主题聚合
工作流
让 AI 工具在真实团队中可用的运营模式。
跟进此话题
站内关注 · 站外订阅话题图谱
16 个节点 · 53 条连接- 本话题的内容
- 话题外的邻居
- 渊源 · 续作 · 延伸
- 必备 · 借助
- 释义 · 印证
- 关联
已发布技术信号
40 条Google 开源 Harness²：不改模型，递归改智能体的外壳
Google Research 开源智能体框架 Harness²，采用 Apache 2.0 许可，支持 OpenCode 与 Codex，默认使用 OpenCode。它把系统提示词、护栏、记忆、工具指导、子智能体、Skills、脚本和插件拆成 8 类可改组件，通过任务级与 Harnessing 级两层递归在不改模型权重的前提下优化表现。团队称仅一步优化后 WorkBuddy-Bench 最高涨 11.5 分。
智能体用三周重构老游戏代码，全程靠逐帧回放验收
CodeScene 发布案例研究：一个编码智能体在三周内重构了《街头霸王 III：三度冲击》开源反编译项目约 30 万行 C 代码，消耗 token 约 4000 美元，覆盖 726 个文件、2903 次提交、252055 行改动，Code Health 从 5.6 升至 10.0。保障机制包括 CodeHealth MCP Server 的确定性评分，以及逐帧比对回滚状态哈希的回放轨迹测试框架；智能体还自行整理出含 22 个方案、82 条辅助说明的重构手册。
OpenAI 公开 719 篇数学结果：四成有 Lean 证明，第二天就撤回三篇
OpenAI 10 月 6 日在 GitHub 公开 openai/math：一个未发布的内部模型针对约 4000 个问题写出的 719 篇稿件，平均每个结果约 3 小时思考算力。其中 300 篇有 Lean 形式化证明，约占 42%；OpenAI 自己说其余的可能有问题。仓库记录显示，第二天就因符号错误撤回 3 篇、修订 14 篇。
智能体做错的任务，三分之二没有报错
Microsoft 发布 ThinkingBox-Bench：507 个有状态的业务流程，按后端最终状态评分，而不是看智能体怎么说。12 个模型的 121,680 次运行里有 79,853 次没通过，其中 67.24% 正常结束、调用过改写状态的工具、也没有报错。Kimi-K3 有 93.89% 的任务至少做对一次，但 20 次全对的只有 13.41%。代码与数据均已开源。
Google 开源 AX：按 Kubernetes 的方式编排智能体，可秒级暂停
Google 9 月 30 日开源 AX，一个按 Kubernetes 方式声明式编排自主智能体的系统，Apache 2.0 许可。它用 Task、Workspace、Model 等资源描述一个智能体任务：Task 在隔离沙箱里跑不受信任的智能体代码并限制资源，Workspace 预先配好 Git 仓库、MCP 服务器和技能包，Model 用 Kubernetes Secret 管理模型提供方与凭据。任务可以在亚秒级暂停和恢复，多个任务复用同一组工作进程。仓库说明写明仍在重度开发中，稳定版之前会有大的不兼容改动。
ADK Kotlin 1.0：智能体逻辑不必再绕回 Python
Google 发布 Kotlin 版智能体开发套件 1.0，功能上与 Python 版和 Java 版对齐，可用于 Android、JVM 和服务端。几处设计值得留意：工具的描述在编译期由注解生成，不靠运行时反射；敏感工具可以声明为执行前必须人工确认；技能存放在 SKILL.md 里按需加载。端侧推理支持 LiteRT-LM 与仍在测试阶段的 ML Kit。
DoorDash 清理过期开关：50 个里 45 个可用，一次 4.79 美元
DoorDash 用一套多智能体系统清理代码库里过期的功能开关。在 50 个开关的评估中，系统为 45 个生成了可用的合并请求：31 个首次提交即被合并，14 个需要修改，另有 5 个要工程师介入。平均每次 13.8 分钟、4.79 美元，人工估计要 1 到 2 小时。动代码之前必须有工程师确认目标值，合并请求只有通过构建、测试、覆盖率和静态分析之后才会创建。
Open Code Review：少报错的代价是漏掉八成问题
阿里巴巴开源了内部用了两年的代码评审工具 Open Code Review：选哪些文件、怎样打包、匹配哪些规则都由确定的程序完成，只有代码分析交给智能体。官方基准里它的精确率和 F1 高于同模型的通用智能体，token 用量约为九分之一，并主动说明召回率更低。外部评论指出最优配置下召回率只有 20%，唯一一次独立测试的精确率约 12%，维护者称是已修复的异常，修复后尚无独立验证。
模糊测试交给智能体：它做决定，工具管执行
GitHub 安全实验室开源了一条面向 C 和 C++ 项目的自动模糊测试流水线：给它一个仓库名，它自己找入口、写测试桩、跑 AFL++、读覆盖率报告、改进测试桩、给崩溃分类并写出漏洞报告。设计上把决定交给智能体、把执行交给工具。作者同时提醒：它会在宿主机上直接运行模型选定的构建命令，只应放在用完即弃的环境里。
DeepSeek DSec：智能体训练拼的是沙盒
DeepSeek 公开智能体训练用的沙盒平台 DSec：单个生产单元约 160 个节点，每天约 300 万个沙盒，并发 38 万个以上，每秒创建 5,000 个以上。它用一套接口提供四种后端——无状态函数调用、容器、微虚拟机、完整虚拟机——按任务的隔离要求分档，并与强化学习框架协同设计，把有状态的推演和可被抢占的 GPU 训练拆开。训练环境第一次被一家实验室当成一等工程对象完整写出来。
ZCode 快照事件之后：开源能挽回多少信任
开发者 ferstar 逆向发现，智谱的编程工具 ZCode 会生成含完整 Git 历史的工作区快照，加密后直传阿里云 OSS，密钥封装用的私钥在云端。智谱回应称来自默认开启的代码库索引功能，道歉、删除数据、请第三方核查，三天后把整个产品以 Apache 2.0 开源并切断该链路。仍未回答的是：现在还有什么数据会离开本机，以及开源仓库为何没有保留事故之前的提交历史。
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。
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。
以前替你否掉那个功能的是一周工期，现在它只要一小时
Simon Willison 在一次播客里给「代码行数」做了辩护，又给它划了边界：过去一个工程师一天能产出几百行可上生产的代码，两百行已经是极好的一天；如果智能体让这个数字到一千行且质量不变，那是实打实的提升。但产能不是新的瓶颈——认知容量才是。他随后接上《人月神话》的「概念完整性」：加一个功能的成本从一周掉到一小时之后，那个替你否决它的刹车也一起没了。
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。
菲尔兹奖得主：模型强在找到那个对象，弱在知道何时放弃
1998 年菲尔兹奖得主 Timothy Gowers 把近期最轰动的几项模型数学成果摊在一起看，发现它们几乎全是「构造出一个对象」而不是「证明一条定理」。他随后否掉了最顺口的解释，给出的替代解释适用范围远超数学：模型的两项确定优势是知道得多、失败得起，于是它在「大量试、试错便宜」的路线上占优；而人类暂时保住的那一项，是走到半路能闻出这条路没戏，从而砍掉搜索树的绝大部分。
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。
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。
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。
668 阶哈达玛矩阵被构造出来：三个人加 Claude，清掉 2000 阶以下所有未决阶数
Anthropic 研究员、数学家 Levent Alpöge 报告：由三名人类与 Claude 组成的团队构造出 668 阶哈达玛矩阵——2005 年以来最小的未知阶数，人类卡了三十年。他一次放出 12 张矩阵，清掉 2000 阶以下所有悬而未决的阶数。EpochAI 已在 FrontierMath 上暂标为「由 AI 解决」。
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。
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。
智能体复现审计：ICML 2026 的 92 篇论文里，只有 8 篇能复现八成结论
一次用 AI 智能体做的系统性复现审计显示：ICML 2026 的 92 篇可验证论文中，仅 34 篇能复现超过四成结论，能复现八成以上的只有 8 篇。另一项基于 GPT-5 的检查发现，平均每篇论文有 4.7 个客观错误，99.2% 的论文至少被标出一个问题。
ARA：把论文从 PDF 改成智能体能直接操作的知识包
论文《The Last Human-Written Paper》主张停用 PDF：它把研究的探索过程剪成一条干净的成功路径，又把复现所需的工程细节丢在正文之外。作者提出 ARA——一个分四层、机器可直接操作的知识包，并给出一个数字：PaperBench 的 8921 项复现要求里，仅 45.4% 在 PDF 中得到完整说明。
BigBang-v1：把数据生产系统本身当成优化对象，以及一处对不上的口径
上海交大人工智能学院、深势科技与上海算法创新研究院组成的无尽前沿团队发布 BigBang-v1：35B 参数、推理时约 3B 激活、262K 上下文，后训练数据称 100% 由 AI 自主合成，Apache-2.0 开源。可复用的不是跑分，而是它对任务的两个硬条件——必须同时前沿且可验证；缺一，合成数据都会迅速贬值。附一条核对：报道称它是「首个 RSI 原生训练的基座模型」，而 Hugging Face 上的元数据把它标为 Qwen3.6-35B-A3B 的微调。
TutorMoments：只说「做好一点」时，模型会普遍过度帮忙
Ai2 用真实一对一数学辅导记录做了一套回放式评测，量模型在「该出手还是该忍住」上的判断。结论有两层：只说「好好辅导」时模型普遍过度帮忙，很少推学生自己想；把这个取舍明写进提示词能改善，但补不上与人类的差距。数据集、回放流水线代码与技术报告一并开源。
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。
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。
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。
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。
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。
vLLM 的 Transformers 后端达到原生速度：450+ 架构免移植高性能推理
Hugging Face 与 vLLM 宣布：vLLM 中的 Transformers 建模后端在 Qwen3 4B/32B 稠密模型和 235B FP8 MoE 上全面追平甚至反超 vLLM 手写原生实现。模型作者只需一个 --model-impl transformers 开关，就能让 Transformers 实现直接获得 vLLM 级推理性能，无需移植。
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。