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。
regent-vcs 开源了一个叫 re_gent 的工具，想给 AI 编程助手（目前只支持 Claude Code）加上类似 Git 的版本控制。它能记录 AI 为什么改某个文件、支持把整个对话过程回滚到之前的状态，还能用二分法定位 AI 的哪一步操作引入了问题。项目刚发布，正文没披露许可证、数据存储格式和具体安装步骤，目前只有 42 个星标和 2 ...
推荐理由：HKR 三条都站得住：Git 的类比让人一眼就懂，功能描述具体到删除追踪和 bisect，Claude Code 用户回退的痛点是真实存在的。不过正文没披露许可证、存储格式和安装方式，信息缺口明显，所以分数先打个折，放在 featured 这一档。
OpenAI 发了一篇技术博文，讲他们内部部署编程代理 Codex 时用的安全方案。核心是四件事：第一，用沙箱把代理的执行环境圈起来，低风险操作自动放行，高风险动作必须等人拍板；第二，网络访问不做全开放，只允许访问已知域名，陌生域名要审批；第三，身份认证强制走 ChatGPT 企业工作区，凭证存在系统钥匙串里；第四，代理的所有行为都通过 OpenTel...
推荐理由：我会先打个折：正文没给评测数据、事故率，也没说企业部署要满足什么条件，所以分数停在 74。但 HKR 三项都踩中了——OpenAI 把 Codex 的安全拆成沙盒、人工审批、网络策略和遥测四层，对做代码 agent 的人来说是能直接参考的架构思路。这点先别太激动，毕竟没看到跑分或实际事故记录，但作为安全方案框架，信息量够用。
许晓斌在内部访谈里给了几个数：工程师重度用 AI 后，写代码占工作时间从 30% 掉到 5%，跟 Agent 对话的时间从 5% 涨到 60%，端到端交付效率提升 2 到 3 倍，纯编码效率提升 10 倍。这些数字来自内部访谈，不是大规模统计，样本量和统计口径正文没披露，所以我会先打个折看。核心变化不是代码写得更快，而是工程师的时间分配被彻底打散重排—...
推荐理由：阿里技术这篇是内部访谈整理的组织方法论，不是产品发布或模型更新，但给出的数字很具体，能让人直观感受到 AI 把工程师的工作重心从写代码拽到了指挥 Agent 上。我会先打个折：效率提升 2 到 3 倍这个说法正文没交代是怎么算出来的，样本量和统计口径都不清楚，这点先别太激动。不过 HKR 三项都踩中了，放在 featured 门槛上刚好。
这篇是 ICLR 2026 的论文，讲的是英伟达 Cosmos Lab 和普渡大学搞的 Scenethesis 框架。它让语言和视觉模型组成一个 agent 闭环，根据文字描述生成 3D 场景。流程里加了视觉定位、基于 SDF 的物理约束，还有一个裁判模块来挑错。实验数据是：首次生成成功率约 72%，模型自己检查修正后能拉到 91%，碰撞率从 6.1%...
推荐理由：我会先打个折：正文没披露 72% 和 91% 是在什么数据集上跑的，也没说 judge 模块本身会不会出错，所以这个自检提升幅度先别太激动。但思路本身挺实在——让 agent 自己生成、自己检查、自己修，相当于给文生 3D 加了个质检闭环。SDF 物理约束这个点也值得留意，它不是纯靠视觉打分，而是用几何和物理规则卡了一道，理论上能减少穿模和浮空这种低级错误。对做机器人仿真和 3D 资产管线的人来说，如果这套流程真能稳定跑通，省下来的手工修场景的时间会很可观。
OpenAI 发了三个实时语音模型：GPT-Realtime-2 能边听边推理，上下文窗口 128K；GPT-Realtime-Translate 支持 70 多种语言输入、13 种语言输出，做流式同传；GPT-Realtime-Whisper 实时转写每分钟只要 0.017 美元。正文没披露具体推理跑分和翻译延迟数据，实际效果还得等上手测。
推荐理由：OpenAI 一口气发了三个实时语音 API，覆盖推理、翻译和转写，HKR 全中。128K 上下文意味着能处理很长的对话，70 多种语言输入和每分钟 0.017 美元的转写价格，对做同传和语音 agent 的团队来说，成本和能力边界都清楚了，值得当天就写。
Ai2 研究员 Nathan Lambert 在 36 小时内密集拜访了智谱、月之暗面、清华、美团、小米和零一万物。他观察到中国 AI 实验室普遍紧盯字节跳动的动向，同时对 DeepSeek 的技术实力和开源做法表示尊重。学生深度参与核心工作、开源习惯以及技术栈的自主掌控，是中美 AI 生态的几个明显差异。
推荐理由：这篇不是模型发布或大厂合作，属于一手见闻加行业判断，信息密度高但偏观察性质。我会先打个折，放在featured而不是p1。正文没给出具体数据验证，但研究员身份和走访名单让可信度不低，值得从业者花几分钟读。
工信部等部门联合发布了《人工智能终端智能化分级》国家标准，把终端设备的 AI 能力分成 L1 响应级、L2 工具级、L3 辅助级和 L4 协同级四个等级，等级越高设备越“聪明”。标准覆盖手机、电脑、电视、眼镜、汽车座舱、音箱、耳机七类产品，起草单位包括小米、荣耀、华为、OPPO 等。L4 协同级的具体要求正文没披露，说后续再补。另外，具体的测试指标和判...
推荐理由：这条国标先把 AI 终端的智能化程度分成了 L1 响应级、L2 工具级、L3 辅助级、L4 协同级，首批覆盖手机、电脑、眼镜、电视、耳机等 7 个品类，框架是“2+N”。对从业者来说，分级标签本身是个对齐口径，但真正要盯的是测试方法——正文没给出具体指标，L4 的细则也说要后续修订。所以现在能参考的是等级定义和覆盖范围，能不能落地、怎么验证，还得等下一版。
阮一峰这期周刊把 AI 辅助编程比作“神秘屋”式开发——没有整体规划，想到哪写到哪，代码层层堆叠，充满个性但外人看不懂。这种开发方式可能取代传统的大教堂和集市模式，成为个人和小团队的主流。另外介绍了一个叫 HN SOTA 的大模型人气榜，通过扫描 Hacker News 每天最热的 200 个帖子里对模型的讨论和好评来排名，本周前三名是 Claude ...
推荐理由：阮一峰这期周刊把 AI 编程总结成“第三种方式”，核心是“神秘屋”——你给需求，模型直接出结果，中间过程你看不到。这个说法比“低代码”或“辅助编程”更直白，也更容易让人理解为什么开发者会又爱又怕。HN SOTA 的榜单用每天 200 个 HN 热门话题来量模型人气，不是跑分，而是看社区讨论热度，算是一种接地气的 benchmark。整篇是评论性质，没有新模型或产品发布，所以重要性停在 72。HKR 三项都过：比喻够新、方法够简单、情绪够普遍。
OpenAI 在 GitHub 开源了 openai-cli，Apache 2.0 协议，Homebrew 或 Go 都能装。这个工具让你在终端里直接敲命令调用 API，省掉写 SDK 的步骤。它主要干几件事：一是支持 Responses API，能把网页搜索、代码解释器这些云端工具串起来，让模型进业务流程干活；二是输出 JSON、YAML 这类结构化...
推荐理由：HKR 三项都站得住：官方 CLI 本身就有话题性，安装和功能细节够具体，又切中开发者想少写胶水代码、让模型直接进流程干活的需求。不过它终究是个工具更新，不是新模型或重大能力发布，76 分放在 featured 里合理。
Cloudflare 计划在全球裁掉超过 1,100 个岗位，相当于每五个员工里就有一个要走人。公司把这轮裁员和转向“agentic AI-first”运营模式直接挂钩——也就是让 AI 代理接管一部分业务流程里的活。不过正文没披露具体砍掉哪些部门、什么时候执行，也没说省下来的成本目标是多少。我会先打个折：这更像是一个组织调整信号，但实际用 AI 替代...
推荐理由：Cloudflare 宣布全球裁员超 1100 人，占员工五分之一，理由是要转向 agentic AI-first 运营模式。这个信号很硬——不是用 AI 辅助现有流程，而是直接动组织架构。不过正文没给岗位分布、时间表和成本目标，所以省钱效果到底多大、裁的是哪些职能，现在全是缺口。光凭“压缩 90% Token 精度不掉”和“裁 20% 人做 AI-first”这两条，已经够上 featured，但信息密度还撑不起 P1。
Codex 插件现在支持在 macOS 和 Windows 的 Chrome 上运行，可以跨标签页在后台并行处理网页和应用，不会抢走你对浏览器的控制权。正文没提具体版本号、同时能跑几个任务，也没说企业策略怎么管。想用的话，在 Codex 应用里装一下 Chrome 插件就行。
推荐理由：HKR-H/K/R 全过，但正文只给了平台和执行机制，版本号、并发上限、企业管控都没提。分数 76，算一个实用的 OpenAI Codex 产品更新。
美国能源部和英伟达要在阿贡国家实验室建两台 AI 超算。小的一台叫 Equinox，用 10,000 块 Grace Blackwell GPU；大的一台叫 Solstice，计划上 100,000 块还没发布的 Vera Rubin GPU。英伟达的 Ian Buck 说 Solstice 的算力能干到 5,000 exaflops，这个数字听听就好...
推荐理由：HKR 三项都踩实了：GPU 型号和数量是硬信息，DOE 与 NVIDIA 的角色分工清楚，电网瓶颈那段把 AI 的落地价值讲得很具体。不过来源是 NVIDIA 官方博客，信息偏单向，所以放在 featured 而不是 must-write 的档位，82 分在这个区间里是合理的。
GitHub 这篇博客直接给了一套审查 AI 代理提交的 Pull Request 的方法。核心就三点：先看代码改了什么，别被大段生成代码吓住；再查逻辑漏洞和安全问题，因为模型容易写出看起来对但实际有坑的代码；最后在合并前把技术债清掉，别让自动提交把代码库搞乱。文章没给出具体的自动化检查工具，更多是人工审查的思路。
推荐理由：GitHub 这篇博客没推新模型或新功能，而是给了一份审查 AI 代理生成的 PR 的实操指南。我会先打个折：它更像经验总结，不是严格验证过的规范。但 3 个审查关注点——代码变更、逻辑/安全漏洞、合并前技术债——确实把“怎么审”拆成了能落地的步骤。对天天被 AI 提 PR 的工程师来说，这篇直接回应了“审不审得动”的问题，所以放在 featured 档位是合适的。
Claude 正式接入了四个微软办公软件：Excel、PowerPoint、Word 和 Outlook。其中 Excel、PPT 和 Word 已经全面开放，Outlook 还在公开测试阶段。你可以跨应用跟 Claude 对话，比如让它分析 Excel 里的数据，再把结论写成 Word 报告，最后用 Outlook 发出去，上下文是打通的。企业管理员...
推荐理由：Claude 这次不是发模型，而是把能力塞进微软 Office 全家桶里。Excel、PPT、Word 已经全量上线，Outlook 在公测，企业管理员可以通过微软管理中心统一部署，还能用 OpenTelemetry 看全流程的调用情况。对 Anthropic 来说，这是把模型推到亿级用户的工作流里，入口价值比单发一个模型版本更大。但毕竟不是底层能力突破，所以分数卡在 83 这个位置，不往上拔了。
Perplexity 发布了 Mac 版“Personal Computer”应用，不再需要邀请码。这个应用可以跨本地文件、Mac 原生软件、网页和 Perplexity 自己的服务器干活，相当于让 AI 直接操作你的电脑。正文没提收费方式、权限边界（比如它能读写哪些文件夹）和任务成功率，我会先打个折：能跑起来和跑得靠谱是两回事。
推荐理由：一条产品更新，信息量中等。Perplexity 把 agent 能力搬上 Mac 桌面，能跨文件、应用和网页干活，听着挺实用。但正文没提价格、权限怎么划、任务成功率多少，我会先打个折——没这些硬指标，实际好不好用还不好说。评分放在中等偏上的产品更新档位，合理。
inclusionAI 把 Ling-2.6-1T 放到了 OpenRouter 上，这是一个万亿参数的指令模型，专门给现实世界的智能体任务用。它走“快速思考”路线，在 AIME26 和 SWE-bench Verified 这两个测试上成绩顶尖，同时宣称推理成本比同类低了大约 75%。官方列出的适用场景包括高级编程、复杂推理和大规模智能体工作流。正文...
推荐理由：我会先打个折：正文没披露具体价格、上下文窗口长度，也没给完整榜单分数，所以“顶尖表现”和“成本降低 75%”目前只能当声明看。但一个万亿参数指令模型敢上 OpenRouter 开放调用，本身信号就很强——说明 inclusionAI 对推理成本和稳定性有一定底气。真正值得盯的是后续会不会放出详细定价和完整评测，如果成本真能压到同类模型的四分之一，对做 agent 和代码任务的团队会是实打实的省钱。
Google DeepMind 发了一篇博客介绍 AlphaEvolve，说它是一个由 Gemini 驱动的编程智能体（coding agent），已经在多个领域落地并扩大影响。正文只给了标题和导航栏，没有披露具体用了哪一版 Gemini 模型、跑了什么基准测试、在哪些场景部署、效果数据如何。我会先打个折：目前能确认的只有“这是个 Gemini 驱动的...
推荐理由：标题说 AlphaEvolve 是 Gemini 驱动的编码 Agent，要跨领域放大影响，但正文只有一句话，没披露模型版本、评测结果或落地场景。我会先打个折：DeepMind 起名就是信号，编码 Agent 本身也够热，所以 H 和 R 都过；但 K 过不了，因为除了标题没任何可验证的事实。分数停在 72，没到 78+，就是因为缺评测和部署细节。
Apify 发布了一个叫 mcpc 的通用 MCP 客户端，把 x402 支付协议塞了进去，让 AI Agent 在调用付费 API 时能自己签名付款。x402 把整套结算流程压成一次 HTTP 往返加一个签名，碰到 HTTP 402 状态码就自动完成支付，不用人插手注册绑卡。mcpc 支持 Claude Code 这类 MCP 兼容的 Agent，钱...
推荐理由：我会先打个折：这还是个集成层面的更新，正文没披露实际用量、定价或生产环境案例，所以别急着把它当成成熟方案。但它的价值在于把“机器替人付款”这件事从概念拉到了协议层——用 HTTP 402 触发、一次签名完成结算，链路很轻。对跑 Agent 工作流的人来说，付费 API 的自动结算一直是个脏活，x402 这条路径至少给出了一个可验证的起点。
Qwen 在 Qwen3 基础上微调出了 WebWorld 32B、14B、8B 三个尺寸的模型，专门用来训练和评测能在网页上执行任务的智能体。训练数据包含超过 100 万条真实网页操作轨迹，模拟环境支持 30 步以上的连续操作，并且能同时看懂无障碍树、HTML、XML、Markdown 和自然语言描述这五种页面状态。用这套数据生成的合成轨迹再去训智能...
推荐理由：我会先打个折：正文没披露合成轨迹的具体生成方式，也没说这 100 万条数据覆盖了哪些网站类型，所以别急着当通用方案。但亮点很实在——用合成轨迹训练小模型做网页操作，在 MiniWob++ 和 WebArena 上都拿到了 10% 左右的提升，说明这条路走得通。对正在折腾 Web agent 的人来说，数据和评测结果比模型本身更有用。
生数科技把 Vidu Claw 放出来了，主打“一句话出广告片”。你给一句提示词，它能自动走完写脚本、配旁白、加音乐、剪辑合成全流程，最后吐出一条成品视频。官方拿龙虾当例子，说百元预算就能搓出“百万级”广告片，但正文没披露这个成本具体怎么算出来的，也没给实际成片链接，我会先打个折看。配套的 Video Plan 套餐每天最多能生成 40 分钟内容，覆盖...
推荐理由：我会先打个折：正文没披露生成一支片子的实际耗时和最终成本，也没给画质、可控性的横向对比，所以“百万级”更多是噱头，别太当真。但 Vidu Claw 把脚本、配音、配乐、剪辑打包成一句话工作流，还给了每天 40 分钟的生成额度，对做短视频和广告测试的人来说，试错成本确实低。龙虾广告这个例子够具体，能让人直观感受到“输入一句话、输出成片”的完整链路，比单纯讲参数更有说服力。不过没有定价细节和商用授权说明，这点先别太激动。