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。
Flask 作者 Armin Ronacher 用 Pi 开发 Pi 时发现，项目 issue 里 83% 被自动关闭，因为大量 AI 生成的报告虽然行文专业、推理自洽，但结论是错的。问题不在 AI 代码质量差，而在于很多老手还在用过去的直觉判断 AI 输出——人类的错误有迹可循，AI 却会在一个错误假设上推导出一整套看似滴水不漏的方案，老手的经验识别...
推荐理由：这篇不是模型发布或产品上线，而是围绕 Armin Ronacher 用自家工具 Pi 开发 Pi 这件事的评论。我会先打个折，因为争议本身不算新，但 issue tracker 的数据让讨论落到了可查证的事实上，不是纯嘴炮。对天天跟 AI 结对编程的人来说，这种“老手翻车”的案例比 benchmark 更有说服力，所以给到 featured。
llama.cpp 的 server 端多了一个实验性的 --tools 参数，一口气给了 8 个内置工具：read_file、file_glob_search、grep_search、exec_shell_command、write_file、edit_file、apply_diff 和 get_datetime。说白了，就是让跑在本地的模型能直接读...
推荐理由：我会先打个折，因为还是实验性功能，而且来源主要是 Reddit 讨论，不是官方安全公告。但这事本身挺炸：llama.cpp 服务端直接塞进 exec_shell 和 edit_file，等于给模型开了系统级后门，正文又明说没有白名单和严格沙箱。对在本地跑 agent 的开发者来说，这不是“未来可能的风险”，是现在就得小心配置的东西。所以给了 featured 里偏低的分数，提醒大家注意，但不过度渲染。
这个模型不只是把语音转成文字再回复，它会捕捉你说话时的语气、语速、停顿甚至微表情这些“副语言”信息，让对话更自然。你可以通过 API 给它设定人格、背景故事和说话风格，官方说原生人格选项超过一万种，组合起来能有数百万种特征。产品内置了 5 个预设人格可以直接试，并且用 RLHF（基于人类反馈的强化学习）做了调优，在复杂的角色扮演压力测试里也能保持人设不...
推荐理由：我会先打个折：这是官方推文，没给延迟、定价、基准测试和实际铺开范围，所以只能当个中等体量的产品更新来看。亮点在于副语言感知——就是能听懂语气、停顿、笑声这些非文字信号，再配上可调的人格，对想做出有“人味儿”的语音助手团队来说，确实是个值得跟的信号。但没实测数据之前，先别太激动。
微软在一份报告里直接对比了两种成本：用 token 计费调用模型、用 agent 跑业务流程，以及雇人干同样的活。结论是，在这些特定场景下，AI 的综合开销已经超过了人工工资。报告没展开讲具体是什么任务、人力成本按哪个市场算的，但至少说明现在企业上 AI，不是闭着眼就能省钱。
推荐理由：我会先打个折：微软没公布具体是哪些任务、工资怎么算、对比口径是什么，所以这个结论不能直接套到所有场景。但它的价值在于，把 agent 和 token 计费的总成本摆上台面，提醒大家别只盯着单次调用价格。正文没披露具体金额和岗位，如果是真的，对靠堆 agent 降本的项目是个冷水。
AI 的 token 单价每年暴跌 10 倍，但企业的 AI 账单却在暴涨，因为市场正在分裂成两个经济逻辑完全不同的世界。低端市场被中国开源模型（如 DeepSeek V4 Flash、Qwen 3.5）杀到了地板价，输入成本最低只要 5 美分，靠的是推理效率提升和系统性低价策略；高端市场如 Claude Opus 4.7 依然卖到 15 美元，价格几...
推荐理由：这篇文章不是产品发布或一手测试，是一篇行业评论，但把 token 降价和企业账单膨胀这对矛盾讲得很清楚。我会先打个折：300 倍价差这个数正文没展开算细账，但作为趋势判断是成立的。对正在选模型、算成本的 AI 从业者来说，这篇能帮他们意识到便宜不一定等于省钱，锁定的隐性成本和 Agent 带来的负载增长才是大头。
Google 说 Gemini 应用月活用户超过 9 亿了。这次更新把 Gemini 从问答工具往主动干活的个人代理方向推了一步。新模型叫 Gemini 3.5 Flash，还换了套叫“Neural Expressive”的设计语言，另外 Gemini Omni 模型能把提示词直接生成视频。重点在两项代理功能：Daily Brief 会给你出个性化每日...
推荐理由：Google 这次更新核心就两件事：一是 Gemini 应用月活冲到 9 亿，盘子确实大；二是推出了 Daily Brief 和 Gemini Spark 两个代理功能，后者可以在用户授权下 24 小时跑任务。我会先打个折，正文没披露代理功能的具体完成率和延迟数据，实际干活靠不靠谱还不知道。但 9 亿这个量级加上“常驻后台的个人代理”定位，对做 agent 产品的团队来说是个明确的信号——大厂开始用自家分发渠道推代理了，竞争门槛在抬高。
这个版本主要做了三件事。第一，/usage 命令现在会按类别（比如对话轮次、工具调用）分开展示用量，方便你看出成本花在哪。第二，企业管理员可以通过 allowAllClaudeAiMcps 设置，允许团队直接使用 Anthropic 云端的 MCP 连接器，不用自己搭。第三，修了三个安全漏洞：PowerShell 脚本可能绕过权限执行、Git work...
推荐理由：Claude Code 的一次小版本更新，改动不多但都落在实处。/usage 现在能按类别看用量，方便你盯成本；企业管理员多了个 allowAllClaudeAiMcps 开关，可以统一放行 MCP 工具，不用一个个批。安全方面修了 3 个问题，最要紧的是 PowerShell 权限绕过——正文没展开具体利用条件，但光这个就够让运维团队推更新了。整体属于实用型发版，没画饼。
Claude 的自动模式现在 Pro 计划也能用了，不再是最贵那一档的专属。这次更新还接入了 Sonnet 4.6 和 Opus 4.7 两个模型，按 Shift+Tab 就能让 Claude 自己跑任务。正文没提价格有没有变，也没说是不是全量推送，这点先别太激动。
推荐理由：这是一次中等体量的产品更新，不是新模型或重大能力发布。自动模式进 Pro 计划，配上两个模型和快捷键，对日常靠 Claude 干活的开发者有实际影响，但还没到需要全行业关注的程度。
Anthropic 说，他们和大约 50 家合作伙伴用 Claude Mythos Preview 模型，在全球最关键的基础软件里找到了超过一万个高危或严重级别的漏洞。现在瓶颈已经不是找漏洞的速度，而是验证、通报和打补丁的速度。在开源软件扫描这块，模型自己估算发现了 6,202 个高危或严重漏洞，其中 1,752 个已经过独立安全公司或 Anthrop...
推荐理由：Anthropic 这次放出的不是模型跑分，而是 Claude 在真实关键系统里挖漏洞的战报。约 50 家合作伙伴用 Claude Mythos Preview 扫出超过一万个高危或严重漏洞，独立验证准确率 90.6%，说明模型在安全自动化这条线上已经从“能看”走到“能干活”了。我会先打个折：正文没披露漏洞类型分布、误报率和修复成本，也没说这 90.6% 是在什么条件下测的，所以准确率数字先别太激动。但不管怎么说，一万多个高危漏洞这个量级，加上 Mozilla、Cloudflare 这类合作方背书，对做安全自动化和关键基础设施防护的团队来说，是一个...
Anthropic 说，他们上个月启动的协作 AI 安全项目 Project Glasswing 已经和合作伙伴一起，在关键软件中发现了超过一万个高危或严重漏洞。不过正文没披露具体是哪些软件、漏洞怎么复现、以及现在修没修好。
推荐理由：我会先打个折：1 万多个高危漏洞这个数听起来很猛，但正文没披露漏洞清单、复现条件，也没说修没修，所以没法判断是真挖到硬伤还是扫出一堆已知问题。不过 Anthropic 把 AI 安全能力直接挂到关键软件漏洞挖掘上，对从业者来说是个值得跟的信号。这点先别太激动，等他们放出具体漏洞和修复数据再下判断。
这篇帖子来自一个叫 HomoAgens1 的本地部署实验，他把 Agent 的调度模型和写代码的大模型拆开看，专门测调度环节能缩到多小。他用的 Qwen3.6-35B-A3B 是个 MoE 模型，实际干活时只激活约 3B 参数，跑在一块 12GB 显存的 GPU 上，关了 30 个专家做 offload，生成速度能到每秒 40 个 token。实验发现...
推荐理由：我会先打个折：这是 Reddit 上的单人实验，不是正式发布，结论别当定论。但它的发现很实在——用 Qwen3.6-35B-A3B 跑 ReAct 编排，3B 激活参数就能在 12GB 显卡上跑到 40 t/s，成本够低。更小的模型不是推理先崩，而是工具调用纪律先坏，这个失败模式对选型很有参考价值。显存、速度和故障点都给了具体数字，对想在家用显卡上折腾 agent 的人是一手好参考。
Kakuna 是一个 AI 代理工具，专门把早期快速原型转成可维护的生产级代码库。它内置检查清单和“先定计划再执行”的工作流，模拟人类开发与运维的流程，在不动功能的前提下自动做代码审查、补测试、重构这些“无聊活”。工具强调用多个子代理并行干活来提效，一次大约 16 小时的运行能生成上百次提交，把一个脆弱的 MVP 变成结构清晰、能长期迭代的稳定项目。正...
推荐理由：Kakuna 这个工具让代理按内置检查清单和“计划-目标”流程自动加固代码，一次约16小时能跑出上百次提交。我会先打个折——单条推文来源、非大厂出品，验证强度有限，但信息量够：工作流机制、运行时长、产出规模都给了具体数字，不是画饼。对正在折腾原型转生产的开发者来说，这种“代理帮你擦屁股”的思路有参考价值，所以放在 featured 档。
谷歌这次发布的不是单个模型，而是一条让 AI 代理（能自主干活的程序）落地的工具链。Antigravity 2.0 是个独立桌面应用，配了命令行工具和 SDK，方便开发者直接在本机跑代理。Google AI Studio 新增 Kotlin 支持，号称能一键生成安卓应用并发布，还出了手机版 App。Gemini API 里加了托管代理服务，部署步骤简化...
推荐理由：HKR 三项都成立：谷歌端出了一套有名字、有组件的代理工具栈，覆盖本地开发、云端托管和浏览器协议。不过目前只有社交媒体的摘要，正文没披露定价、API 细节和实际演示，所以分数卡在 78–84 这个区间。我会先打个折，等看到更完整的文档再往上调。
SemiAnalysis 扒了 43.2 万条真实编码智能体的请求记录，输入 token 的中位数不是大家常说的 3.2 万或 6.4 万，而是 9.6 万。这个量级意味着模型在接到你的问题之前，已经吞下了比《了不起的盖茨比》全书还长的上下文。正文没披露用了哪些模型、成本曲线、采样方式和统计时间窗口，所以这个数字先当个参考，别急着拿它算账。
推荐理由：HKR 三项都过：SemiAnalysis 拿出了一个 43.2 万条编码智能体请求的数据集，中位输入 9.6 万 token，这个数据点本身够硬。但模型、成本曲线、采样方法全都没说，所以只能算强数据点，到不了必写级别。
Superset 把自己定位成“AI 代理时代的代码编辑器”，核心卖点是能在一台机器上并行跑 Claude Code、Codex、OpenCode 等多个编程助手，通过 git worktree 让它们互不干扰地改代码。团队还放出了 Remote Workspaces 的测试版，可以在远程机器上跑这些助手，再从桌面应用里统一管理。项目在 GitHub ...
推荐理由：HKR 三项都踩中了，但这是 YC 新项目的首发帖，正文没给用量、定价和性能对比。git-worktree 并行 agent 这个工作流设计够上 featured，但离必写还差实际验证数据。
Mistral 在 Studio 发布 Connectors，所有内置连接器和自定义 MCP 现可通过 API/SDK 用于全部模型与智能体调用。新功能包括直接工具调用、human-in-the-loop 审批流程，以及对连接器的创建、修改、列出和删除等编程访问。
推荐理由：原文给出 Connectors 的 API 用法与代码示例，读者可据此判断企业级 MCP 集成如何落地。
千问 App 更新到 6.9.7 版就能在对话框里切到 Qwen3.7-Max，PC 和网页端也一样，目前免费。官方说这个模型主打“让模型进业务流程干活”，能写代码、自动跑办公流程，还能扛住长任务——他们自己测了一次 35 小时、调用工具超过 1000 次的内核优化实验，全程没断思路。不过这些数据来自官方测试，实际体验会不会打折还得自己试。另外，API...
推荐理由：阿里把 Qwen3.7-Max 铺到千问全线产品，门槛降到免费，还特意强调 35 小时连续工具调用没崩，摆明了在打 agent 可靠性和零成本体验这两张牌。我会先打个折：正文没给基准测试、上下文窗口和 API 定价，所以实际能力上限和商用成本还看不清。但就凭多端同步上线和这个压测结果，对正在选模型做工具链集成的人来说，是个值得立刻上手试的信号。
Google I/O 上，DeepMind 的 Hassabis 一边用“我们正站在奇点的山脚下”这种大词，一边展示的是 WeatherNext 提前预警飓风救了人命。这正好点出了 AI 做科研的两条路线：一条是像 WeatherNext、AlphaFold 这种专为解决某个科学问题训练的专用工具；另一条是让通用大模型像智能体一样自己搞研究。现在资源明...
推荐理由：我会先打个折：这篇是 MIT Technology Review 的评论，不是一手技术报告，所以细节有限。但它的判断站得住——Google 把科学 AI 的牌子从 AlphaFold 那套单独炫技，换成 Gemini for Science 这个统一入口，还塞进了 AI Co-Scientist 和 AlphaEvolve 两个组件，并且开放申请。对做 AI 应用的人来说，这比发一篇论文实在，因为能摸到产品了。不过别太激动，正文没披露这套东西的算力成本、实际科研产出对比，也没说普通团队用不用得起，所以目前更像一个方向牌，不是落地手册。
这期主要聊了三家 AI 基础设施公司的融资进展。TurboPuffer 先确认年经常性收入达到 1 亿美元并且已经盈利，这个数字说明做向量数据库的生意可以自己造血了。Exa 完成了 2.5 亿美元的 C 轮融资，估值 22 亿美元，他们做的是 AI 搜索引擎。Modal 融了 3.55 亿美元，估值冲到 47 亿美元，业务是帮开发者更方便地跑模型和部署...
推荐理由：Latent Space 这条汇总把三笔 AI 基础设施融资串在一起，信息密度高。TurboPuffer 做到 1 亿美元年经常性收入并且盈利，说明向量搜索这类基础能力已经有客户愿意持续付费，不是纯烧钱。Exa 拿 2.5 亿美元 C 轮、估值 22 亿美元，Modal 拿 3.55 亿美元 C 轮、估值 47 亿美元，两笔都是大额后期融资，反映资本在往模型训练和推理的底层平台集中。对做 AI 应用的人来说，这些数字能帮你判断下游供应商的稳定性和议价空间。正文没展开各家具体技术指标或客户构成，所以估值背后的溢价逻辑只能看个大概，这点先别太激动。
这篇研究来自香港理工大学和香港科技大学（广州），他们做了一个叫 ULSPB 的测试集，里面有 350 种场景。核心发现是：攻击者不需要写越狱提示词，只要在日常对话里夹带私货，就能慢慢把 AI 助手的长期记忆带偏。比如聊着聊着，让模型记住错误的用户偏好或事实，后续决策就会出错。团队还提出了一个防御方案叫 StateGuard，原理是在每次更新记忆前先检查...
推荐理由：这篇我会先打个折：正文没给出具体攻击成功率或防御对比数字，所以没法判断实际危害有多大。但选题本身很刁钻——大家盯着越狱攻击，它却告诉你正常对话也能让 Agent 慢慢“学坏”，这对把 Agent 放进业务流程的团队是个实在的提醒。ULSPB 的 350 个设置让测试面够宽，不是那种只测三五条样本的玩具基准。建议关注后续有没有开源测试集和修复方案，这点先别太激动。