提到AI新工具，大多数人的注意力还停在模型本身：上下文又长了、价格又降了、跑分又涨了。但最近 Hacker News 的 Show HN 区里，一批更值得琢磨的新品，卷的根本不是模型，而是 Agent 的「地基」：多个 AI 同事怎么协作不打架、Agent 搜到的料好不好怎么量化、电话里的语音 Agent 怎么不再答非所问。这三件事，中文圈几乎没人展开写过，但每一件都直接决定你搭的 Agent 到底能不能干活。今天挑三件最有代表性的拆给你。

一、Concord：先给AI同事们建个「工作群」

先说一个你大概率经历过的场景：你开了两个终端，一个跑 Claude Code，一个跑 Codex，让它俩并行干活。十分钟后你发现，一个把另一个刚写完的函数改了个遍，或者俩人各写了一份几乎一样的工具类。原因很简单——它们互相不知道对方的存在。

Concord 的作者形容得很准：这就像把 Slack 从一个团队手里拿走，成员之间只剩猜和撞。

这个叫 Concord（仓库：Get-Concord-AI/concord-mcp）的工具，给所有 MCP 兼容的编程 Agent 建了一个共享工作台账。安装就两条命令：

npm install -g @concord-ai/concord-mcp
concord install

concord install 会自动把使用说明写进你的 CLAUDE.md、AGENTS.md、.codex/、.cursor/rules/，之后 Claude Code、Codex、Cursor 都能通过 MCP 调它的六个工具：

底层数据存在仓库根目录的 .concord/ 文件夹里，核心是一个本地 SQLite 文件——同一个仓库里的所有 Agent 共享这一份状态，不需要任何云端服务。有两个细节很见功力：一是「陈旧认领检测」，某个 Agent 认领了任务却中途消失，系统会把这条死认领标出来；二是 concord dashboard，一个每秒刷新的终端面板，人类坐在旁边就能看到几个 AI 实时签到、认领、交接的全过程。

特别注意作者划的界限：Concord 不是编排器、不是代码审查器、不是记忆数据库，它只做「共享工作状态」这一件小事。交接产出是普通人类可读的 HANDOFF.md 和 REVIEW_PACKET.md，可以直接挂进 PR。MIT 协议，完全免费，仓库自述还处于早期活跃开发阶段——HN 上发帖时热度也只有个位数评分，这正是信息差最大的窗口期。

对国内用户的启示：我们做多 Agent 协作，习惯性思路是上中心化编排平台，或者在 AGENTS.md 里手工维护约定文档。Concord 展示了一条更轻的路——不编排，只让 Agent 互相看得见，冲突自然就少了。

二、Telem：Agent跑偏了，先别急着骂模型

第二件工具来自一位风险投资人。他给尽调工作搭了个 Agent，第一版效果很差，他的第一反应和绝大多数人一样：怪模型。换后端、换 prompt，DeepSeek、Kimi、Qwen 挨个试，没用。

转折发生在他开始读 Agent 的执行轨迹：它到底搜了什么关键词、拿回来什么页面、在哪一步开始跑偏。结果发现问题一大半出在搜索环节——搜索供应商的数据不新鲜，Agent 反复搜同一条过时查询；搜回来的资料不相关甚至错误，Agent 拿着错误的料继续一本正经地推理；子 Agent 过早放弃；有一次运行在第 1 分钟就已经没救了，却还傻跑了 10 分钟才返回一堆废话。

于是他做了 Telem（telem.ai），定位很清晰：Agent 网络搜索的开放路由器 + 可观测层。两件事：

1. 一个网关接所有搜索供应商——Exa、Parallel、Tavily、Brave、SerpAPI 等等，你可以让 Agent 选一家，也可以并发查几家，返回格式统一；
2. 给每一次搜索打质量分——由评估器给相关性、多样性等维度评分，回答一个此前没人正面回答的问题：你的 Agent 跑偏，到底是搜索的锅，还是推理的锅？

产品还在 alpha 阶段，通过一条安装脚本部署（docs.telem.ai 提供安装脚本，装之前建议先把脚本内容读一遍再执行）。

为什么这件事重要？因为国内做 Agent 的人，排查「答非所问」的条件反射是调 prompt、换模型，很少有人把「搜到的料好不好」单独立成一层来量化。这是典型的错误归因错层：料就是臭的，模型再聪明也炒不出好菜。哪怕你不用 Telem，这个方法本身就可以抄：在自己的 Agent 日志里，把每次外部搜索的 query、返回来源、最终是否被引用都记下来，一周后你会对自己 Agent 的真实瓶颈有完全不同的判断。

适用人群：RAG 应用开发者、深度研究类 Agent 的作者、任何「Agent 输出质量不稳定但找不到原因」的人。

三、ThunderPhone：把电话AI的「三段管线」拆了

第三件换个大点的场景：电话语音 Agent。目前主流方案是三段管线——ASR 转写把语音变文字，LLM 生成文字回复，TTS 合成语音播出去。ThunderPhone 的作者在发布 v2 时把这套架构的毛病数得很透：

1. 电话场景要求快，只能用「不思考」的 LLM，结果就是经常犯蠢把对话带沟里；
2. 全链路依赖单一转写模型，音频里的大量信息在转写那一刻就丢了，转写一旦出错，后面的 LLM 根本无从挽回；
3. 自然对话的分寸极难拿捏——什么时候该被「等等」打断、什么时候不该被「嗯嗯」打断，背景有人说话怎么办，三段管线处理得都很尴尬。

ThunderPhone v2 的解法是三个组合拳：多路转写模型并行跑，同时把原始音频直接灌进 LLM，大幅降低录数据、多语种这类难场景的错误率；快慢脑混合——简单问题快脑秒答，复杂问题可以像人一样先说一句「我想想」，稍后给正式答复；一大群大小模型组成的集群专门管对话时机，嘈杂环境、免提模式、插话判断都交给它们。

价格直接明码标了三档：Spark 每分钟 2 美分（官方口径是全市场最低，够处理简单事务型通话）、Bolt 每分钟 5 美分（主打最快）、Storm 每分钟 9 美分（旗舰，加 3 美分开「加强智力」后，官方称在 Big Bench Audio 基准上做到 99.4% 准确率——这是厂商自测数字，听听就好）。主打 B2B，但个人也能玩：给自己挂个智能语音信箱、让 AI 替你打给餐厅订位、打给药房问处方。想试可以发邮件要试用额度（官网可联系到创始人）。

同一天还有个值得放在一起看的发布：Tavus 的音频理解模型 Sparrow-2，思路正好相反——别的模型先降噪再识别，它干脆不降噪，把呼吸、叹气、背景人声全部喂给模型，让模型自己判断哪些声音对「对话节奏」有意义。两家公司在同一周押同一个方向，说明一件事：「对话时机」正在成为语音 AI 的下一个主战场，而国内讨论还集中在音色像不像人。

一张图看懂：三件工具补的是哪层

flowchart TD
    T["你的Agent系统"] --> L1["协作层<br/>Concord"]
    T --> L2["取材层<br/>Telem"]
    T --> L3["语音层<br/>ThunderPhone"]
    L1 --> F1["签到与认领<br/>防止重复劳动"]
    L1 --> F2["交接与审查包<br/>PR前留证据"]
    L2 --> F3["多搜索引擎网关<br/>统一返回格式"]
    L2 --> F4["搜索质量打分<br/>分清谁的锅"]
    L3 --> F5["多路转写并行<br/>音频直入大模型"]
    L3 --> F6["快慢脑混合<br/>小模型管时机"]

再看 ThunderPhone 拆三段管线这件事本身：

flowchart TD
    subgraph OLD["传统三段管线"]
    A1["用户语音"] --> A2["单一ASR转写"]
    A2 --> A3["不思考的LLM"]
    A3 --> A4["TTS播报"]
    end
    subgraph NEW["ThunderPhone v2"]
    B1["用户语音"] --> B2["多路转写并行"]
    B1 --> B3["音频直入LLM"]
    B2 --> B4["快脑秒答"]
    B3 --> B4
    B4 --> B5["复杂问题<br/>转慢脑深思"]
    B5 --> B6["小模型群<br/>管插话与噪声"]
    B6 --> B7["自然对话"]
    end

信息差总结

行动指南

1. 今晚就能试 Concord：npm install -g @concord-ai/concord-mcp，然后 concord install，开两个终端分别跑 Claude Code 和 Codex 给同一个仓库干活，另开一个窗口跑 concord dashboard，你会亲眼看到两个 AI 签到、认领、避开彼此的文件。
2. 给现有 Agent 补一份「搜索台账」：不用等 Telem，先在日志里记下每次外部搜索的 query、来源域名、结果有没有被引用，跑一周，统计命中率，你大概率会发现自己一直在错怪模型。
3. 电话场景先小成本试水：给 ThunderPhone 发邮件要试用额度，拿智能语音信箱这种无损场景练手，跑通后再考虑接入业务。
4. 把「分层归因」写进排障流程：Agent 输出烂，按顺序查——先看搜索/取材层，再看工具调用层，最后才是模型和 prompt。顺序反了，优化越多偏得越远。

参考来源

1. Concord GitHub 仓库：https://github.com/Get-Concord-AI/concord-mcp
2. Telem 官网：https://telem.ai/
3. ThunderPhone 官网：https://thunderphone.com
4. HN 讨论《Show HN: Concord – let Claude Code, Codex and Cursor talk to each other》：https://news.ycombinator.com/item?id=49464704
5. Tavus Sparrow-2 技术博客：https://www.tavus.io/blog/sparrow-2

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。