Elvis Saravia 实测 Cartesia Sonic 3.6 用 15 秒音频克隆语音并讲日语

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 ↓

OpenAI DevDay 笔记指出，构建智能体应用优化成本与性能的4个关键杠杆是：prompt caching、reasoning effort、programmatic tool calling 和 batch request。OpenAI 开发文档提供了大量相关信息，建议熟悉这些杠杆并用 evals 进行测量。

Kled V3 推出数据采集平台，实验室可指定所需数据，平台能在 72 小时内向 50 万+ 自愿贡献者网络部署采集任务。平台提供覆盖图像、视频、音频、文本和标注的 108 个可配置模板，贡献者用手机按指令和示例完成采集。其核心价值在于缩短反馈闭环：定位模型失败点、转化为采集任务、获取真实世界新样本、再训练评估。

Pi 团队发布 Pi 1.0 和 Pi Durable，Elvis Saravia 转发并评论称，Claude Code 的 Mods、DeepSeek Harness 与 Pi Durable 共同体现了编码 Agent harness 可扩展性的提升。

我认为 AI 语音缺少一层质量检查。 在我构建的大多数应用中，语音听起来已经很棒了。但真正让生产环境出问题的，是模型把“Q3”、“v1.2”或品牌名读错。 这对人们感知语音智能体的方式影响巨大。 @OnepinAI 正在解决这个问题。在你听到之前，他们会检查每一行的自然度、清晰度和发音。 当一个词读错时，它会直接修复那个词，而不是重新生成整行。

自己动手搭建 harness 吧，各位！ 自建 meta harness 最大的好处之一，就是切换模型非常顺畅。 我觉得随着模型发布周期不断缩短，这一点正变得越来越重要。RSI 只会让发布节奏进一步加快。 这是自去年 11 月以来我做过的最好的决定之一。 切换模型确实可能把一切搞乱，但不该如此。如果会乱，说明你的配置不适合我们当下这种疯狂的发布节奏。你现在就得解决这个问题。

AI 正在创造新的工作岗位，我预计许多公司会开始招聘自动化工程师。 这个角色需要有人理解团队的真实运作方式，并能构建团队所需的自动化。Jake 在这篇文章中解释得很好。 在 @getserval，自动化工程师会嵌入 IT、HR、财务和法律团队，直接在每个客户的 Serval 环境中构建 AI 智能体。

我认为智能体的消费级突破，会出现在它们主动发起对话的时候。 Lucas 住在 iMessage 和 WhatsApp 里，有事需要处理时会先给你发消息，比如取消航班的退款，或者你一直拖着没订的预订。主动能力很棒。