CarryOn 是一个面向长程智能体的对象化上下文运行时，让智能体从可复用的任务进度继续工作，而不是反复压缩交互历史。在 OSWorld 2.0 和 BrowseComp-Plus 上，性能分别提升 5.8 和 7.0 个百分点，总 token 使用量分别下降 51.9% 和 22.9%。项目页：https://ethannju.github.io/carryon/
推荐理由：针对长程智能体反复回溯历史的问题，提出对象化上下文方案并在两个基准上报告了具体分数与 token 变化。
魔法原子旗下EchoPolicy-0框架以75.4%的等权平均成功率位列MolmoSpaces Combined榜单全球第一，覆盖全部4个v1任务；同公司MagicBrain以72.4%排名第四，抓取任务成功率达94.4%。
推荐理由：EchoPolicy-0走Agent调度路线，MagicBrain走视觉引导路线，两者在MolmoSpaces上的排名差异可以反映各自路径的侧重点。
NVIDIA RTX Spark 笔记本将于 10 月 16 日上市，NVIDIA 与生态伙伴同步发布本地 AI 智能体、Adobe 创意加速、Nemotron 3.5 Bolt 74B 模型（10 月 15 日）与 DLSS 5 等配套更新。
推荐理由：文章把 RTX Spark 上市时的本地 AI 智能体、创意软件和开发者工具一并盘点，读者可一次看清首发节奏与生态广度。
千问推出个人智能体千问Go，能在千问App内代用户办理航班延误索赔、价格保护退差价、汽车保养预约、场馆预订等事务。它基于今年9月云栖大会公布的Qwen 3.8 Agentic能力，并在淘宝、飞猪、高德等阿里生态内具有流程优势。
推荐理由：通过航班索赔与价格保护等真实案例，展示这类代理在边角场景中代用户与人工客服多轮交涉的具体路径。
NVIDIA 宣布对法国初创公司 Doctolib、Entalpic、Genesis AI 和 Pigment 的新一轮投资计划，覆盖医疗、材料发现、物理 AI 与企业规划领域。
推荐理由：NVIDIA 集中披露对法国多家初创的新一轮投资与当地在智能体基础设施、开源模型和行业落地方面的进展，可作为观察欧洲 AI 生态落地节奏的样本。
论文提出 Sauron，一种证据先行的智能体判官，先独立验证环境状态和执行轨迹中的证据再下结论，每个裁决附带审计收据。在 2,586 条人工标注准则上使用 GPT-5.6 Sol 取得 0.96 F1，比 Gandalf 高 0.04 同时成本低 23%；在 13 类故障注入套件上检出 97%、误报仅 2%；在 TRAIL 基准上也超过 Gandalf 与其内置判官。
推荐理由：针对长链路智能体的评分细则评测，提出证据先行的判官流程与审计收据机制，可直接迁移到现有判官管线和奖励信号设计。
研究团队用包含 200 个提示词的 AgentDrawBench 评测通用编码智能体，发现其零样本绘图擅长保持结构和满足精确约束，但视觉丰富度有限。智能体的视觉表达随绘图界面变化，从人类示范提取的程序技能可支持不同艺术媒介；可执行视觉代码在部分领域的视觉问答准确率高于原始图像。研究进一步检验内部视觉语言思维假设，发现跨界面绘图和独立单像素查询呈现相关布局与色调，移除可见绘图后仍能维持房间排列。
推荐理由：AgentDrawBench 将结构保持、精确约束和视觉丰富度纳入同一评测，可帮助读者判断编码智能体在视觉生成中的适用边界。
Into the Unknown 基准让 9 个前沿 AI 智能体针对量子计算、等离子体物理、计算化学等方向的未发表后续研究各写 15 篇续作论文，共 135 篇均未通过领域科学家的全部条件评估。其中 114 篇因捏造的工作或与记录证据矛盾的数字未通过诚信检查，论文代码和数据均已公开。
推荐理由：原文给出 9 个前沿 agent 在真实科研方向上 135 篇续作的结果，读者可以据此判断现有 agent 离独立科研还有多远。
HybridAgent 提出在统一生成过程中动态切换潜在推理与文本交互的智能体框架，通过轻量级 HybridLink 衔接两种模式，并由连续工作记忆保留多轮上下文，再配合 HybridSFT 与 HybridRL 两阶段后训练方法。
推荐理由：HybridAgent 把潜在推理与文本交互整合到统一生成过程里，为带工具调用前缀的 agent 设计提供了一种可借鉴的混合推理路径。
作者提出自进化智能体 Harness 框架：在固定模型权重下，用反馈驱动修订与进化式搜索持续更新 prompts、memory、workflow 等 scaffolding，并区分对解释态与对工具代码、仓库级控制逻辑、插件组成的修订。
推荐理由：把智能体 Harness 的自我迭代形式化为带理论保证的搜索问题，给出可直接参考的 PAC 学习分析框架与持续验证流程。
CLASHarness 提出生成可验证多智能体冲突任务的计算机使用基准，含 600 个多轮场景，由分层场景规划与八步验证微流水线构建，预先提交关键视觉事实并从执行轨迹直接编译混合评分器，保证任务在构造上可解。
推荐理由：原文给出用预提交视觉事实与执行轨迹编译评分器的可控生成流水线，可作为多智能体冲突评测的构造范式。
Socratic Skill Learning（SSL）通过交错专家指导与学生实践，改善 LLM 智能体技能的可复用性。
推荐理由：论文将专家指导与学生实践交错以学习可迁移技能，并用包含 35 个任务族和 408 个可执行案例的 SkillTransferBench 检验复用效果。
EdgeWise 是一个边云协作框架，本地端用小语言模型作为主求解器，通过逐步级强化学习把关键步骤选择性委派给云端大语言模型，无需在推理时引入额外模型。在 SWE-Rebench 和 Terminal-Bench 2.1 上，EdgeWise 性能与全程使用云端大模型相当或更优，同时推理成本最多降低 62% 和 34%。
推荐理由：在长程智能体任务上提出边云协作框架与逐步级强化学习委派策略，并给出关键设计选择的系统实验数据，可作为同类成本优化方案的设计参考。
GitHub 在 Copilot 入门系列中介绍四种让 Copilot 理解项目代码库的方式：自定义指令、Agent skills、自定义 Agent 和 MCP servers。
推荐理由：原文把仓库级 Copilot 定制的四种机制放在一起对比，并配了具体的目录结构和示例，便于读者挑出适合自己项目的配置。
华为诺亚方舟实验室联合UCL等团队提出AI智能体系统Memento 3，基于Claude Opus 5且不更新模型权重，在ARC-AGI-3的25款游戏、183个关卡上以7518次操作取得100分RHAE成绩，比人类的17135次少约56%。
推荐理由：文章拆解了 Memento 3 用规则手册和可执行世界模型实现递归自我改进的具体做法，可作为智能体设计的参考案例。
论文提出 X-Ragent，一种面向胸片证据推理的工具增强强化学习后训练框架，将辅助证据检索与有效性门控的定量测量解耦。方法先用 7.7K 样本的 Rad-CoT 数据集对 Qwen3-VL-8B 做智能体监督微调，再用 GRPO 结合仅对正确轨迹生效的过程级奖励做策略优化；在三个胸片基准上取得最优结果，其中完全留出的 ChestAgentBench 提升 8.6 个点。
推荐理由：提出面向胸片诊断的工具增强强化学习框架，并给出三基准实验与 GRPO 训练流程，可作为医疗多模态智能体的方法参考。
CineRecon 是一个新基准，用 50 段参考视频和 360 段标注评测片段，衡量 AI 智能体把电影级参考视频重建为可编辑动态 3D 场景的能力，设有 Proxy、Simplified、Detailed 三档由低到高的表示要求。
推荐理由：原文给出 CineRecon 基准的数据规模、三档设置与三类失败维度，为评估智能体重建可控 3D 场景提供新参照。
何恺明团队发布论文《VISTA》，提出面向交互推理的视觉原生Harness框架，让现有多模态模型直接观察环境、保存原始画面，并在推理时按需回看。框架包含视觉观测、无损视觉记忆和主动视觉检查三个组件，无需额外训练基础模型。
推荐理由：原文给出了视觉原生Harness的三个组件设计与多基准成绩，读者可据此对比它与传统文本式Harness在交互推理上的差异。
GitHub上新开源了AI论文工具Open Academic Paper Gen，它是一套生成论文初稿的多智能体工作流，把从选题到导出拆成九个阶段。与同类工具相比，其特点是拿到文献全文后会定位最匹配段落，逐条核验正文里的引用是否真的被对应论文支持，证据不足时标为无法判断，存在页码信息时在注释里标出对应PDF页码。
推荐理由：它给出了在多智能体框架下逐句核验文献原文与论文写作流程结合的实现思路，读者可参考其引用核查环节的设计思路。
DeepSeek-Bot 是基于 DeepSeek Harness 的社区多 Bot 插件，每个 Bot 可配置名称、形象、模型并拥有持久化长期记忆。它支持设置主管 Bot 协调群聊以降低 token 消耗，并具备自动记忆审查与上下文压缩等机制。
推荐理由：对比了与 Grok Bot 的多 Bot 团队设计差异，并展示了在 DeepSeek Harness 上以插件形式组织多个 Agent 的思路。
SkillMarker 是一种基于 KGW 的智能体技能水印方法，可在保留指令准确性的同时嵌入水印，实现所有权验证与泄露溯源。它结合质量约束改写与面向信号的候选搜索，在保护功能完整性的前提下强化水印信号强度。作者开源了集成水印嵌入、质量审计与检测的完整工具包。
RSI-Nav 是一个面向视觉语言导航的数据为中心递归自改进框架，通过策略同步的语言-动作双重自举，将指令跟随与指令生成统一在同一模型中。该方法按小分片迭代生成指令、自评估并即时更新自身，在 R2R-CE 上达到 68.6% SR，在 RxR-CE 上达到 72.4% SR。9B 参数模型 SongzeLi/RSI-Nav_model 与 1.05M 数据集已在 GitHub 开源。
论文提出 DeskIF-Bench（覆盖 6 款桌面应用的 255 个任务）和 ANIS 框架，用软件演进量化接口变化对智能体表现的影响，发现最新版始终优于最旧版，并归纳出可发现性、粒度与可观测性三个关键属性。
推荐理由：原文把软件演进当作接口差异的天然来源，并用 368 个桌面任务量化原子接口对智能体成功率与 token 用量的影响，可作为面向 Agent 的桌面接口设计参考。
2026年9月28日荣耀在北京发布Magic9系列三款旗舰，主打与阿莱合作的电影级影像与MagicOS 11系统。Magic9 Pro Max搭载双2亿阿莱影像、2nm骁龙平台与8800mAh电池，售价6499元起；Magic9 4999元起，Magic9超能版4499元起。
推荐理由：文章列出了Magic9系列三款机型的影像、电池与AI配置，并说明与阿里联合的智能体模型在MagicOS 11上的商用落地。
研究团队提出 Image Factuality Assessment 任务，目标是对一张图像判定其描绘的情景是否被外部证据支持，并发布 EviLens 基准（10,174 张图像，覆盖 12 类事实错误）与 EviScene 多模态 ReAct 智能体。
推荐理由：原文把图像判别从是否 AI 生成推进到画面事实是否成立，给出基准和一个可直接复用的多模态 ReAct 智能体。
ProgAgent 提出了一种基于程序化工具调用（PTC）的智能体训练框架，让模型通过可执行代码和运行时变量调用工具，而不是把工具响应依次堆进上下文。
推荐理由：原文给出了 PTC 与 DTC 在长链路工具调用任务上的直接对比，读者可以据此判断训练范式对智能体表现的提升幅度。
论文提出技能适配方法，利用元技能重写现有技能以匹配执行器能力，在无需更新模型参数的情况下提升 LLM 智能体的 Harness 自进化效果。在七个模型和三个基准上，103 个任务与技能组合可使 GPT-5.6-luna 提升 31.1 分，却让 Gemma-4-E4B 下降 8.8 分；弱模型失败运行中有 86% 已违反技能中写明的要求。
推荐理由：论文给出了一套可迁移的方法，先诊断执行失败，再按模型能力改写技能并纳入五轮自进化循环以改善得分。
研究者提出 Last Secure Code Benchmark，用 450 个任务覆盖 Java、C、C++、JavaScript、Python、PHP、Go 七种语言和 24 个 CWE（含 21 个 2025 CWE Top 25 与 8 个 Top 10 KEV 弱点）。
推荐理由：覆盖 7 种语言与 450 个真实漏洞任务，给出 6 款前沿编码智能体在功能与安全两个维度的通过率差距。
Asana 在 Codex 中用 GPT-6 Astra 自动优化其浏览器智能体工作流，在 GPT-6.1 Sol 上实现平均每次运行 $0.47 的模型成本和约 4 分钟时长，比 Model B 原生产配置便宜 76 倍、快 5 倍。
推荐理由：展示了用 Codex 中的 GPT-6 Astra 自动优化浏览器智能体的方法与可量化的成本、速度对比，便于评估类似工作流的优化空间。
ViSkill 提出视觉原生技能学习框架，将成功交互编码为 VLM 智能体可直接调用的视觉技能卡；检索到的技能同时用于推理和奖励塑形，成功轨迹再回流到技能库，形成技能积累与策略优化的闭环，并提供可选的冷启动机制。
推荐理由：原文将视觉经验编码为可复用技能卡，让 VLM 智能体在闭环中积累技能并优化策略，提供了多环境下的基线对照。
Postman 联合 AWS 介绍在 Amazon Bedrock 上规模化运行 Agent Mode 的生产架构与工程经验。核心模式包括按任务动态筛选工具、用 ClickHouse schema 让模型直接生成 SQL 查询、用专用上下文处理器取代渲染数据模型，并通过 Claude 模型路由、跨区域推理、分层 prompt 缓存与模型相关零数据保留控制成本与延迟。
推荐理由：文章把 Postman 在 Amazon Bedrock 上规模化运行 Agent Mode 的工具治理、上下文工程和推理路由做法写成可参考的模式。
AWS 在官方博客汇总 9 月 Amazon Bedrock、Amazon Bedrock AgentCore 与 Strands 的多项更新。
推荐理由：原文一次性梳理 9 月 Amazon Bedrock、AgentCore 与 Strands 关键更新，可作为读者把握当前 Bedrock 模型与智能体能力变化的参照。
Memento 3 提出让冻结的大语言模型代理通过外部自然语言规则手册持续学习显式世界模型的方法，主体通过观察、反思、规则修订、编译与验证的闭环来递归自我改进。在 ARC-AGI-3 全部 25 个公开关卡上通关，平均相对人类动作效率达 100.0，仅用 44% 的人类动作数；在 Atari Pong 案例中，学到的反馈控制器在三次不同开局中均以 21:0 获胜，且不再需要额外的大语言模型调用。
推荐理由：原文把冻结大语言模型通过自然语言规则手册持续更新世界模型的方法写成可验证流程，并给出 ARC-AGI-3 与 Atari Pong 上的具体结果。
TRAE 将原有的 TraeCode 和 TraeWork 合并升级为新 TRAE，统一提供 Agent 模式和 IDE 模式两种使用方式：Agent 模式可在同一窗口管理项目、由多个 Agent 并行推进写代码、出文档、测试与交付，IDE 模式保留代码编辑能力，右上角一键切换。
推荐理由：通过三个实测场景展示新 TRAE 在 Agent 与 IDE 模式下的协作与切换效果，为读者判断 AI 编程工具全链路整合趋势提供参考。
量子位报道Aether AI推出具身机器人系统CRIS-0，主打因果推理驱动的抗扰动与长程任务能力。官方Demo显示机器人在关门遇人手时0.2秒急停，咖啡机被移位、光照突变时平均2秒内完成重规划，10次扰动中9次有效恢复；系统通过提取物理因果变量、调用规则函数与CausalWM等工具组成结构化闭环并配置三级恢复机制。
推荐理由：原文给出了CRIS-0在突发扰动下的实测成绩与因果Agent架构细节，读者可据此对照端到端方案的可靠性差距。
论文提出 RISEBench 与升级版 RISEBench++，面向推理驱动的视觉编辑任务，并发布训练免费的智能体框架 RISE-Agent。RISEBench++ 拆出六类推理维度共 65 个细粒度任务类型，包含 1000 条英中人工标注样本；评测 58 种编辑方法后，最强的 GPT-Image-2.5 Sunburst 也仅取得 56.6% 准确率。
推荐理由：RISEBench++ 把视觉编辑任务拆成六类推理维度并评测 58 个方法，最强模型仅有 56.6% 准确率，为推理型视觉编辑的能力差距给出可复用的基准。
论文提出 Learn2Play Bench，用规则新颖或反直觉的文本游戏评测 LLM 智能体在陌生环境中靠交互学习而非调用预训练知识的能力，并通过多次尝试与变体实例做受控评估。
推荐理由：原文给出一套区分预训练知识与真实交互学习的评测方法与三项发现，为改进智能体的经验学习机制提供可对照的实验基线。
由华为2012实验室、华为云等团队联合构建的开源AI Agent平台openJiuwen，正式发布并开源企业级AgentOS，支持多智能体蜂群协同与工作流编排、基于执行轨迹和记忆的自演进机制、软硬协同的算力调度，以及多租户隔离与安全沙箱。
推荐理由：原文给出了企业级智能体平台的架构、能力分层与开源交付形态，读者可以据此判断其作为同类落地参考的价值。
SuperNav 是一个面向通用服务机器人的智能体导航系统，通过为预训练多模态大语言模型加装专用 agent harness 而不进行导航特定微调，让模型专注解析请求、理解场景和做决策，把运动执行交给导航工具。
推荐理由：原文给出将 MLLM 决策与运动执行解耦的 harness 设计，对通用机器人导航与具身智能体的方法迁移有参考价值。
AgentGarten 是一个构建实时交互环境的框架，将仿真器或游戏引擎与共享的神经渲染器耦合，通过统一接口从结构化条件生成视觉观测。为训练该渲染器，作者提出 Adversarial Forcing，使历史预填通过精确回放变得可微分，并加入真实数据对抗监督提升视觉质量。实验显示智能体仅需 4 轮交互即可达到传统强化学习方法需数百万轮才能达到的水平，且新世界可作为代码编写并通过同一接口渲染。
推荐理由：它把仿真后端与神经渲染解耦为统一接口，并给出可微的历史回放方案，为可扩展的智能体训练环境提供了具体工程路径。