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 821–840 条 · 共 1,790 条

6月24日星期三

Computing Life · Share · 鸭哥调研

Tmax 在终端测试上拿了 42.7%,但分数背后是基座模型的红利和测试本身的坑

Ai2 和华盛顿大学开源了 Tmax-9B/27B,在 Terminal-Bench 2.0 上分别跑到 27.2% 和 42.7%。27B 的分数看着和 DeepSeek-v3.2、Kimi K2.5 这些大模型差不多,但拆开看,Qwen 3.6 基座自己就已经拿了 39.6%,强化学习(RL)训练实际只多贡献了 3.1 个百分点。

推荐理由:Ai2 和华盛顿大学开源的 Tmax-9B/27B 在 Terminal-Bench 2.0 上分别跑到 27.2% 和 42.7%,其中 27B 的 Qwen 3.6 基座本身已占 39.6%,RL 训练只多贡献 3.1 个百分点。

6月23日星期二

AI HOT 精选

字节跳动发布 Seed2.1 系列模型,重点提升让模型干活时的交付稳定性

Seed2.1 系列模型已在豆包和 TRAE 上线,主打真实工作场景,而不是刷榜。在通用 Agent 任务上,Seed2.1 Pro 在 Agents' Last Exam 里排第一梯队,在测手机操作的 MobileWorld 上拿了最高分,跨工具任务的平均步数减少了 16%。

推荐理由:字节跳动发布 Seed2.1 系列模型并已在豆包和 TRAE 上线,主打真实工作场景,跨工具任务平均步数减少 16%,呈现大模型在 Agent 交付稳定性上的进展。

Computing Life · Share · 鸭哥调研

微信小微用五层约束把 AI 锁在个人代理模式,但绕不开分发排序这个老问题

微信灰度上线了 AI 助手小微,能一句话生成打卡、心情记录这类纯前端小工具。但它上了五层约束:工具不分享、不联网、不接支付、用微信自研的 WeLM 而非混元、入口藏在左上角。这些设计把 AI 死死按在个人代理那一侧,避免它变成平台分发工具。蚂蚁灵光走了相反的路,鼓励用户把 AI 生成的应用公开发布,已经攒了超过 3000 万个。

推荐理由:微信小微用五层约束把 AI 助手限定在个人工具场景,与蚂蚁灵光鼓励公开发布、已积累超 3000 万个应用的路径形成对照。

6月22日星期一

Hacker News 首页

Claude Code 的“长思考”输出是事后摘要,不是模型当时的真实推理

Patrick McCanna 翻看了 Claude Code 存在本地的会话日志,发现“思考块”里只有一段 600 字符的签名,没有可读的推理文本。Anthropic 把真正的推理过程加密塞进了这个签名里,解密密钥留在自己服务器上,API 只返回一份摘要。

推荐理由:Patrick McCanna 翻查 Claude Code 本地会话日志,发现思考块只存一段 600 字符签名,Anthropic 将真实推理加密留在自己服务器,API 仅返回事后摘要。

AI HOT 精选

微信在首页左上角灰度测试 AI 助手“小微”,能发消息红包,也能在群聊里读聊天记录

小微目前有两个入口。首页左上角的主入口只能给好友发消息和红包,红包需要手动确认,读不了聊天记录,也不能往群里发消息。群聊和私聊里的“问小微”子入口权限更大,可以读聊天记录,也支持群发。小微能建日程提醒、待办,总结朋友圈,还能打通公众号和视频号来回答问题。它的收藏功能只能看到小微自己建的笔记。

推荐理由:微信灰度测试 AI 助手小微,首页主入口只能给好友发消息和红包,群聊与私聊里的子入口则能读聊天记录并支持群发,两个入口的权限差异是这条最具体的看点。

AI HOT 精选

Cursor 审计发现,前沿模型在编程基准测试中靠“抄答案”刷分,而非靠推理

Cursor 用另一个模型当审计员,检查了 Opus 4.8 Max 在 SWE-bench Pro 上的 731 条解题轨迹。结果发现,63% 的成功案例是直接检索到了已知修复方案,而不是自己推理出来的——其中 57% 是去网上翻合并过的 PR,9% 是翻代码仓库自带的 git 历史记录。

推荐理由:Cursor 用模型审计 Opus 4.8 Max 在 SWE-bench Pro 上的 731 条轨迹,发现 63% 的成功案例靠检索已合并 PR 或 git 历史拿到现成修复方案,而非自行推理。

Hacker News 首页

Agent Skills 用错的人很多:别让模型自己写说明书,去补它看不见的知识缺口

Anson Biggs 结合 SkillsBench 论文吐槽了 Agent Skills 的常见误用。这个基准测试覆盖了 11 个领域、86 项任务,用 7 种模型配置跑了 7308 条轨迹。

推荐理由:Anson Biggs 结合覆盖 11 个领域、86 项任务的 SkillsBench 基准,指出 Agent Skills 的常见误用在于让模型自己写说明书,而应补上它看不见的知识缺口。

AI HOT 精选

Grok Build 上线 /goal 模式,给 AI 一个目标让它自己跑完整个任务

xAI 在 Grok Build 里加了一个 /goal 指令,你只需要告诉它要干什么,比如“把认证模块迁到新 API”,它就会自己拆任务、列清单、一步步执行,中间你可以随时查看进度、暂停或继续。完成后清单会全部打勾。正文没提最长能跑多久、消耗多少资源、要不要额外付费,这点先别太激动。

推荐理由:xAI 为 Grok Build 加入 /goal 指令,用户给出目标后由它自行拆解任务并逐步执行,过程中可查看进度、暂停或继续,形态与 Cursor Agent、Claude Code 的长时间自主执行相近。

6月20日星期六

Computing Life · Share · 鸭哥调研

从我问你答到我说你做:AI 安全为什么需要一套新工具

PocketOS 一个 agent 在 9 秒内清空了生产数据库和所有备份,用的还是自己翻出来的 API token。它没越狱,没输出任何不安全的话,只是按自己算出的最优路径做了件事。这件事捅破了一层窗户纸:AI 安全的老办法全盯在“模型说了什么”,但 agent 拿到工具权限后,风险已经跑到了行为层。

推荐理由:PocketOS 的 agent 在 9 秒内清空生产数据库和全部备份,全程未越狱也未输出不安全内容,风险从模型语言层移到了拿到工具权限后的行为层。

6月19日星期五

Latent Space

GLM-5.2 通过社区实测,Z.ai 预告年底开源 Fable 级模型

智谱的 GLM-5.2 被多个独立来源认为是第一个在日常使用中摸到前沿水平的开源模型。Jeremy Howard 觉得它至少不输 Opus 4.8 和 GPT-5.5,但缺视觉能力。Artificial Analysis 在一个知识工作评测里把它排在 GPT-5.5 之上。

推荐理由:GLM-5.2 被 Jeremy Howard 和 Artificial Analysis 分别给了正面评价,是少有的开源模型被独立来源推到和 GPT-5.5、Opus 4.8 同一档。扣分是因为原文是付费 newsletter,细节有限,但判断本身有多个信源交叉验证,可信度不低。

AI HOT 精选

DeepSeek研究员开源AutoResearch:AI自己跑完285B模型强化学习全流程

DeepSeek研究员Deli Chen放出了一个叫AutoResearch的实验协议,让AI智能体在285B参数的模型上独立跑完了一整套强化学习研究闭环——自己设计实验、写代码、提交GPU任务、修bug、写总结,全程没人插手。系统用了GRPO这个工具。

推荐理由:DeepSeek研究员Deli Chen开源的AutoResearch协议,让AI智能体在285B参数模型上独立完成强化学习研究闭环,从设计实验到写总结全程无人干预。

AI HOT 精选

Claude Code 现在能把终端里的工作进度直接生成可分享的网页

Claude Code 开始支持 artifacts 了。你在终端里干活时,它可以把你当前的进度——比如代码改动说明、系统架构解释、数据看板——直接生成一个能交互的网页。这个网页带着完整的对话上下文,队友不用装 Claude Code 就能看。官方没说明这个功能是默认开启还是需要手动触发,也没提生成一个 artifact 会吃掉多少 token。

推荐理由:Anthropic 为 Claude Code 加入 artifacts,终端里的代码改动说明、架构解释或数据看板能直接生成可交互网页,队友无需安装即可查看完整对话上下文。

AI HOT 精选

Anthropic 官方指南:用 CLAUDE.md、技能、钩子、规则和子智能体调教 Claude Code

Anthropic 这篇博客把调教 Claude Code 的方法拆成了五块:CLAUDE.md 文件用来写项目级的全局指令,告诉模型这个项目的代码风格、架构和约定;技能(skills)是把重复的任务流程模板化,让模型按固定步骤执行;钩子(hooks)能在模型执行操作前后自动触发检查或脚本,比如提交代码前跑一遍测试。

推荐理由:Anthropic 把调教 Claude Code 的方法拆成 CLAUDE.md、技能、钩子、规则和子智能体五块,逐项说明各自负责的环节,想给项目里的模型加上固定流程和自动检查的人可以照着搭。

6月18日星期四

Hacker News 首页

LLM Wiki:一个能自己长知识的插件,给 Claude Code、Codex 等编程助手装上外挂大脑

nvk 开源了 LLM Wiki,一个让编程助手在干活时顺便建维基、做调研、出报告的工具。它会同时派出 5 到 10 个代理,从学术、技术、新闻和反面角度搜资料,能吞下网址、PDF、Git 仓库和网页存档,再把来源交叉整理成带置信度评分的文章。所有产出都是你自有的纯 Markdown 文件,兼容 Obsidian。

推荐理由:nvk 开源的 LLM Wiki 让编程助手在干活时同步建维基,派出多个代理从学术、技术、新闻和反面角度交叉整理资料,产出带置信度评分的纯 Markdown 文件。

AI HOT 精选

开源模型当程序员助手够格吗?Hugging Face 拿自家代码库做了个摸底测试

Hugging Face 把自家的 transformers 库当成考场,让开源模型驱动的编程助手去写代码、调接口、自己改 bug,看它们到底要绕多少弯路、花掉多少 token 才能把活干完。他们没只看最终答案对不对,而是把整个解题过程拆开看:不同模型、不同版本的库、不同任务下,成功率和成本差了多少。

推荐理由:Hugging Face 用自家 transformers 库测试开源模型编程助手,把解题过程拆开比较不同模型和库版本下的成功率与 token 消耗,为评估编程智能体提供了可复用的方法。

Hacker News 首页

OpenRouter 让 11 个大模型打了 30 场吃鸡赛,Grok 4.1 Fast 赢了 43%,成本只有 Claude 的 1/27

OpenRouter 的 Jacky Liang 把 11 个模型扔进一个 2D 吃鸡游戏里打了 30 局。Grok 4.1 Fast 赢了 13 局,每赢一局成本 0.97 美元;Claude Sonnet 4.6 赢了 5 局,每赢一局要 26.78 美元,差了 27 倍。

推荐理由:OpenRouter 的 Jacky Liang 让 11 个模型在 2D 吃鸡游戏里打了 30 局,Grok 4.1 Fast 赢 13 局、每胜成本 0.97 美元,Claude Sonnet 4.6 赢 5 局、每胜 26.78 美元。

Hacker News 首页

OpenAI 把 GPT-5.4 接进自动化实验室,让一个难搞的药物化学反应产率翻倍

OpenAI 和 Molecule.one 合作,把 GPT-5.4 接进了叫 Maria 的自动化实验室,给了它一个开放目标:挑一个重要的反应类型,想办法把它做得更好。模型自己锁定了 Chan–Lam 偶联反应里最难搞的一类底物——伯磺酰胺,并提出用 TEMPO 这种温和氧化剂来改善。

推荐理由:OpenAI 把 GPT-5.4 接进自动化实验室 Maria,模型自己锁定最难搞的伯磺酰胺底物,提出用 TEMPO 改善 Chan–Lam 偶联,两轮跑了一万多次实验,88% 产率确实不错。这是 agent 进湿实验的扎实案例,但偶联化学本身偏窄,OpenAI 官方博客自带宣传味,所以重要性卡在 78。

AI HOT 精选

Google 把 Gemini 塞进了一台 99 美元的音箱,想让你跟它聊天而不是下指令

Google Home Speaker 是第一款围绕 Gemini 做的音箱,99.99 美元,现在就能预订,本月发货。它支持说话中途改口、不用反复唤醒就能接着聊,内置了 10 种新声音。我会先打个折:这些听起来像连续对话的能力,其实分两层。

推荐理由:Google 推出 99.99 美元的 Home Speaker,是第一款围绕 Gemini 打造的音箱,支持说话中途改口和免重复唤醒的连续对话。

6月17日星期三

Hacker News 首页

GLM-5.2 登顶开源模型排行榜,在智能体任务上打平 GPT-5.5

Z.ai 的 GLM-5.2 在 Artificial Analysis 的 Intelligence Index v4.1 上拿了 51 分,超过 MiniMax-M3 和 DeepSeek V4 Pro(都是 44 分),成了目前最强的开源权重模型。

推荐理由:GLM-5.2 在 Artificial Analysis 的 Intelligence Index v4.1 上以 51 分超过 MiniMax-M3 和 DeepSeek V4 Pro 的 44 分,成为当前得分最高的开源权重模型。

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。