• 

  做AI写作工具的Superhuman，把AI检测工具GPTZero买了

  AI写作和AI检测，本来像是矛和盾的关系，现在被同一家公司握在手里了。

  

  Superhuman（就是那个改名前的Grammarly）宣布收购GPTZero——一个专门检测AI生成内容的工具。GPTZero能做的事包括：判断一段文字是不是AI写的、检测AI幻觉（就是模型瞎编的内容）、查抄袭。

  集成到Superhuman Go

  收购之后，GPTZero会集成到Superhuman Go里。这个AI助手号称能在”100万个应用和网站”里工作，以后用户在写东西的时候，就能同时用到写作辅助和内容真实性验证两套能力。

  Superhuman的说法是，他们要做”内容真实性”的两端：一边帮用户负责任地用AI写作，一边帮用户判断读到的内容是不是AI生成的。

  教师市场仍是重点

  这个组合确实有点意思。GPTZero之前最有名的用户群体是教师——老师们用它来检测学生作业是不是用ChatGPT写的。Superhuman收购后表示，教育市场仍然是重点，会把GPTZero的工具直接嵌到用户已经在用的写作场景里。

  当然，这事在外人看来有点矛盾：你一边卖AI写作工具，一边卖AI检测工具，这不是自己打自己吗？但Superhuman的逻辑是，用户既需要AI帮助写作，也需要知道哪些内容是AI生成的——两个需求同时存在，不如都攥在自己手里。

  收购金额没披露。GPTZero会继续以独立品牌运营，Superhuman方面表示不会把它完全吞掉，而是让它继续服务已有的用户群。

  ---

  📎 原文来源：Superhuman is acquiring GPTZero, an AI content detector – The Verge

  2026年6月25日

• 

  白宫想要审查Meta的AI模型，扎克伯格还在犹豫

  就在各家公司争相把AI模型开放给美国政府审查的时候，Meta选了最后一个当”钉子户”。

  

  《纽约时报》的报道说，白宫官员正在向Meta施压，要求它把AI模型提交给”AI标准与创新中心”（CAISI）做安全评估。OpenAI、Anthropic、Google、xAI、微软早就签了协议，只有Meta还没松口。

  行政令背后的推力

  这事可不是突然冒出来的。6月2日，特朗普签了一份行政令，要求前沿AI模型在公开发布前，给联邦专家最多30天的时间做审查。政府这边要在7月底前把正式评审流程搭好，但其他公司实际上已经交了几个月的作业了。

  CAISI这个单位是专门找软件漏洞、防网络攻击、阻止军事滥用的。政府现在最想看的，包括Meta今年4月刚发布的Muse Spark模型——这个模型还带了个专门的推理模式，用来处理复杂问题。

  Meta发言人的回应很外交辞令：”我们在研究具体细节，希望很快能签协议。”翻译过来就是：还在谈，别催。

  开源路线与政府审查的张力

  这事背后的张力挺有意思。Meta一直以来打的都是开源牌，跟OpenAI、Google那种把模型锁在服务器里的思路完全相反。现在政府说要提前审查，等于是要Meta把”开源”的节奏交给华盛顿来把关。

  几周前，政府刚命令Anthropic暂停Mythos 5对非美国公民的访问，理由是”国家安全关切”。这个信号发出去之后，剩下的公司基本都乖乖交卷了，只剩Meta还在扛。

  Meta到底会不会最终签字，还是个未知数。从它过去几年跟监管打交道的方式来看，拖字诀是常用手法——能拖就拖，拖到对自己最有利的时点为止。

  ---

  📎 原文来源：Meta reportedly still haven’t agreed to allow the US government to review its AI models – The Verge

  2026年6月25日

• 

  deer-flow：ByteDance 开源超级智能体框架，74K+ Stars 让 AI 处理小时级复杂任务

  2026年2月，ByteDance（科技公司）开源了其内部打磨多时的超级智能体框架 deer-flow 2.0，发布当天即登顶 GitHub Trending 榜首，目前已收获 74,000+ Stars。这不仅仅是一个”AI聊天机器人”，而是一个能够处理分钟级到小时级复杂任务的长周期智能体框架——从深度研究、代码编写，到内容创作、幻灯片制作，deer-flow 都能自主规划并执行。

  🦌 项目简介

  deer-flow（鹿流）是 ByteDance 开源的长周期超级智能体框架（Super Agent Harness），由初代 Deep Research 框架完全重构而来。它支持研究、编码、内容创作等复杂任务，通过沙箱隔离、持久化记忆、工具调用、子智能体协作等能力，处理从几分钟到数小时的各类任务。2.0 版本为完全重构版本，架构更清晰、扩展性更强。

  

  🛠 安装要求和过程

  环境要求

  • Python：3.12+（推荐使用 uv 管理依赖）
  • Node.js：22+（前端界面需要）
  • pnpm：前端包管理工具
  • Docker：推荐部署方式（可选，用于沙箱隔离）
  • 操作系统：macOS / Linux / Windows（WSL2）

  快速安装（3分钟上手）

  # 1. 克隆仓库
  git clone https://github.com/bytedance/deer-flow.git
  cd deer-flow
  
  # 2. 运行交互式配置向导（2分钟完成，生成 config.yaml 和 .env）
  make setup
  
  # 3. 安装依赖（本地开发模式）
  make install
  
  # 4. 启动本地服务
  make dev
  # 访问地址：http://localhost:2026
  

  配置向导会引导你设置 LLM 提供商（支持 OpenAI / DeepSeek / MiniMax / Qwen / 本地 vLLM 等）、网页搜索提供商（Tavily / Brave / Exa 等），无需手动编辑配置文件。配置完成后可随时运行 make doctor 验证配置是否正确。

  Docker 部署（推荐生产环境）

  # 开发模式（支持热重载）
  make docker-init    # 仅首次或沙箱镜像更新时运行
  make docker-start   # 启动服务
  
  # 生产模式
  make up             # 构建镜像并启动所有生产服务
  make down            # 停止并删除容器
  

  🎯 核心功能

  • 🧠 子智能体调度：主智能体可按需创建子智能体，每个子智能体拥有独立上下文、工具和终止条件；子智能体支持并行执行，执行结果结构化返回，主智能体最终汇总输出。长任务可拆分为多个子步骤，支持分钟到小时级别的复杂任务处理。
  • 📦 沙箱与文件系统隔离：每个任务拥有独立执行环境，支持文件读写、编辑、图像查看；支持多种沙箱模式：本地执行、Docker 隔离容器执行、Kubernetes Pod 执行。沙箱内文件路径 /mnt/user-data/ 下包含 uploads/（用户上传文件）、workspace/（智能体工作目录）、outputs/（最终交付物）。
  • 🧩 技能与工具扩展：内置研究、报告生成、幻灯片制作、网页生成、图像/视频生成等开箱即用技能；支持自定义技能、MCP 服务器扩展、Python 函数自定义工具；技能按需加载，避免上下文窗口过度占用；支持通过 /skill-name 前缀手动激活单轮技能。
  • 💾 长期记忆：跨会话持久化存储用户偏好、技术栈、常用工作流等信息；自动跳过重复记忆条目，避免记忆无限膨胀；记忆本地存储，用户完全可控。让智能体”记得”你之前的项目背景和编码习惯。
  • 🔌 IM 渠道集成：支持接入 Telegram、Slack、飞书、企业微信、钉钉、微信等 IM 渠道，无需公网 IP 即可接收任务。在聊天工具中直接使用 /new、/status、/models、/memory 等命令管理对话和智能体。
  • 📊 可观测性：内置 LangSmith、Langfuse 可观测性集成，支持全链路 LLM 调用、智能体运行、工具执行追踪。生产和调试时都能清晰了解智能体的决策过程。

  💡 典型使用场景

  场景一：深度研究报告自动生成

  输入”研究 Transformer 架构的演进历程，输出一份 5000 字的技术报告，包含关键论文引用和架构对比图”，deer-flow 会自动规划研究步骤：搜索相关资料 → 阅读并提取关键信息 → 对比不同架构差异 → 生成结构化报告 → 输出为 PDF/Markdown。整个过程无需人工干预，耗时约 10-30 分钟。

  场景二：代码项目从零搭建

  输入”帮我搭建一个基于 FastAPI + Redis 的短链接服务，包含单元测试和 Docker 部署配置”，deer-flow 会创建子智能体分别处理：API 路由设计、Redis 缓存逻辑、测试用例编写、Dockerfile 生成。最终在 outputs/ 目录下产出完整项目代码，可直接运行。

  场景三：内容创作与多语言本地化

  deer-flow 内置内容创作技能，支持文章撰写、幻灯片制作、网页生成。结合 IM 渠道集成，可以将已有视频/文章自动翻译为多种语言并生成配音版本，实现内容的多语言分发。适合自媒体运营者和内容创作者使用。

  🌟 推荐理由

  deer-flow 2.0 是目前开源超级智能体框架中最接近”生产可用”的项目之一。与 LangChain、CrewAI 等框架相比，deer-flow 的最大特点是长周期任务处理能力——通过子智能体调度和上下文管理，它可以处理耗时数小时的复杂任务而不超出上下文窗口。这是很多同类框架做不到的。

  几个让我印象深刻的细节：

• 上下文工程做得很到位：子智能体上下文隔离 + 自动摘要已完成子任务 + 中间结果卸载到文件系统，这套组合拳让长任务不 OOM。如果你用过其他框架处理长任务，就知道这个有多重要。
• 沙箱设计务实：支持本地 / Docker / K8s 三种沙箱模式，开发时可以用本地模式快速迭代，生产时切到 Docker 隔离。不用一上来就搞复杂的 K8s 部署。
• ByteDance 背书：这不是个人业余项目，是 ByteDance 内部打磨后开源的框架，2.0 版本完全重构，代码质量和文档都相当不错。74K+ stars 和 GitHub Trending 第一也证明了社区认可度。
• IM 渠道集成很实用：无需公网 IP 就能通过飞书/企微接收任务，对国内用户非常友好。想象一下在企业微信群里 @ 一下你的 AI 智能体，它就去后台帮你跑一个深度研究任务，完成后通知你——这个体验很丝滑。

当然也有一些注意事项：项目默认设计为本地可信环境部署，不可信环境需要额外配置认证网关；生产环境扩容需要通过提升单 worker 资源配置或拆分数据库、沙箱到独立节点实现，不能直接增加 worker 数量。部署前建议仔细阅读安全文档。

📦 下载地址

如果你正在寻找一个能处理复杂长任务的 AI 智能体框架，或者想了解 ByteDance 级别的工程团队是如何设计超级智能体的，deer-flow 绝对值得深入研究。74K+ 社区星标不会骗你。