从人在环内到环外：Durable Agent自动化新闻策展实战

当AI生成的内容以指数级速度膨胀，工程师最稀缺的资源不再是代码，而是注意力。IndieDevDan在视频中展示了一个名为Durable News Agent的系统：它不等待人类下达指令，而是以每分钟一次的频率自动抓取、筛选、排名并呈现新闻，人类只在关键节点介入反馈。这背后是一个更重要的命题——工程师正在从「人在环内」迁移到「人在环外」，而主动型智能体是这个迁移过程的关键中间站。

噪声、事实与信号：三层信息过滤器

IndieDevDan将涌入的信息分为三类：炒作（hype）、事实（fact）和信号（signal）。炒作由无根据的兴奋驱动，话题本身足够刺激眼球；事实是客观为真的陈述，但未必能立即行动；信号则是你现在就能拿来用的信息。他用一个具体例子说明区分：OpenAI公布大量数学证明属于事实，但对普通工程师而言尚不可操作；而Gemini 4 Argon通过API开放使用，则是可以立刻接入代码的信号。

这个分类框架决定了整个系统的设计目标：不是聚合更多新闻，而是过滤出「可行动」的部分。正如他在视频中所说：「我的智能体把它拉给我，我不必自己去找。」

Durable Agent的架构：客户端-服务端分离与持久化任务

系统的核心不是炫酷的界面，而是分层架构。最底层是SQLite数据库，之上是Pi Durable提供的持久化任务能力，再往上封装为API，最外层是浏览器、终端TUI、CLI和Cron等「瘦客户端」。真正的智能体运行在一台M4 Mac mini或exe.dev云端沙箱中，所有客户端只是连接到它的接口。

这种分离带来一个直观体验：在浏览器里看到的新闻流与终端查询结果实时同步。视频中他演示了在终端询问「你最后添加的条目是什么」，得到的回答与浏览器卡片一致。更重要的是，Cron每分钟触发一次任务，即使人离开键盘，采集、去重、排名也在持续发生。他用一句话概括了主动型智能体的定义：「主动型智能体等于沙箱内的持久化智能体加上一个触发器。」

持久化任务（Durable Task）与 Pi Durable

传统脚本或 API 服务在进程崩溃、机器重启或网络中断后，正在执行的任务状态会丢失，需要从头重跑。持久化任务框架（如 Temporal、Restate，以及文中提到的 Pi Durable）的核心思路是把任务的每一步执行状态写入持久化存储，使任务在故障后能从断点恢复，并保证同一任务不会被重复触发。

Pi Durable 在此扮演「任务编排层」：它负责调度每分钟一次的扫描任务、记录每次扫描的进度与中间结果、在异常时重试。正因为任务状态落在 SQLite 中而非内存里，M4 Mac mini 或云端沙箱上的智能体才能长期常驻运行，多个瘦客户端也能读取到一致的最新状态。没有这层能力，「离开键盘后仍在工作」就无从谈起。

用廉价分类器管住昂贵的模型调用

整个流水线中，一个名为Jev的分类器承担了大量「粗筛」工作。每次新闻扫描会执行：采集、门控、去重、排名，然后由持久化智能体决定渲染哪些候选。Jev被用于判断相关性、识别重复、检测事实一致性，甚至辅助生成展示内容。据视频展示，单次分类调用耗时不到半秒，成本极低。

这层设计的意义在于token经济学。即便底层使用便宜的Luna模型，每分钟一次的调用仍会累积可观的token与算力开销。把Jev放在前面做门控，让昂贵的语言模型只处理真正可能成为信号的内容，系统才能在持续运行中保持成本可控。他提到自己持续关注tokenomics，确保「不会为了生成价值而破产」。

门控（Gating）与级联分类

门控是信息检索与推荐系统里的经典手段：在把候选送入昂贵处理环节之前，先用低成本规则或小模型做一次粗筛，只放行有希望命中的少数。它与「级联分类器」（cascade classifier）思路一致——大多数样本在第一级就被快速排除，计算资源集中用于少量难例。

在这套系统里，Jev 就是第一级：它判断相关性、识别重复、检测事实一致性，把大量噪声挡在门外；只有通过门控的候选才会交给底层语言模型做深度处理与呈现。由于扫描频率高达每分钟一次，即使单次调用成本很低，全天累积的调用量也相当可观，门控因此成为控制 token 开销的关键阀门。设计时要关注两点：门控的召回率不能太低（否则信号被误杀），以及分类器的判定标准要能随用户反馈更新。

数据飞轮：点赞、点踩与动态权重

这个工具最值得借鉴的产品设计，是把用户反馈直接写回排序算法。视频中他对一条Gemini 4 Argon的发布新闻点了赞，系统随即显示Jev的分类结果：约66%炒作、其余为事实与信号，理由是模型实验室天然会夸大发布。他进一步通过对话指令要求「提高Gemini权重，若不存在则添加关键词」，智能体读取设置文件后，将Gemini关键词权重从1.2上调至1.3，后续所有扫描都会沿用这一偏好。

设置面板中还维护了关键词列表和新闻源链接，覆盖Hacker News、Latent Space、Claude Code、Anthropic、OpenAI、Simon Willison等常用来源。用户可以用点赞、点踩、加权、删卡等方式持续塑造信息流。这就是他反复强调的数据飞轮：用户输入被智能体消化，反过来改进产品本身。

专有工具集，而非通用聊天机器人

Durable News Agent拥有自己的工具集：运行新闻扫描、列出候选、读取条目、搜索网页、抓取URL、研究条目、Jev分类、呈现新闻、呈现时间线、询问用户口味。这些工具用「环内智能体」搭建完成，随后被固化到「环外智能体」中自动调用。他的比喻是「用系统去建造系统」——短暂进入环内，是为了让系统能长期在环外工作。

这与通用聊天机器人的区别在于行动边界。它不读文件、不改代码，只做新闻策展这一件事，因此每个工具都可以针对该场景深度优化。视频中展示了两个云端与本地并行的实例：M4上的信息流更精细，exe.dev沙箱上的实例则关注另一组话题，并且会主动向用户提问，形成双向提示机制。

人在环内、环近、环外：一个新的工程能力标尺

整段演示的落点不是工具本身，而是一个心智模型：优秀的工程师正在从「人在环内」（逐轮提示）迁移到「人在环近」（定期检查反馈），最终到达「人在环外」（系统自主运行、按需介入）。他把这个迁移过程称为主动型智能体的核心价值，并认为它是衡量智能体工程能力（agentic engineering）的直接标准——不是你能写多少提示词，而是有多少条自主工作的线程在为你持续产出。

面对「软件工程已被解决」的论调，他的回应相当直接：代码变得廉价且可复制，真正稀缺的是品味、判断力和架构独特系统的能力。智能体只是一个新工具。「别让它吓到你，阻止你把事情做成。」15年工程经验的价值没有消失，只是使用方式变了。

人在环内 / 环近 / 环外（Human-in-the-loop / on-the-loop / out-of-the-loop）

这组术语源自自动化与人机交互研究，用于描述人在自动化系统中的介入位置。「人在环内」指人参与每一个决策循环，系统逐步等待确认，如逐轮对话提示；「人在环近」指系统自主运行，人定期查看结果并在必要时纠正，类似监督者角色；「人在环外」指系统完全自主运转，人只在异常或关键节点按需介入。

自动化研究普遍指出，人在环外的风险在于错误难以被及时发现，因此需要良好的可观测性、反馈通道与回滚机制。对应到智能体工程，这意味着：把任务交给环外智能体的前提，是先把反馈入口（点赞、加权、删卡）和状态可见性（时间线、候选列表）设计好，否则「自主」会变成「失控」。

实践启示

如果你想复现类似系统，可以从三个最小步骤开始：先定义你的「信号」标准，把信息分成炒作、事实、行动项；再把采集与筛选拆成廉价分类层和昂贵生成层，控制持续运行的成本；最后给用户（或自己）留出点赞、加权、删卡的反馈入口，让排序权重随使用逐步收敛。Durable Agent的价值不在于一次惊艳的输出，而在于它在你离开键盘之后依然在为你工作。

据视频结尾展示，系统已连续运行超过一天，抓取到Anthropic「代码合并量自5月以来增长近十倍」等条目，并被正确标记为以炒作成分为主。随着模型推理成本继续下降，这类常驻型代理的可行性会进一步提高，而如何设计它与人类的分工边界，将是下一阶段工程实践的核心问题。