Jev-as-a-Judge 提升 LLM 评判可靠性

DAIR.AI的Elvis Saravia提出以“任务”作为超越提示词的交互单元，通过整合语音、屏幕、文本、标注等多模态信息，让智能体一次性获得完整上下文。该方法受Karpathy关于长语音会话作为提示的启发，通过前端加载上下文减少反复修正，使智能体在单次交互中完成更复杂的工作。

Elvis Saravia 介绍使用 human-in-the-loop（HITL）来提升 agentic loops 的可靠性。他所有 Claude 和 Codex agent 会话都通过 @DialAgent MCP 服务器，该服务器为 agent 提供专属号码，支持语音、SMS、iMessage 作为原生工具。当循环/自动化处理 PR 或新功能时，agent 会通过简短电话将决策升级给人类，尤其适合在路上或离开电脑时。用户可粘贴指令让 agent 拨打电话测试。Dia…

YT 视频 -> Artifacts 看看我如何使用新的 /youtube-notetaker 技能从 YT 视频生成 Artifacts。 捕获幻灯片、笔记、转录内容…… 快去试试 ↓

Mistral 发布 Mistral Large 4（Le Chonk），1T 参数、49B 激活、原生多模态，称其为美欧聚合评测中最佳开源权重模型，API 已可用，开源权重 10 月底发布。作者 Elvis Saravia 表示对性能不算太惊艳，但认可其多模态能力，认为这是 Mistral Large 可以突出的方向。

和 Jev 一样，我相信 RL 会解锁更多类似的成果，大幅削减关键智能体操作的成本。 flow-1 在性能上有竞争力，但在发现 agent trace 中的失败方面能大幅节省成本。 RSI 不只适用于通用智能。它同样会加速专用智能。

Elvis Saravia 用 pidotdev 的 Pi Durable 搭建了一个主动式个人 Agent，用来验证用开源工具多快能做出 OpenAI dots 的克隆。

Elvis Saravia 回应 Karpathy 关于理解 LLM 输出的帖子，称类似做法自己已实践一年多，并分享他正在搭建的通用人机协作界面。其当前方案将高级智能体连接到类 Notion 的灵活页面，支持嵌入工件、文本、视频和可视化讲解，智能体按任务输出这类工件而非默认文本回复，他通过评论和建议直接协作，覆盖代码审查、笔记、写作、研究和原型设计等场景。

有 15 年以上终端使用经验的开发者表示，AI 智能体已让他完全放弃终端，转向更适合与智能体协作的新界面。他认为终端假设人类直接通过文件、命令和进程操作计算机，而智能体只需表达意图即可操作机器。他仍庆幸在 AI 时代前学过计算机系统，理解抽象底层让人成为更好的系统思考者，这也是 AI 时代的一种护城河。

有开发者认为通过 CLI 使用编码智能体已经过时，交互正直接发生在智能体本身。其当前工作流混合使用高层持久智能体（如 dots）与专用智能体（如 codex desktop 会话），由持久智能体统一管理，并称 Codex desktop app 是目前最好的智能体 UI。

Elvis Saravia 称通过 API 使用 Opus 5.5 后印象深刻，为此重新订阅 Max，并被其耐用性震撼，直言 Opus 5.5 是极高效、极出色的日常主力模型。他提到此前 Fable 模型让 Max 订阅变得糟糕无用，并呼吁 Anthropic 不要削弱 Opus 5.5，希望模型更高效、让每个 token 产出更多价值。