Anthropic 在 Agent Teams 发布的时候也公布了一个不错的内部实现，花2万美金/2周，用 multiagent 从头写了一个 C 编译器，推荐阅读。我读完主要的感受是 ：
1/ Coding AGI 真的到了，今天 Codex 博客中也说了自己在 fix model 中起了贡献。
2/ multi-agent 的价值体现在任务的时间尺度可以再次指数级增长，因为 线性的 O(N) 任务被折叠成 O(log N) 的分层协作。于是更多原本不可能的任务可以实现，大家体感的 token 消耗量会再上一个台阶。这个思路其实中国团队贡献了很多，Manus Wide Research，Kimi Agent Swarm 在这里都有重要贡献。

www.anthropic.com

文章主要内容

1) 他们用 16 个 Claude 并行写了一个 C 编译器
这个目标满都很大，之前 coding agent 不太能做好。从零写一个 Rust C compiler，能编译 Linux kernel。作者说他们让 16 个 agent 并行跑、几乎不介入；两周内大约 2000 次 Claude Code session、花费约 2 万美金，产出 ~10 万行代码的编译器，能 build Linux 6.9（x86/ARM/RISC-V），还能编译一堆大项目（QEMU/FFmpeg/SQLite/postgres/redis 等），并且在多数 compiler test suite 上做到 ~99% 通过率。

2) “能跑很久”不是模型自然具备的，而是 harness 设计出来的
Claude Code 默认需要人持续在线互动，否则会“停下来等你”。作者做了个非常简单粗暴的 infinite loop harness：让 Claude 做完一件事立刻接下一件事，永远不停止；并强调要在容器里跑，而不是在真机上。这个思路和 Openclaw 的比较深似。

3) multi agent 的关键收益：high throughput 吞吐 + 不同价值任务的分工
并行能解决两类问题：
一个 agent 一次只能干一件事，并行能把 debug/修复多个 failing tests 的速度显著拉起来；
角色分工：有人写功能、有人做文档、有人做性能、有人做代码质量整治等。
他们用 git + “任务锁文件”做了一个很原始但有效的同步：每个 agent 认领一个任务文件，避免重复劳动；合并冲突很多，但 Claude 往往能自己解决。

4) human in the loop 部分：verifier 质量决定上限
作者反复强调：agent 会非常努力地“通过你给它的验收器”，所以验收器如果不严谨，最后就是“把错误问题做得很完美”。
于是他自己大量精力花在：找高质量 test suite、写 verifiers/build scripts、补 CI、把“新功能经常破坏旧功能”的回归问题压住。
同时要“站在 Claude 的视角”设计反馈：控制输出避免污染上下文、把关键信息写日志便于 grep；还要考虑模型对时间没有感知，傻跑很久测试。

我们定义自己为 Investment Research Lab：既是基金，也是 research lab，我们相信理解技术本质的人，可以更快发现 AI 变化最陡峭的地方。

欢迎希望以research mindset做投资的朋友加入共创伟大！

我：手搓的代码比AI写得好
我妈：手搓的衣服比机器洗得干净

上世纪 50 年代信息论和 DNA 双螺旋的发现，点亮了生命科学与数字互联网这两个最关键的科技树；今天 AI for Science 开始将这两股洪流汇聚并指数级加速。 大模型对生物系统这样复杂、非线性的系统有着前所未有的理解和生成能力，有望成为加速科学发现的关键引擎。

如果说上一代 AI 只是帮助科学家“更快地做旧事”，新一代 Foundation Model 则开始“做以前做不到的新事”。从 AlphaFold 3 、ESM3 到 Evo 2 等模型，他们把分子-细胞-系统的设计空间瞬间打开，自动化 AI Scientist 则把实验室变成可编排的软件流水线。这意味着十年、二十亿美元成本的药物研发流程，正被重新压缩与重构。

最新的这篇文章我用「Tech/Bio × Generalist/Specialist」四象限为框架，梳理了下面几类玩家：

• Biology Foundation Model：深挖单点大模型极限，AlphaFold 3 级别的里程碑是个开始；

• AI Scientist：将多智能体编排成实验操作系统，让科研流程变成可复制的 AI Agent；

• AI-Native Therapeutics：基于全栈 AI 平台押注复杂疗法，争夺下一个百亿美元药物；

• AI-empowered solution：通过独特数据与算法解决行业痛点，带来立竿见影的效率红利。

今晚在@极客公园 视频号聊聊对AI Agent 的观察 欢迎即友们有空来捧场

今年期待的AI Agent基建三要素：MCP + RL环境 + memory

AI创作的软件会是下一代产品/内容的骨架

感谢monica邀请cohost 推荐来看这期onboard对RL历史+o1范式的讨论干货很多 每次读嘉宾推荐的paper list都有新收获

👏欢迎即友们来玩！

我们和RTE开发者社区一起联合出品了Voice AI技术专场 聊聊Her中的语音智能如何实现 感兴趣的朋友来线下一起交流！10月26日在北京