这周 HN 上冒出好几个务实的东西，都在解决同一个问题：智能体跑起来了，但怎么让它不翻车、不泄密、不烧钱。Codex 开始加密子 agent 提示、LM Studio 推 Bionic 抢开源模型心智、Juggler 用 JUCE 背景搞 GUI agent、还有一篇实打实的 GPT-5.6 迁移报告——便宜 27% 还快了 2.2 倍。我挑几个有意思的说。
编码智能体开始考虑“别人能不能看我的提示”
Codex 这个 issue #28058 其实聊的是子 agent prompt 加密。四百多票，说明使用者开始警觉了：你调一个子 agent，它生成的中间思考要不要加密？尤其企业用户，内部代码片段、业务逻辑可能通过 prompt 泄露给第三方模型。目前方案是端到端加密 + 运行时解密，听起来简单，但子 agent 链式调用时密钥传递怎么做？我猜 6 个月后会有人推出标准库。
LM Studio Bionic 的开源模型价值不在跑分
LM Studio Bionic 是本周开源 agent 里最“正经”的一个——它想让你在本地用开源模型跑完整 agent 编排，而不是靠 API 调 GPT。跑分好看吗？不好说。但价值在于：你可以 debug 每一步，模型崩溃时本地抓日志，不用等 OpenAI 修。做 agent 的人都知道，最难的不是写流程，是模型不听话时你不知道它脑子里是什么——本地模型至少能 dump 出来看。Bionic 目前支持 Hugging Face 模型和 LM Studio 自己的推理引擎，速度还行。
Juggler：JUCE 作者写了个 GUI agent，有点意思
Juggler 是 JUCE 创始人跳出来做的开源 GUI 编码 agent——不是又一个 terminal agent，它想直接操纵桌面 UI 来写代码。我试了下 demo：它打开 VSCode，盯屏幕，识别按钮和菜单，然后模拟点击、输入代码。问题在于：识别准确率不够。但思路对——真正帮非程序员写代码的 agent，必须理解 UI 上下文。JUCE 作者做这行二十年，等他迭代几版。
迁移到 GPT-5.6 省了 27% 成本，但别忘了架构调整
Ploy 这篇博客是本周最值得读的工程经验。他们把一个生产级 agent 从 GPT-4.5 迁移到 5.6，速度提升 2.2 倍，成本降了 27%。但重点在后半段：他们重写了 tool calling 部分，因为 5.6 的 parallel tool calls 更激进，老代码会触发大量冗余调用。迁移不止换模型——prompt 没大改，但 tool schema 缩了一半字段。如果你也打算上 5.6，先跑三天 shadow traffic。
Clawk 和 Clojure 没关系，但隔离思路是对的
Clawk 给 coding agent 一个一次性 Linux VM，用完销毁。Show HN 上 225 票，说明开发者对 agent 执行代码的安全担忧有多重。它用 Firecracker microVM，启动几百毫秒，网络隔离，文件系统只读。我看了下地址，还支持挂载宿主机目录只供 agent 读取——也就是说 agent 可以看你的代码，但不能写。这不完美，但比裸跑在宿主机上强一百倍。
两个小项目值得关注：记忆同步和 RL 训练 agent
Deja-vu 用 SSH 同步 coding agent 的记忆——比如之前的重构模式、API 偏好。算是给 agent 一个“长期记忆”的轻量方案，依赖 rsync 和 SQLite，简单粗暴。作者说用了三周，agent 不再重复犯同样错误。
还有个更疯的：ai-trains-ai，花 1300 美元训练了一个用 RL 训练模型的 agent。虽然实验性质，但方向恐怖：agent 自己学会调参，然后产出更好的基座模型。成本被压到 1.3k，说明门槛在降。我暂时不敢用在生产里。
三个循环嵌套的 agent 架构，这个比喻我喜欢
Bobby Tables 那篇博客讲了 agent 架构里其实有三层循环：外层是用户发起目标，中层是 agent 选工具，内层是模型做 reasoning。你把三层叠一起就成了“一个 trench coat”。作者认为很多失败案例是因为内层循环太快——模型还没想清楚就调用工具。推荐用中间 buffer 层控制节奏。有点道理，但实战里三层耦合很紧，不一定能解耦。
最后提一嘴：Nobie做了一个 Excel 兼容的运行环境，让 agent 和人能同时编辑表格——agent 写公式，人改数据。这个定位很聪明，但生态还没起来。
这周整体感觉：大家不再吹“agent 能取代人类”了，开始认真修防护、修成本、修记忆。挺好。