技术方向
让模型自主规划、调用工具、完成多步任务的技术方向——从 Claude Code、Manus 到各家 Agent 框架与评测基准的全部动态。
177 条精选近 30 天 163 条共收录 959 条
HarnessPro 是一种无需标签的方法，通过递归自改进优化智能体(harness)性能并降低执行成本。该方法使用LLM生成的测试评估候选harness，提供三种不同性能-成本优先级的版本。实验显示，在多个基准测试中，HarnessPro的重型模式相比RHO方法平均通过率提升2.0个百分点，同时每任务成本降低26.1%。
推荐理由：通过递归自改进和帕累托优化，HarnessPro 在提升任务性能的同时降低执行成本，为智能体开发提供了新思路。
Anthropic开发Scion版本控制系统替代Git，GitHub用ModernBERT替换密钥扫描中的通用LLM，哥伦比亚大学与Google DeepMind等机构通过BTTF将芯片仿真波形转换成SQLite。这些改造都是为了应对AI智能体带来的高负载，预示软件工程基础设施面临重构。
推荐理由：Anthropic、GitHub等企业改造传统工具链以适应AI编码高负载，预示软件工程基础设施面临重构。
AWS 宣布 Amazon Bedrock 现已支持所有 Anthropic Claude 模型的结构化输出功能，用户可通过 bedrock-runtime 和 bedrock-mantle 端点获取符合 JSON schema 的响应，无需自定义解析或重试逻辑。该功能通过约束解码确保输出符合预定义结构，适用于数据提取、报告生成、API 响应和智能工单路由等场景，并支持批量推理和跨区域推理。
推荐理由：结构化输出将 Claude 响应从概率性转为确定性，减少解析成本的同时提升生产环境可靠性。
Tianyu Fu等人提出了一种新的缓存工程方案，允许智能体直接控制KV缓存而不修改轨迹或重新填充保留上下文。实验显示，该方案在基准测试中平均提高1.7分，降低27.7%成本，并实现1.2倍输出吞吐量和1.5倍P95请求延迟加速。
推荐理由：通过直接控制KV缓存而非修改轨迹，解决了智能体长任务中的缓存效率问题，但历史依赖性给服务引擎带来新挑战。
研究团队提出Agent4Sci测试平台，评估前沿智能体在20个科学ML基准上的表现。Claude Opus平均提升10.4%，但进步主要来自ML工程技巧而非研究洞察。通过添加轻量级插件技能，Claude Opus性能提升至20.1%，表明智能体在科学领域仍有巨大改进空间。代码和数据已在GitHub和Hugging Face开源。
推荐理由：Agent4Sci测试显示前沿智能体在科学ML基准上平均提升10.4%，但进步主要来自工程技巧而非研究洞察，揭示当前智能体在科学发现中的真实能力边界。
研究团队提出DiffResearch框架，将扩散语言模型(dLLM)应用于深度研究各阶段，相比自回归模型实现约6倍端到端速度提升。dFast模式通过读取去噪中间状态提取子查询，实现1.99倍中位数加速且不降低报告质量。该框架已开源并采用Apache-2.0许可证。
推荐理由：扩散模型在深度研究中实现6倍速度提升，dFast模式进一步加速分解过程，为交互式研究系统提供新路径。
GitHub 发布教程，介绍如何将 Copilot 应用中的会话直接在 VS Code 中打开，保持对话、代码更改和工作上下文不变。用户可以在 VS Code 中审查代理的更改、继续对话、手动修改代码、本地测试并推送更新到关联的拉取请求。
推荐理由：打通 Copilot 应用与 VS Code 的会话流转，让 AI 辅助开发与人工调试无缝衔接。
谷歌开源Harness²，一种双层递归架构，让大模型在运行中自我修改代码、提示词和工具链。在WorkBuddy-Bench测试中，GLM-5得分提升11.5分，反超原生Gemini 3.5 Flash。该项目已全面开源，支持OpenCode与Codex。
推荐理由：双层递归架构让大模型在运行中自我优化，解决了RSI在开放世界中的两大死穴，实测性能提升显著。
DeepSeek宣布Search/Fetch API定价为每1000次成功请求5元，失败、无结果或超时不计费，11月1日起正式收费。这两个接口由DeepSeek自研搜索引擎驱动，此前在Harness、Claude Code、Codex中一直免费使用，价格约为Tavily的十分之一。
推荐理由：自研搜索API定价仅为Tavily十分之一，成功计费机制降低开发者试错成本，但搜索质量与限速仍是隐忧。
字节系四条Agent线归队豆包，飞书、TRAE、扣子团队整体并入，'小豆'内测与豆包结合。阿里、腾讯同期收编Agent产品线，行业进入'粗主干'阶段。豆包酒旅订单费率从8%升至12%，标志着从'眼球税'向'成交税'的转变，用户核验率66.2%，商家对AI渠道态度复杂。
推荐理由：字节系四条Agent线归队豆包，揭示行业从'眼球税'转向'成交税'的结构性变化，平台正重新定义AI时代的商业规则。
研究显示，当LLM智能体通过检索而非上下文读取PHREEQC地质化学模拟器的报告时，GPT-5.1和GPT-5.2的准确性分别下降11.3和7.9个百分点，而Claude Opus 4.6和Claude Sonnet 4.6未受影响。GPT模型在检索时经常跳过报告，从自己的高精度输出文件中回答并错误舍入到相邻选项，这种证据替代错误是准确率下降的主要原因。
推荐理由：当LLM智能体通过检索而非上下文读取工具输出时，GPT模型出现明显的证据替代错误，而Claude模型不受影响，揭示了不同模型在证据处理上的关键差异。
研究人员提出WildAWM，一种可扩展的管道，用于合成训练通用计算机使用智能体的可控环境和任务。该环境支持图形用户界面、模型上下文协议服务和命令行接口，完全由开源模型驱动。团队合成了341个长时程环境-任务对，训练后的Qwen模型在8个分布外基准测试中取得显著提升。代码已公开。
推荐理由：通过合成环境训练计算机使用智能体，解决了真实世界交互的安全与扩展难题，验证了开源模型也能构建高质量训练环境。
研究团队提出 FocusGUI，一种轻量级适配器，能动态优先处理多模态输入，解决GUI智能体中的连续注意力分散问题。在四种多模态骨干模型上，平均将类型匹配度提高33.2，精确匹配度提高3.0倍，比现有最佳增强方法提高30.1。
推荐理由：FocusGUI 通过动态优先处理多模态输入，解决了GUI智能体中的连续注意力分散问题，显著提升了任务匹配度。
研究人员提出Épi，一个能够跨模型会话持续研究并通过积累经验改进方法的自主研究智能体。Épi结合持久研究历史、分层记忆、分支和独立审查机制，维持研究连续性并从实验中学习。
推荐理由：Épi智能体通过跨会话持续研究创造了120项记录，展示了AI自主研究能力的新高度。
研究人员提出StopLoss，一种小型外部监控器，通过学习已完成轨迹及其验证结果来识别失败。该系统在SWE-bench Verified和Pro子集上测试，相比六种通用判断器，每次检查成本低一到两个数量级，同时保留99%的成功运行，在Pro子集上可降低成本高达31%。
推荐理由：通过学习失败轨迹识别，StopLoss让智能体提前终止无效任务，成本降低一个数量级。
清华大学THUNLP实验室联合面壁智能、OpenBMB推出开源智能体操作系统PilotDeck 2.0，通过工作舱隔离记忆与任务，支持白盒化记忆查看与修改，并采用智能路由技术将复杂任务成本降低83%。系统在Workbuddy Bench评测中得分79.1，优于Claude Code的77.3分。
推荐理由：开源智能体操作系统通过工作舱隔离和智能路由显著降低任务成本，提升多项目管理效率。
中国 AI 公司 Deepseek 发布了更新的 Flash 模型 V4.1 Flash 1017，在智能体和编码任务中表现优于更大竞争对手，同时大幅降低每任务成本。该模型通过强化学习与自我反馈方法改进端到端项目开发，并将内部搜索引擎首次开放给外部开发者。
推荐理由：Deepseek V4.1 Flash 1017 在智能体和编码任务中超越更大模型，同时大幅降低每任务成本。
通用大模型正在改变机器人行业，MicroFactory采用大模型生成控制方案、专用程序执行作业，Poke & Wiggle则让大模型接管研发实验台。两种路径分别聚焦执行与研发，共同呈现机器人集成与研发流程的变化。
推荐理由：原文分析了通用大模型如何改变机器人研发与交付的两种路径，提供了具体案例和行业影响。
紫金山实验室联合多家机构发布基于确定性网络的智能体互联平台 AXP，支持百万级智能体注册接入、十万级同时运行，可实现4000公里以上跨域高精度智能体寻址访问，降低20%以上端到端任务执行耗时。
推荐理由：原文给出了平台技术参数和跨域能力，读者可据此评估其对AI规模化落地的实际支撑作用。
Anthropic发布报告称，公司成立约5年后人均雇员创收达Meta和谷歌同期的2至4倍；AI智能体工作时长已达人类员工的6倍，初级技术岗位招聘占比从27%骤降至9%。
推荐理由：Anthropic报告揭示了AI对就业结构和企业效率的深远影响，提供了AI时代生产力变革的具体数据。