AI前沿日报 05.29｜Claude Code并行派出子Agent，AI视频进入跨境电商素材工厂

01 今日速览

Anthropic 发布 Claude Opus 4.8，重点是代码和长程 Agent。Claude Code 新增 dynamic workflows，可以在一个会话里规划任务、并行运行数百个 subagents，并在汇报前验证结果。subagent 可以理解成主 Agent 分出去处理子任务的小代理。

Anthropic 同时完成 650 亿美元 Series H 融资，投后估值 9650 亿美元。长程 Agent 要跑更久、调用更多工具、处理更大项目，背后需要更多算力。

吉宏股份与火山引擎合作，引入 Seedance 2.0、Seedream 5.0 lite，并接入自研工具 GiiVideo，建设面向跨境电商的 AI 视频素材生产系统。AI 视频开始从“生成好看的 demo”，进入广告素材、商品视频和投放测试流程。

Dell 最新季度 AI 服务器收入达到 161 亿美元，超过 PC 业务的 146 亿美元。这说明 AI 需求已经变成真实硬件交付：GPU、CPU、内存、网络、电源和散热都要被装进机房。

Qwen-VLA 出现在 Hugging Face 今日论文榜。VLA 是 Vision-Language-Action，也就是“看见、理解、行动”的统一模型。它试图让机器人在不同任务、环境和身体形态之间复用同一套模型能力。

OmniRetrieval 关注企业知识检索。它不是把所有资料都塞进一个向量库，而是根据问题选择文本、表格、知识图谱等不同数据源，再用各自合适的查询方式取数。对企业 Agent 来说，查资料查错了，后面推理再强也没用。

minWM 提供实时交互视频世界模型框架，目标是把视频生成模型改造成可控制、低延迟、可连续交互的“世界模型”。这对游戏、机器人仿真、交互式内容生产都有参考价值。

02 海外新产品 / 新业态

1. Claude Opus 4.8：代码 Agent 从“写一段代码”走向“拆任务、派子任务、验结果”

Anthropic 发布 Claude Opus 4.8。相比常规问答能力，这次更值得看的是 Claude Code 的 dynamic workflows。它允许 Claude 先规划任务，再在一个会话中运行数百个并行 subagents，最后验证结果再向用户汇报。Anthropic 给出的例子是代码库级迁移，覆盖数十万行代码，并以现有测试套件作为验收标准。

这解决的是 AI Coding 的真实痛点。实际工程任务很少只是“补一个函数”，更多是跨文件、跨模块、跨测试的长任务。比如把一个旧接口迁移到新接口，要先查调用关系，再改多个文件，再跑测试，再处理报错，再检查有没有漏改。一个 Agent 串行处理会很慢，也容易忘上下文；拆成多个 subagents 并行处理，才更接近真实开发团队的工作方式。

subagent 可以理解成主 Agent 派出去的小助手。主 Agent 负责拆任务和总判断，一个 subagent 查依赖，一个改接口，一个跑测试，一个整理错误。关键不是“AI 多开几个线程”，而是它能不能把任务拆得合理、结果收得回来、最终再验一遍。

有两个启发。第一，代码工具的竞争不再只是模型谁更强，而是 workflow 设计 谁更稳。第二，创业团队可以围绕“长程工程任务”做产品，比如代码迁移、依赖升级、测试补全、技术债清理、企业内部框架升级。这些任务不性感，但企业愿意付钱，因为它们耗人、耗时、容易拖。

Anthropic 还加入了 effort control，用户可以选择模型投入多少“思考力度”。高 effort 更适合复杂任务，低 effort 更快、更省额度。这个设计很实用，因为同一个用户不会所有任务都需要最高配置：改一个注释不该和迁移一个大型代码库花同样成本。

2. Claude 4.8 的“诚实性”改进，实际是在降低人类复核成本

Anthropic 称，Opus 4.8 比前代少约 4 倍出现“代码有缺陷却不指出”的情况，也更倾向于主动标注不确定性。这个细节比听起来重要。

代码 Agent 最怕的不是不会写，而是写错了还很自信。人类开发者接手时，如果 AI 没有指出风险点，就要重新检查它改过的所有地方。Agent 如果能主动说“这里可能有问题”“这个测试没覆盖”“这个输入我没验证”，人类复核成本会下降。

这类能力会成为企业采购 AI Coding 工具时的关键指标。对创业公司来说，未来做代码 Agent 不能只展示“生成了多少代码”，还要展示“如何发现错误、如何停止错误、如何让人类接管”。真正的生产工具，不是最会写代码的那个，而是最不容易把错误悄悄带进主分支的那个。

03 新技术 / 技术底座

1. Qwen-VLA：机器人模型开始统一“看见、理解、行动”

Qwen-VLA 是 Qwen 团队提出的统一具身基础模型。VLA 是 Vision-Language-Action，意思是模型同时处理视觉、语言和动作：先看见环境，理解用户指令，再生成机器人的动作或轨迹。论文摘要显示，Qwen-VLA 试图把机器人操作、导航和轨迹预测放进同一个框架，并支持不同机器人平台和环境。

这件事的背景是，很多机器人模型过去是分裂的。机械臂抓取有一套模型，导航有一套模型，轨迹预测又有一套模型。不同机器人身体结构也不一样：双臂机器人、移动底盘、机械臂、仿人机器人，控制方式都不同。模型如果每换一个身体就重新训练，商业化会很慢。

Qwen-VLA 的思路是让模型先理解“我现在是什么机器人、能怎么动”，再根据任务生成动作。论文里叫 embodiment-aware prompt conditioning，可以理解成把机器人的身体说明写进提示里：它有几个关节、怎么移动、动作空间是什么。这样模型不只是看图说话，而是要知道“这个身体能不能这样做”。

对创业者来说，VLA 的机会不一定是马上做通用机器人。更现实的切口是垂直任务：仓储拣选、导览机器人、实验室自动化、家庭简单操作、工业巡检。创业机会在于把模型能力接进具体硬件、传感器和任务流程。难点也很明确：机器人出错不是生成一段坏文本，而是可能撞东西、掉物品、伤人，所以验证和安全比 demo 更重要。

2. OmniRetrieval：企业 Agent 的关键不是“更会回答”，而是“先查对资料”

OmniRetrieval 研究的是异构知识源检索。异构知识源指企业里的信息不是一种格式：有文本文件、PDF、数据库表、知识图谱、产品手册、工单系统、CRM 记录。很多 RAG 系统会把所有内容尽量转成向量，再统一搜索，但这样会丢掉不同数据源本来的结构。

举个例子，合同适合全文检索，销售数据适合 SQL 查询，组织关系适合图查询，产品知识库适合语义搜索。如果把它们全都压成同一种向量，模型可能能找到“意思相近”的内容，但不一定能回答“上季度华东区这个客户的续约金额是多少”这种需要精确查询的问题。

OmniRetrieval 的做法是：用户用自然语言提问，系统先判断该查哪个知识源，再把问题转成对应数据源自己的查询方式。它不是把所有资料搅成一锅粥，而是让文本、表格、图谱各走各的专业通道。论文在 13 个数据集、309 个知识库上做了验证。

这对企业 AI 创业很重要。很多团队做企业知识库时，第一版很容易变成“能搜，但不准”。真正有价值的企业 Agent，必须知道什么时候查文档，什么时候查数据库，什么时候查图谱，什么时候把几个来源合起来。创业机会不是再做一个聊天框，而是做更可靠的企业检索层、数据连接层、结果验证层。

3. minWM：视频生成下一步不是“更好看”，而是“可交互”

minWM 提供一个开源框架，目标是把现有视频生成模型改造成实时交互世界模型。世界模型可以理解成 AI 对一个动态环境的预测和生成能力：用户往左转，画面要跟着变化；镜头向前走，场景要连续；交互不能每次都像重新抽卡。

普通视频生成模型通常是一次性生成一段视频。用户输入提示词，模型吐出几秒画面。交互式世界模型要求更高：用户可以连续控制相机、动作或环境，模型必须低延迟生成下一段画面，并保持空间和物体一致。游戏、仿真、机器人训练都需要这种能力。

minWM 的技术路线包括可控微调、自回归训练、少步蒸馏和流式推理。可以简单理解成：先让模型学会接受控制信号，再让它一段接一段生成后续画面，再把生成步骤压缩到更少，最后降低实时交互延迟。

可以重点看两个方向。第一，交互式内容工具：游戏原型、虚拟拍摄、交互广告、教育仿真。第二，机器人和自动驾驶仿真：用生成式环境补充真实数据。但限制也要看清楚：世界模型目前还很难长期保持物理一致，适合辅助创作和早期仿真，不适合直接替代真实测试。

4. GenClaw：图像生成开始从“改提示词”走向“用代码控制画面”

GenClaw 是腾讯混元相关论文，提出 code-driven agentic image generation，也就是用代码驱动的 Agent 图像生成。它不是让模型一次性生成图片，而是把过程拆成概念构思、草图生成和最终上色。中间用 SVG、HTML、Three.js 这类代码作为可控画布。

今天很多图像生成工具的工作方式是反复改 prompt。用户想让一个按钮左移一点、让构图更对称、让几个物体保持关系，经常只能继续写提示词，然后重新抽一次。问题是提示词很难精确控制几何布局。

GenClaw 的思路是让 Agent 先用代码画出结构，再交给图像模型补纹理、材质和真实感。代码的好处是可编辑、可复现、可控。比如一个海报、一个信息图、一个产品结构图，如果布局先由代码确定，后续再生成视觉风格，就比纯 prompt 更稳定。

这类技术对设计工具创业很有价值。未来图像生成不会只拼“谁画得漂亮”，还会拼“谁更可控、可改、可交付”。广告、电商、PPT、教育图解、UI 草图都需要这种能力：既要生成速度，也要精确修改。黑箱出图适合灵感，可控生成适合生产。

04 商业化落地案例

1. 吉宏股份接入 Seedance，AI 视频进入跨境电商素材生产

吉宏股份与火山引擎达成合作，引入 Seedance 2.0、Seedream 5.0 lite 等模型能力，并与自研工具 GiiVideo 集成，建设面向跨境电商的 AI 视频素材生产调度体系。

这条新闻的重点不是“用了哪个视频模型”，而是 AI 视频进入了一个很具体的生产场景：跨境电商广告素材。

跨境电商每天需要大量商品图、短视频、投放素材和多语言版本。传统流程是拍摄、剪辑、改字幕、翻译、生成多个广告版本，再拿去投放测试。这个流程慢，成本高，而且不同国家、平台、人群需要不同素材。

AI 视频模型接入后，可以把商品图、卖点文案、目标市场、视频脚本和素材生成串起来。一个商品可以快速生成多个版本：不同语言、不同镜头、不同风格、不同卖点，再用于广告投放 A/B 测试。这里的价值不是“AI 做了一条漂亮视频”，而是让素材生产从手工作坊变成小型工厂。

对 AI 创业者来说，这类场景比泛泛做“AI 视频工具”更值得研究。客户是谁？跨境卖家、广告代理、电商 SaaS、品牌出海团队。付费理由是什么？降低素材成本，提高投放测试速度，扩大素材数量。产品壁垒在哪里？不只是视频模型本身，而是商品数据、素材管理、投放反馈、模板系统和工作流集成。

2. Dell AI服务器收入超过PC，说明算力需求已经变成真实交付

Dell 最新季度 AI 服务器收入达到 161 亿美元，超过 PC 业务的 146 亿美元。Reuters 报道还提到，Dell 的基础设施解决方案业务已经连续四个季度超过 PC 业务。

这条新闻不要只看成财经新闻。它说明 AI 需求已经从“模型公司说自己要更多算力”，变成硬件公司真实交付的服务器收入。

AI 服务器和普通 PC 不一样。PC 主要服务个人办公和娱乐；AI 服务器要把 GPU、CPU、内存、网络、电源、散热和机柜整合到一起。GPU 负责大规模并行计算，CPU 负责调度和通用任务，内存和高速网络负责让大量芯片交换数据，散热负责让这些高功耗设备稳定运行。任何一个环节卡住，模型训练和推理都会受影响。

05 开发者生态 / 开源信号

1. Agent 产品的下一层机会：不是再做聊天框，而是做“任务系统”

Claude Code 的 dynamic workflows、AgentDoG 1.5、OmniRetrieval、minWM 和 GenClaw 都指向同一个方向：AI 产品正在从单步生成，走向任务系统。

单步生成的产品形态很简单：用户输入，模型输出。任务系统复杂得多：它要拆任务、查资料、调用工具、生成中间结果、验证、失败重试、交给用户确认。代码 Agent、研究 Agent、视频生产 Agent、设计 Agent、机器人 Agent，本质上都在往这个方向走。

对创业者来说，机会不一定是做一个更大的通用模型。更现实的机会在这些层：

第一，工作流层：让 Agent 能拆任务、分配子任务、汇总结果。

第二，检索层：让 Agent 从企业文档、数据库、表格、图谱里查对资料。

第三，验证层：判断 Agent 的任务是否真的完成，而不是听它自己说完成了。

第四，交互层：让用户能确认、撤销、编辑、付款、追踪状态。

第五，垂直场景层：把这些能力塞进跨境电商、代码迁移、销售运营、客服、安全、财务、工业仿真等具体流程。

2. AI 视频创业不要只盯模型，要盯“素材工厂”

AI 视频模型能力提升很快，但对创业者来说，单纯做一个“输入 prompt 生成视频”的产品会很难。模型能力会被大厂快速追平，用户也很容易流向更便宜的通用工具。

更值得看的方向是 素材工厂。也就是围绕一个行业的内容生产流程，把商品数据、品牌素材、脚本、视频生成、版本管理、投放反馈、版权控制串起来。

跨境电商就是典型场景。一个 SKU 可以生成多个国家版本，一个卖点可以生成多个广告片段，一个投放结果可以反向指导下一批素材生成。AI 视频在这里不是创意玩具，而是增长工具。

创业者应该问的问题不是“我的模型能不能生成漂亮视频”，而是：

这个行业每天要生产多少素材？ 原来每条素材成本是多少？ 生成后能不能直接进入投放或销售流程？ 客户能不能看到转化率、点击率、产出数量这些结果？ 如果答案清楚，才有机会从工具变成业务系统。