Pi 将 MCP 纳入核心

OpenAI 宣布 dots。 我过去几天一直在测试它，它很特别。 主动能力真的很棒。 我用它来安排我整个 DevDay 的行程，从出行到会议/会面安排。 它有自己的电脑。 有很棒的笔记工具来整理工作，而且在协作方面只会越来越好。 还有很多工作要做，但它已经既有趣又有用了。

一旦编程智能体能够编写整个应用，部署和运行它就成为了瓶颈。 来自 @insforge 的 InstaCloud 让智能体直接部署到无服务器云，可随流量扩展，空闲时缩容至零。 分支对智能体工作流非常友好。智能体可以在几秒内复制整个服务（含数据），在触碰线上应用之前先在那里测试变更。

雄心勃勃的东西，但要更好地利用你的智能技术栈，这非常必要。 企业将需要一个记录其 AI 如何运作的系统，就像它们对客户和财务所做的那样。 CData 的新 Connect AI Gateway 处理你的模型、智能体和业务系统之间的每一个请求。它将每个请求路由到正确的模型或工具，在每次调用时检查身份和策略，并将每次交互学到的东西保存为其他智能体可复用的上下文。

大量 JevRAG 变体正在涌现。 至少可以说很有意思。 这些范围有限的测试其实得不出什么结论，但它引发了讨论，也指向了在当前 RAG 和智能体系统中寻找优化方向的激动人心的路径。 我一直在测试自己做的 JevRAG，用于论文探索。 到目前为止，我在用 Jev 做重排序上取得了更多成功，也找到了一些非常有意思的论文搜索方式，把语义搜索和 Jev 结合起来。 更多内容很快分享。

这就是编程的未来。 多个 AI 模型在同一个 Codex 会话中工作，由 Jev 路由它们处理任务的不同部分。 在这里，我让它构建了一个全栈演示应用： > Opus 5.5 负责规划。 > GPT-6 Astra 构建后端。 > Kimi K3 构建前端。 > DeepSeek 负责测试。 > GLM 5.3 Flash 撰写文档。 Jev 负责切换。我从未碰过模型选择器。同样的构建，成本降低 40%，速度快 15%。

Base44（@Base44）发布 Base Code 早期预览版，将代码仓库扫描后把数据库、Redis 等基础设施组件全部搭建到云端，供团队在统一环境中协作开发，支持从任意浏览器访问，WhatsApp / iMessage 接入即将推出。该环境还可支撑自动化软件工厂等能力，如智能体读取支持工单、实现修改并在云端验证。产品与模型无关，免费开放 30 天，可连接任意 GitHub 仓库获取实时预览。

Elvis Saravia 认为递归自改进的 AI 公司正以多种形式加速涌现，越掌控自己的智能栈（模型、harness、evals），能解锁的规模就越大。他引用 Logan Kilpatrick 的观点：2027 年将出现规模化自主创收的智能体/迷你公司，如今已在 subscale 层面发生但仍有粗糙之处。他建议企业现在就从递归自改进某个功能或业务环节入手，并建立相应的流程与 evals。

Jev 现以 typesafe/jev-router 形式打包上线，OpenRouter 会为每个请求自动选择模型和推理力度。作者用 Pi SDK 构建的支持智能体测试，同一 8 个案例对比固定 GPT-6 Sol 基线共 32 次真实调用，两者全部答对，路由成本低一半以上（$0.008 vs $0.018），中位响应时间也更短（1.5s vs 1.9s）。

DAIR.AI 的 Elvis Saravia 指出，当前个人智能体多被优化用于促进消费，如网购、订机票、规划旅行，而缺少帮助用户创业、求职、经营公司或学习新知的以人为本的智能体。他认为现有智能体在训练和价值观对齐上尚不足以胜任这类任务，但值得解决，并希望更多公司投入构建此类 AI 模型。

花数小时研究微软的崛起。 5 分钟把研究喂给 Pexo。 10–15 分钟后，一条完成的 30 秒视频。 真正让我惊讶的是拼贴效果。Pexo 拿过研究内容，围绕它构建了整套视觉处理——抠图、贴纸、辅助图像，全部都有。没有任何东西像是随机加进去的。一切都跟着故事走。而且这还是第一次尝试。 如果你做历史或解说类内容，我觉得工作流刚刚变了。@Pexoai_offical