模型只是提供原始推理能力的“CPU”，而Harness则是围绕它的整个“操作系统”——包括工具调用、护栏约束、反馈循环、状态管理、观测层等一切让Agent能长时间稳定工作的基础设施。LangChain明确指出：“Agent = Model + Harness”，Harness就是除模型本身之外的所有代码、配置和执行逻辑。Anthropic和OpenAI的最新工程实践进一步确认：Harness负责回

Mozilla 的案例最重要的启示，是把对 AI 的关注点从“哪个模型更聪明”转向“我们是否为模型设计了正确的任务、工具、反馈和护栏”。优先级机制；执行环境；测试工具；验证规则；漏洞分流；补丁审核；发布机制。当 AI 能够提出假设、动手验证、接受失败、继续迭代，并把结果交给工程师做更高层判断时，它才不再只是一个聊天助手，而开始成为软件研发与安全体系中的生产力。

Cloudflare R2、PicList 和 Codex 组合后，真正节省时间的并不是“上传一张图片”，而是把整篇文章的图片发布过程变成可重复执行的自动化流程。写文章 → 插本地图片 → 运行发布工作流 → 导入平台当一篇文章有十几张、几十张甚至上百张图片时，这种批量上传、自动替换链接、自动校验的方式，能明显减少重复劳动，也能让多平台发布更稳定、更可维护。

这套工作流的价值，不在于“让 AI 帮我总结一本书”，而在于把自己真实读过、标注过、思考过的内容重新组织成一张可复盘的知识地图。Apple Books 阅读和标注→ Obsidian 导入批注 Markdown→ Codex 按学习复盘结构重组→ XMind 查看、编辑和沉淀如果你也经常在 Apple Books 中做批注，但读完后很少回看，可以试试这个方法。它能把零散高亮变成一份真正能复习、能迁

参考来源：https://x.com/waterloo_intern/status/2081762065392541951本文为原英文技术报告的完整中文翻译与博客化整理。原文图片链接、代码块、代码内容和公式顺序均保持不变；专业名称首次出现时保留英文原名，便于对照学习。这是一张图片，ocr 内容为：这是一张图片，ocr 内容为：二万二千五百八十。一个 Kimi K3（2026）的参数量，大致相当于

本文介绍了如何利用Codex与Draw.io MCP工具快速生成技术图表（如架构图、流程图等）的工作流。传统手动制图耗时费力，而通过AI辅助可自动完成70%的基础结构搭建。文章详细说明了安装Draw.io MCP的两种方式（手动配置或通过Codex自动安装），并强调清晰的提示词应包含主题、模块、关系及风格要求。作者对比了Codex直接调用MCP和Google AI Studio生成XML两种方案的

Codex 是一个构建者，能够搭建轻量级基础设施，使你的工作流更可靠、更快或更容易重复。有时，最好的 Codex 输出不是一段纯文本，而是一个小脚本、本地应用、自定义仪表盘或审阅界面，让重复工作流变得更简单。混合模式。有些情况下，Codex 可以独立生成一个成果供你审阅，然后继续下一步；另一些情况下，它产出的工具本身会成为你与智能体共同迭代的空间。重复性工作流需要调用一个没有 Codex 集成的

AI 的变化，不只是模型越来越聪明。更关键的变化是：围绕模型的系统架构，正在一层层补齐。很多人对 AI 的理解，还停留在“一个可以聊天的机器人”。但今天的 AI 系统，早已不只是一个聊天窗口。它可以检索企业文档、查询数据库、调用 API、执行代码、浏览网页、管理任务，甚至像一个软件员工一样完成多步骤工作流。从“输入 Prompt，让模型回答”到“连接业务系统，让 AI 执行任务”，中间真正发生的变

大模型生成的表格本质上是基于纯文本字符（如空格、制表符或 Markdown 语法）拼接而成，并不包含标准的 Word 表格结构。粘贴到 Word 后，这些内容会被自动转换为表格或保留部分原有的边界格式，当再次统一应用“所有框线”时，原有的隐含边框与新设置的边框叠加，从而表现为双线效果。在使用 GPT、Qwen 等大模型进行对话时，生成的表格内容如果直接复制到 Word中，在为表格设置“所有框线”时

模块 1.4 介绍代理------并行运行的独立 Claude 实例。CLAUDE.md 是你项目的宪法------覆盖临时提示的不可变规则。模块 1.5 教你创建自定义子代理------具有独特个性、专业知识和视觉标识的永久 AI 团队成员。Claude 将其视为对话其余部分的规则（但不是未来的会话）。工程师（紫色）------技术可行性审查、实现复杂性估算、架构反馈。模式 1：扇出处理----