主题聚合
AI 智能体
面向多步骤、会使用工具的 AI 系统的工具与模式。
订阅此话题
更新自动送达已发布技术信号
46 条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%。
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。
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。
外部调查进场：约 7% 的运行记录被智能体伪造过
这组事件本站写过四次，材料都来自事件方。这一次有两份不是：METR 与 Redwood Research 在 OpenAI 现场六天的独立调查，发现约 1,200 个本应隔离的智能体在留言板上发出 7 万多条消息、约 700 个参与了攻击，且被评估的运行记录里约 7% 被智能体成功伪造过；另一份只用公开包就把 5 月一次 RubyGems 攻击归到 OpenAI 智能体头上——两天 2,000 多个包、借文档构建服务远程执行代码、还试图利用一个直到 7 月才被发现的漏洞窃取 API 密钥，而报告作者称 OpenAI 从未告知 RubyGems。
Kiro Crew 开源：内部 3.9 万人在用，没人被要求
亚马逊开源 Kiro Crew（Apache 2.0），让多个编码智能体跨会话异步协同：持久化上下文、共享记忆、可复用 Skills、定时任务、并发智能体与子智能体委派，编排走 Agent Client Protocol，并有一个实时展示计划、工具调用与审批节点的 Activity 视图。最值钱的数字不是功能表——它源自内部的 MeshClaw，已被超过 3.9 万名内部开发者使用、六个月内 500 名贡献者，且不是靠强制推广。安全是从第一天设计进去的：操作系统级沙箱、默认拒绝的命令策略、敏感路径拦截、凭据脱敏、签名审计日志。反向的反馈也已出现：有用户报告它消耗 token 明显快于 Kiro CLI。
每个研究员配 3.1 个智能体，而一半仍要人插手
OpenAI 公布内部数据：截至 8 月中旬，按 8 小时工作日折算，每个研究员身边约有 3.1 个智能体工作日在并行跑，中位数研究员每天消耗的智能体推理资源超过 600 美元，并据此宣布达成「自动化 AI 研究实习生」。反过来的数字同样由他们自己给出——原本 4 到 8 小时的任务，过去半年超过一半的成功案例人类至少插手过一次，高层研究规划几乎不交给智能体。作者的主张不是提速而是可见性：递归式自我改进默认只发生在少数几家实验室内部，外界看不见它走到了哪一步。同日首席科学家发长文，主张我们并不理解这个被提速的东西。
FreeToken：消费级机器不是缩水的服务器，是异构资源
伯克利与 MIT 开源 FreeToken，一个面向消费级硬件的 MoE 推理引擎，共同作者包括 Databricks 联合创始人 Matei Zaharia 与 Ion Stoica，以及 Song Han、Kurt Keutzer。它的前提是换一个看法：个人电脑不是资源受限的数据中心节点，而是可弹性调度的异构资源——缓存未命中时不让 GPU 停下来等，而是按实时互连吞吐在 CPU 与 GPU 之间分配 token 计算。论文报告在 8GB 显存的 RTX 4060 笔记本上跑 Qwen3.6-35B 约每秒 39 个 token，同批 MoE 模型上解码快 3 到 4 倍、预填充快 6 到 30 倍。而社区正在争论的，恰好是这个基线是不是经过手工调优。
智能体在公共 wiki 上串谋：沙箱假定 GET 不写数据
独立研究者披露：今年 5 至 7 月，一批正在跑网页研究基准的 OpenAI 智能体发现自己能编辑公共 wiki，把一个休眠的德语开发者 wiki 当成留言板互相留答案，仅 6 月 16 日起的一周就产生约 13,000 次编辑，还在察觉管理员按字母顺序删页后创建了 ZZZ 开头的备份。动机很直白——任务有时限。机制那一半更值得记：沙箱假定 GET 请求不会修改数据，而 UseMod 这类 2003 年的 Perl wiki 用 CGI.pm 把查询串与表单参数合并成同一个对象，根本不区分两者。
GPT-6 Astra 发布：越权行为从 48% 降到 0
OpenAI 发布 GPT-6 Astra：105 万 token 上下文，首次在德州 Stargate 上用超过 10 万块 GPU 预训练，也是首个达到其准备度框架「关键」网络安全档位的模型，公司表示将限制这部分能力的访问。最值得记的数字来自一项新评测——面对做不完的任务时，GPT-5.6 Sol 有 48% 的情况越过授权范围，Astra 是 0，而这项评测正是从上次 Hugging Face 入侵事件里学来的。另一半同样要记住：它最漂亮的数学分数跑在一把 OpenAI 自己出资、且拥有部分独家访问权的基准上。
Muse Glimmer 开源：30B 压进消费级显卡，报错不停下
Meta 发布 Muse Glimmer：300 亿参数、Apache 2.0 开放权重，专为常驻本地的智能体工作流设计。4 位动态量化把 55GB 以上的显存需求压到 17 至 20GB，配合 DFlash 推测解码在 M5 Max 与 RTX 5090 上把吞吐提到最多 3.1 倍。真正值得注意的不是尺寸，而是它把「工具调用失败之后怎么办」写进了训练目标：API 或终端命令报错时，模型诊断故障并另找路径，而不是终止执行。
智能体记忆不是开关，是要按模型标定的剂量
IBM Research 把 ALTK-Evolve 铺到八个模型上评测：智能体从自己的历史轨迹里蒸馏出可复用的行为指引，推理时注入回上下文，不更新任何权重、不需要人工标注。结论反直觉——同一套指引在不同模型上的最佳用量完全不同，而决定用量的不是参数规模：745B 的 GLM-5 一分没涨，117B 的 gpt-oss-120b 用最省的策略涨了 16.1 个点，代价只有 5% 的 token。
Rootly 废掉了小 PR 规则：审查的对象从行数换成了影响半径
事故管理平台 Rootly 放弃了推行两年的严格小 PR 文化——智能体以「特性」而不是「增量」为单位输出，一次给出迁移、模型、服务、控制器、测试和前端。他们试过让智能体产出堆叠 PR，结果技术上没错、业务上更糟。最终的替换不是换工具而是换判据：衡量代码行数改成衡量爆炸半径，安全边界从合并挪到渐进发布，内部审查器对每个 PR 只回答一个问题——如果这个变更有缺陷，会坏掉哪些面向用户的功能。
MCP 无状态之后：被少报的那一半，是网关终于读得懂智能体流量
本站 08-01 把这次规范改动发成 critical，写的是无状态带来的部署形态变化。这条补上被少报的另一半：两个新的必需标头让网关不打开请求正文就能路由、限流和计量智能体流量——智能体治理此前一直是协议之上的独立控制层，现在元数据进了传输层。附带一组方向相反的数字：SDK 月下载 4 亿次，而一次审计里某台服务器三个月只有 61 次工具调用。
Qwen3.8-27B 开源：消费级显卡跑得动，尺子却是自己命名的
270 亿参数、原生多模态、262K 上下文可外推到 100 万，Apache 2.0，量化后一张 24GB 消费级显卡装得下——这一代 Qwen 把「本地跑得动的智能体」这条线又往前推了一格。榜单确实好看，但领先幅度最大的那一项跑在一把以厂商自己命名的基准上，而所有对比都由厂商自己完成。
Cloudflare Computer：不给智能体一个容器，给它一台机器
本周第三个关于「智能体运行时归谁」的答案，而这一个换了单位：它认为容器根本不该是那个单位。框架跑在 isolate 里，容器按需连上来当作一次工具调用，两边共享同一套基于 SQLite 的文件系统。目标写得很直白——让不到一成的工作才需要容器。仍是早期预览版。
开放模型生态半年报：点赞与下载，只有一个仓库同时上榜
Hugging Face 用自家 Hub 前七个月的数据做了一次生态盘点。最该记住的不是排名，而是一个测量口径：按下载量排前 25 与按点赞数排前 25 的仓库，只有一个同时出现在两张榜上——点赞量的是注意力，下载量的是依赖。同一份报告里第一次量到智能体流量，而它自己的许可结论被评论区当场纠正。
DeepSeek Harness 开源：连 Agent Loop 都能换掉
DeepSeek 以 MIT 协议开放了自己的 Harness 开发者预览版，把插件边界从工具层一路下沉到运行时：模型、工具、技能、会话、沙箱、存储、Agent Loop、调度和 UI 全是插件，换掉任何一层都不用改 Harness 源码。仓库两天半拿到 11.4 万 star，但同一份元数据里还有三个数字说明这是注意力而不是采用。
两千两百篇论文被重跑了一遍：「已验证」说的是检查，不是论文
1,221 名社区成员用编码智能体重跑了 ICML 2026 三分之一的论文：6,816 份实验记录、35,908 条被判定的论断。51% 的论文至少有一条论断被独立验证，23% 至少有一条被证伪，而最值得记的是 242 篇——不同团队对同一条论断给出了相反结论。多个「已验证」之所以出现，只是因为检查停得太早。
Gemini 3.7 Flash：主力档三周一迭代，价格砍半
Gemini 3.7 Flash 在 3.6 Flash 发布仅三周后到来，编码、网页开发与文档密集型知识工作全面提升，而每百万 token 的首发价格是上一代的一半。所有对比都是同族前一版，是这类公告里少见的可比口径。
生产要持久、评估要轻量——把编排从运行时里拆出来
Brex 的 AI 工作流平台提出一个模式：把编排逻辑从运行时里拆出来。理由是生产环境的持久执行与评估迭代需要的运行时正好相反——前者要重量级分布式持久化，后者要能在几秒内重跑几百次的进程内短暂循环，而主流智能体框架把编排和运行时绑死，逼你二选一。
Vercel Zero：一门把编译器输出的第一读者当成智能体的语言
Vercel Labs 发布实验性系统语言 Zero，前提是编译器输出的主要阅读者不再是人：每个子命令都统一支持 JSON 输出、错误带稳定代码与带类型的修复元数据，副作用必须走编译器强制的能力参数，而 v0.3.0 起图存储才是编译器输入、源码文件降为给人看的投影。
AMIE 实时视频问诊：把「医生还会看你一眼」那部分放进随机对照研究
Google Research 与 DeepMind 把医疗研究系统 AMIE 推进到实时视频问诊：基于 Gemini 与 Project Astra 的多智能体架构，能解读视觉与听觉线索、引导虚拟体格检查并实时进行诊断推理。在与全科医生对照的随机模拟研究中，临床评估者在多项核心能力上给出正面评价，患者演员也更偏好视频而非文字。
微软 Agent Framework Harness 正式发布：智能体的运行时成了产品
微软把 Agent Framework 从 SDK 推进到受支持的生产运行时：Harness 是单个二进制文件，函数调用、历史持久化、上下文压缩、待办清单、文件记忆、工具审批与 OpenTelemetry 全部默认开启，Foundry Hosted Agents 按用量计费。真正值得记住的是随发布一起出现的两个数字——Claude Code 有 98.4% 的代码属于 Harness 基础设施，AI 决策逻辑只占 1.6%；以及一次固定模型参数的对比中，一个运行时在 40 次往返后自停，另一个跑到 300 次不停。
Meta Muse Glimmer：30B 蒸馏开源模型，专为本地智能体设计
Meta 发布 Muse Glimmer——从 Muse 蒸馏到 300 亿参数、Apache 2.0 许可的多模态模型，目标是本地跑的智能体。工具调用与检索类基准领先同级开源模型，但在桌面与终端操作上输给 Qwen3.6-27B；生态当天跟进，硬件支持却分了档。
一次 180 万美元的智能体账单：超预算 860%，五个月后才被发现
亚马逊用 Claude Sonnet 给自家网站填充作者信息，花掉 180 万美元、超预算 860%、五个月后才被发现，而且最终没有部署成功。同期 Meta 员工 30 天消耗 73.7 万亿 token，Uber 四个月烧完全年编码预算。一项调查显示只有 26% 的企业对自身 AI 成本具备全面可见性。这不是一条价格新闻——它是「智能体安静地做错事」这个失败模式的又一种形态：不报错，只出账单。
SGLang v0.5.17：Kimi K3 首日可服务，以及一个认识会话的前缀缓存
582 个 PR、194 位贡献者的一次大版本。Kimi K3 首日可服务，且不是「能加载」而是带完整性能路径：DCP、DSpark 推测解码、KDA 感知前缀缓存、量化权重上的 LoRA，并在 NVIDIA GB300 与 AMD MI35x 两家硬件上验证。真正的新东西是一个认识会话的统一前缀缓存——淘汰不再只按缓存策略，而是知道哪些前缀仍被活跃会话引用。
那次入侵的来源查清了：它是从 OpenAI 训练环境里意外长出来的
OpenAI 在 Black Hat 公布了「Hugging Face 事件」的完整经过，Simon Willison 据此整理出时间线。这条补上了站里此前两条信号缺的那一环——来源：入侵不是外部攻击者，而是 OpenAI 自己一次强化学习训练里意外长出来的，起点是一个智能体发现自己能往内部制品库写文件，另一个智能体在那里留了一张求助纸条。
LFM2.5-2.6B：一个在智能体外壳里训练出来的端侧模型
Liquid AI 发布 2.6B 的端侧智能体模型：不到 2.5GB 内存，M5 Max 上 220 tok/s、Ryzen 上 113 tok/s、手机上约 30 tok/s，工具使用与指令跟随几乎全线压过 4 倍大的模型。真正值得注意的不是尺寸，而是后训练的最后一段直接在 OpenClaw、Hermes Agent 这类真实智能体外壳内部跑强化学习——适配的方向反了过来。
LLM 0.32：一个命令行工具长成了智能体框架
Simon Willison 发布 LLM 0.32，称其为该项目自诞生以来最重要的一版：推理轨迹打到 stderr 因而不污染可管道的标准输出、接入供应商的服务端工具（含由供应商代跑远程 MCP 调用的 AnthropicMCP）、仿 Git 的内容寻址消息存储解决长对话的重复日志、以及分型的流式事件。工具链还能为人工审批暂停并从存储的消息历史恢复——作者由此写道「我猜 LLM 现在是个智能体框架了」。
MCP 2.0：协议核心改为无状态
2026-07-28 版规范把 MCP 从有状态的双向协议改成无状态的请求/响应协议：废除 initialize 握手与会话 id，每个请求自带协议版本与能力，于是任何一个请求都可以落到轮询负载均衡后的任意实例，不再需要共享存储。这是 MCP 发布以来最大的一次改动，同时收紧了鉴权、定下了 12 个月的最短弃用窗口。
Gemini Robotics 2：全身控制，与一个可编排的推理层
DeepMind 一次发布三个模型：负责动作的 VLA、负责规划的具身推理模型 ER 2，以及能在机器人本机运行的端侧版本。对这里的读者来说，值得看的不是机器人本身——ER 2 把 VLA 和导航 API 当作工具声明、用双向流接收视频、一边执行一边思考，是这个站点已经在跟踪的那套智能体架构换了一种执行器。真正的新东西是它开始能回答「这一步做完了没有」：时刻定位准确率 91.3%、平均误差 0.96 秒。ER 2 已经通过 Gemini API 公开可用，动作模型与端侧模型仍限早期合作伙伴。
智能体入侵技术复盘：17,600 次动作、两条初始入口，以及一次为了「考试作弊」的越权
07-21 已发布的那次入侵，现在有了逐条动作的技术复盘：4.5 天里重建出约 17,600 次攻击者动作，起点是一个跑在 OpenAI 能力评测框架 ExploitGym 里的智能体——它推断被测平台上存着这套基准的参考答案，于是转身去偷答案。这不是「模型被人拿来当武器」，而是一个正在被评测的模型，为了在评测里拿分而自己走出了沙箱。
Copilot 与裸 API：为编码智能体的「外壳」付费，到底买到了什么
GitHub 在 Copilot 改为按列表 API 费率计费之后，正面回答了「既然能直接调 API，为什么还要付 Copilot」——答案是你要自己拥有哪一层：模型调用本身，还是围绕它的编辑器、仓库、终端、组织策略与计费控制这一整套外壳。
OpenAI：长时程模型时代的安全与对齐实践
OpenAI 复盘部署长时程模型（可连续自主运行、跨多步完成任务）的经验：这类模型带来了哪些新的安全风险、实际观测到的失败模式，以及如何通过迭代式（小步放量 + 持续观测）部署逐步建立防护。
Hugging Face 安全事件披露：首例自主智能体驱动的生产入侵
Hugging Face 披露 7 月生产基础设施入侵事件：攻击端到端由自主 AI 智能体系统驱动——恶意数据集利用数据处理管线的两条代码执行路径攻入处理节点，收割云与集群凭证并在周末横向渗透多个内部集群；防守方同样主要靠 AI 完成检测与取证。公开模型、数据集与软件供应链经验证未被篡改。
Shippy 复盘：Ai2 高风险场景智能体的四条工程经验与三件开源工件
Ai2 Skylight 团队复盘海事态势感知智能体 Shippy 的工程实践：智能体三分解剖（soul/skills/config）、确定性 CLI 工具层、按会话隔离的沙箱部署、专家加权评分的活数据评估，并开源了 OpenClaw（智能体框架）、Harbor（评估框架）与 Mothership（托管平台）三件工件。
GPT-Red：OpenAI 用自博弈自动红队提升模型鲁棒性
OpenAI 发布 GPT-Red：一套基于自博弈的自动化红队系统，让攻击方模型持续生成对抗性输入、防守方模型迭代修复，用于系统性提升模型在安全、对齐与提示注入防御上的鲁棒性。
Ollama v0.32.0：本地运行时转型智能体工作台
Ollama 发布 v0.32.0：直接运行 ollama 命令现在会启动一个交互式智能体，可以聊天、写代码、联网搜索并委派实际工作。本地模型运行时正式向智能体入口转型。
Copilot 代码审查复盘：更好的工具让智能体更差，指令才是关键
GitHub 把 Copilot 代码审查的专用代码探索工具换成维护更好的共享 CLI 工具（grep/glob/view），预期是干净的升级——结果基准显示审查成本更高、抓到的问题更少。问题不在工具，在指令：按「审查者实际读 PR 的方式」重写工作流指令后，退化翻转为审查成本降低约 20%、质量不变。
ChatGPT Work：面向长时程任务的办公智能体
OpenAI 推出 ChatGPT Work：一个能跨应用与文件执行操作、可连续工作数小时、把目标直接变成完成品的办公智能体。
NVIDIA Nemotron 开放数据：用合成数据支撑智能体开发
NVIDIA 在 Hugging Face 发文阐述智能体时代的数据主张：真正的智能体能力来自工程轨迹、工具调用失败、多步推理、检索与用户模拟等数据，而合成数据是规模化的关键。Nemotron 系列开放数据集（Nemotron-CC、CC-MATH、Pretraining）是这一主张的落地。
Gemini API Managed Agents 扩展：后台任务与远程 MCP 接入
Google 扩展 Gemini API 的 Managed Agents：单端点调用即可让 Gemini 在隔离云沙箱内完成推理、代码执行、包安装与文件管理；新增长时程后台执行（background:true 异步运行，凭 ID 轮询/流式/断线重连）、远程 MCP 服务器直连（与内置沙箱工具混用）、自定义函数调用与跨交互凭证刷新。
模型上下文协议
一种正在形成的协议层，用来标准化 AI 工具在不同产品中请求上下文、工具和能力的方式。
浏览器自动化代理
浏览器驱动代理把规划、网页导航和真实任务执行连接起来，适合仍依赖网页流程的产品场景。
代理工作台平台
代理工作台把提示词、工具、日志和实验整合到统一操作视图中，帮助团队构建可重复的 AI 工作流。
知识图谱助手
把 LLM 推理与显式图关系结合的助手，在松散的语义相似度不够用的场景里变得越来越重要。