AI 技术发现

发现值得关注的 AI 技术

一条清晰的阅读路径，帮你理解它为何重要、掌握所需背景。

阅读今日简报浏览技术信号

82 条已发布技术信号16 项理解与应用技能19 个背景知识概念

从这里开始

现在最值得关注

查看全部信号

立即关注2026-09-17

Anthropic 公布内部测量：Claude 主导 26% 的研发，裁判也是 Claude

OpenAI 公开研发提速数据两周后，第二家实验室跟上：Anthropic 发布三组内部测量，并对每一组写明任何开发者今天就能怎样发布同样的数字。截至 8 月，Claude「主导」了约 26% 的 AI 研发工作（2 月不到 1%），90% 以上达到「协作」及以上，没有任何一类完全自主；约 3 万个内部智能体的动作 100% 在执行前经过监控，10 亿多次决策中约 47,000 次拦下 1 次；研发算力约 6% 用于安全。它自己点出最大的弱点：给自动化等级打分的裁判也是 Claude，模型与人一致率 59%，而人与人之间只有 35%。

为什么重要这是第二家前沿实验室公开内部研发自动化数据，也是第一份把「怎样让别人核实」写进每一项测量的披露。它最可迁移的部分不是 26% 这个数字，而是它承认的弱点：给自动化等级打分的裁判也是 Claude，而人和人之间对「协作」与「主导」的边界本来就只有 35% 的一致率。另一半是智能体监控的三个可报告指标——覆盖率、审查延迟、拦截率——任何在自己系统里跑智能体的团队都可以照着报。

AI 智能体可观测性+1

立即关注2026-09-16

Copilot 运行时改写成 83 万行 Rust：别让智能体碰判卷标准

GitHub 把支撑 Copilot 命令行、SDK 与多款产品的智能体运行时从 TypeScript 整个重写成 Rust：832,378 行生产代码加 468,689 行单元测试，大部分由智能体编写，分 128 个 PR 逐步合入，主要由一名开发者用几个月完成。最值得抄的是教训清单里写得最重的一条：改动实现的智能体不能同时被允许重新定义「什么是正确」——端到端测试在迁移中不能被重写，护栏放在单独的所有权之下，检查分层且失效方式不同。会话数据还显示，智能体的阅读与搜索调用约是编辑调用的 10 倍。

为什么重要一次过去负担不起的重写，被一名开发者带着智能体在几个月内做完，而且没有停下正常开发。更可迁移的是它失败时的样子：几乎所有回归都来自端到端测试不够，于是结论是把判卷标准保护起来——实现者不能同时改测试、改快照、放宽基线。这和本轮另外两条信号是同一个问题的工程答案：被检查的一方不能同时掌握检查。

AI 智能体产品策略

立即关注2026-09-15

平均成功率 77%，五次全对只有 53%：智能体的一致性差距

IBM Research 指出，几乎所有基准只报平均成功率：AppWorld 上一个 GPT-4.1 的 ReAct 智能体五次运行平均成功 77.4%，但五次全对的任务只有 53.0%，差 24.4 个点，难任务上达 30 个点。原因在于决策分布的形状——平坦分布里的近似平局会被 GPU 浮点、批处理等平台侧扰动翻转，几十个决策串起来就累积成很大的走偏概率，所以温度设成 0 也没用。他们用一条轨迹、无需标准答案就能找出易翻转决策点，并据此生成指引，把差距从 24.4 降到 12.0 个点，平均准确率不降。

为什么重要平均成功率回答的是「平均有多好」，而用户问的是「我再问一遍它还行吗」。77.4% 与 53.0% 之间的 24.4 个点，是一个几乎没有基准报告的差距。更实用的是两点：温度设成 0 挡不住它，因为平台侧的微小扰动足以翻转平坦分布里的近似平局；以及诊断只需要一条轨迹、不需要标准答案，任何在生产里跑智能体的团队都能照着做。

AI 智能体可观测性

今日快讯