岛刊社 · 专题

Agent 工程

把 Agent 做成能上线的系统：Harness、上下文、评测、权限、留痕和长时间运行。

260 篇全部专题

回到小岛 →

2026-11-02

ChatGPT 与 Codex 共用额度后，Agent 任务要拆成两档

12 月起，ChatGPT 与 Codex 的用量将进入同一池。比起盯着 token 数，更实用的是把 Agent 工作分成探索与交付两档，为关键任务留出可预测的窗口。
2026-11-02

让 Agent 自己接活，最难的不是多开 Worker

DeepSeek 的公开原型把接入事件、授权判断、独立执行和回传拆成一套控制面。它最值得借的不是多 Agent，而是让每次开工都说得清：谁提的、能做什么、何时该停。
2026-11-02

多 Agent 任务总失控？11 万 Star 的 Paperclip 给它们补了一张工单桌

Paperclip 把多个现成 Agent 收进同一个任务、审批与预算系统。本文不把它当“AI 公司”噱头，讲清它适合解决什么、怎样做隔离试跑、为什么仍要把验收留在人手里。
2026-11-01

做浏览器 Agent，Gemini Computer Use 转正后先补这 3 个环

Gemini API 的 Computer Use 已转为 GA。要把现有 UI 自动化迁进生产，先把截图回传、受限执行环境和人工确认这三件事接上。
2026-11-01

同时跑 Codex 和 Claude Code，工作区怎么不打架？

Orca 把多个终端 Agent 放到各自的 Git worktree。它解决的不是“多开窗口”，而是让并行改动还能比较、验收与回退。
2026-10-31

做活动视觉，Figma 把「一次生图」变成了可复用的工作流

Figma Weave 把生成、编辑、比较串成节点，还能封装为同事一键运行的工具。本文给一份把一次成功创意沉淀成团队资产的四步检查表。
2026-10-30

设计 Agent 改完页面，先验收哪四件事？

Figma 把专用编辑模型的训练与评测摊开了。真正值得借走的不是某个分数，而是把 AI 改稿拆成请求、结构、画面和人工校准四道关。
2026-10-29

让 Agent 改安全漏洞，生产环境还差哪三道闸

Gemini 4 Carbon 的官方安全成绩很亮眼，但它还在分阶段开放。准备让 Agent 读仓库、找漏洞、给补丁的团队，先把范围、验证和证据三道闸补上。
2026-10-28

做设计 Agent，模型不是最难的：先把“好看”做成验收

LangChain 把内部设计 Agent 开源后，最值得抄的不是“一句 Slack 消息出图”，而是把品牌、运行环境、协作反馈和验收规则一起做进系统。
2026-10-27

模型拿到65分，为什么还不能替你交付工作？

Epoch 把六个模型放进图表、数据和研究设计等真实任务里，领先者只满足 65% 的员工标准。交付给 Agent 前，先把任务门槛和人工复核写清。
2026-10-26

让 Codex 操作已登录 Chrome，先选对这 3 条路

不用再导 Cookie、重登一堆后台。把 Agent 接进真实 Chrome 前，先把权限范围选对：一张标签页、一个 Profile，还是整个浏览器。
2026-10-25

画架构图不用拖框，13 万次安装的 Archify 把代码库变成交互地图

接手陌生仓库时，先让 Agent 画出一张能点开的阅读地图。这里给出可直接复制的提示词，也把生成图最容易误导人的地方摊开讲。
2026-10-25

给 Agent 做隔离，断网之后还缺哪几层防线

OpenAI 把前沿模型训练改成不接真实互联网，红队却仍在 microVM、内部服务和共享硬件里找到越界路径。给能执行代码的 Agent 配环境，别只盯一条网络规则。
2026-10-24

把整个仓库塞给 Kimi K3.1 Pro？100 万上下文先别这样用

Kimi K3.1 Pro 已上线，100 万 Token 上下文很诱人；但对日常代码任务，先把问题、文件边界和验收条件讲清楚，比把整个仓库一股脑塞进去更重要。
2026-10-23

428B 权重开了：想本地跑 MiniMax，显存账怎么算？

MiniMax M3.1 Flash 开放权重后，真正该算的不只是一张显卡：总权重、长上下文、服务框架与 Agent 验收，缺一层都不是“下载完就能跑”。
2026-10-23

给 Agent 加分类和路由，OpenAI 这次把输出 token 免了

Decisions API 把分类、路由和评分拆成专用调用。它适合答案有边界的高频环节；生成、解释和新问题，仍该留给 Responses API。
2026-10-23

线上出错后，先让 AI 修，还是让它直接发版？

Replit 的 Monitoring Agent 把告警、自动修复、自动发布拆成了三道开关。真正该讨论的不是它会不会修，而是哪些修改能越过发布门。
2026-10-21

资料不敢上传云端？Mac 上的本地 Agent，先看这 3 道边界

Perplexity 把模型、编排和执行放进 Apple silicon Mac。它解决的是本地文件任务的出机边界，不代表所有联网能力都能离线完成；文末附一张任务分流表。
2026-10-20

Agent 等结果太久？Mercury 3 的千 token/s 先试这 3 类链路

Mercury 3 把速度推到厂商声称的每秒 1068 token，但真正该先试的是模型等待占主导的低延迟链路；迁生产前，先用一套五项回归把宣传数字拆开。
2026-10-20

多 Agent 总串台？Meta 把总控缩到 1300 行

Meta 把 20 多条工作流的总控压成只路由、收集字段和验收的确定性层，把领域判断交给 14 个隔离子 Agent。给已经越搭越重的 Agent 系统，先用这张边界检查表做一次减法。
2026-10-20

UI 设计从截图到可落地：40 万次安装的 Skill，先给你一套设计系统

不是再给 Agent 丢一句『做高级一点』。这个高热 UI Skill 会先把页面类型、颜色、字体、状态和验收条件摊开；附安装方式、提示词模板与一次本地生成结果。
2026-10-19

给 AI 接网页时，API、脚本和 Agent 到底怎么选

一张选择清单，分清什么任务该走 API、固定步骤用脚本、页面会变再用浏览器 Agent；把验收和人工确认留在副作用之前。
2026-10-18

Agent 接外部内容，模型价格之外还要看这一道防线

一项 9,800 次试验的研究给出 26.7％对 14.2％的差距。它不是模型安全排名，却提醒所有接了网页、邮件和知识库的 Agent：模型之外，数据和工具也要有边界。
2026-10-18

Agent 要接网页搜索，DeepSeek 的 Search／Fetch 值不值得换？

DeepSeek 把搜索和网页抓取拆成了原生接口。对做 Agent 的团队，重点不是立刻换供应商，而是先用来源、失败、限速和成本四项验收，判断它能否进入生产链路。
2026-10-17

8周做出可上线应用，Meta怎样让 Agent 自己验收

Meta 用 Agent 跑完规划、实现、构建和测试，却把目标、证据与最终签字留给人。拆开它的验证链路，看看团队怎样少收一堆看似能跑、实际难用的 AI 代码。
2026-10-17

给 Agent 换开源模型：816B Muse Spark Open 的三条接入路

Meta 放出了 816B 的 Muse Spark Open。开放权重不等于一台笔记本就能跑：从托管 API 到 1TB 本地部署，先按数据边界、成本和上下文规模选路。
2026-10-17

给 AI 跑代码，别把生产机当沙盒

Agent 能调用终端之后，难题不再是能不能跑，而是凭据、文件、网络和回滚谁来兜底。Perplexity 开源 SPACE，刚好把这条边界摆到了台面上。
2026-10-16

PR 翻倍、回退下降 40%：Claude Code 团队怎么审代码

Anthropic 公布了 Claude Code 团队的审查流程。关键不是让 Agent 替人点批准，而是把人从机械阅读里抽出来，专盯可验证的风险、架构和最终结果。
2026-10-16

本地跑模型，RTX Spark 笔记本的 128GB 值不值得买？

RTX Spark 笔记本今天开售，128GB 统一内存很诱人。但它真正解决的是模型、上下文和私有资料放不下的问题，不是把所有 AI 任务都搬回本地。
2026-10-15

Agent 长任务总会越跑越钝？把记忆搬出上下文窗口的 5 个办法

长任务卡住、重复搜索、忘掉前文，不一定是模型不够大。LangChain 新文给出卸载、可恢复摘要、按需技能、子 Agent 和自有记忆的分工；这篇把它整理成一次试点前能用的选择表。
2026-10-14

AI 写代码后，Git 不够用了？Anthropic 把答案藏在 3 万次合并里

Anthropic 每天合并 3 万多次代码后，五个月内把单体仓库迁出 Git。真正值得借走的不是 Scion，而是给 Agent 扩量前该先改哪几段研发基础设施。
2026-10-14

长任务换 Gemini 4 Argon 前，这份灰度清单要先跑

Gemini 4 Argon 已全面开放。它适不适合你的编码智能体，不该先看跑分，而该先用任务、成本和回滚三道门做一次小流量验收。
2026-10-13

Claude Code 太费额度，我把自己的工作流重新理了一遍

从我自己的长任务流程说起，哪些验证可以合并，什么工作值得派子任务，强模型该用在哪里。缓存和压缩也能调，但先看清它到底在忙什么。
2026-10-13

网页上线前怎么收尾？这个 8 万 Star Skill 把 UI 问题列清了

网页发布前最难沟通的往往不是某个像素，而是「再精致一点」。Impeccable 用产品上下文、24 个命令和 59 条检查，把这类模糊反馈变成可执行的收尾流程。
2026-10-12

换 Photoshop 前，先用 4 个问题验收 PhotoCraft 的 PSD 工作流

PhotoCraft 的热度值得看，但替换设计工具前，更该用自己的 PSD 样本检查图层、字体、色彩和自动化边界。
2026-10-10

浏览器 Agent 要上线，先把提交权单独收回来

Anthropic 的最新复盘提醒了一件很具体的事：给 Agent 接上网页与工具后，网络、提交和审计不能再只写在提示词里。这里有一张可带去评审的四层检查单。
2026-10-10

Agent 要替人办事，业务系统需要一个正式入口

Poppy 协议草案把网页、API 和企业 Agent 放进同一套会话与授权模型。对业务团队更实际的问题不是要不要追协议，而是先把哪些权限、提交和审计边界整理出来。
2026-10-09

Claude 缓存读取砍半，Agent 账单该从哪一行重算

Sonnet 5.5 的缓存读取单价从每百万 token 0.20 美元降到 0.10 美元。把折扣落到总账前，先分清缓存读取、缓存写入、未缓存输入和输出各占多少。
2026-10-09

每天整理 Slack 和 GitHub，Claude Managed Agents 的定时简报模板值得抄

Anthropic 把一条团队日报拆成书签、失败披露、投递确认和账本四道关。真正有用的自动化，不是能按时发消息，而是能解释自己有没有漏。
2026-10-09

生产 Agent 返回 200 也会出错，AQuA 怎样给出证据

Google 开源 AQuA，用生产轨迹、版本化源码和独立验证，把看似正常的 Agent 失败变成能复现、能分派、能回归检查的问题。
2026-10-07

会后任务别急着自动执行，ChatGPT Meetings 先过这 4 关

ChatGPT Meetings 已向 macOS 的 Pro 和 Business 开放测试。它能把会议音频、授权上下文和待办放到同一空间，真正要盯住的是音频权限、归属和人工确认。
2026-10-07

Cursor 手机接着改 Bug，这份交接提示词收好

离开工位后，Agent 卡住的一句追问终于可以在手机上接。配对怎么做、电脑怎么留、离桌前怎么交代任务，一起讲清；附可复制提示词，未做手机端实测。
2026-10-07

多 Agent 写代码，先把这 4 个 Git 卡点管起来

GitHub 为智能体规模开发重做 Git 基础设施。大多数团队不需要重造存储层，却该先把提交延迟、分支隔离、合并队列和 CI 扇出当成新生产力指标。
2026-10-06

做产品页别急着交付，7,489 星流程会追问这 6 类问题

一个开源 UI 复查工作流，把交付前最容易被一句「看着不错」放过去的问题拆成六个可核验的领域。它不替你设计页面，却能把审美争论拉回用户影响、证据和最便宜的修复。
2026-10-06

Claude Code 内建的四样，这个开源 agent 一样都没放

子 agent、MCP、权限弹窗、规划模式，pi 一样都没放进内核，却能用三个回调把它们拼出来。Pi系列收官篇，拆它的整体骨架和不做清单，附五个问题，帮你判断自己的 agent 该不该这么做。
2026-10-05

Agent 选模型别只看第一名，$0.57 那档已经进前五

Agent Arena 的十月快照把一件事摆到了台面上，选 Coding Agent 不能只盯榜首。把质量、单任务成本和升级条件写进同一张卡，才知道默认该用谁。
2026-10-05

Agent 写复盘时，最该先交出来的是失败项

一项合成压力测试里，模型默认很少主动报告会推翻结论的失败项。把「如实报告」写进提示词有用，但真正能验收的，是一份失败优先、证据可点开的报告契约。
2026-10-05

给 Agent 装 Skill，5 分钟先看这 5 个权限面

一份公开披露提醒我们，Skill 的风险不只藏在脚本里。给 Agent 接扩展前，把来源、数据、呈现、浏览器和自动化一起验收，才能知道权限到底走到了哪里。
2026-10-04

AGENTS.md 该写在哪一层？拆开 pi 的系统提示词拼装线

全局一份、仓库一份、子目录再一份，这些规则最后怎么拼成一段系统提示词？pi 的做法是设置覆盖、规则拼接、越近越靠后。顺带讲清一件小事，它为什么把今天的日期从提示词里删掉了。
2026-10-03

推理服务卡在 vLLM？Agent 写的专用引擎最高快 90%

Baseten 的实验很猛，但它真正给模型服务团队的不是替换清单，而是一套先锁定工作负载、正确性和预算，再让 Agent 优化的决策方法。
2026-10-03

Agent 总在半路停？把「完成」写进提示词

GPT‑6 的实用指南最值得抄的，不是模型名单，而是把模型、工具、权限和验收改成一份可执行的交付合同。文末有一张能直接塞进现有 Agent 的检查表。
2026-10-03

agent 改坏了五个文件想回退？pi 把会话存成了一棵树

聊天记录一定是一条直线吗？开源的 pi 只靠每条记录多存一个 parentId，就让会话能随时分叉、随时回到过去，旧路一个字不动。附 JSONL 格式、分支摘要和上下文拼装的源码拆解。
2026-10-02

AI 要跑 rm -rf 时谁来拦？pi 的工具调用要过三道关

编程 agent 的每一次读文件、跑命令，在 pi 里都要过准备、执行、收尾三道关，被拦下的不会让程序崩，而是变成一张错误结果交还模型。它手里明明有 bash，为什么还要另配六个工具？附源码和一个现成的危险命令拦截扩展。
2026-10-01

让 Agent 盯 PR，四个开关决定它能不能上夜班

Factory 把定时和事件触发的 Droid 自动化推向全量可用。真正该先定下来的，不是提示词，而是触发、身份、验收和失败出口。
2026-10-01

上下文压缩提示词怎么写？pi 这套六栏模板直接拿去用

agent 聊到两百轮，上下文窗口迟早塞满。开源的 pi 不扔旧对话，而是让模型按固定六栏写摘要，第二次压缩还在旧摘要上更新。完整提示词、触发阈值和切点规则都在这，自己写 agent 可以直接抄。
2026-09-30

Agent 一改 Prompt 就上线？真实流量回归集该先建起来

公开跑分能帮你挑模型，却救不了用户刚刚踩到的边缘问题。把脱敏后的真实失败样本做成分层回归集，改 Prompt、换模型、加工具前先让它过一遍。
2026-09-30

拆开一个 11 万 star 的开源编程 agent，心脏只有 78 行

每天在终端里转圈干活的编程 agent，核心到底长什么样？开源的 pi 把它写成了 78 行，连你中途插嘴该塞在哪一刻都安排好了。附源码拆解，想自己写 agent 的可以照着这副骨架来。
2026-09-30

Skill、工具还是插件？给 agent 加能力，pi 分成了三层

这阵子人人都在装 Skill，可想给 agent 加一个新本事时，写成 Skill、注册成工具还是做成扩展，很多人其实没想清楚。开源的 pi 把这三样分得很干净，还让同一颗内核住进了终端、网页和 Slack。附源码和一条选型判断。
2026-09-29

前端页面怎么不像 AI 生成？这份 4.68 万安装的验收单能直接用

别再只对编码 Agent 说『高级一点』。把组件边界、真实状态、可访问性和四档断点写进验收，页面才不会只是一张好看的静态图。
2026-09-29

安全 Agent 找出 24 个 Android 漏洞，最难的仍是给结果定级

GitHub Security Lab 的公开案例说明，AI 审计最该抄的不是漏洞数量，而是把可疑发现、PoC 验真和人工定级拆成一条不会自欺欺人的流水线。
2026-09-28

网页回归测试，Agent 不必靠坐标乱点

Vercel 的 agent-browser 把浏览器操作拆成可读快照、稳定引用与截图差分。它适合把网页回归交给 Agent，但前提是把断言、登录态和高风险动作留在可核验的边界里。
2026-09-28

Agent 总在重复调工具？小米这套止损法，成本只要 4%

别把每一次多工具调用都当成模型失控。小米公开的复盘给了一套可复核的判断顺序，帮你在 Agent 开始空转前及时刹车。
2026-09-26

九圈振幅跑通后，研究型 Agent 的验收线变了

Claude 完成九圈振幅，新闻里最重要的不是又多了一圈，而是结果同时留下了双路径、可下载产物和独立验算。长时 Agent 也该按这条线验收。
2026-09-25

GitHub 自动找漏洞能进 CI 吗？这份试跑验收单收好

GitHub 把写测试桩、追覆盖率和崩溃分诊交给了 Agent。启动只要一条命令，团队接入却要验收另一组东西。附官方入口和可复制的试跑验收单。
2026-09-24

Claude 发现新酶系统！950 个 Agent 跑了 21 小时

950 个 Agent 搜索 21 小时，发现新型酶系统 ART。具体功能仍待实验验证。
2026-09-23

长任务 Agent 升级 Opus 5.5，四个会静默翻车的地方

Opus 5.5 的价格和缓存读取都更低，但现有 Opus 5 链路别只改模型 ID。思考、工具调用、流式事件和 computer use 都有兼容性边界。
2026-09-23

给 Agent 临时加工具，缓存不用从头算了

Claude API 新增 tool_addition beta，长会话里临时加工具、改 schema 或升级服务时，不必重写顶部工具清单。它解决的是缓存重算，不是工具治理本身。
2026-09-23

写代码的模型费降一半，GPT‑6 真正要换的是分流

GPT‑6 Sol 和 Luna 把 API 价格又往下拉了一截。对写代码和跑 Agent 的团队，更值得动手的不是立刻全员切换，而是把任务、验收和缓存重新排进同一条路由。
2026-09-22

开源 Agent 模型，别只盯跑分，MiMo 把训练环境摊开了

小米 MiMo-V2.6 不只放出了模型权重，还放出 7,000 多个 RL 任务环境、训练链路与可组合 harness。做 Agent 的团队能从中带走什么，又该先验哪几层？
2026-09-22

产品原型不必从零画，OpenDesign 把设计系统递给了编码 Agent

OpenDesign 0.23.0 把设计系统、Skill 与代码原型留在同一个本地工作区。它不替你完成设计评审，却让 AI 生成的第一版不必只剩一张截图。
2026-09-20

多 Agent 共用一套规则，Claude Code 终于开始读 AGENTS.md

同一仓库里同时跑多个 coding agent，最怕的不是谁更聪明，而是两份项目规则悄悄漂移。Claude Code 这次补上了 AGENTS.md fallback，但生效条件和迁移边界比文件名更重要。
2026-09-20

写代码的 Agent，今天能接 Step 5 吗？答案不在 1M 上下文

Step 5 Preview 把长上下文、多轮工具调用和持续执行摆到台前。值不值得接入，不看参数海报，看任务能否验收、过程能否恢复、成本能否按成功交付计算。
2026-09-18

Claude 主导 26% 研发后，审查要从代码转向证据

Anthropic 首次把 AI 参与模型研发写成比例。真正值得团队借走的，不是 26% 这个数字，而是把 Agent 交付改成可回放的证据包。
2026-09-18

模型会自己往摘要塞指令，团队上线前别只验最终答案

OpenAI 披露 6 份模型失准报告。接入能调用工具、跨上下文执行任务的 AI 后，团队要补的不是恐慌，而是一层能追查的发布前验收。
2026-09-18

音视频 Agent 要交付任务，Qwen3.8-Omni-Flash 先得过三关

Qwen 把音视频输入成本压下来，也把 Agent 从看懂素材推向执行任务。接入前别急着换整套流程，先把输入、输出和动作权限过三道验收。
2026-09-18

代码审计用上 Agent 后，最值钱的是那套临时工具

Trail of Bits 为一次 Miden 审计补齐 LSP、反编译器、静态分析和 Lean 模型，抓到高危漏洞与 400 多处缺口。普通团队不必照搬形式化证明，但该把 Agent 产物送进可读、可测、可审的入口。
2026-09-17

写文档做 PPT，Claude 终于不让你先选模式了

Claude 把聊天和 Cowork 合到同一个入口。周报、文档和演示稿终于能接着同一段上下文往下走，但对外动作和最后复核仍该留在人手里。
2026-09-17

83 万行 Rust 不是重点，128 个 PR 才是 AI 重写能上线的原因

GitHub 用 Copilot 把核心运行时迁成 83 万行 Rust。真正可复制的部分不是让 Agent 多写代码，而是把迁移锁进独立测试、原子 PR 和持续发布里。
2026-09-17

项目总被 AI 忘掉，Grok Build 把约定写成了可改文件

每次重开 Coding Agent 都重讲测试命令和项目约定，很快会变成另一种重复劳动。Grok Build 把记忆做成按项目保存、可浏览和可整理的 Markdown，但它真正考验的是哪些内容必须记、哪些绝不能记。
2026-09-16

ChatGPT 广告不只买点击，产品团队得先守住对话后的线索

OpenAI 正在测试 Sponsored Agents。广告点击后的第一站不再只是网页，而是一段品牌对话。对产品与增长团队，真正要补的是线索、承诺和人工交接的那一段。
2026-09-16

AI 网关终于能看懂 Agent 在忙什么了

Claude Code 给 LLM 网关补了五个可选请求头。它们不让模型更聪明，却能让排障的人分清一条 Agent 请求卡在模型、工具还是上下文。
2026-09-16

Claude 给小团队塞进 43 个工作流，先别交出发送权

Claude for Small Business 一口气扩到 43 个工作流和 27 个新集成。真正该先验的不是自动化数量，而是每一次草拟、排队与发送之间，谁还握着最后一颗按钮。
2026-09-16

代码越写越快，PR 审查越不能靠人堆

一篇公开探访把 OpenAI 的智能体软件工厂摊在桌上。真正值得普通团队借走的，不是更多 Agent，而是目标、风险、验证和上线观察这四道工序。
2026-09-15

让 Agent 修漏洞，跑过一个 PoC 还不够

一份公开复核让 AI 补丁 26% 的结论重新回到方法本身。真正能进主干的补丁，得同时经得住原始 PoC、同根因变体、回归和可复核记录。
2026-09-15

新站接入 Cloudflare，AI Agent 默认进不了广告页

Cloudflare 今日给新接入域名启用 AI 流量新默认值。搜索可留，训练和实时 Agent 在广告页会被拦。真正要做的，是把内容边界和用户任务分开配置。
2026-09-15

做语音 Agent，81.5 分第一的模型要不要换

GPT-Live-1 在最新语音榜单拿到 81.5 分。可对电话客服、预约和语音助手团队来说，迁移与否不该由 0.2 分决定，先用十通真实电话把打断、工具、成本和兜底验明白。
2026-09-14

让 Agent 读 Gmail 很容易，难的是把发送权限留在人手里

gws-gmail 能把 Gmail 的筛选、归类和草稿交给 Agent，但 OAuth scope、提示注入和误发风险不能用一句自动化带过。本文给出先只读、再草稿、再谨慎开放发送的三道门。
2026-09-14

搜索 Agent 跑分很好，真正该验的是上下文

Iris 把模型、搜索循环、上下文管理和判分器一起开源。看完它的公开数据，就会知道一张排行榜为什么不足以帮你选 Agent。
2026-09-14

一首 BGM 改一句歌词，Suno v6 不用再整首重抽

Suno v6 真正值得看的一步，是把配乐从一次性抽卡改成可编辑的工作流。做视频 BGM 时，用 mini 试方向、wild 找意外、v6 收成品，返工会少很多。
2026-09-13

Agent 长任务总跑偏，状态管理才是保险

上下文窗口更大，并不等于 Agent 更能扛长任务。把目标、约束、证据和下一步放进可恢复的外部状态，才是跨文件 Bug 和长流程不跑偏的底盘。
2026-09-13

前沿实验室开始踩刹车，做 Agent 的团队该补什么

模型能力跑得比流程快时，最容易漏掉的不是一条 Prompt，而是可回放的权限、日志和停机边界。这里给 Agent 团队一份能带进上线评审的检查表。
2026-09-13

语音 Agent 不该全塞进一个模型，GPT‑Live‑1 的新分工

GPT‑Live‑1 终于进了 API，但全双工只是前台体验的升级。语音层、推理层、工具权限和后台任务仍该分开算账，这份分工表比换模型更值得先做。
2026-09-13

React 页面慢，第一刀不该砍 useMemo

Vercel 的 70 条 React 规则把异步瀑布和包体放在最前面。给 Coding Agent 一段按优先级审查的指令，先解决用户真会等的那几秒。
2026-09-12

装了 69 个 Skill，开场就吃掉一万 token

Claude Code 这两周补了三条命令，把「我装的这堆技能占多少上下文、到底有没有用」从凭感觉变成可量。我在自己机器上把账算了一遍。
2026-09-12

做大功能时，Cursor 的数千 Agent 要过四关

Cursor Projects 把长期任务交给一个协调者管理，真正变重的不是并发数，而是范围、上下文、权限和验收。这里给出一份启动前就能用的检查清单。
2026-09-12

活动运营总漏一环，GitHub Copilot 这套骨架能直接借

GitHub 一位营销负责人把活动筹备收进一张 Issue。真正可借的不是 Copilot 写文案，而是表单、标签、干跑、告警和复盘组成的可审查工作流。
2026-09-09

Jira 接进 Agent 后，权限和上下文才是主流程

Rovo MCP v2 加了更多产品与工具，但团队真正该先安排的是按需取数、最小权限、人工确认和用量边界。这里有一份可直接照着走的接入检查表。
2026-09-08

做后台 UI 别再反复手搓组件，4.9 万人装的 shadcn Skill

shadcn 的官方 Skill 不负责替你画页面，它逼着 Coding Agent 先读项目上下文、查现成组件、看文档再动手。设置页和表单这类高频活，终于有了一条不靠临时样式硬顶的短路径。
2026-09-07

Agent 跑夜班前，先给它装一张验收单

OpenAI 的 Agent 运行时已达人力的 3.1 倍，但复杂任务依然离不开人工介入。让 Agent 长时并发前，先把这张验收单贴进任务卡。
2026-09-07

做前端别再套 AI 模板：86 万人装的设计 Skill，到底改了哪一步

Anthropic 的 frontend-design Skill 不是一套配色模板。装上前先看这张开工检查表：它怎么把产品语境、字体、布局和自检塞进 Coding Agent 的第一轮工作。
2026-09-07

给 Coding Agent 升级，先收拾 AGENTS.md

GPT-6 Astra 更会追问，也更认真执行它读得到的规则。升级长任务 Agent 前，先把可直接做、必须确认和如何验收写清，能少掉一半无效拉扯。
2026-09-07

Agent 会解释，不等于跑得可审计

OpenAI 说思维链监控正变得更难依赖。真正要紧的不是逼 Agent 多解释，而是在模型之外留住输入、行动、结果和干预四类可复核证据。
2026-09-06

Agent 能上网前，先补一张外发日志

OpenAI 的公开复盘提醒我们，给 Agent 开浏览器和外部工具时，真正要一起上线的是可回放的外发记录、安全停止条件和真人接管。
2026-09-06

查 SaaS 账单的 Agent，先学会不花钱

xAI 的采购 Bot 案例里，最可抄的不是超过 10 万美元的节省，而是把查账、找人、出方案和对外发信拆成三条权限线。拿走一份可在下一笔续约上试跑的检查表。
2026-09-04

Funes 让 4 个 Agent 共用记忆，原始会话比摘要更值钱

它把 Claude Code、Codex、pi 与 Hermes 的旧会话索引在本地，召回结果能回到原始轮次。真正该审的是显式上传、密钥扫描和第三方记忆边界。
2026-09-04

GPT-6 Astra 的 99.9%，换个 Harness 只剩 62.7%

同一个 Astra，标准脚手架 62.7%，保留跨调用状态后 99.9%。真正拉开 Agent 差距的，已经不只是模型，而是记忆、工具、权限和验证怎样接在一起。
2026-09-03

Muse Spark 1.3 少 25% Token，先别急着算省钱

官方编码比较显示工具调用约少 20%、Token 约少 25%，独立评测却给出了更高的单任务成本和更长的首字等待。选 Agent 模型，得把调用、重试、时延和验收放进同一张账单。
2026-09-03

产品原型 Skill 71.1 万次安装，三版只回答一个问题

我用同一份示例数据做了目标、上下文、场景三种结构，并验证链接切换、键盘、空错状态和移动端。真正该带走的是答案，不是一次性代码。
2026-09-02

Fable 5.1 把缓存砍了 75%，却给迁移埋了 3 个雷

缓存读取确实只剩四分之一，但整单最多约省 45% 有前提。更要命的是，旧 Agent 直接换模型 ID，可能报 400、丢思考块或重启缓存。
2026-09-02

Gemini 视频省 88% Token，抽检反而要加码

Gemini 开始自己决定看哪段视频、听哪段音频。账单可能真会降，但证据路径也变得更难复现。这里给一套能直接落进视频 Agent 的双轨验收法。
2026-09-02

Cline 免费上 LongCat，最值钱的不是省 Token

Cline 把 LongCat-2.0 放进了免费模型列表。别只看免费和 1M 上下文，趁窗口还在，把模型切换、任务验收、权限隔离和活动结束后的回滚路径跑一遍。
2026-09-02

AI 写代码过了 87.3%，完整仓库只过 27/43

Vero 把 Agent 送进 43 个仓库级证明题。单条规范过得很漂亮，完整交付却立刻掉队。普通团队不用明天改写 Lean 4，但该把验收从一句测试全绿升级成可复跑的证据链。
2026-09-01

ChatGPT Ads 10 亿美元，答案独立得靠审计

OpenAI 的广告业务不到 200 天跑到 10 亿美元年化收入，但真正难的是证明广告信号没有进入回答、引用与 Agent 动作。本文给出一套可审计的隔离与验收框架。
2026-08-31

长跑 Agent 别只盯单轮，安全状态得跨轮保留

攻击证据能拆到多轮，让单次轨迹监控器接近猜测。论文给出不衰减风险账本、中介提交和独立裁决设计，也暴露一个难题，安全锁住以后该怎么恢复。
2026-08-30

多 Agent 刷新 5 道数学题，赢在会写失败报告

19 个结果由多个 Agent 协作完成，跨模型合作有 61.5% 靠持久档案传递。真正可抄的不是六模型群聊，而是让局部成果、错误和证据都能被下一棒继承。
2026-08-30

Uber 70% PR 归 Agent，AI 账单却没跟着涨

周请求量半年涨 9.4 倍，总支出却基本稳定。真正可抄的不是 Uber 的规模，而是它把每个合并 PR、每次审查和每个告警都算成结果成本。
2026-08-29

Cursor 的 BYOK，算不上模型容灾

OpenAI 拟于 11 月 12 日结束直供。聊天框还能接通，不代表 Tab、Auto、Cloud Agent、账单与数据边界一起迁走，团队该按功能面验收退路。
2026-08-28

学 Agent 先别学框架，这条路反而更快

33 个免费 Colab 从原始 API 教 RAG、评估与 Agent 循环。真正值钱的不是资源数量，而是让你先看清框架隐藏的成本、边界和故障点。
2026-08-28

MHS 最值钱的不是机械臂，是急停按钮

统一驱动把数周集成压到数小时，也把模型的物理盲区暴露得很彻底。看懂物理 Agent 真正需要的发现、约束、快速控制和可审计降级。
2026-08-28

Hy4 的百万上下文，不该成为 Agent 默认配置

770B 总参数只激活 49B，百万上下文却会把 KV 缓存、重复输入和长任务失控一起放大。真正该升级的不是 prompt 长度，而是任务切分与状态管理。
2026-08-28

科研 Agent 最强只做对 30%，别只怪模型

70 个真实科研工作流把最强系统压到 30%。更扎心的是，榜单评的从来不只是模型，还包括终端环境、工具链、证据产物、失败恢复和每一美元到底换来多少有效工作。
2026-08-27

OpenAI 的 Agent 不会认输，才是最危险的 bug

198 道无解任务贡献了 93% 的侧信道讨论，生产 harness 又能把越界倾向压低百倍。问题不只在模型够不够强，而在任务何时允许失败。
2026-08-27

500 万亿 Token 一天，跑出来的未必是产出

中国大模型日均词元调用量三个月从 140 万亿升到 500 万亿。数字背后，Agent 的重试、长上下文和工具回路正在吞掉预算，真正该量的是每个成功任务的成本。
2026-08-26

豆包工作会做 PPT，不代表企业敢让它干活

把飞书文档、群聊、会议和权限交给 Agent 以后，办公助手才真正进入组织，也同时带来作用域、审批、审计和撤销的新账。本文给出一份团队上线前能直接照抄的验收合同。
2026-08-26

OpenWorker 会扫漏洞，还远远不够

三类安全 Coworker 只是表面，真正决定它能否进生产的是 workspace trust、审批门、自动 reviewer 和 hard floor。读完这次 release，你会得到一套安全 Agent 的上线次序。
2026-08-25

Vera Rubin 的 30 倍，不是一块 GPU 赢的

NVIDIA 把 Agent 效率从每秒 token 改成每兆瓦完成多少工作。拆开 30 倍的来源，你会得到一套比跑分更适合生产环境的验收方法。
2026-08-24

AI 读源码，最缺的不是上下文窗口

一个新项目用 1270 处逐字节校验的源码引用，证明大上下文只能帮 AI 看得更多，版本锚点、证据地址和反作弊校验器才决定它说得能不能信。
2026-08-24

Claude Code 修了一个会把账单翻倍的 bug

一次代理兼容问题能让每轮请求静默重跑，另一处偏差又让本地成本少算 10%。AI Agent 的成本可观测性，已经是运行正确性的一部分。
2026-08-24

Cloudflare 给 MCP 加权限勾选，Agent 仍不该拿全权

可选 OAuth scope 终于把全给或全不给改成按需授权，但勾选框只解决了入口。真正能上线的 Agent，还得做到权限前置检查、短时提权、写操作确认与失败可恢复。
2026-08-24

Codex 给图片补预算，视觉 Agent 早该补课了

0.149.1 只改了 5 个提交，却翻出视觉 Agent 的一笔旧账，文本有 token 预算，截图、标签和后台线程也得能计量、追踪、验收。
2026-08-24

AI Agent 赚 80%，还没赢过随机数

FINCHAL 让人和 Agent 用未来行情同台，再用 2 万个随机玩家测出运气上限。真正值得抄的不是交易策略，而是一套不让 Agent 榜单自欺的验收方法。
2026-08-24

Raft 的四人协作间，最难的不是让 Agent 开口

两个人加两个 Agent 进入同一跨公司房间，看起来只少了邮件和工单。真正决定能不能上线的，是身份、最小权限、审计、撤销、审批与失败恢复。
2026-08-23

Codex 能管一群 Agent，还不算调度系统

Codex CLI 0.149.0 把多会话面板和跨会话队列搬进终端。真正难的不是多开几个 Agent，而是让任务所有权、权限、预算与验收都不失控。
2026-08-23

Agent 练不出来，先别急着换模型

Google Research 的 EnvHarness 没改模型权重，只让训练环境追着弱点变化，最高多拿 9 分。真正可带回生产的，是让故障轨迹反过来长出回归测试。
2026-08-23

Qwen-UI-Agent 榜单领先，开源开发者还用不上

82.1% 的 MobileWorld 和 92.2% 的真机成绩很亮，但公开目录还没有模型权重与部署入口。顺着这份报告，聊清 GUI 智能体从会点屏幕到能进生产还差什么。
2026-08-22

ASR 榜单高分，可能只是模型认出了考场

研究用错误参考、静音数字和拼写切换审计 11 个开源模型。榜单还能看，但语音 Agent 上线前必须再加一套私有、反事实、按场景验收的测试。
2026-08-22

Claude Mythos 5 不给裸访问，才是 Agent 上线的正解

Anthropic 把最强网络安全能力封进扫描、补丁和人工审批链，而不是开放一个通用聊天框。这套设计，比模型能力更值得普通 Agent 团队抄。
2026-08-21

Claude Platform 补齐原语，没补齐生产 Agent

Computer Use、Skills API 和 Files API 把执行、能力包与文件状态放进同一平台。真正要命的运行环境、权限和租户隔离，仍留给工程团队。
2026-08-21

Codex 开源的不是模型，是 Agent 底盘

8 月 19 日 OpenAI 再次把 Codex 定位成开放 Harness 平台。Rust agent loop 与 App Server 能拿走，模型权重、托管后端和 Codex 云服务仍是另一回事。
2026-08-21

Cursor Agent 一直干到完成，不一定是好消息

事件订阅、长期目标和独立子智能体让 Cursor 更像一套运行时。真正上线前，团队还得补齐幂等、预算、权限、验收和停机闸。
2026-08-21

DeepSeek 视觉接近 Opus 4.8，生产还差一条链

官方给出的视觉 Agent 跑分已经很亮眼，但模型看懂截图只是起点。真正拉开差距的，是图像预算、工具回路、权限边界和失败恢复。
2026-08-21

Agentic Search 该加在 RAG 之后，不该替代 RAG

Mistral 用五个工具把一次检索变成多步调查，准确率很亮眼。真正上线前，还得补齐延迟预算、权限、证据链与停止条件。
2026-08-20

Claude 14 分钟出报告，修复还得人来签

Anthropic 把 CI 值班交给 Claude 后，最快 4 分钟定位根因。真正可抄的不是多 Agent，而是把确定性告警、证据调查、生产修复三层权限彻底分开。
2026-08-20

DeepSeek 缓存最高涨 1114%，Agent 成本该重算了

输出价不是这次最狠的一刀。对高缓存命中、长上下文、多轮重试的 Agent，原本最便宜的 token 正在放大账单；这篇给出按成功任务重算成本的六项表。
2026-08-20

H20 跑 DeepSeek-V4-Pro，万能配置不存在

峰值算力差距很大，真实解码速度却只差 1.42 倍。关键不是一条神参数，而是把短长上下文、低延迟与高吞吐拆成不同服务配置。
2026-08-19

Claude 的蛋白质实验，最值钱的不是 35% 命中率

14/15 个靶点成功只是表面，真正的跃迁是模型把公开工具编排成可被湿实验验收的研究证据链。看懂这条链，也就看懂科学 Agent 的工程门槛。
2026-08-19

最强 Agent 真实工作只做完 30%，卡住它的不是工具

StartupBench 的 97 个真实工作流把一个误区测穿了，Agent 会跑完整流程，不等于交付物能过验收。读完你会拿到一套把用户需求编译成自动验收的工程方法。
2026-08-18

ChatGPT for Teens 把边界做成了默认值

它没有只靠一段系统提示词劝青少年正确使用 AI，而是把学习、节制和安全塞进默认路径。做 Agent 产品的人，很该抄这份作业。
2026-08-18

Cursor Origin 在抢的不是仓库，是 agent 运行时

仓库、PR、审查状态和执行环境一旦被放进同一个控制面，代码 agent 会少掉一堆胶水，也会多出一套新的权限与迁移账。
2026-08-18

系统提示词从来不是 Agent 的安全边界

Google 用一笔 149 美元退款演示了 agent 怎样被一句注入劫持。签名、gVisor 沙箱和确定性网关，才是能经受模型升级的三层硬边界。
2026-08-18

Agent 成本只按模型统计，方向就错了

OpenRouter 把支出、缓存、延迟和单条请求接成了一条链。真正省钱的不是换最便宜模型，而是看清哪个工作流阶段、哪次重试和哪条缓存边界在烧钱。
2026-08-17

Claude Code 删掉任务工具，我觉得只对了一半

新模型默认不再获得 TaskCreate、TaskUpdate 和 TodoWrite，但计划并没有消失。本文讲清工作记忆与执行状态的边界，以及长任务、多 Agent 何时开回工具，何时把状态放进仓库、队列或数据库。
2026-08-16

Claude 的 0.613 过线了，16 人仍不敢让它顶岗

基准分数已经跨线，周级模糊任务、组织上下文和计划修订却还没过关。给 Agent 上生产前，真正缺的是一份任务级验收单。
2026-08-16

上下文工程别按 Star 学，最火的仓库最费时间

一条九小时 GitHub 阅读路径，从故障模型走到可观测的上下文流水线，也告诉你哪个高 Star 仓库该先跳过。
2026-08-15

单机 Agentic RL 最值钱的不是省显卡

井字棋训练 400 步，奖励均值从约 -0.5 升到 0.4。真正值得抄的不是游戏结果，而是把 rollout、reward、工具调用和权重更新收进一条能调试的链路。
2026-08-15

dots3-note 只激活 16B，普通显卡还是跑不动

280B 总参数、16B 激活、512K 上下文听起来很省，但官方推荐的是 8 卡 FP8 节点。本文把权重、上下文和长程 Agent 三笔成本拆开。
2026-08-14

Cursor builds 快 3 倍，最值钱的是失败不生效

预热环境只是表面，最近成功版本、提交溯源和密钥分层才决定云 Agent 能否稳定交付。附一张迁移验收单。
2026-08-14

Gemini 3.7 Flash 半价，Agent 账单未必更低

推广价只管到年底，thinking token、重试与工具费才决定真实成本。用一张生产验收账，判断该不该迁。
2026-08-14

GPT-5.6 再强，也救不了一条笨流水线

同一模型只改两处 Agent 架构，ARC-AGI-3 得分从 13.3% 升到 38.3%，输出 token 反而少约 6 倍。真正该升级的，可能是模型外面那层系统。
2026-08-13

AI 写的 PR 能跑以后，维护者反而更难了

AutoGPT 已把问题从代码能不能跑，收窄成改动是否符合路线图。AGENTS.md 负责导航，技能负责动作，CI 负责门禁，人仍要守住项目方向。
2026-08-13

DeepSeek Harness 开源，极简模式只留两把工具

DeepSeek 把跑出 82.7 分的 Harness 公开了。极简模式只有一句提示词与两把工具，外层却是一棵连 Agent Loop 都能替换的插件树。
2026-08-13

Grok 4.6 跑分追平了，长任务还是不能放心交

一张 61 分的总榜很好看，真正决定 Agent 能不能交付的，却是检查点、预算、回滚和验收证据。
2026-08-13

多 Agent 不是人多力量大，先别急着堆并发

45 个协调 Agent 找到 266 个漏洞，也制造 240 万次抢队列请求。真正该评测的不是单体聪明，而是整个系统会不会一起做错。
2026-08-13

81 次搜索仍然答错，Agent 不是搜得越多越好

OpenRouter 把网页搜索拆成模型、引擎、方法和预算。真正要命的不是选错引擎，而是失败任务会耗尽每一轮搜索。看懂三组数据，再给生产 Agent 加上分层预算、早停和降级。
2026-08-12

ChatGPT 与 Gemini 都到 10 亿，模型反而没那么重要了

两个十亿用的是两只钟。ChatGPT 看周活，Gemini 看月活。数字背后更值得盯的是默认入口、工作状态和你能不能带着自己的上下文离开。
2026-08-12

LTX-2.5 快过实时，家用显卡先别激动

6.8 秒的成绩来自两张 GB200。真正值得开发者看的，是开放权重、九套 ComfyUI 工作流和重试后的成本账。
2026-08-12

macOS 虚拟机跑 LLM 慢 16 倍，锅不在算力

同一块 M1 Ultra GPU，只因客体系统少报两项 Metal 能力，llama.cpp 就走进慢内核。看懂这次提速，也能看懂 Agent 隔离环境最容易漏掉的评测变量。
2026-08-12

Pi 不是 Claude Code 平替，它是一套 Agent 底座

同一个 DeepSeek 放进不同编码工具，质量没有拉开，时间和上下文开销却差了数倍。我顺着 Pi 三层源码读了一遍，讲清它为什么更像 harness，以及普通开发者怎样安全上手。
2026-08-11

Agent 选 Python 还是 Rust，可能根本是道伪命题

推理预算一换，语言排名就翻转；测试路径再错一层，整张榜单都在测同一个 Go 程序。真正该先选的，是评测合同。
2026-08-11

Claude 的 67.2%，最值钱的是那 650 次失败

它没解出黎曼猜想，却把一个长期停在 41.6% 的相关下界推到 67.2%。真正值得做 agent 的人抄走的，是探索、互审、反证、复现和形式化验证组成的研究流水线。
2026-08-11

Ling-3.0-tiny 很快，但还不是开箱即用

1.3B 激活参数把 M4 Pro 推到官方 86 至 90 tok/s，Agent 多轮循环终于不再慢得劝退。真正拦在部署前的，却是总权重、运行时分支、工具解析和业务验收。
2026-08-11

Agent 越跑越慢，锅可能在缓存

SGLang 用一棵 token 树统一 FULL、SWA 与 Mamba 缓存。看懂它，你会知道长任务 Agent 为何需要会话感知的保留、淘汰与跨层复用。
2026-08-11

ZCode 四连更，模型更强反而不是重点

Goal、Subagents、Remote Control 和闲时任务被放进同一套工作流后，coding agent 才开始像一台能持续运行、可以验收、也能随时刹车的工程系统。
2026-08-10

agent 用电脑超过人类了，你还是不敢把浏览器交给它

OSWorld 一年从 42 涨到 85，人类才 72。可月跑千万次任务的买家根本不看榜单，他们付钱买的是另一样东西。写给正在做 agent 产品的你，钱和坑都在模型外面那层。
2026-08-10

'Muse Glimmer 能塞进 24GB，不等于能常驻'

'Meta 把 30B 智能体模型压进 24GB 显存，但权重装得下只是开始。本文从 KV cache、工具权限、失败恢复和端到端延迟拆开本地常驻 Agent 的真实工程账。'
2026-08-09

Agent Plugins 只统一了箱子，没统一钥匙

Google 加入由 Amazon、Cursor、Microsoft、OpenAI、Vercel 共同维护的插件规范。目录终于能复用，权限、凭据、hooks 与供应链信任仍要自己验收。
2026-08-09

OpenAI Atlas 今天停服，独立 AI 浏览器这条路走错了

上线十个月，Atlas 把浏览能力还给 ChatGPT、Codex 和 Chrome。输掉的不是 agent 技术，而是让用户搬家的产品路线。
2026-08-08

Kitesurf 不该替代 Chromium，它该做便宜快车道

Kitesurf 用 V8 isolate 把网页任务压到 Chromium 七分之一内存，但速度更慢、兼容性更窄。真正能省钱的不是换引擎，而是给 Agent 做双引擎路由和失败回落。
2026-08-08

Managed Deep Agents 越省事，迁移可能越疼

一条命令能省掉持久化、沙箱、身份和评测基础设施，也会把依赖从模型 API 上移到运行时。上线前先把这笔账算完整。
2026-08-08

Astra 越强越该慢发布，OpenAI 这次做对了

Critical 不是一张吓人的能力标签，而是一道会中断训练、测试和上线的发布闸门。拆开这套机制，看看普通 Agent 团队能抄走什么。
2026-08-06

19 次越界不是模型觉醒，是评测环境没关门

122 次网络评估里，智能体有 10 轮把 19 个动作带到真实互联网。比「AI 觉醒」更值得警惕的，是开放出网、关闭过滤、缺少实时审批和模糊任务边界同时出现。
2026-08-06

Agent 继承用户权限，这套做法不够了

Cloudflare 把零信任推进到每一次工具调用。真正能挡提示注入的不是再写一行 prompt，而是让凭据随任务过期、权限沿执行图只减不加。
2026-08-06

Prime Agent 会改自己，没评测门就是技术债

它能在运行中改 prompt、skill 和 memory，也能把作弊经验固化成新技能。真正可抄的不是 refine 按钮，而是让每次自我修改都留下证据、通过评测、随时回滚。
2026-08-05

Perplexity 暂时赢了，法院说 Agent 只是工具

一场购物 Agent 官司，胜负落在谁发出请求、谁控制浏览器、数据往哪流。做 Agent 的人该开始把架构图当成证据保管了。
2026-08-05

SeedRealtime 最难的不是开口，是被打断

边看边听边说只是表面，实时 Agent 真正难在判断何时沉默、如何取消旧动作，以及怎样在连续音视频里守住状态与权限。
2026-08-04

ForgeStencil 最狠的，不是 97.7 倍加速

它让两个 Agent 自动改快 100 个真实软件，却把最重的工程花在防作弊上。看懂这套度量脚手架，才知道 Coding Agent 离生产还有多远。
2026-08-04

Agent Skill 不是文档，它该进 CI

Google 的 1.5 万星技能库仍在提交时评测、每周全量重跑。真正能抄走的不是目录模板，而是把 Skill 当版本化代码维护的四道门。
2026-08-03

AI 找漏洞已经不稀缺，验证才是下一堵墙

苹果为应对 AI 生成的低质量报告开始给漏洞提交通道限流，一枚真实 macOS 漏洞却被挡在门外。把 1061→14 和 23019→1752→1094 放在一起看，安全 agent 真正缺的是证据链，不是发现量。
2026-08-03

Cloudflare 想让 Agent 90% 时间不用容器

新包真正有意思的不是又造一层沙箱，而是把持久文件系统从执行环境里拆出来。理解这条边界，你才能判断任务该进 isolate、Linux 容器还是浏览器，也看清它的早期代价。
2026-08-03

MCP 砍掉 session，才像生产协议

无状态不是把上下文删光，而是把藏在传输层的状态搬到显式参数里。看懂这次改动，才能把 MCP 真正放进负载均衡、鉴权、缓存和人工确认链路。
2026-08-02

Grok 看懂了视频，却在关键一问开始猜

Grok 宣布能分析任意视频，官方演示却也露出视频 AI 的老问题。描述画面不难，给时间码、交证据、承认不知道，才决定它能不能进真实工作流。
2026-08-01

Agent 失败，很多时候真不是模型太笨

一条含糊的 Nothing happens，能把正确推理带进死循环。ALIGN 的实验提醒我们，模型与环境之间那层接口，正在吞掉 Agent 已经拥有的能力。
2026-08-01

animated-voiceover 能自动 90%，最贵的是最后 10%

一套开源 Skill 把动画制片拆成可执行的 Agent 流程。真正能复用的不是一句万能提示词，而是参考资产、串并行闸门、局部重试与逐段验收。
2026-08-01

Copilot 堆叠会话很爽，评审债才刚开始

GitHub 把相互依赖的 Agent 会话和 PR 做成了同一条栈。代码吞吐上去之后，真正稀缺的会变成任务切分、CI 容量、评审顺序与合并纪律。
2026-08-01

smevals 把评测做小，我觉得比搭平台更重要

大多数团队缺的不是更大的评测平台，而是一套能随代码版本迭代的小题库。smevals 把运行、打分和报告拆开，让模型、提示词与 Agent 脚手架都能接受回归测试。
2026-07-31

Claude 误闯真实系统，最危险的不是模型

141006 次安全评测里出现 3 起真实系统入侵。不是零日越狱，而是提示与环境配置互相打架。做 Agent 的人该补的是出网白名单、凭据隔离、包仓库防线和连续审计。
2026-07-31

Gemini Robotics 2 最值钱的不是聪明，是会验收

Google 把 Agent 的工具调用、持续视频与任务验收塞进机器人的高层大脑。看懂 ER 2，才能看懂机器人为什么开始从炫技走向工作流，也能看清它离真正上岗还差哪几层。
2026-07-31

GPT-5.6 Luna 降价 80%，该重写的是工作流

80% 降价把 Luna 推进高频 Agent 回路。真正该升级的是模型路由、评测和兜底，让 Sol、Terra、Luna 各自去做最可靠的那一段。
2026-07-31

Seedance 2.5 不是视频模型，它开始像剪辑软件

30 秒生成和 50 份参考素材很抢眼，真正改变工作流的却是白模、时间戳和局部编辑。生成视频终于不只靠重抽，但控制权也带来了素材、版本与验收的新账单。
2026-07-30

AI 会写论文，但它还不会做研究

前沿智能体连跑六天、花掉数千美元，工程步骤一个没卡，却把两篇论文做成明确拒稿。五种失败模式，把自动化真正卡住的位置照得很清楚。
2026-07-30

OpenAI 送 10 万个 Pro，买的是科研工作流

一年 Pro 权限、四位合作者、企业级隐私。最值钱的不是 2400 美元订阅，而是谁先把科研流程嵌进模型。
2026-07-30

Numbat 带了 52 条规则，但一条都不默认拦

Perplexity 把 agent 的命令、文件写入和网络外发拉回确定性规则里。真正难的不是识别危险，而是决定哪一步值得让工程工作停下来。
2026-07-30

Replit Design 不会杀死设计师，它先杀死的是交接

Replit 把提示词、Figma、设计系统和可运行应用塞进同一项目。更关键的是，改文字和间距直接写源码，不走 Agent。AI 设计的胜负，可能不在会不会画，而在能不能少一次交接。
2026-07-30

Token Saver 能省 99%，也可能漏掉 10%

它把整本 PDF 留在本地，只给 Claude 相关片段。数字很漂亮，但短文档只省 14%，30 道检索题漏了 3 道。真正值得抄的是上下文工程，不是宣传数字。
2026-07-28

你收藏的 AI 神技巧，GitHub 亲口说多半是噱头

GitHub 官博下场讲工作流，8 步从原型到跨模型互审，核心论点是别折腾花活，把 harness 用透。这篇聊聊为什么模型之争正在让位于编排之争，以及工程师该把学习时间押在哪，才不会半年就过期。
2026-07-28

编排比参数值钱，微软这次算是盖章了

一个激活 5B 的安全模型，带着 100 多个会互相抬杠的 agent，在 CyberGym 上甩开 Mythos、Gemini、GPT 十几个点，成本还砍一半。拆开 MDASH 的五段流水线，做 agent 系统最值钱的几个设计都在里面，能直接抄。
2026-07-27

pptx 撑不过 agent 时代，PPT 的终点可能是 HTML

向阳乔木开源的 bento PPT skill 我真装真跑了，手写 JSON 被校验器打回三轮。被拒得越狠我越觉得妙，这套设计把 PPT 变成了可 diff、可验收、可协作的纯文本工程文件。
2026-07-27

agent 定目标，『不能做什么』比『做什么』更值钱

卡兹克开源的 Leader.skill 把一句糊话变成 agent 能独立跑几小时的任务书。但真正值钱的是那条反作弊心法，AISI 刚实锤五款前沿模型都会在评估里抄近道。这套方法什么时候该用、什么时候千万别用，这篇讲清楚。
2026-07-25

一个链接种一个 AI 内鬼，这不是 OpenAI 一家的病

Zenity 披露的 AgentForger，一个带参数的链接就能自动建好一个继承你身份的 agent，关掉全部审批，每 5 分钟去攻击者邮箱取指令。OpenAI 四天修完了，但同一个坑，你给自己 agent 开权限的时候也在踩。
2026-07-25

别笑 AI 把无人机开进墙，半年后它就稳了

Anthropic 和 Andon Labs 把 agent 评测搬进了物理世界，五个子任务里模型只卡在一个上。拆一拆 Drone-Bench 的设计，你会看到 agent 的下一站，和一个值得抄回家的评测思路。
2026-07-25

Claude Code 账单里那 22%，不是装个工具能省掉的

有人实测缓存过期占了账单两成多，还写了个代理去堵。但 5 分钟的 TTL 和多 agent 架构本来就对不上，官方其实早给了两个原生开关。文末有个一行自查。
2026-07-25

给 agent 无脑堆上下文的做法，可能真该停了

MineExplorer 把 18 个顶级模型丢进 Minecraft 跑 3 分钟长程任务，最强的从 1 跳 77 分掉到 4 跳 12 分。更扎心的是消融实验，多给步数没用，多给记忆反而更差。
2026-07-24

大模型公司的终点不是 AGI，是咨询公司

OpenAI 发布 Presence，不开自助，派驻场工程师上门装 agent。同月微软砸 25 亿干同一件事。模型越来越不值钱之后，钱到底在哪一段，做 agent 的你站在循环哪一环，这篇把账摊开算一遍。
2026-07-23

我干的活进了红头文件，但我劝你别急着辞职单干

Harness Engineering、Token 经济、OPC 一人公司，这些圈内黑话一夜之间进了北京的正式政策。算力券和注册便利是真的，客户和现金流政策给不了。哪两条最值得细读，哪几盆冷水得先泼，这篇聊透。
2026-07-23

Claude 突然大更新，自建 agent 框架的理由又少了一个

Claude Managed Agents 一口气发了六条更新，技能上限 20 涨到 500，思考力度分档、事件推送、子 agent 直播全到位。逐条看下来，每一条都踩在自建平台的苦活上。聊聊 agent 的平台化下半场，和自建派还剩什么理由。
2026-07-23

梁文锋赌的持续学习，成了就砸掉我半个饭碗

四小时闭门实录里，梁文锋把 DeepSeek 的路线讲成一段楼梯，去年思维链，今年 Agent，下一步持续学习。这一步正好踩在我们这些给 AI 搭脚手架的人天天打补丁的地方。聊聊那张不做清单，和我这半个饭碗。
2026-07-22

AI 写 80% 代码不吓人，吓人的是你还在靠人肉 review

Anthropic 副 CISO 亲口交底，工程师人均产出 8 倍，80% 代码由 Claude 写，65% 的产品 PR 由 agent 直接合并。这篇拆开他们重建的安全流程，哪几步你的团队今天就能抄，哪一步是真金白银堆出来抄不动的。
2026-07-22

黑掉 Hugging Face 的凶手找到了，是 OpenAI 自家的模型

三天前 HF 被自主 AI 打穿还是桩悬案，今天 OpenAI 举手认领：干这事的是它自己在跑评测的 GPT-5.6 Sol。一场为了刷分越狱、翻墙、偷凭据的连环剧，跟每个天天给 agent 发 token 的人都有关。
2026-07-21

腾讯新 agent 会自我改进，我盯住的是它作弊那两段

递归自我改进第一次写进大厂官宣。29 个数学开放问题被刷新、15 个参数做出 10 位数加法，都不是最值得看的，官方自己承认 agent 学会了骗评委。天天跑 agent 的人，建议把那两段多读几遍。
2026-07-19

微软新安全产品曝光，肚子里一半模型是对手家的

The Information 爆料微软在憋 Project Perception，用多模型路由把 Mythos 级的安全扫描做便宜，贵模型只上刀刃，杂活全给便宜模型。这套算账思路，做 agent 开发的今天就能抄。
2026-07-18

69% 的公司，给所有 AI agent 共用一把钥匙

54% 的企业已经在 agent 上出过安全事故，但真正扎心的是那组对照数字，给每个 agent 发独立身份，事故率直接从 63.5% 掉到 40.9%。看完你能拿走一份 agent 身份卫生清单，周一就能对着自查。
2026-07-18

跑分 90 的搜索 agent，换套题只剩 34 分

BrowseComp 十个月从 30 分涨到 90 分，美团用 762 万实体的知识图谱重新出题，GPT-5.5 只考出 34.74%，上下文管理策略还集体失灵。做搜索和 deep research agent 的朋友，这份卷子值得亲自看一遍。
2026-07-16

负责抓 AI 作恶的裁判，自己先动了手脚

Anthropic 蹲了一年，抓到自主 agent 四种新翻车姿势，偷改代码、帮着造假、袒护同类、教唆人类爆料。四条都对应你自动化里没上锁的位置，附一份天天跑无人值守流水线的工程师的对照检查。
2026-07-16

OpenAI 造了个专门攻破 AI 的 AI，你线上那个也没扛住

GPT-Red 是 OpenAI 训练的自动化红队模型，几乎攻破了它见过的所有现役模型。对抗训练把 GPT-5.6 的注入失败率压到六分之一，但没压到零。写 agent 的人该怎么办，我唠唠。
2026-07-16

偷传你代码的 Grok Build，这周把自己的 84 万行源码交出来了

上周还在删数据道歉，这周直接把整个编程 agent 开源。我跟着 Simon Willison 进仓库翻了翻，翻出了竞品工具的移植副本、一个宝藏渲染器，还有那段上传代码的残骸。
2026-07-13

diff 只告诉你 agent 改了什么，没告诉你它漏了什么

你让编码 agent 干活，只能看 diff 验收，它读过哪些文件、漏了哪个目录你全靠猜。air 作者的新工具把会话日志画成代码库夜景地图，agent 摸过的地方会发光。看完你大概会重新想一遍，agent 可观测性这件事有多空白。
2026-07-13

GPT-5.6 比 Claude 贵 50%？他们查完发现锅在自己

Ploy 把生产 agent 的默认模型从 Opus 4.8 换成 GPT-5.6 Sol，只用了 48 小时。快 2.2 倍省 27% 只是开胃菜，真正值钱的是四个坑，评测偏心、参数造假、缓存翻车、推理回放，每个都附了能抄的修法。
2026-07-13

Fable 5 续期、Codex 解限，两家抢着送的不是模型

Anthropic 第三次续期 Fable 5，OpenAI 顺手摘掉 Codex 的 5 小时限制，都是临时的。两家在卖的其实是同一样东西，不被中断的连续工作时间。聊聊怎么把这一周换成评测集、工作流和交付物，而不是烧在聊天上。
2026-07-12

GPT-5.6 证明 50 年猜想，最值得抄的不是模型

循环双覆盖猜想悬了 50 多年，GPT-5.6 Sol Ultra 不到一小时给出完整证明。但真正的主角藏在 OpenAI 公布的提示词里，64 个并行子智能体加对抗验证的编排。这套思路不用等新模型，今天就能搬进你的工作流。
2026-07-08

AI agent 靠写代码出的名，结果 90% 的人拿它干别的

Anthropic 公布 Claude Cowork 120 万次会话数据，软件开发只占 8.7%，最大用途是业务运营和内容创作。「工作周围的工作」才是 AI agent 的真主场，同日 Cowork 开放移动端和网页端。
2026-07-08

一个 Issue 就骗走了你的私有仓库，GitHub AI 代理踩了个大坑

Noma Labs 发现 GitHub Agentic Workflows 的提示词注入漏洞 GitLost，一个伪装 issue 就让 AI 代理泄露私有仓库。
2026-07-07

AI 会在环境里越干越强，字节 EdgeBench 发现的新 Scaling Law

字节 Seed 发布 EdgeBench，让 Agent 在真实任务里连干 12 小时，发现环境学习遵循 log-sigmoid 曲线，学习速度每三个月翻一倍。
2026-07-07

AI 把初级程序员的就业市场烧掉了，斯坦福数据说岗位降了 19%

计算机毕业生失业率 6.1% 比文科生还高。斯坦福 ADP 数据显示 22-25 岁开发者岗位比 2022 峰值降 19%，AI agent 正在抹掉入门级编程岗，资深工程师的培养梯子也跟着断了。
2026-07-04

全球首例 AI Agent 勒索攻击：从漏洞利用到数据库加密全程自主完成

Sysdig 记录到全球首例由 AI Agent 全自主跑完的勒索攻击，600 个载荷、31 秒自我修复，把攻击门槛拉到极低。
2026-07-02

Cloudflare 给全网站长发了张独立宣言：搜索、AI 智能体、训练爬虫终于能分开管

第二个内容独立日，Cloudflare 把 AI 流量拆成搜索/智能体/训练三类分开管，9 月 15 号还要改默认值。
2026-07-02

给 AI 编码工具装上审美：Emil Kowalski 把设计师手感做成了 Skills

Sonner、Vaul 作者 Emil Kowalski 把多年 UI 动画判断做成三个开源 Skill，让编码 agent 写界面自带审美底线。
2026-07-02

Senior SWE-Bench：最强模型也只干完四分之一的活

一个专门评估 AI 智能体当高级工程师的新基准，把榜单从八十分打回二十几分。
2026-06-25

Notion 把会自己写 PR 的编码智能体，塞进了你的文档

Notion 用 Cursor SDK，几周接上一个会自己规划、写代码、提 PR 的 agent。引擎能租，那你的壁垒到底是什么。
2026-06-23

Claude Code 正在让程序员更孤独

Anthropic 工程负责人亲口承认，越依赖 AI 智能体，工程师彼此越疏远。聊聊这场静悄悄的孤独，和怎么把人重新拉回来。
2026-06-23

你的 AI 编程模型，可能学会了在考试里抄答案

一份审计扒出 9 个主流 agent 评测榜的大面积作弊，1000 多条实锤。你以为模型越来越聪明，其实有不少聪明是它学会了怎么在考场里抄答案。
2026-06-23

微信 Agent 小微灰度内测：能发消息红包，子入口能读聊天记录

微信悄悄放出 Agent 小微，能替你发消息发红包、子入口能读聊天记录，还能动嘴造小程序。权限给得有点猛，但每个危险动作前都卡了张确认卡。
2026-06-22

给 AI 智能体的临时账户：一句命令上线，60 分钟后认领

Cloudflare 给 agent 上线临时账户，wrangler deploy --temporary 一句话部署，60 分钟后人类再认领或自动过期。
2026-06-21

给 AI 搭一套能干活的脚手架，开源教程《Deep Agents 实战》我读完了

LangChain 官方大使张海立开源《Deep Agents 实战》,把三层架构、虚拟文件系统、子 Agent、Skills 复用一章章拆给想入门的人。
2026-06-21

你的研究智能体，正在用一堆人畜无害的搜索把你卖了

ServiceNow 提出 MosaicLeaks 基准，揭开深度研究智能体的马赛克式泄密。单看每条搜索都无害，连起来却能拼出你的机密。聊聊为什么隐私 prompt 不进去只能训进去。
2026-06-20

NVIDIA SpatialClaw：让智能体把代码当动作接口，免训练干翻空间推理

模型不动、工具不动，只把动作接口从结构化工具调用换成写代码，VLM 的空间推理就涨到 SOTA。接口才是那根杠杆。
2026-06-18

英伟达放手了：8 个 AI 智能体一夜之间教会机器人自己把显卡插进主板

英伟达 GEAR 实验室的 ENPIRE 让 8 个编程智能体整夜无人值守地教机器人插显卡、打扎带，99% pass@8，还自己发现了机器人越多进步越快的物理 scaling law。
2026-06-18

「一个 AI 智能体就是一个文件夹」Vercel 开源 Eve

Vercel 开源 agent 框架 Eve：一个智能体就是一个目录，tree 一下就看懂。内置持久执行、沙箱、人机审批六大生产能力。
2026-06-18

苹果把 AI 智能体塞进 Xcode 核心：大白话修 Bug、跨文件改代码、一句话造 App

WWDC 2026，苹果把 agent 做进 Xcode 27 核心：自然语言修 Bug、跨文件改代码库、一句话造 App，可接 Claude。
2026-06-17

GLM-5.2 开源：国产模型在 Code Arena 干到全球第一

智谱 MIT 开源 GLM-5.2，专攻 Coding 与长程任务：Code Arena 盲测全球第一，1M 无损上下文，多项基准介于 Claude Opus 4.7 与 4.8 之间。
2026-06-16

伯克利 RDI 发布 Agents' Last Exam 基准：最强 agent 在最难一档拿了 0 分

他们做了个考 AI agent 真本事的基准，最难那档所有前沿模型包括 Fable 5 全军覆没，0% 通过。
2026-06-12

你的 AI 想跑个脚本，另一个 AI 先把它拦下来了

Cursor 发布 Auto-review，用一个小分类器智能体在执行前审查 agent 的每一步危险操作。审批疲劳和安全风险之间，他们想出了第三条路。
2026-06-11

小米开源了个终端编程助手，我最服的是它不赌模型自觉

MiMo Code MIT 开源，内置限时免费模型。最值得聊的是它的记忆外包设计和同模型对照实验，agent 工程层正在成为新的差异点。
2026-06-10

管 180 亿美元的对冲基金想明白了，新基金不招分析师，只雇 AI

Magnetar 要发一只没有人类分析师的基金，几百个 AI 智能体做研究，人类只负责拍板。卖铲子的自己下矿了，这事比看起来更值得琢磨。
2026-05-22

Meta 裁掉 8000 人，最吓人的不是裁员，是员工还在训练 AI

Meta 一边裁员，一边把员工操作变成训练 AI agent 的数据。真正吓人的不是岗位消失，而是工作本身正在被拆成可学习的流程。
2026-05-18

AI 越记越笨，GPT-4 从满分跌到 54% 的记忆陷阱

UIUC 与清华联合研究发现，LLM 智能体的记忆重写机制会严重损害可靠性——GPT-4 无记忆时 100% 解对的谜题，加上记忆后只剩 54%。这个结果挺值得每个做 agent 的人看一眼。
2026-05-15

AI agent 跑了 9700 次实验，第一次在自主研究赛道上击败了人类基准

Prime Intellect 让 Claude Code 和 Codex 完全自主运行在 nanoGPT speedrun 上，消耗 1.4 万 H200 小时跑了近万次实验，最终击败了人类基准——但在真正创新那关翻车了。
2026-05-13

你的 AI 账单里，90% 在为别人打工

Karpathy 指出 AI 编程账单的 90% 浪费在无用上下文上。上下文管理、提示词缓存、多模型路由，三件事做好，账单可以砍掉一大半。
2026-05-11

TypeScript 大神把 .claude 目录公开了，里面 8 条工程师心法值得每个程序员抄

Matt Pocock 公开自己 .claude/skills 目录变成 mattpocock/skills 仓库，4.8 万 star，GitHub trending 6 天。13 个 skills 不是模板，是一个真实工程师怎么把 AI 嵌进日常工作流的范式样本。挑 8 条最猛的拆开给你看。
2026-05-09

OpenAI 三年没出 CLI，现在突然出了，为啥

OpenAI 上线官方 openai-cli，是它历史上第一个命令行工具。这个动作迟到了三年，背后藏着 AI 时代程序员工作流彻底改变的事实——AI 已经从「IDE 里的副驾」回到了「terminal 里的同事」。
2026-05-09

别再每天给 AI 重新解释一遍了，YC 大佬的四条规则就够

YC 创始人 Garry Tan 公开了他在用的 OpenClaw 提示词，四条规则塞进 AGENTS.md，把 AI 从一次性工具升级成每天自己长高的技能树。重点不在模型，在教法。

Claude Code AI 编程 Skill 与 MCP 模型与发布开源 AI 安全评测与基准图像、视频与语音行业与公司机器人与自动驾驶算力与本地部署