Agent 与工作流01
以色列初创公司 Uvi 本周三结束隐身模式，获得 750 万美元种子轮融资。它要解决的问题是：企业里用前沿大模型搭建的 AI Agent 每次回答前，都要重新翻 Slack、Jira、GitHub 等系统拼凑背景信息，导致成本虚高。Uvi 的做法是把公司已有的决策、对话、代码和流程集中整理成一个“记忆库”，让 Agent 一步拿到所需的最小正确上下文，而不是每次重做侦探工作。内部测试（未经独立验证）显示，同样的模型和问题下，接 Uvi 的 Agent 比直接连六个企业系统的 Agent 便宜约 8 倍、快 1 倍以上，单次回答成本从 0.75—1.41 美元降到 0.10—0.16 美元。对读者来说，这意味着未来换模型时不必让 Agent 重新学习公司背景，但实际效果仍待第三方验证，集成工具的范围也还没有完全公开。
文中可用工具
- Uvi集中管理公司上下文记忆，让 AI Agent 用更少步骤获取正确背景信息
- Slack企业消息与讨论平台，原文作为 Agent 需要翻查的系统之一
- Jira项目与工单管理工具，原文作为 Agent 需要翻查的系统之一
- GitHub代码托管平台，原文作为 Agent 需要翻查的系统之一
AI 编程02
driftsys/upskill · Upskill your coding agents — ultra-lightweight agent skills package manager
upskill 是一个 ultra-lightweight 的 agent 技能包管理器，用单个 Rust 二进制在 Claude Code、GitHub Copilot、opencode 等 AI 编程客户端之间，从单一可信来源（SSOT）编写与分发 AI 辅助内容（rules、skills、agents）。它无需 Node.js、npm 或运行时依赖，支持从源仓库或 bundle 安装内容并自动展开到 .claude/、.github/、.agents/ 等目录，通过 .upskill-lock.json 记录安装版本与哈希，并提供 update、list、doctor、new、lint、fmt、search 等命令。项目区分源注册表（作者命令）与消费项目（消费命令）两种角色。
Agent 与工作流03
这是 Brendan O'Leary 的一场演讲，他基于 40 万亿 token 的使用数据，谈开发者实际是怎么采用 AI Agent 的。他的核心观点是：真正决定 AI 能不能落地的，不是模型跑分多高，而是用户是否建立起了信任。他提出 AI 采用分为四个台阶，并分析了上下文构建、多模型路由和反馈回路这几个容易出问题的环节，帮工程负责人把 Agent 工作流真正用起来。演讲标题提到 25 万亿，摘要里数据则是 40 万亿，原文未说明两者关系。