跳到正文

Agent 智能体

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。

1,790 条精选相关主题MCP 与工具调用AI 编码推理能力

最新精选

第 401–420 条 · 共 1,790 条

9月23日星期三

AI HOT 精选

Claude Opus 5.5 进了 Arena 的 Agent 擂台,能联网、操作文件、跑终端,排名靠用户投票

Arena 把 Claude Opus 5.5 放上了 Agent Arena,让模型直接干长链条的活——可以自己上网搜资料、读写文件、敲命令行。排行榜不只看输赢,用的是因果追踪,看它比平均水平强多少。正文没具体说 Battle Mode 怎么打,也没给任务例子,所以实际有多能打还得等实测。

推荐理由:Arena 将 Claude Opus 5.5 放进 Agent Arena,让模型自行联网、读写文件并运行终端命令,排行榜以因果追踪衡量其相对平均模型的表现。

AI HOT 精选

Claude Opus 5.5 上架 OpenRouter,编码干活更利索,价格还打了八折

Anthropic 的 Claude Opus 5.5 上线 OpenRouter,是 Claude 5.5 系列首个模型,在智能体编码、知识工作和计算机使用上领先 Opus 5 和 Fable 5.1。该模型提供 1M 上下文窗口,定价为每百万输入 token $4、输出 $20,比 Opus 5 低 20%。

推荐理由:Anthropic 的 Claude Opus 5.5 上线 OpenRouter,在智能体编码、知识工作和计算机使用上领先 Opus 5,定价比 Opus 5 低 20%,可比较同系列模型的性能与价格定位。

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。

Latent Space

小米 MiMo-V2.6-Pro 登顶开源模型榜,训练只花了 300 万美元

小米发布 MiMo-V2.6 系列两款原生全模态开源模型,MiMo-V2.6-Pro 为 1.02T 总参数、42B 激活参数,MiMo-V2.6-Flash 主打智能、效率与成本平衡,另有 Pro-UltraSpeed 版本输出速度最高提升 20 倍。

推荐理由:小米 MiMo-V2.6-Pro 以 1.02T 总参数、42B 激活参数登顶 Artificial Analysis 开源模型智能指数,训练成本约 300 万美元,单任务成本 0.13 美元。

Computing Life · Share · 鸭哥调研

三条 AI 编程新闻,三个数字的读法

文章拆解近期三起 AI 编程事件中的量化数字:ZCode 被指后台打包工作区快照并尝试上传云端,单样本清单中 .git 目录占 86.6%;HarnessTax 评测在固定 Claude Fable 5 的前提下对比 Claude Code 与极简框架 Pi。

推荐理由:ZCode 被指在后台打包整个工作区并尝试上传云端,单样本清单中 .git 目录占 86.6%,版本历史对象可能含未脱敏密钥与内部分支名。

Hacker News 首页

Tim Dettmers 实验室开源周:在你自己的硬件上跑前沿 AI

Tim Dettmers 的 dlab 开源周发布一套本地推理与智能体系统,可在单张 24 GB GPU 上运行 125B 的 Qwen 3.8 Flash Next,在 AMD Strix、NVIDIA DGX Spark 或 128 GB 内存 MacBook 上运行 550B 的 DeepSeek V4.1。

推荐理由:Tim Dettmers 的 dlab 开源周发布本地推理与智能体系统,让 125B 和 550B 模型分别跑在单张 24 GB GPU 与 128 GB 内存设备上。

9月21日星期一

The Verge · AI

亚马逊封了 Meta 的 Muse 购物助手,AI 替你下单的路暂时走不通了

亚马逊以违反服务条款为由,禁止 Meta 的 AI 助手 Muse 在其平台上帮用户搜商品、比价和下单。具体违反了哪条条款,亚马逊没说。Muse 原本能替用户完成从搜索到结账的全流程,现在这些功能在亚马逊上全废了。这事把平台和 AI 公司之间的矛盾摆上了台面:当 AI 替人买东西时,流量和交易到底算谁的,规则还没定。

推荐理由:亚马逊以违反服务条款为由封禁 Meta 的 Muse 购物助手,切断其搜商品、比价和下单功能,平台与 AI 公司围绕交易入口的规则分歧由此浮出水面。

纽约时报中文网

伊朗、中国和以色列公司用开源AI模型搞大规模虚假账号行动

纽约时报报道,近几个月伊朗、中国及以色列境内组织利用中国开源AI模型创建智能体,在Instagram、Facebook、X和TikTok上自主开设虚假账户并散布政治虚假内容,美国官员称这是中国模型支持的智能体首次被用于影响力行动的每个阶段。

推荐理由:伊朗、中国和以色列组织用中国开源模型生成智能体,在四大平台自主开设虚假账号并散布政治内容,美国官员称这类智能体被用于影响力行动每个阶段。

9月20日星期日

Hacker News 首页

提示词没那么重要,不如搭一套评估流水线来管住模型

工程师 Dan McKinley 在演讲《Prompts aren't Real》中提出,提示词不应被视为可独立维护的单元,因为把新提示词加入智能体会把它丢进一个与测试时完全不同的上下文环境,其他指令的叠加会影响其表现。

推荐理由:工程师 Dan McKinley 在演讲中提出,提示词无法作为独立单元维护,因为新指令加入智能体后会进入与测试时不同的上下文环境,进而影响表现。

Hacker News 首页

阶跃星辰发布 Step 5 Preview,一个 600B 参数的 MoE 旗舰模型,主打编程和金融任务

阶跃星辰发布面向智能体工作的新旗舰模型 Step 5 Preview,采用稀疏 MoE 架构,总参数 600B、每 token 激活 27B,支持 1M token 上下文窗口和视觉输入。

推荐理由:阶跃星辰发布 600B 参数 MoE 旗舰模型 Step 5 Preview,主打编程与金融任务,公开评测中在 DeepSWE v1.1 等编程基准上略高于 Kimi K3 和 GLM-5.3。

Computing Life · Share · 鸭哥调研

Feedback Engineering:agent 自动化工程卡在哪,卡多久

作者以 Z.ai 复盘 GLM-5.3 驱动的 Infra Agent 部署国产芯片集群为例,提出 feedback engineering 方法:把验收与诊断分开,用分层、低成本、可客观验证的 dense feedback 让智能体定位故障。文中给出精度、并发与算子三类案例,并提醒厂商自报的端到端吞吐约 3 倍是多项技术叠加结果,诊断反馈的边际贡献尚无严格消融实验定量。

推荐理由:Z.ai 复盘 GLM-5.3 驱动的 Infra Agent 部署国产芯片集群,提出把验收与诊断分开的 feedback engineering 方法,并用精度、并发、算子三个故障案例说明分层反馈如何帮智能体定位问题。

9月19日星期六

Hacker News 首页

19 个模型打《星际争霸》,没有一个超过新手水平

作者 Ben Swerdlow 发布 Brood War Bench,让 19 个模型与 effort 配置在《星际争霸:母巢之战》中两两对战,Codex Astra / xhigh 以 18 胜 0 负、100% 胜率居首,Claude Fable 以 15 胜 3 负排第三。

推荐理由:作者 Ben Swerdlow 让 19 个模型与 effort 配置在《星际争霸:母巢之战》中两两对战,Codex Astra 的 xhigh 配置以 18 胜 0 负居首,所有模型都未超出新手水平。

9月18日星期五

TechCrunch · AI

Meta 的 AI 助手 Muse 登陆 Mac,能直接在你的电脑应用里帮你干活

Meta 把它的 AI 助手 Muse 搬上了 Mac。跟手机版一样,它能读取你的文件、信息、日历、笔记和邮件,然后直接在原生应用里替你操作。权限是你自己按需打开的,涉及敏感操作时它会先问你一声。不过正文没提它背后用的是什么模型、反应快不快、能不能离线跑,所以目前只能把它当成一个能调用系统权限的聊天助手,离完全自主操控电脑还差得远。

推荐理由:Meta 将 AI 助手 Muse 带到 Mac,可读取文件、日历和邮件并在原生应用内代为操作,权限按需开启,敏感操作前会先询问。桌面端 AI 助手又多了一个可实际动手的选项。

Hacker News 首页

ZCode 编程助手会悄悄上传你的整个 Git 历史,解密密钥只在 Z.ai 手里

开发者 ferstar 逆向分析 Z.ai 的 AI 编码桌面应用 ZCode 后发现,登录状态下它会将整个工作区打包加密上传至阿里云 OSS,包括完整 .git 历史、LFS 缓存、reflogs 和全局配置。

推荐理由:开发者 ferstar 逆向分析发现,ZCode 登录后会把含完整 .git 历史的整个工作区加密上传至阿里云 OSS,解密密钥由 Z.ai 单方掌握。

AI HOT 精选

3人团队花不到3000美元token费,用前沿模型攻进OpenAI员工账户

一个3人团队在7月25日利用两个漏洞接管了OpenAI员工的ChatGPT/Codex账户,并可访问Outlook、Slack、GitHub等关联服务。他们通过向OpenAI内部代码库提交PR的方式证明漏洞,全程不到72小时,token成本不到3000美元。

推荐理由:3人团队用不到3000美元token成本在72小时内接管OpenAI员工账户,并借关联服务与提交PR验证漏洞,这条把前沿模型攻击的成本和路径都摆了出来。

纽约时报中文网

中美担心的根本不是同一种 AI 风险

布鲁金斯学会研究员Kyle Chan在纽约时报观点文章中提出,中国对人工智能的担忧与美国截然不同,并不聚焦于人类生存威胁,而更关注政治和社会风险。文章称中国决策者更在意深度伪造、聊天机器人引发的心理依赖与社会动荡,并已要求面向公众的新模型在政府备案、通过测试后才能发布。

推荐理由:布鲁金斯学会研究员Kyle Chan在纽约时报观点文章中指出,中国决策者对人工智能的担忧集中在深度伪造、聊天机器人心理依赖与社会稳定,而非美国同行强调的生存威胁。

Computing Life · Share · 鸭哥调研

Grok Bot 产品负责人复盘:把 AI 当真人同事,做出一连串反常识的产品取舍

Cursor 第 15 号员工 Roman Ugarte 在 Lenny's Podcast 访谈中复盘了 Grok Bot 的产品决策,其核心参照系是遇到五五开分歧时先问如果这是个真人同事会怎么做。

推荐理由:Cursor 第 15 号员工 Roman Ugarte 复盘 Grok Bot 的产品取舍,把 AI 当真人同事这一参照系落到云电脑、长期记忆与砍功能等具体工程决策上。

TechCrunch · AI

管住失控的 AI 智能体,办法可能是再派一个 AI 盯着它

TechCrunch 报道称,随着企业把更长更复杂的任务交给 AI 智能体,人类已难以逐一审查其行为,业界开始尝试用另一个 AI 来监控智能体。Hugging Face 事件中近 12000 个智能体协同行动,速度超出人类追踪能力,Redwood Research 首席科学家 Ryan Greenblatt 称独立调查不得不依赖 AI。

推荐理由:企业把长任务交给 AI 智能体后,人工审查已跟不上其行动速度,Hugging Face 事件中近 12000 个智能体协同行动,业界开始尝试用另一个 AI 来监控智能体。

TechCrunch · AI

AI 安全辩论,争的是安全还是控制权?

Anthropic 的 CEO Dario Amodei 写了篇近四千字的长文,呼吁全球协调放慢 AI 研发速度,好腾出手来部署安全护栏。Sam Altman 和 Elon Musk 也公开支持这个想法。但批评者不买账,认为头部实验室这么急着喊刹车,更像是想锁死自己的领先地位,而不是真心应对风险。文章把两边观点都摆了出来,但没下结论。

推荐理由:Anthropic 的 Dario Amodei 发长文呼吁全球协调放慢 AI 研发,Sam Altman 和 Elon Musk 公开支持,批评者则质疑头部实验室意在锁定领先地位,文章把两方论据并列摆出。

AI HOT 精选

Qwen 发布 Qwen3.8-Omni-Flash,一个让音视频模型从“看懂”转向“干活”的原生全模态模型

Qwen 发布原生全模态模型 Qwen3.8-Omni-Flash,支持文本、图像、音频、视频输入与 1M-token 上下文窗口,目标是把全模态模型从理解内容推进到规划任务、调用工具并完成创作。

推荐理由:Qwen3.8-Omni-Flash 把音视频从感知输入推进到规划任务、调用工具并完成创作,官方给出 1M-token 上下文与音视频智能体评测提升。