公司财务与增长里程碑 - 公司ARR已突破1亿美元，成为从零到一亿美元ARR最快的初创公司[1] - 公司总收入年化运行率超过1.25亿美元，该数据包含基于使用量的收入和其他业务收入[1] - 自公司1.5版本发布以来，月度复合增长率超过20%[1] - 公司在8月份宣布年化收入突破9000万美元[1] 产品能力与技术演进 - 1.5版本任务完成速度提升近4倍，并能构建完整的Web应用[1] - 产品可在单一上下文中执行整个价值链：研究产出深度内容、构建网站、分析用户交互数据、并基于发现生成见解或演示幻灯片[1] - 近期更新版本已支持移动开发，用户可通过其开发完整的移动App，包括后端和数据库设计[1][2] - 自上线首个通用Agent以来，已累计处理超过147万亿Tokens，创建超过8000万个虚拟计算机实例[3] 用户生态与应用案例 - 有用户通过公司产品开发了完整的移动App，例如构建一个AI笔记产品，并集成OpenAI API，产品还提供了发布到App Store的指南[2] - 在社交媒体上发现有不少日本用户分享使用公司产品制作移动App和Web产品的帖子，推测日本用户占相当比例[2] 通用AI Agent的上下文工程经验 - 核心观点是代理的未来在于巧妙地塑造上下文，通过设计记忆、环境和反馈循环，即使底层模型不变，代理表现也能有质的飞跃[8] - 优先考虑KV缓存：保持前缀稳定，避免在系统提示词开头放置动态信息，并通过只增不删确保上下文序列化是确定性的[5] - 采用遮蔽而非移除工具：当工具数量爆炸时，动态删除工具会导致模型困惑和缓存失效[6] - 将文件系统作为外部记忆：使用持久化存储应对长上下文昂贵和导致性能下降的问题，让模型学会读写文件，将其视为无限大的结构化外部记忆，并实施可恢复压缩[7] - 通过“复述”引导注意力：在上下文中不断更新todo.md文件，通过自然语言将全局目标反复推送到模型的近期注意力范围内，防止代理在长任务中偏离目标[7] - 保留错误的记录：将错误的行动、观察结果和堆栈跟踪保留在上下文中，让模型意识到之前的路径行不通，从而实现错误恢复和自我修正[7]