搜索
我天天在ai news radar里刷呀刷，真刷出了个新的开源项目，Tutti。光看Readme的时候，我以为它又是一套给Agent套GUI的桌面壳，实际上它提供了一个实时共享的工作空间，我所有agent可以共享上下文，文件，应用和任务。
昨天早上我想给 Claude 的一篇文章配几张 3:4 的社交媒体图。手边有自己做的社交媒体 Skills，就顺手让 Codex 调了 GPT-Image 2.0。出来的效果超出预期。干净白底，克制的 3D 材质，中文标签直接印在图里，远看像杂志内页，近看细节都读得清。
手机GUI Agent正在从「看懂屏幕、点击按钮」走向更复杂的跨App自动化任务：这些任务听起来并不复杂，但对现有手机GUI Agent来说，一个核心难题始终存在：任务一长，就容易忘。
前段时间我做了一个 guizang-social-card-skill（https://github.com/op7418/guizang-social-card-skill）。
想训练能自动操作手机的GUI（图形用户界面）智能体，总会遇到两难困境：
Agent从来不是不会用浏览器，只是浪费太多时间在探索——BrowserBC把人类轨迹蒸馏成可复用Skill来完成Behavior Cloning，用户点一遍，Agent照着就能跑通。Einsia AI旗下Navers Lab发布的开源项目BrowserBC给出的答案，是一条三步范式：录制→转写成Skill→交付执行。
扩散模型又被玩出新花样了。
独家获悉，GUI Agent（图形用户界面智能体）执行平台 「Core-Mate」 近日宣布完成数千万人民币融资。核心团队主要来自字节跳动，成员在用户产品、业务增长和商业化落地中积累了系统经验。在团队看来，下一代 AI 产品的关键不只在模型能力，也在入口、场景和用户行为。
如何让 Agent 把浏览器用得更 6，一直是一个还没有完美解答的课题。周末躺床上刷 GitHub trending，看到一个项目名字叫 BrowserAct。简介写着：AI Agent 操作真实浏览器。
中科院自动化所模式识别实验室开源MobileGym，运行在浏览器里的高并发安卓仿真平台，完全自定义，告别模拟器风控与真机成本，一个平台搞定Mobile Agent训练与评测，甚至还能玩原神！