2026-06-30 关注圈日报（公开账号抽样版）：Claude Code From Scratch、LongCat-2.0、Agent 工程闭环
完整关注列表暂时不可读，本期实际覆盖 13 个公开账号在北京时间 6 月 30 日窗口内的动态，重点梳理 Claude Code From Scratch、LongCat-2.0、跨微服务 Agent、Flowith Matrix 与 Brain2Qwerty 等信号。
覆盖说明：完整关注列表暂时不可读，本期不是 @jin_feng03 关注圈全量版。实际覆盖 13 个公开账号在北京时间 6 月 30 日 00:00 至 7 月 1 日 00:00 的动态，筛掉纯转发、短回复、政治争议和无正文链接后，保留 9 条能展开的技术与产品信号。
今天的主线
今天最密集的线索不是新模型本身，而是 Agent 怎么被真正用起来：有人用 4300 行代码复刻 Claude Code 的骨架，有人把跨微服务系统设计拆成「上下文地图 + 契约测试」，也有人把模型能力差异重新归因到 harness、长任务状态机和工具编排上。
换句话说，关注圈的讨论从「哪个模型更强」继续往「怎么把模型关进可验证的工程流程」移动。
| 线索 | 来源与身份 | 要点 | 扫描价值 |
|---|---|---|---|
| Claude Code From Scratch | 宝玉，AI Engineer，长期写 AI 工程与管理内容 | 他推荐一个开源电子书/代码项目：用约 4300 行 TypeScript 与 Python 复现 Claude Code 的 Agent Loop、13 个工具、4 层上下文压缩、语义记忆、技能系统、多 Agent 与 MCP 集成。1 | 想拆 coding agent 架构的人，可以把它当成「读源码前的训练轮」。 |
| Harness 比模型更影响结果 | Santiago，AI/ML Engineering 讲师 | 他引用 Cline 在 GLM 5.2 上的实验：同一模型、同一组 coding tasks，reasoning 关闭时 57.3%，通过 harness 驱动 reasoning 后 68.5%，差了 11.2 个百分点。2 | 如果只盯模型榜单，容易漏掉「怎么驱动模型」这个更可控的变量。 |
| Codex Skill Manager | meng shao，做设计与媒体方向 AI Agents | @Dimillian 开源了一个 macOS 图形化管理器，用 SwiftUI + SwiftPM 把 Codex、Claude Code、OpenCode、Copilot 的 Skills 目录统一成一个跨平台管理入口。3 | Skills 正在从零散文件夹变成需要可视化管理的资产。 |
| 跨微服务 Agent 实践 | 宝玉，AI Engineer，长期写 AI 工程与管理内容 | 他给出的做法是：用 monorepo 或虚拟 monorepo 提供全局视图，用根目录 AGENTS.md/CLAUDE.md 做索引，每个服务保留职责边界文档，并用 OpenAPI、mock server、contract test 形成验证闭环。4 | 企业代码库里，Agent 能不能用，常常卡在「知道该读哪里」和「改完怎么验」。 |
| Long-running Agent 示例 | Santiago，AI/ML Engineering 讲师 | 他分享了一个长任务 Agent 示例：用持久状态机保存进度，用 webhook 唤醒事件驱动 Agent，再用多 Agent 委派替代单 Agent 扛到底。5 | 对后台流程、审批流、客户 onboarding 这类任务，比一次性聊天更接近真实业务。 |
| LongCat-2.0 | meng shao，做设计与媒体方向 AI Agents | 他整理了美团 LongCat-2.0 的参数与定位：1.6T MoE、48B 激活参数、1M 上下文，主打 Agent + Coding，并强调训练推理链路的国产加速卡路径。6 | 国产大模型的叙事继续从「通用对话」转向 coding、长上下文和算力链路。 |
| Flowith Matrix | meng shao，做设计与媒体方向 AI Agents | 他把 Matrix 概括成「Agent 公司的操作系统」：用户设 mission，系统拆成 CEO Office、OKR、部门和 proof，并把建站、Stripe、邮件、广告等商业动作放进 Agent runtime。7 | 这个方向值得观察，但 benchmark 与商业闭环仍要等更多外部验证。 |
| Brain2Qwerty | 宝玉，AI Engineer，长期写 AI 工程与管理内容 | 他转述 Meta Brain2Qwerty v1 登上 Nature Neuroscience、v2 同日发布：v2 直接做句子级实时解码，平均单词准确率 61%，最好被试达到 78%，训练数据来自 9 名志愿者共约 22000 个句子。8 | 非侵入式脑机接口仍离产品化很远，但句子级解码比单字母还原更接近「能沟通」。 |
| Cybercab | Elon Musk，Tesla / xAI 负责人 | 他发布「没有方向盘和踏板的 Cybercab 在 Austin 行驶」视频，互动量远高于样本内其他动态。9 | 样本内热度最高，但原帖信息量有限，只适合列为自动驾驶进展提醒。 |
Agent 工程开始收敛到三件事
第一件事是可读的架构。Claude Code From Scratch 这种项目的价值，不只是「又一个教程」。它把 Agent Loop、工具调用、上下文压缩、记忆召回和多 Agent 拆到几千行可读代码里，让开发者不用一上来就啃几十万行真实源码。对想做内部 coding agent 的团队来说，这类「缩小版源码」比演示视频更有用。
第二件事是可控的上下文。跨微服务场景里，把所有仓库扔给 Agent 并不等于给了上下文。更稳的办法是先给地图：根目录说明服务边界，每个服务目录保留业务概念与接口说明，再让 Agent 按需读相关部分。这里的关键不是文档越多越好，而是让 Agent 少读过期文档，多读 OpenAPI、Pact 契约、协议测试这类能被机器验证的材料。
第三件事是可重复的验证。Santiago 提到的 harness 差异很典型：同一个 GLM 5.2，在 coding task 上因为驱动方式不同，结果相差 11.2 个百分点。模型能力没有变，外面的脚手架变了。企业里要把 Agent 放进生产流程，下一步很可能不是「换更贵模型」，而是把任务拆分、状态保存、测试回路和失败恢复做扎实。
产品层开始把 Agent 当组织来设计
Flowith Matrix 和 Scout 这类产品都在往同一个方向靠：用户不再逐条写 prompt，而是给目标、指标或 mission，系统自己拆任务、调工具、保留进度。Santiago 对 Scout 的概括是「输入不是代码，而是目标」，平台按 KPI 自动生成 Agent。10
这条线值得看，但也要冷静。只要产品开始承诺「自动建站、收款、发邮件、投广告、产内容」，验证就不能只看 demo。至少要看三类证据：任务失败时怎么恢复，预算和审批怎么控，最后的 proof 是截图、文件，还是实际收入和留存。没有这些，所谓「Agent 公司」很容易退回到自动化工作流的漂亮壳子。
模型与硬件还有两条旁线
LongCat-2.0 的看点在于路径选择。1.6T MoE、48B 激活、1M 上下文这些数字容易抓眼球，但更值得留意的是「Agent + Coding 优先」和「国产加速卡全链路」这两个定位。前者说明模型发布越来越贴近具体开发场景，后者说明算力链路本身也成了产品叙事的一部分。
Brain2Qwerty 则属于更远的技术线。非侵入式脑机接口不用开颅，代价是设备贵、场景重、目前还在实验室。它今天还不是可购买产品，但如果句子级解码能继续提高准确率，未来帮助失语或脑损伤人群的想象空间会大很多。
今天可以点开的三条
如果只留 15 分钟，优先看三条：Claude Code From Scratch，适合拆 coding agent 架构；跨微服务 Agent 实践，适合企业工程团队；Harness 实验，适合正在评估开源模型的人。Cybercab 热度很高，但原帖信息太少，先放进待跟踪列表，不必占用今天的主阅读时间。
References
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.