跳到正文

#Agent

今日 2 条

10月14日星期三

Google 博客 · Gemini

Gemini 4 Argon 上线 Gemini app,向 Google AI Pro 和 Ultra 订阅者开放

Gemini 4 Argon 现已上线 Gemini app,Google AI Pro 和 Ultra 订阅者从今天起可访问模型并委托 Gemini 执行任务。

推荐理由:Gemini 将任务入口与超过 40 个应用连接起来,让用户离开电脑后仍能委托它处理购物、订位和业务相关任务。

10月8日星期四

claude.dev 开发者博客

Anthropic 如何用 Claude Managed Agents 构建可靠的智能体自动化

Anthropic 提供基于 Claude Managed Agents(beta)的参考实现,定时读取 Slack 和 GitHub 的变化并向 Slack 发布简报。

推荐理由:Anthropic 将定时简报实现拆成书签续读、发送确认和权限隔离规则,为后台智能体避免漏报、重复通知和越权提供可复用方法。

10月7日星期三

claude.dev 开发者博客

Claude Code 云会话实战指南:并行任务、环境配置与本地衔接

Claude Code 云会话指南通过四次实际运行,讲解独立 VM 中的并行编码、环境配置及云端与本地会话衔接。三个任务在 16 秒内陆续启动,全部在首个任务启动后 87 秒完成,其中缓存修复通过连续 40 次测试;独立分支不会共享修复,需要安排合并顺序。

推荐理由:Claude Code 云会话指南用并行任务实测展示按文件边界拆分工作的方法,并将验收命令与分支合并顺序纳入任务设计。

10月6日星期二

Mistral AI

Mistral AI 发布 Mistral Large 4 公开预览,计划月底开放权重

Mistral AI 发布原生多模态模型 Mistral Large 4(ML4)公开预览,现可通过 Mistral Studio 的 API 试用,计划本月底开放权重。

推荐理由:Mistral AI 计划开放 ML4 权重并支持私有部署,使组织能在自身政策下开展安全工作,减少对供应商访问权限和拒绝策略的依赖。

GitHub Blog · AI & ML

GitHub 介绍 AI 代码审查开放基准 ReviewBench

GitHub 的 AI 代码审查开放基准 ReviewBench 已提供研究预览版,公开数据集、评估方法和自助运行工具。基准参考 103.9 million 个 GitHub 拉取请求的分布,包含来自 187 个仓库、覆盖 19 种语言的 219 个拉取请求,资深工程师独立复核标注的一致率为 96.6%。

推荐理由:ReviewBench 将固定标注与新增有效发现分开评估,在保持跨系统比较口径一致的同时,避免漏标问题惩罚审查智能体。

10月3日星期六

OpenAI News

OpenAI GPT-6 系列模型使用指南:选型、提示词与长任务管理

OpenAI 的 GPT-6 系列使用指南介绍如何选择模型、调整提示词和技能,以及管理长任务的时间与成本。GPT-6 Astra 面向高难度推理,GPT-6.1 Sol 面向复杂编码、研究和计算机使用,GPT-6 Luna 面向目标明确的规模化重复任务;指南建议部署前衡量任务成功率、延迟和每次成功任务的成本。

推荐理由:OpenAI 将模型选择、推理强度与缓存管理纳入同一套生产实践,把任务成功率、延迟和每次成功任务的成本作为优化依据。

10月2日星期五

claude.dev 开发者博客

Claude Code mods 入门:构建上下文监测插件并定制交互界面

Claude Code mods 入门指南从零构建约 80 行的 Token Weather 插件,在提示词上方实时显示上下文窗口用量。教程适用于 Claude Code 2.1.287 或更高版本,涵盖事件钩子、热重载、状态保存、验证测试与插件分发。

推荐理由:Claude Code 入门指南用上下文监测插件串起事件钩子、状态持久化与测试流程,将界面定制拆成可复用的开发步骤。

10月1日星期四

Google DeepMind

Google DeepMind 发布 Gemini 4 Argon 前沿模型

Google DeepMind 发布新一代前沿模型 Gemini 4 Argon,先通过 Fairwind Program 向受信任的网络安全防御方开放,随后逐步扩展至开发者、企业和消费者。

推荐理由:Gemini 4 Argon 先向受信任的网络安全防御方开放,并公布每百万输入 token 2 美元、输出 10 美元的定价,以及从 64K 提升到 1M 的输出上限。

Google 博客 · Gemini

Google 发布 Gemini 4 Argon,先向可信网络防御团队开放

Google 宣布新模型 Gemini 4 Argon,通过 Fairwind Program 向部分可信网络防御团队逐步开放,面向编码、企业知识工作和网络安全防御。

推荐理由:Google 将 Gemini 4 Argon 的输出上限从 64K 提升至 1M tokens,为复杂任务的单次长程推理提供更大空间。

9月29日星期二

OpenAI News

OpenAI 发布 GPT‑6.1 Sol,以更低价格接近 GPT‑6 Astra 的能力

OpenAI 发布 GPT‑6.1 Sol,在智能体编码、计算机使用和专业工作上接近 GPT‑6 Astra,标准输入输出 token 价格为其五分之一。

推荐理由:OpenAI 将 GPT‑6.1 Sol 的标准输入输出价格降至 Astra 的五分之一,多项智能体任务评测表现接近 Astra。

OpenAI News

OpenAI DevDay 2026 回顾:GPT‑6.1 Sol、Dots 与 ChatGPT 协作功能更新

OpenAI 在 DevDay 2026 公布超过 20 项重大更新,涵盖 ChatGPT、Codex、模型及人类与 AI 协作方式。GPT‑6.1 Sol 是 GPT‑6 Sol 的重大升级,主打智能体编码、计算机使用和专业工作,以 GPT‑6 Astra 标准输入与输出 token 价格的五分之一提供接近 Astra 的智能水平。

推荐理由:OpenAI 将插件扩展、事件触发自动化和团队协作接入 ChatGPT,让开发者的应用能参与持续任务与共享工作。

OpenAI News

OpenAI 推出 dots,由 GPT‑6 Astra 驱动的常驻智能体

OpenAI 推出 dots,由 GPT‑6 Astra 驱动、拥有独立云端电脑的智能体,可围绕用户目标 24/7 工作。Dots 可通过插件连接超过 4,000 个应用,在 ChatGPT、Slack 和 Teams 中交流并延续上下文;后台主动研究仅使用只读工具,影响账户或分享信息的操作需经过自动审查及相应审批。

推荐理由:OpenAI 为 dots 设置只读后台研究和敏感操作审批,让持续运行的智能体在主动处理工作时保留明确的权限边界。

9月28日星期一

claude.dev 开发者博客

如何用 Claude 自动设计评测并进行爬坡优化

Claude 的 claude-api 技能新增评测设计与爬坡优化指导,可在 Claude Code 中通过 /claude-api build-eval 构建评测,通过 /claude-api hillclimb 逐步优化应用。

推荐理由:Claude 将评测设计与逐步优化组织为需人工确认的工作流,通过留出测试集和噪声检查减少过拟合与无效改动。

9月25日星期五

claude.dev 开发者博客

Opus 5.5 在 Claude Code 中执行任务的成本如何计算

Opus 5.5 在 Claude Code 中的任务成本由轮次、缓存读取、输出 token 和模型价格共同决定,降低消耗也可能增加重试成本。按 API 标价,同一示例会话从 Opus 5 的 $3.50 降至 Opus 5.5 的 $2.40,约降低 31%,示例不计缓存写入;典型工作负载成本降低 40% 的估计还包含默认设置下任务 token 消耗减少。

推荐理由:Claude Code 成本指南把轮次、缓存与思考输出拆开计费,并用同任务实测的方法区分单价下降与任务消耗减少。

9月24日星期四

Claude 博客

Claude Tag 支持在 Slack 频道中使用个人连接器

Claude Tag(beta)现支持在 Slack 频道请求中使用个人连接器,正在向 Team 套餐推出,Enterprise 将随后跟进。用户可逐条审核回复,或选择自动发布模式,由 Claude 将需要审核的敏感内容交给用户确认;Enterprise 管理员将能要求所有人审核。

推荐理由:Claude Tag 将个人连接器接入频道请求,并保留回复审核与共享连接器分工,让个人权限与频道可见范围分别受到控制。

9月22日星期二

claude.dev 开发者博客

如何在 Claude 和 Claude Code 中用好 Opus 5.5

Claude 官方指南介绍在 Claude 和 Claude Code 中使用 Opus 5.5 的方法,涵盖提示词、长任务控制与结果核查。建议明确完成标准,在 CLAUDE.md 中规定继续执行和停止询问的条件,用文件保存任务清单,并检查子智能体提交的证据。

推荐理由:Claude 官方指南把长任务拆成完成标准、停下条件和结果核查,用文件清单与子智能体证据检查减少过程遗漏。

9月8日星期二

OpenAI News

OpenAI CFO 发文:GPT-6 Astra 已来,消费者与企业业务互相喂养

OpenAI 高管 Sarah Friar 发文称,公司产品已覆盖超过 10 亿周活跃用户和 250 万家企业,消费端与企业端相互强化,一次模型研究投入可支撑 ChatGPT、ChatGPT Work、Codex 及 API 应用等多条产品线。

推荐理由:OpenAI 高管 Sarah Friar 撰文披露公司覆盖超 10 亿周活用户与 250 万家企业,并解释消费端与企业端如何相互强化、一次模型研究投入如何支撑多条产品线。

9月3日星期四

Google DeepMind

Google DeepMind 推出 Fairwind 计划,向政府和可信伙伴开放 Gemini 3.8 Flash Cyber 网络防御能力

Google DeepMind 推出 Fairwind Program,面向政府机构、关键基础设施运营商和网络安全伙伴限量开放其最先进的网络防御能力。该计划将专用网络模型 Gemini 3.8 Flash Cyber 与 CodeMender harness 结合,可自主发现、验证并修复漏洞,把原本数周的手动修复压缩到数分钟内生成可部署补丁,且运行成本低于传统前沿模型。

推荐理由:Google DeepMind 推出 Fairwind 计划,向政府与关键基础设施运营商限量开放 Gemini 3.8 Flash Cyber 与 CodeMender 组合,把漏洞修复从数周手动压缩到数分钟生成可部署补丁。

9月2日星期三

Google 博客 · Gemini

Gemini 推出智能体视频理解功能,token 消耗最高降低 88%

Google 推出智能体视频理解功能,支持 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite,视频分析成本最高降低 66%、token 消耗最高降低 88%、准确率最高提升 7%。

推荐理由:Gemini 用智能体按需检索视频片段,减少固定帧率处理带来的 token 消耗与细节遗漏,使长视频分析兼顾成本和准确率。

9月1日星期二

Anthropic News

Anthropic 发布 Enterprise Frontier Safeguards,客户自持数据存储与密钥

Anthropic 发布 Enterprise Frontier Safeguards(EFS),把零数据留存(ZDR)的隐私性与检测滥用的安全监控结合,数据存放在客户自控的云基础设施而非 Anthropic。

推荐理由:Anthropic 推出 EFS,把数据存放在客户自控的云基础设施,并让客户自行审查监控信号,回应受监管行业在模型滥用检测与数据留存之间的取舍。

8月25日星期二

Hugging Face 博客

IBM 公开 Granite 4.2 模型完整训练流程,从预训练到让模型学会用工具

IBM Granite 团队发布 Granite 4.2,这是其首个稠密、decoder-only 的推理大语言模型家族,包含 3B、8B、30B 三个尺寸,均以 Apache 2.0 许可开源。

推荐理由:IBM 公开 Granite 4.2 从预训练到工具调用能力的完整训练流程,三个尺寸均以 Apache 2.0 开源,为关注稠密模型训练管线的开发者提供了一份可参考的工程路径。

8月21日星期五

DeepSeek · API 更新日志

DeepSeek-V4-Flash-Vision-Exp 发布并上线 API 平台

DeepSeek 今天发布实验性质的多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp,用户可在 DeepSeek API 平台设置 model='deepseek-v4-flash-vision-exp' 访问。

推荐理由:DeepSeek 的视觉实验模型在官方测评中保持正式版的纯文本能力,视觉智能体能力提升至接近 Opus-4.8。

8月20日星期四

OpenAI News

OpenAI 成立战略未来团队,探讨 AI 会不会让普通人失去议价权

OpenAI 新开了一个叫“AI Futures”的博客,背后是一个小规模的战略未来团队。他们想研究一个核心问题:当国家可以用自动驾驶系统代替士兵警察去投射武力,用数据中心产出的收入代替从人身上收的税,个人在权力格局里的位置还剩多少。

推荐理由:OpenAI 新设 AI Futures 博客与战略未来团队,首篇讨论国家用自主系统投射武力、以数据中心收入替代税收后,个人议价权还剩多少。

8月19日星期三

OpenAI News

Replit 推出免费模式,用 GPT-5.6 Luna 把写代码的 token 成本砍到零

Replit 上线了 Free Mode,底层跑的是 GPT-5.6 Luna,用户不用再盯着 token 消耗,可以直接在项目里规划、头脑风暴和探索想法。CEO Amjad Masad 说 OpenAI 最近的降价让面向百万用户的免费层终于跑得通。遇到复杂推理任务,系统会切到 GPT-5.6 Sol,处理完再回到 Luna,同时保留项目上下文。

推荐理由:Replit 上线免费模式,用 GPT-5.6 Luna 承担日常规划与探索,复杂任务再切到 Sol,OpenAI 降价让面向百万用户的免费层得以成立。

8月13日星期四

DeepSeek · API 更新日志

DeepSeek-V4-Pro 正式版上线,增强 Agent 能力并原生支持 Responses API

DeepSeek-V4-Pro 正式版已在 APP、网页端和 API 上线,增强 Agent 能力,API 调用方式不变,模型名仍为 deepseek-v4-pro。

推荐理由:DeepSeek 将采用闲时价格为高峰时段一半的峰谷定价,允许调整执行时间的任务可通过错峰调用降低 API 成本。

8月7日星期五

OpenAI News

OpenAI 说未发布模型 Astra 可能摸到“高危”网络攻击门槛

OpenAI 在 8 月 7 日公布,内部测试发现即将推出的模型 Astra 在自主编程和网络安全上进步明显,昨晚他们判断已经不能排除模型达到自家安全框架里的“高危”级别。这个级别意味着模型能自己找漏洞、写攻击程序,在没人帮忙的情况下攻破现实中加固过的系统,或者只给一个大致目标就能策划并执行全新的端到端攻击。

推荐理由:OpenAI 公布内部测试结果,称未发布的 Astra 在自主编程和网络安全上进步明显,已无法排除其达到自家安全框架的高危级别。高危级别的具体能力描述为理解前沿模型风险提供了参照。

8月3日星期一

OpenAI News

OpenAI 公开 GPT-Live 语音架构:砍掉“轮到你了”检测器,让模型边听边说

OpenAI 在 8 月 3 号发了篇工程博文,解释 GPT-Live 怎么做到实时语音对话。核心改动是把旧架构里那个负责判断“用户说完了没”的小模型(turn detector)从音频链路里拿掉了,换成全双工模型,能同时听和说。这解决了以前小模型猜早了抢话、猜晚了反应慢的问题,让大模型直接处理音频流,对话节奏更自然。

推荐理由:OpenAI 公开 GPT-Live 实时语音架构,把判断用户是否说完的检测器从音频链路移除,改由全双工模型同时听和说,实时语音对话在响应节奏上的架构取舍由此展开。

7月31日星期五

OpenAI News

OpenAI 发了一篇战略说明,讲怎么靠降价、提效和全栈联动把“智能”做成大宗商品

OpenAI 在 7 月 31 号发了篇博客,没发新模型,核心是解释他们的“充裕智能”打法。逻辑很简单:模型越强越便宜,用的人就越多;用的人越多,赚的钱和拿到的反馈就越多,就能继续砸钱搞研发和基建。他们给了几个具体数字:GPT-5.6 Luna 的输入/输出价格砍了 80%,降到每百万 token 0.2 美元和 1.2 美元。

推荐理由:OpenAI 用一篇博客解释其降价与提效的路线,并给出 GPT-5.6 Luna 输入输出价格下调 80% 的具体数字,为理解大模型定价走向提供了官方口径。

DeepSeek · API 更新日志

DeepSeek-V4-Flash 正式版 API 上线公测,增强智能体能力

DeepSeek-V4-Flash 正式版 API 上线公测,调用方式不变,模型名设为 deepseek-v4-flash 即可使用最新版本。官方称其智能体基准表现远超 V4-Pro-Preview,Terminal Bench 2.1 为 82.7、NL2Repo 为 54.2;模型原生支持 Responses API 并针对性适配 Codex。

推荐理由:DeepSeek-V4-Flash 原生支持 Responses API 并适配 Codex,现有 API 调用方式保持不变。

7月24日星期五

claude.dev 开发者博客

Claude 5 代模型的上下文工程新规则

Anthropic 介绍 Claude 5 代模型的上下文工程方法,将 Claude Opus 5 和 Claude Fable 5 的 Claude Code 系统提示词删减超过 80%,编码评测未出现可测量的损失。

推荐理由:Anthropic 将上下文管理拆成轻量仓库说明、按需加载技能和具体参考文件,为减少重复指令与过度约束提供了可迁移方法。

7月21日星期二

Google DeepMind

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向安全的 3.5 Flash Cyber 三款新模型。

推荐理由:Gemini 3.6 Flash 相比 3.5 Flash 输出 token 用量减少 17%,每百万输出 token 定价 7.50 美元,同时多项基准成绩提升。

7月16日星期四

Hugging Face 博客

Hugging Face 披露一起由全自动 AI 智能体发起的生产环境入侵事件

7 月 16 日,Hugging Face 公开了一次安全事件:一个全自动 AI 智能体系统通过恶意数据集侵入了他们的生产环境。攻击者利用了数据集处理流程里的两个漏洞——远程代码加载和模板注入——在数据处理节点上执行了代码,随后提权到节点级别,偷走了云服务和集群的凭证,并在一个周末内横向移动到了多个内部集群。

推荐理由:Hugging Face 披露一个全自动 AI 智能体借恶意数据集和两个处理流程漏洞侵入其生产环境,完整攻击链条对理解 AI 平台的数据集处理风险有直接参考价值。

Hugging Face 博客

Ai2 公开 Shippy 海事 AI 助手的工程经验:把不可靠的模型装进确定性的工具里

Ai2 的 Skylight 团队做了一个叫 Shippy 的海事 AI 助手,帮分析师查渔船活动、专属经济区边界和船只轨迹。他们把架构拆成三块:灵魂(系统提示词,定人设和行为边界)、技能(用 Markdown 文件教它调 API 和解读轨迹数据)、配置(运行时设置,目前用 Claude Opus 4.6 加 OpenClaw 框架)。

推荐理由:Ai2 的 Skylight 团队把海事助手 Shippy 拆成系统提示词、Markdown 技能文件和运行时配置三层,这套把模型能力约束在确定性工具里的做法可以迁移到其他 Agent 项目。

Hugging Face 博客

模型路由很简单,直到你开始算真实成本

IBM 的人拿 417 个 AppWorld 任务跑了一遍,发现按标价选模型会翻车。Claude Sonnet 4.6 总花费 79 美元,GPT-4.1 却花了 155 美元,贵了快一倍。原因是 agent 干活时会反复用同一大段上下文,Sonnet 的缓存读取价更低,靠这个把总账拉回来了。

推荐理由:IBM 用 417 个 AppWorld 任务实测发现,按标价选模型会误判成本,GPT-4.1 总花费 155 美元,Claude Sonnet 4.6 只需 79 美元,差距来自 agent 反复读取长上下文时的缓存定价。

6月25日星期四

OpenAI News

OpenAI 发经济研究论文,用内部数据说明 Codex 怎么改变工作方式

OpenAI 在 6 月 25 日发了一篇经济研究论文,拿自家和外部用户过去一年的使用数据,看 Codex 这类能独立干活的 AI 工具到底渗透到什么程度。到 2026 年 5 月,抽样的个人用户里 80.6% 至少跑过一次估计要花人 30 分钟以上的任务,25.6% 跑过超 8 小时的任务。

推荐理由:OpenAI 用自家和外部用户一年的使用数据,量化 Codex 类工具在个人任务中的渗透程度,其中 80.6% 的用户跑过预计耗时 30 分钟以上的任务。

6月17日星期三

Hugging Face 博客

GLM-5.2 发布:第一个真正能用 100 万 token 上下文的开源模型,专啃长周期编程任务

Z.AI 开源了 GLM-5.2,一个为长周期编程任务设计的模型。它把上下文窗口做到了 100 万 token,而且不是光能塞进去,是在 agent 跑一长串操作后质量依然稳得住。架构上用了两个新东西:IndexShare 让每四层稀疏注意力共用一个索引器,在 100 万 token 长度下把每个 token 的计算量砍到了原来的约三分之一。

推荐理由:Z.AI 开源的 GLM-5.2 把上下文做到 100 万 token,并让 agent 连续操作后输出质量保持稳定,IndexShare 在同等长度下把每 token 计算量压到约三分之一。

Hugging Face 博客

Hugging Face 发布 ARD 发现工具,让 AI 代理能自己搜工具、技能和其他代理

Hugging Face 上线了 Discover Tool,这是 ARD(代理资源发现)规范的一个参考实现。ARD 是一份由微软、谷歌、GoDaddy、Hugging Face 等共同起草的开放草案,解决的是当前代理生态里一个很实际的问题:现在用 MCP 工具、A2A 代理或技能,都得靠人提前写好配置、指定好地址,代理自己不会找。

推荐理由:Hugging Face 上线 ARD 参考实现 Discover Tool,让代理自行搜索 MCP 工具、A2A 代理与技能,该草案由微软、谷歌、GoDaddy 等共同起草。

6月16日星期二

Google DeepMind

Google DeepMind 发布 AI Control Roadmap,用纵深防御管控内部 AI 智能体

Google DeepMind 发布 AI Control Roadmap,一套用于构建和管理 Google 内部部署的高级 AI 的框架,采用纵深防御思路,在模型对齐之外增加系统级安全层,即便对齐不完美也能提供保障。

推荐理由:Google DeepMind 公开内部 AI Control Roadmap,给出把智能体当作内部威胁来监控与拦截的分层思路。

6月3日星期三

NVIDIA 博客

NVIDIA 在 CVPR 发了三篇物理 AI 论文:抓取、自动驾驶和游戏里练出来的智能体

这三篇论文都进了 CVPR。GraspGen-X 用 20 亿次模拟抓取训练,让机械手能处理没见过的物体,但正文没披露真实世界的抓取成功率。LCDrive 把自动驾驶的推理 token 砍了大约一半,靠的是让模型直接输出轨迹而不是先写文字再转成动作,延迟更低,不过没提极端场景下的安全性验证。

推荐理由:NVIDIA 在 CVPR 发布三篇论文,其中 LCDrive 让自动驾驶模型直接输出轨迹,把推理 token 减少约一半以降低延迟。

claude.dev 开发者博客

Claude Code 构建经验:Anthropic 如何使用技能

Anthropic 分享了 Claude Code 内部数百个活跃技能的使用经验,归纳出九类用途及编写、分发和衡量方法。技能是包含指令、脚本与资源的文件夹,编写时应积累常见错误、按需加载参考文件、复用辅助脚本,并将描述写成触发条件。小团队可通过仓库共享技能,规模扩大后可使用内部插件市场分发,并通过 PreToolUse hook 记录使用情况、识别触发不足的技能。

推荐理由:Anthropic 将内部技能实践归纳为九类用途,并用常见错误记录、按需读取文件和脚本复用提炼出团队技能库的构建方法。