据公开信息显示，MiniMax Agent 工程部主管阿岛（缪宇航）的飞书状态已显示离职，不过其下一步去向目前尚未明确。

不过，截至目前，他在 X 主页上的认证信息仍未完成更新。

在其 X 主页介绍中，阿岛（Skyler Miao）将自己标注为 MiniMax 的 Head of Engineering，负责 M2.x、Agent、Audio 以及 Hailuo AI。其最新一条动态，是在 8 月 3 日转发的一则与 AI 相关的内容。

从其过往互动内容来看，也记录了他在 M3 发布前后的技术传播与对外沟通：包括预告 MiniMax Sparse Attention、回应开发者关于稀疏注意力的提问、透露实现代码将开源，并在 M3 发布时提到团队经历了多个不眠之夜。

阿岛曾先后任职于百度、贝壳和字节跳动，并于 2024 年加入 MiniMax，参与模型、Agent 以及海螺 AI 等产品研发。同时，在 MiniMax 任职期间，他也长期承担技术解读与外部沟通的重要角色。

MiniMax 的 Agent 业务，正在从“少数人快速打磨产品”的早期阶段，进入模型、产品、基础设施和商业化同步扩张的新阶段。

过去，一名强力工程师或许可以独立想清方向、做出产品、讲透技术；而现在，MiniMax 正在迈向更系统化的组织能力建设阶段。

MiniMax技术路线的解释者

阿岛在 MiniMax 的公开形象，与公司的模型技术路线高度重合。

在 M3 发布之前，他曾参与对外介绍模型的上下文能力、编码能力以及 Agent 能力；而在 M3 发布之后，他又出现在用户围绕计费方式和使用权益的讨论之中。

M3 上线时，MiniMax 在未做充分提示的情况下，将付费模式从按次收费切换为按 Token 计费，由此引发用户争议。阿岛在社群中承认“工作不到位”，随后 MiniMax 发布致歉公告，并公布了相应补偿方案。

对于大模型公司而言，技术负责人早已不只是研发部门的代表。他还需要面向开发者、用户和社区，解释产品为何这样设计、能力边界在哪里，以及技术变化为何会直接影响用户成本。

阿岛在 X 上的动态，也体现出类似特征。

他并不只是简单转发公司公告，而是直接参与 M3、MSA 以及开源相关话题讨论，回答开发者关于模型结构、长上下文和稀疏注意力等问题。这种沟通方式，也让他成为 MiniMax 技术路线对外输出的一个公开接口。

对于其在 AI 领域长期从事的 Agent 业务，阿岛也曾公开给出带有鲜明个人风格的判断。

例如在今年 4 月的一场公开对谈中，阿岛提到过一个并不乐观的观点：通用 Agent 应用最终可能会被模型能力逐步内化，Harness 与 Agent 应用层本身也存在生命周期。

今天仍需要通过 Prompt、Skill、Memory 和多 Agent 协作完成的任务，未来很可能会被下一代模型直接吸收。模型越强，外置应用层就越薄。一个通用 Agent 公司如果只是将模型能力重新包装成工作流，便很难长期维持独立价值和竞争位置。

阿岛在采访中也曾直言，当前没有任何一家 Agent 企业敢说自己已经建立了真正的壁垒。所谓行业 Know-how、垂直场景和客户关系，都有可能被竞争对手复制。真正能够形成差异化的，是人才密度、底层基础设施以及组织执行能力。

这句话在他离职之后，也被赋予了另一层更现实的含义。

阿岛参与 Agent 2.0 时，MiniMax 的核心问题还是如何让一个 Agent 真正进入工作流；而现在，公司需要面对的已经是一个更庞大、更复杂的系统性工程。

Agent最初只是四个人的实验

MiniMax Agent 2.0 最早并不是一个体量庞大的事业部项目。

此前在接受自媒体差评的一场公开对话中，阿岛介绍称，Agent 2.0 源自公司内部使用的“Agent 实习生”。这套工具最先在研发、产品、GPU Infra、HR、投资和财务等团队内部扩散，随后再逐步产品化，面向外部用户开放。

当时，桌面端主要由 3 名同学用一个月时间开发完成，再加上一名产品经理，整个团队总共大约只有 4 个人。

这支小团队要解决的问题非常具体：让 Agent 从网页端延伸到桌面端，直接处理本地文件、浏览器和工作环境；同时通过 Expert 模式，把专业知识、工作流程和工具能力组合起来，使 Agent 能够完成一项相对完整的任务，而不只是处理单一孤立环节。

这也正是 MiniMax Agent 早期阶段的重要优势。

团队规模足够小，意味着产品、模型和工程之间可以实现快速反馈。模型能力一旦发生变化，很快就能被接入 Agent；而产品场景中暴露的问题，也能迅速反向影响模型训练。内部员工先使用、团队再根据真实任务持续迭代，这种方式缩短了从需求调研到产品上线之间的距离。

但小团队模式同样存在明显边界。

它高度依赖少数人同时理解模型、工具、用户场景和工程系统。真正困难的，并不是做出一个 Demo，而是把少数人的判断与经验，沉淀为可多人协作、可复用、可交接、可持续维护的系统能力。

3 月，MiniMax 发布了 M2.7 模型。该模型强调自身具备参与迭代的能力，能够通过 Agent Harness、Skills、Memory 和 Agent Teams 等机制完成复杂研发任务。最新消息称，在部分内部流程中，M2.7 已能够承担从问题分析、代码修改到评测反馈等一系列工作中的部分环节。

5 月，MiniMax 又推出 Agent Team，让多个 Agent 并行协作，分别承担不同角色与任务。按照最新介绍，Agent 已不再只是一个聊天窗口，而是一套需要管理任务拆解、角色协同、状态变化和执行记录的运行系统。

6 月发布的 M3，则进一步将编码、Agent、百万上下文和原生多模态能力整合进同一个模型中，并同步推出 MiniMax Code。最新定位显示，MiniMax Code 被定义为与 M3 共同训练、适配长上下文和复杂 Agent 任务的产品。

这条技术路线，已经从“做一个好用的 Agent”，逐步扩展为“让模型、Agent 运行环境、开发工具与用户工作流彼此咬合、相互协同”。

与此同时，MiniMax 仍在持续扩大自身模型版图。

7 月 31 日，公司发布 H3，覆盖文本、图像、视频和声音等多模态理解能力，最高支持 15 秒、2K 分辨率视频生成，并计划开放模型权重。

对于一家大模型公司来说，这意味着研发资源必须同时覆盖语言模型、视频、语音、音乐、Agent 和开放平台等多个方向。

2025 年，MiniMax 收入同比增长 158.9% 至 7900 万美元，其中超过 70% 的收入来自国际市场；截至 2025 年底，公司称已服务超过 200 个国家和地区。

7 月，公司还完成了 3560 万股新股配售，并发行 65 亿港元零息可转债，继续为模型研发与产品扩张提供资金支持。

MiniMax 正在押注一条足够长的路线：从全模态模型走向 Agent，再从 Agent 走向能够理解上下文、调用工具、持续工作并具备自我改进能力的智能系统。