门针对 agent 的弱点重塑它 · 论文 · Hugging Face Papers 今日榜首，246 upvotes，arXiv 2608.19880，2026-08-20 提交，17 位作者（Chengsong Huang、Zifeng Wang、Rujun Han、Jun Yan、Yanfei Chen、Zoey CuiZhu、Ke Jiang 等） 论文的出发点是：训练用的环境全是手搭的、静态的，看不见 agent 的弱点，agent 一变强它就过时。EnvHarness 是一层可编程插件，包在静态环境外面，不动底层逻辑就改变它的行为，而且保证重塑后的环境仍然用原来的验证器。配套的 EnvRigger 把目标策略当黑盒，看它的执行轨迹诊断毛病，再自动合成对症的 harness 组件并验证。 你一直在做的是「模型不动、harness 做厚」（08-19 那条 StateM 是同一路）。这篇把同一招用到了环境侧：agent harness 和 env harness 是对称的两半。你给 skill 家族做 eval 的时候，缺的正是「针对这个 agent 现在的弱点，自动生成下一批题」。 🔗 https://arxiv.org/abs/2608.19880

5. diagram-design：39 种「编辑部级别」的图表类型做成一个 skill，本周涨 7,368 星 · 仓库 · 25,482 stars / 1,562 forks，本周 +7,368（GitHub Trending 周榜），2026-04-16 建仓，2026-08-21 推送，HTML，MIT，26 个 open issue 一个 Claude Code / Codex / Pi 通用的画图 skill，产出是自包含的 HTML + SVG，没有构建步骤、没有 JavaScript、没有外部图片依赖，浏览器直接打开。39 种类型每种出三个静态版本（浅色极简 / 深色极简 / 全编辑风），2.5.10 版一次加了十种排版语法：桑基图、鱼骨图、Wardley 地图、看板、用户旅程、部署图、依赖图、UML 类图、故事地图、数据库结构图。作者写在 README 里的规矩很硬：「最高质量的动作通常是删除」，强调色只留给读者该最先看的那一两个东西，目标密度 4/10。它还能把已有的 draw.io / Mermaid 源图按指定格式和详略程度重画一遍。 最值钱的不是图，是它把审美判断写成了可执行的规则——这正是你做 skill 家族时最难写的那部分，可以整段借鉴。 🔗 https://github.com/cathrynlavery/diagram-design

6. yetone 的 Cumora：把 agent 塞进公司 IM 当同事，6 天 2,901 星 · 仓库 · 中文圈 · 2,901 stars / 350 forks，2026-08-17 建仓（6 天），2026-08-22 推送，TypeScript，MIT，仅 6 个 open issue avante.nvim 作者 yetone 的新项目。形态是跨平台团队聊天，但 agent 是一等成员：同一份成员名单、同样的私聊和群聊、同一块看板和日历。agent 不是被 @ 才动，它们有人设和记忆，会自己认领任务、互相协调避免撞车、能真的收发邮件。两条「大脑」路线：云端是每个 agent 一个托管 pod、走 OpenAI Responses API 的多跳工具循环；BYOA 模式用 npx cumora agent computer 把你自己的 Mac 或 VPS 配对上去，大脑换成本机的 Claude Code / Codex / Grok Build / Cursor Agent，服务端拿不到你的 provider key。 你的 agent-matrix 和它撞的是同一个问题：多个 agent 怎么共处一个工作区不打架。它给的答案是「照搬人类公司的那套协作物件」——名单、私聊、看板、邮箱。这个思路值不值得抄，是你今天最该想的一件事。 🔗 https://github.com/yetone/cumora

7. ai-memory：Claude Code 干到一半退出，同一目录打开 Codex 接着干，不用重讲一遍架构 · 仓库 · 4,089 stars / 301 forks，2026-05-21 建仓，2026-08-22 推送，Rust，MIT，7 个 open issue 定位是「跨厂商的 agent 长期记忆 + 交接」。README 第一句就是它的全部主张：中途退出 Claude Code，在同一个目录启动 OpenAI Codex，继续干，不用重新解释架构、试过又失败的路子、以及还没定的问题。支持矩阵铺得很宽：Claude Code / Codex / Command Code / Devin CLI / OpenCode / Cursor 各自接 MCP 配置 + 生命周期钩子，Linux/macOS 原生二进制，Windows 走 WSL2。细节看得出是真在用的人写的——Codex 没有真正的会话结束钩子，所以要手动 ai-memory finalize-session；Claude Code 那边可选在 Stop 时捕获助手最后一轮，双重 opt-in、默认关闭。 和榜首那篇 MemTrapBench 正好凑成一对：一个说记忆现在还在帮倒忙，一个是社区押注最大的记忆实现。你想给 memory/ 那套加自动化，先把这两个一起看完。 🔗 https://github.com/akitaonrails/ai-memory

8. JetBrains 官方放出一个「省 token」skill：中位省 17.9% 成本，而且明确说别当 skill 装 · 产品 / 官方发布 · 230 stars / 10 forks，2026-08-17 建仓，2026-08-18 推送，Shell，MIT，1 个 open issue benjamin-plus 只教五个习惯，不碰模型建什么：侦查一次做完（别把仓库戳五遍）、只看不改就读 50 行（要动的数据绝不截断）、依赖一条命令查完一次装完、完成判据用任务自己给的检查命令、轮询也算一步（构建没完就是没新消息，30 秒查一次别每秒查）。最后这条它给了个扎心数据：在某些 agent 平台上，光轮询就占了将近一半的步数。规则全文 RULESET.md 只有约 745 token。 最该带走的是它的投放方式实验：同一份 skill，注入进上下文能省 17.9% 成本；做成可发现的 skill 文件夹放那儿等模型自己找，只省 0.5%、不显著——agent 光是找 SKILL.md 就把省下的烧回去了。质量侧 7 好 / 5 差 / 68 平（符号检验 p=0.77）；换到 Java SWE-bench + Codex CLI（675 对重复）省 4.4%（p=0.003），解题率不变，工具调用 −20%。作者自己写明省多少取决于你基线有多臃肿，大致 −10% 到 −18%。你的 skill 家族全是「等模型自己发现」那一种，这个对照值得复现。 🔗 https://github.com/JetBrains/benjamin-plus-skill

9. 一周多用 Codex 少用 Claude 之后：Claude 像同事，Codex 像《星际迷航》里的 Data · 理念 / 争论 · HN 121 pts / 100 条评论，Lucian Ghinda（allaboutcoding.ghinda.com），2026-08-21 发表 七条都是手感，但每条都能对上具体动作：① 两边 skill 数量不对等是最大的伪差异，作者的解法是让 Codex 直接读 Claude 的 skills 目录自己转换；② 真着急调试的时候还是回 Claude，不是因为更强，是因为熟；③ Codex 改出来的 Ruby/Rails 代码注释少很多，他很喜欢；④ Codex 的输出「更技术」，Claude 像在 Tuple 结对时跟你说话的同事，Codex 像 Data；⑤ 他开始改成开很多个小而专注的 Codex 会话，而不是一个大 Claude 会话；⑥ Codex 前期改得快，但补测试和过 review 拖很久，总时间没赢；⑦ Codex 的架构更简单，Claude 爱造抽象和概念。 你同时在写多 harness 的基础设施，这篇的价值是把「模型差异」和「harness 差异」拆开了——第 ① 条几乎在说，大部分体感差距其实是 skill 配置不对等造成的。 🔗 https://allaboutcoding.ghinda.com/a-week-of-using-codex-more-than-claude/

10. 一条 prompt 建仓、写码、跑绿 CI、开 Postgres、部署上 HTTPS——全程自托管、全程沙箱、中途不再说一句话 · 理念 / 长文 · HN 114 pts / 60 条评论，Jake Saunders（blog.jakesaunders.dev），2026-08-21 发表，10 分钟读完 作者的动机很朴素：健身房里想要个练量记录 app，商店里都要每月 12 英镑，就自己一句话生成了一个；但「给 LLM 开我本机的 root 再挂自动模式」他始终不踏实。于是整套搬进自托管沙箱：Forgejo 管代码、Coolify 管部署、自建 MCP、自己签 SSL。结果是从一条 prompt 出发，建仓 → 写应用和测试 → CI 跑绿 → 开 Postgres → 部署到 HTTPS 后面，全程没再收到第二条指令，文末有演示视频。 这是今天唯一一篇把「隔离」当第一约束、而不是当补丁的完整实操。你在做 hermit 基础设施，他的分层（Forgejo / Coolify / MCP / 证书）可以直接当选型清单对照。 🔗 https://blog.jakesaunders.dev/building-an-almost-fully-self-hosted-sandboxed-agentic-software-factory/

快讯（5 条）

• 科研代码基准 SWE-bench Science：Opus-5(max) pass@1 不到 50%，HF 58 赞，复旦 🔗 https://arxiv.org/abs/2608.19799
• autoprompt-skill：自称把 agentic 编码失败率砍 45%，708★ 🔗 https://github.com/Spielewoy/autoprompt-skill
• book-to-skill：技术书 PDF 直接转成 Claude Code skill，1,229★ 🔗 https://github.com/Leutenegger/book-to-skill
• Wake：Mac 上所有 coding agent 会话集中浏览与恢复，466★ 🔗 https://github.com/iAmCorey/Wake
• 今日 Show HN 最高 588 分：1.25 亿参数模型在设备上续弹钢琴 🔗 https://simedw.com/2026/08/20/midi-autocomplete/

今天可以亲手试的

1. 复现 JetBrains 那个「注入 vs 放着等发现」的对照 · 约 15 分钟 挑一个你自己写的 skill，同一道任务跑两遍：一遍把 RULESET.md 那种规则直接注入到系统提示里，一遍照常放在 .claude/skills/ 里等模型自己发现。比两件事：总 token 和工具调用次数。JetBrains 的结论是注入省 17.9%、放着等发现只省 0.5%——如果你这边复现出同样的方向，你整个 skill 家族的投放方式都要重想。

gh api repos/JetBrains/benjamin-plus-skill/contents/RULESET.md \
  -H "Accept: application/vnd.github.raw" > /tmp/ruleset.md && wc -w /tmp/ruleset.md

2. 给自己的 memory/ 做一次「带记忆 vs 空上下文」对照 · 约 10 分钟 按 MemTrapBench 的思路：挑一个你这周真做过的任务，一遍照常带 memory/notes/ 起手，一遍在干净目录里从零做。比的是最终结果对不对，不是「笔记有没有被检索到」。重点看有没有出现论文说的推理定势——模型套用你上次的解法，哪怕这次条件已经变了。

3. 装 diagram-design，让它照着 swaylab.ai 的配色画一张 hermit 架构图 · 约 10 分钟 它读你的网站自动对齐品牌色，产出自包含 HTML + SVG，浏览器直接开，没有构建步骤。画出来的图能直接当知乎配图和 GitHub README 头图用。

git clone --depth 1 https://github.com/cathrynlavery/diagram-design /tmp/diagram-design && ls /tmp/diagram-design