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。

1,789 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 41–60 条 · 共 1,789 条

11月11日星期三

The Verge · AI

Google 向公众推出 Gemini 4 Carbon,并预览智能体 swarm 功能

Google 今日向付费开发者、企业及 Google AI Ultra 订阅用户推出 Gemini 4 Carbon,定位于复杂多步骤编码和开放式科学研究。Google 同时在 Antigravity 预览 swarm 功能,可将单条提示词转为协同工作的智能体团队。

推荐理由:Google 为 Gemini 4 Carbon 设置低于前沿竞品的 token 定价,任务总成本仍取决于模型消耗的 token 数量。

11月10日星期二

Google DeepMind

Google DeepMind 公布 AlphaProof Code,完成 Signal 核心密码代码的形式化验证

Google DeepMind 公布 AlphaProof Code 多 LLM 智能体框架,在四周内完成 Signal 协议核心密码代码关键安全属性的形式化验证。

推荐理由:Google DeepMind 将 Signal 的形式化验证从协议设计推进到实际代码层面,覆盖设计与实现之间容易隐藏漏洞的落差。

Latent Space

Anthropic IPO 路演启动,Claude Fable 5.2 重回大语言模型榜首

Anthropic 在周一启动 IPO 路演并发布 Claude Fable 5.2 与 Claude Mythos 5.2,Fable 5.2 在 Artificial Analysis Intelligence Index v5 以 65 分排名第一。

推荐理由:Fable 5.2 将每 token 价格降低 20%,GDPx 每任务成本却从 $67.16 升至 $88.15。

Hacker News 首页

CPython 形式化研究:AI 智能体用 Lean 建模,整理出 418 份缺陷报告

CPython 形式化项目使用 Opus 5.5 将 CPython 3.15.2 的函数逐行改写为 Lean,已有 4,071 个函数通过测试、形式化验证与独立智能体审查,占待检查函数的 15.7%。

推荐理由:CPython 形式化项目将逐行建模、差分测试与独立审查结合,用真实运行结果检验形式化结论是否遗漏异常与内存行为。

Hacker News 首页

Fable 5.2 一次执行做出侄子梦想中的游戏,后续扩展至 18 个角色

lexandstuff 实测 Claude Code 搭配 Fable 5.2,从侄子的设计图和已有游戏代码出发,一次执行生成了可玩的 12 关横版动作游戏。模型重写了大部分代码,生成约 175 张图片和 140 段音频,并编写机器人在无头浏览器中跑完十二关、检查截图。

推荐理由:Fable 5.2 编写机器人在无头浏览器中跑完十二关并检查截图,将自动试玩与画面检查用于生成游戏的基础测试。

Hacker News 首页

Google 推出 TPU 8tx 和 TPU 8i Max,分别面向机密推理与超长上下文

Google 扩展第八代 TPU 产品组合,推出面向安全机密推理的 TPU 8tx 和面向超长上下文的 TPU 8i Max。TPU 8tx 采用与 TPU 8t 相同的芯片,提供硬件级数据与模型权重保护,延迟相比 TPU 8t 最多降低至一半,并支持私有数据微调、知识蒸馏和强化学习。

推荐理由:Google 通过复用现有芯片并调整安全、网络和内存配置推出专用 TPU 系统,将硬件系统适配周期从数年缩短至数月。

claude.dev 开发者博客

Claude 模型选型指南:如何选择 Fable、Opus、Sonnet 或 Haiku

Anthropic 建议多数编码与知识工作从 Claude Opus 5.5 的 medium 思考力度开始,按任务难度选择 Sonnet 5.5、Haiku 5.5 或 Fable 5.2。指南强调按完成任务的成本选型,先提供自动验收手段,再调整思考力度或升级模型,并将易核查的辅助任务交给较小模型。切换模型还需检查提示词缓存、思考块保留和 API 参数兼容性,最终用真实任务比较质量与开支。

推荐理由:Anthropic 将 Claude 选型拆成模型、思考力度和任务完成成本,提出用自动验收与失败重跑控制开支的方法。

claude.dev 开发者博客

Claude Fable 5.2 如何在安全边界内扩展千个智能体的协作

Anthropic 在一项小型实验中,让运行早期 Claude Fable 5.2 的 1,000 个智能体用 28.7 小时复现费马大定理的形式化证明。团队未使用 Prove2Me 或研究人员指导,但获得了 60 个待证命题、简短路线提示、相关定义及此前已证明的 47 个引理,通过 Git 和共享数据库自行协调,输出 token 用量为原工作的三分之一,证明长度为七分之一。

推荐理由:Anthropic 让千个智能体通过共享数据库与 Git 自行拆分和协调任务,将大规模协作限制在隔离沙箱与双层监控之内。

Hacker News 首页

Meta 发布 Muse Ember,面向高频智能体任务的小型高效模型

Meta 发布 Muse Ember,面向工具调用、编码子任务、路由、信息提取和长文档解析,现已在 Muse Code 和 Meta Model API 提供 muse-ember-1.0。

推荐理由:Meta 发布的 Muse Ember 面向重复性智能体任务,以接近 Muse Spark 1.3 的智能指数提供更低的每任务成本。

The Verge · AI

Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2

Anthropic 宣布 Claude Fable 5.2 和 Claude Mythos 5.2,称其编码、推理和视觉能力提升,输出速度快于 5.1 版本。公司称预发布测试中,两款模型协助完成软件迁移、从零设计出 3 个可工作的电子设备、解决 2 个黑洞物理开放问题,并在 30 小时内形式化费马大定理的证明。

推荐理由:Anthropic 为两款新模型设置了不同开放范围,Fable 今日上线而 Mythos 初期仅向经审核组织开放。

Computing Life · Share · 鸭哥调研

Agent Harness 技巧评测解读:哪些框架设计能提升表现并降低成本

Surge AI 与 FireFlash 的对照实验显示,编程智能体可通过提高单模型思考深度、设置测试与目标核对关卡、改造终端管道提升表现。Surge AI 实验中,Compound Engineering 将成本提高至基线的 8 倍,成绩仅从 31.1 升至 32.9;Claude Opus 5.5 调高思考设置后达到 42.4,成本为基线的 3.5 倍。

推荐理由:Surge AI 与 FireFlash 团队拆解智能体框架技巧的成本收益,实验对比了多代理协作、单模型深度思考与终端管道改造。

11月9日星期一

Computing Life · Share · 鸭哥调研

Kimi 与智谱对齐 Claude 托管智能体接口,协议竞争提前结束了吗?

Kimi Hosted Agents 与智谱 Z Managed Agents 对齐 Claude Managed Agents 的四元控制面,文章据此分析托管智能体的协议收敛与技术选型。

推荐理由:Kimi 与智谱沿用 Claude 的四元托管接口,将角色、环境、会话和事件分离,为长程任务提供跨厂商复用的客户端抽象。

Latent Space

斯坦福如何教授 AI 原生工程:Mihail Eric 详解课程与 Monaco 实践

Mihail Eric 在访谈中介绍斯坦福 CS146S 如何培养 AI 原生软件工程师,并结合 Monaco 团队实践讨论课程设计。课程为期 10 周,覆盖编码智能体内部机制、上下文工程、技能、代码审查与安全,并加入由开源维护者审查学生补丁的项目贡献作业。Monaco 评估代码审查产品后采用 Devin,同时根据自身云环境自建智能体工作空间,让后台智能体运行产品、复现故障并测试补丁。

推荐理由:Mihail Eric 将开源贡献纳入斯坦福课程,让维护者审查学生补丁,以真实项目中的需求讨论和代码反馈训练软件设计能力。

11月8日星期日

Hacker News 首页

Apiiro研究发现 Claude Code“不再询问”设置使凭据暴露于1,122个公开GitHub文件

Apiiro研究发现,Claude Code的“不再询问”选项会将含凭据的完整命令写入.claude/settings.local.json,GitHub上1,122个公开文件包含此类秘密凭据。

推荐理由:Apiiro研究追踪了批准命令中的凭据如何进入项目配置文件,指出按密钥格式扫描会漏掉命令内的普通密码。

Hacker News 首页

MaxxBench 研究检验 DeepSWE 高分能否迁移到修改后的任务

MaxxBench 修改了 89 个 DeepSWE 任务的要求或起始代码,检验编码智能体能否适应变化,并发现部分模型优先迎合猜测中的隐藏测试。

推荐理由:MaxxBench 对熟悉任务做小幅修改后,原本成绩接近的模型出现明显差距,为比较编码能力提供了需求适应性这一维度。

Computing Life · Share · 鸭哥调研

GDPx 真实工位评测解读:AI 连干 8 小时暴露的六个工程教训

SemiAnalysis 的 GDPx 评测让模型使用原厂智能体框架,在最多 8 小时内解决 206 个真实业务问题,最强模型平均得分约 12%。文章据失败案例提炼六条工程经验,包括建立文档权威地图、设置独立回滚门禁、编写确定性测量脚本、维护外部证据账本、检查评测环境及按单任务总成本分级路由。

推荐理由:文章从 GDPx 的长程任务失败案例提炼工程方法,将文档权威标注、独立回滚验证与外部证据账本纳入智能体工作流。

11月7日星期六

The Verge · AI

AI 打乱了网络安全体系,Alex Stamos 如何看待下一步?

Cognition 首席安全官 Alex Stamos 在 Decoder 访谈中指出,AI 正降低攻击门槛并加速漏洞利用,网络安全将经历一段适应新攻防条件的“黑暗时代”。

推荐理由:Alex Stamos提出用分层模型处理安全告警并限制智能体权限,将防御成本控制与自动响应风险放进同一套操作方案。

Hacker News 首页

Perplexity 推出面向长期工作的 AI 智能体 Teammates

Perplexity 推出 Teammates,在 Computer 内协调 AI 智能体和持续项目,支持规划任务、主动监测变化并提交结果供用户审阅。Teammates 可记住项目目标、任务历史和共享文件,接入 Slack、GitHub 或 Gmail,并在独立环境中按工具和项目权限运行。该功能初期面向 Perplexity Max 订阅用户在网页端开放,即将登陆 iOS。

推荐理由:Perplexity 将持续监测、任务记忆和跨智能体协作纳入 Teammates,让团队能委派长期项目并在执行中审阅和调整工作。

11月6日星期五

Hacker News 首页

腾讯发布 Hy4,新增视觉理解与计算机操作能力,计划开放模型权重

腾讯发布新一代大语言模型 Hy4,新增视觉理解和计算机操作能力,并计划在未来几天发布模型权重与系统卡。模型加强了指令遵循、长上下文理解及长周期智能体任务能力,目前已接入 WorkBuddy、CodeBuddy、腾讯云 TokenHub 等产品。

推荐理由:腾讯为 Hy4 增加视觉理解与计算机操作能力,并保持 Hy4 Preview 的定价,扩展任务范围未伴随标准调用价格上调。