Elvis Saravia 分享通用智能体协作界面的个人实践

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 ↓

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。

作者在 Cartesia playground 用约 15 秒音频克隆自己的声音，几秒内完成，并让克隆声音说出他不会讲的日语。该功能基于最新语音模型 Sonic 3.6，支持 44 种语言，作者认为可用于让内容覆盖更多语言受众。

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。