Eson Wong (@eson000) profile picture

🤖 企业 AI Builder | 🔩 硬件 Maker | 📱 Indie Developer | ✍️ Writer | 📖 Big Reader | 🌱 Lifelong Learner

Joined February 2019
Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)Photo by Eson Wong (@eson000)
几乎所有人在设计多智能体系统(Multi-Agent)时,都会下意识地掉进同一个思维,必须选出一个中央 agent,或者预先写死一条固定的执行流水线。 在传统认知里,没有领导的团队就是一盘散沙。但只要你在生产环境里跑过多智能体系统,就会发现这种中央集权式架构其实是很脆弱的。 中央调度器一旦理解偏差、Token 超限或网络超时,整个 Agent 集群就会失败。并且另一个就是每个 Agent 的技能在后训练中不断进化,但上面的调度逻辑却始终是静态写死的,根本无法根据成员能力的实时变化动态调整分工。 哈佛大学与 MIT 的团队包括知名学者 Yilun Du 等最近发表了一项极具启发性的突破Learning Self-Orchestration in Decentralized Agent Swarms 他们提出了 MPT(Market-Based Post-Training),彻底去掉中央协调器,让群体智能在纯粹去中心化的自组织拍卖中自发涌现。 MPT 的架构哲学极其反常识,系统中没有任何一个 Agent 是 Leader,所有协作通过内部模拟的竞价市场自发撮合。 每个 Agent 在后训练阶段同时学习两个策略网络: 第一个是动作策略,动作策略决定在给定任务环境下该执行什么具体动作、调用什么工具或编写什么代码; 第二个是竞价策略,输出一个标量数值,代表该 Agent 针对当前子任务的执行意愿与胜任自信度。 在运行时的每个决策节点,所有 Agent 进行去中心化公开竞价,出价最高者赢得该步骤的执行权。 另外还有一个局部信用分配机制(Bid-Driven Credit Assignment)将严格按照各 Agent 历史步骤的出价权重反向分发。 如果一个 Agent 盲目报高价却搞砸了任务,它将承担最负向梯度惩罚,只有在真正有把握的擅长领域出高价并做对,才能获得丰厚正反馈。 在强化学习的驱使下,每个 Agent 自然演化出了自我认知,擅长的任务主动争抢,不擅长的领域自愿让贤。 研究团队在具身创造、多机器人协同导航、以及深度长程网络调研三大完全不同的严苛场景中进行了验证。 实验表明随着训练轮次推进,集群的参与模式自发重构,擅长写代码的 Agent 会在编程步骤报高价,擅长跨源检索的 Agent 会在搜索节点主动接管,无需任何人工规则介入。 另外本研究在多 agent 集群中的弹性极高。基于 MPT 训练的集群,即使训练时只有 3 个 Agent,在推理部署时直接动态扩展到 6 个、8 个甚至 12 个节点,系统不仅不会崩溃,任务通过率反而随群体规模增加而持续走高。 面对推理过程中高达 90% 的节点意外宕机,传统流水线早已彻底中断,而 MPT 集群仅凭剩余存活节点通过竞价自发补位,几乎无损维持了核心任务的完成。 最后在面对未曾见过的全新下游任务时,具备自我编排能力的 MPT 蜂群,其微调适应速度大幅超越那些受制于固定流水线的传统 Agent。 我们长期以来试图通过堆叠复杂的系统提示词、状态机或全知全能的超级协调器来驾驭多智能体,本质上是在用工业时代的流水线思维套复杂的智能协同。 当智能体数量从几个走向成百上千时,中心化编排的边际收益递减直至崩溃。 这篇研究最强的点就在于它的思路,竞价的思路和强化学习让 Agent 保持高强度的认知。 推荐在探索多智能体编排架构、自主任务规划与鲁棒系统设计的朋友精读这篇杰作。 arxiv:arxiv.org/abs/2610.22322
35
89
16
645
59,252
Eson Wong retweeted
「我的创业公司要关了,要去上班了」 Cali Baby 上线才两个月,就要因为收购和大家说再见了 我创办的 @zolplay ,也要收尾关停了 接下来我会加入 Momcozy 负责平台与产品 可能稍微 有点突然 其实我做这个 app 的初衷很简单,家里有了二宝,喂奶、睡觉这些事情又要重新记起来。试了一圈现有的工具,总有些地方用着不顺手,所以就干脆自己做了一个 先是做了一个快速实验的 PWA,后来做成了正统 iOS app,再移植到了 Android。自己做设计、自己写代码、自己深度用,产品经理、设计师、工程师和用户,这几个角色算是凑齐了 从原型到上线,前后打磨了好几个月。后来有其他家庭开始用,有人付费支持,也有人不断提出新的需求。一个从自家日常里长出来的小工具,就这样慢慢进入了其他家庭的生活 结果上线才两个月,我就来写关停公告了。这个更新速度,多少有点超出了我的想象 还有是佐玩的收尾 这些年,我和团队一起为客户做产品,也做自己的产品。从品牌、设计到开发,很多项目都是这样一点点做出来的。谢谢一起做过事的伙伴,也谢谢把项目交给我们的客户。这段经历里的每个项目,都是我们的心血 现在我要从自己带着团队做产品,变成加入一个新的团队,负责平台与产品 母婴这个赛道 熟悉又陌生 熟悉是因为我一直在解决老婆和孩子的痛点 陌生是因为我自己不是妈妈,能帮的有限,只能通过我最擅长的产品和开发这块来竭尽所能去帮助 作为两个孩子的爸爸,我先是因为家里的实际需要做了 Cali Baby,接下来,也将通过 Momcozy 来帮助更多家庭 谢谢用过 Cali Baby、提过建议、付费支持过的每一位朋友 也谢谢这些年关注佐玩、和我们一起做过事情的人 佐玩和 Cali Baby 的这一段故事就先告一段落了 现在想想一晃就已经创业五年了,变化最大的就是 AI 在生活中无处不在,而一尘不变的还是我那颗抱着对好产品的热情和执念 现如今从当老板转成准备上班,也是因为希望加入志同道合的团队一起做着有意义的事情 希望未来会更好~❤️
174
11
15
478
100,535
Eson Wong retweeted
最近收到的一条视频评论,看完很感动。 做实测、查资料、想办法把内容讲清楚,这些花了心思的地方,原来有观众看在眼里。 自己的用心被感受到,真好。
12
1
71
3,160
Eson Wong retweeted
曾鸣教授有个极度颠覆的预判:“未来的公司会消失,取而代之的是一个个具体的‘任务’。” 听张小珺和曾鸣教授最新播客,这个洞察彻底打通了我最近的困惑。 1. “公司”本来就不是天经地义的。 工业革命前根本没有现代公司。公司、打卡和岗位,只是工业时代为了搞流水线规模化生产发明出来的“临时配套制度”。 AI 时代的生产力变革远超工业革命,这套老旧的“公司壳子”自然顶不住了。 2.以后不再招聘“岗位”,只发布“任务”。 传统逻辑:先造个萝卜坑(岗位说明),再招个萝卜(员工),画个汇报线,按月发薪。 AI 原生逻辑:以解决具体问题为核心。一个复杂任务出来,直接拆解,碳基(人)与硅基(AI Agent)围绕任务实时协同,活干完、利益分完。 3.汇报线消失,全员都是“合伙人”。 传统层级存在是因为方便管理控制人,需要领导说了算; AI 原生组织靠全量上下文透明与数据反馈。大家更像是一个球队的不同球员,有前锋、后卫,大家各自发挥自己独特优势组队,共同交付。 4.没有“打工人”,只有“六边形战士”。 单打独斗的“一人公司”搞不定复杂系统任务,但个人借 AI 成为能力全面的“六边形战士”,凭借自驱力,在不同的任务网络里自由认领任务、组队并共享收益。 5. 工业时代的黄昏,也是超级个体创造力爆发的拂晓。 与其焦虑被裁员,不如就现在,把自己活成一个随时接入未来的开放接口。 the great me 加油啊朋友们,对自己,对未来,充满信心~
43
27
12
157
20,152
Eson Wong retweeted
Introducing FlyOCR 🪰 - I trained a fly brain to read a PDF It uses the full MaleCNS v1.0 fruit fly connectcome. The architecture is inspired by doomfly by @wormuth The fly splits a pdf image into individual glyphs, maps pixels into receptor activations, runs simplified current-based dynamics across the 166k neurons and 25m edges in the circuit, applies a compact readout model on the downstream spikes, and concatenates everything into the parsed output. On reading an actual Microsoft 10-k, the fly gets ~86% over the balance sheet heading, but is largely able to read the numeric values correctly. Over 1.7k+ sampled glyphs (chars+digits) it gets 87% accuracy. With enough training it might match some of the latter-generation MNIST models! Maybe eventually we’ll replace our doc parsing VLMs with flies. Full video below. Repo with full code + report: github.com/jerryjliu/fly_ocr
25
75
15
666
39,039
Eson Wong retweeted
Astra + Blender,Hello Kitty 抓娃娃动画
1
1
7
1,471
Eson Wong retweeted
想象你是一家创意策划公司, 个人 IP 是你的内容, 公司是你的内容, 你在做一次次创意策划, 你的每次设计媒体曝光就是一个秀, 你的要做的事情只有一个,就是: 不断优化策略、方法、方向, 解决怎么可以快速、健康、长期拿到的更多注意力。 你的盈利模式就是,在必要的时候, 把一部分你捕获的注意力换成货币。
2
5
1
22
21,498
Eson Wong retweeted
最近经常在外面手机办公,让 AI Agent 远程修改 iOS App,但每次想在真机实时看都比较麻烦,看到大家常用的是上传 TestFlight。 于是我做了 remote-installer:现在构建完成后,AI 用一条命令生成链接/二维码,手机直接安装:不用 TestFlight,不用上传 IPA 到托管平台,也不用等。 当然,免费开源。
5
15
5
75
31,294
Eson Wong retweeted
基于MiniMax H3Max的生成速度,我制作了这款简单的互动游戏生成器,无论是真人类型还是二次元galgame都可以实现。 只需要输入一段剧本,上传人物参考图,就可以为你定制一个可以互动的剧情,实测下来几乎无延迟,分支出来前就开始在预生成你的剧情分支。
179
151
52
1,501
279,693
真正玩过 Linux 的人,现在看很多 AI Agent 教程,心情其实挺复杂的。 因为你会发现,AI 是 2026 年的。 很多所谓 Agent 基础设施,大概是 1996 年的。 给 Agent 单独建用户,叫身份隔离。 chmod 一下,叫最小权限。 分个目录,叫 Workspace Sandbox。 限制 sudo,叫安全边界。 systemd 守护进程,叫 Agent Runtime。 cron 定时跑,叫 Autonomous Scheduler。 journalctl 看日志,叫 Observability。 SSH 远程进去,叫 Human in the Loop。 Docker 套一层,叫 Secure Execution Environment。 进程挂了自动拉起,叫 Self Healing。 几个脚本互相调用一下,已经开始画 Multi Agent Architecture 了。 再配个 Redis,恨不得第二天融资。 我有时候看这些架构图,确实挺受教育的。 原来我以前管服务器的时候,每天都在做 Agent Infrastructure,只是当年没人告诉我这个词值钱。 Linux 真正舒服的地方就在这里。 你根本不用相信 Agent。 给它一个普通用户。 一个 home 目录。 该读的给读。 该写的给写。 不该碰的连看都别让它看。 CPU、内存、进程、端口、文件、网络,全都能管。 想长期跑就 systemd。 想临时跑就 tmux。 想定时跑就 cron。 想隔离就 container。 还不放心就 VM。 再不放心直接断网。 所以很多 Linux 老用户玩 Agent 上手特别快。 因为别人还在研究怎么优雅地管理一个会执行命令的 AI。 Linux 用户看了半天。 哦。 不就是又来了一个不太靠谱的普通用户吗。
312
418
84
2,941
458,015
Eson Wong retweeted
面试快结束时,对方问了最后一个问题:你觉得 AI 时代最重要的能力是什么。 这种问题我一般都说点稳妥的。那天我说了实话。 我说判断力。 他让我展开。 我说我入行的时候,一个问题卡住三天是常事。要翻文档、要读源码、要在论坛上等人回。那三天里,答案是稀缺的,谁手上有答案,谁就有价值。 现在不是了。我三秒钟能拿到五个答案,每一个都工整、有条理、看起来都对。 难的不再是拿到答案,是从这五个里挑出对的那个,或者认出这五个全都不对。 这个能力没有捷径。它来自你自己踩过的坑、查过的日志、半夜回滚过的那些版本。 他问,那你怎么培养新人这个能力。 我说我也在想。以前新人是被 bug 教会的,现在 bug 还没出现,AI 就替他绕过去了。他省下了时间,也省掉了那次教训。 他没接话,在本子上写了一行。 出来的时候我想,其实这个问题我自己也没答案。 我只是比三年前更确定,答案便宜了,判断变贵了。
22
20
5
207
24,658
Eson Wong retweeted
豆包工作来了之后,压力最大的还是 WorkBuddy。 飞书是豆包的好工具,但是企微很难算得上 WorkBuddy 的好工具。 飞书纳入豆包的体系是合理的,飞书只是工具,而豆包是 agent ,工具和 agent 不能混为一谈。 飞书是非常好的把人类上下文和 agent 互联,并交换上下文的环境工具,在今天看非常重要。 但拉长来看,人类和 AI 交换上下文会非常灵活,而且 AI 会有自己关键的上下文环境。一个专门解决人和 AI 交换上下文的工具,反而没那么重要了。 问 Cherry Studio 怎么看?行到水穷处,坐看云起时。
54
3
52
20,349
Eson Wong retweeted
Mac 本地跑 Qwen3.8-27B,到底该选 MTPLX、oMLX、Ollama 还是 Unsloth? 我在 M4 Max 128GB 上实测吞吐约 43–46 TPS,并记录了长上下文下的速度变化。 同一个 Qwen3.8-27B,不同量化和运行工具,结果真不一样。 MTPLX 速度快、质量好;oMLX 缓存和预填充表现不错 Youssofal/Qwen3.8-27B-MTPLX-Optimized-Speed 在 Mac M4 Max 128GB 上连续跑了 2 小时 26 分钟: 调用工具 31 次、输出约 186K Token,最终写出约 2900 行代码,还原了一个复杂的 Three.js 场景,效果比预想更好
57
12
1
147
25,974
Eson Wong retweeted
如果一件事失败了对你没有真实损失, 那你其实没有真正在做它。 从这个角度衡量下 Vibecoding 产品的价值 也是不错的。 因为它很容易长得像勤奋,长得像创造力。
6
2
1
21
3,472
Eson Wong retweeted
如果你也在纠结 Fable 5 要不要开 Max 推理,可以先看这期 我用 Fable 5 High 测了 6 个真实任务 发现很多场景下 High 已经非常能打 00:00 图生 OpenSCAD 机械表 02:22 识图短板与高端耳机网页 03:47 Three.js 苏州博物馆 04:55 AI 语音 Todo App 原型 06:50 写作润色 08:26 WebGL 应用
1
1
8
3,235
Eson Wong retweeted
当你出现审美意识后
7
16
2
196
41,737
Eson Wong retweeted
用🍌2和🍌pro 跑的九宫格 不能说毫无区别 只能说一模一样 我是在海螺调API跑的 速度上2比pro快一些 但也仅仅是一些 体感上没有当时GPT升级之后的图片模型提速明显 另外从名字上也能看出来 人家叫“gemini-3.1-flash-image-preview” 原来那版叫“gemini-3-pro-image-preview” 版本号只是从3到3.1 还是flash阉割版 当然阉割是为了提速 但是吹质量提高的你们真的歇歇好吧 要真打个比方 就好比🍌2和🍌pro一起去考试 然后2考了78分 pro考了81分 但是2写了10分钟就出考场了 pro写了30分钟 就是这么个事 另外纵观目前的出图大模型 在自媒体和影视领域已经完全可以打了 日后再往上提 也就是从80分到90分的水平 但现在也完全够用 毕竟不是每个做自媒体的都是匠人 有那闲工夫研究2和pro谁更牛逼 不如先研究一下做什么赛道有人看 可能下一代模型比如🍌3或者4 一致性上再整好点 会在电商方向上,会往前进一步 但是昨天的🍌2真别吹 往后稍息稍息吧 #NanoBanana2
3
1
7
2,770
Eson Wong retweeted
最近vibe coding了一个AI词典,网址 anydict.ai/ 。主要痛点是,自己查单词的时候,希望问一些问题来互动学习,否则又要额外跳到AI聊天软件里面去。 另外就是,针对句子的翻译,可以给出纠错和为什么这样翻译的原因。 背后没有数据库,都是AI输出。欢迎大家试用。iOS版本搜 AnyDict下载。
10
5
39
10,005
Gemini 3.1 Pro is here. We’ve significantly improved the model’s overall intelligence so it can solve tougher problems. 🧵
284
704
299
6,135
929,755
Eson Wong retweeted
我是W3C国际化(i18n)工作组的负责人,同时也负责《中文排版需求》(CLReq)文档的编辑工作。 简单说,浏览器中的中西文间距、竖排、文本断行……能正常显示,是我们无数次会议吵架的功劳(笑) 以后会在这里分享一些标准背后的故事和排版冷知识!
16
33
2
649
69,894