技术方向
能自己拆解任务、调用工具、一步步把事办完的 AI 智能体：Claude Code、Manus 等应用，各家 Agent 框架与评测。
957 条精选近 30 天 860 条共收录 1,133 条
三位研究者认为，GPT-6 Astra正改变机器人、个人AI智能体和AI制药，但速度、网页屏蔽与湿实验周期仍限制落地。机器人实验中，Astra展现出适应、自我迭代、Real-to-Sim和低层动作控制能力，但速度较慢且双臂任务薄弱。在生物医学场景，它可处理长程任务并通过Computer Use操作旧式生物医学软件，但实验方案完成度可能只有约30%，灵长类动物验证周期通常为6至12个月。
推荐理由：三位一线研究者分别拆解GPT-6 Astra对机器人、个人AI智能体和AI制药的实际影响、能力边界与落地瓶颈。
腾讯QClaw在公测188天后宣布将于2026年12月24日停服，并提供工具将用户数据迁移至WorkBuddy；阿里千问预告个人助理“千问Go！”。文章梳理八家公司在十条赛道的产品动作，发现竞争周期与产品生命周期持续缩短，改名、整合和停运成为常态，独立产品逐渐向通用助手和底层平台收拢。
推荐理由：以腾讯QClaw公测188天后宣布停服为切口，文章横向比较八家公司、十条赛道的产品动作，呈现独立AI产品加速改名、合并与退场的趋势。
Corgi 在 Show HN 展示一款面向人类与 AI 智能体的终端多路复用器，可集中切换 Claude Code、Codex、Pi、OpenCode 及开发进程。
推荐理由：Corgi把多个编码智能体与开发进程集中到可切换终端，并提供token用量、活动记录和工作区管理信息，帮助梳理多智能体并行开发流程。
Trajectory2Gym 在五个 Qwen3 规模上提升 Tau1、Tau2 和 BFCL，三项基准等权平均提高 16.9-29.8 个百分点。该方法围绕支持不足的组合结构构造可执行交互，只从实际执行中提取由智能体可见历史支撑的决策，并将这些交互作为监督微调单位。其在有状态和多轮交互场景中的增益最强，因为后续决策依赖先前观察与反馈。
推荐理由：论文提出以组合覆盖和可见历史支撑构造工具使用训练交互，并给出跨五个 Qwen3 规模的三项基准增益。
RSI Arena 通过两阶段实验显示，10 个前沿模型智能体可利用人类反馈独立训练并迭代改进语言模型。
推荐理由：论文提供可审计的两阶段实验框架，比较人类反馈驱动后训练带来的偏好提升、有限基准收益与有害服从风险。
ReGE 将智能体历史执行经验合成为后续尝试可用的指导，在四个基准上将 GPT 和 Claude 的准确率分别平均提高 9.9 和 8.8 个百分点。ReGE-Syn 仅用一次 coach 调用，把有界执行记录和可用产物合成为自包含指导，再由同一基础模型从任务初始环境状态执行，无需参数更新或更强教师模型。
推荐理由：论文将智能体历史执行记录合成为可复用指导，并给出跨四个基准的准确率与 token 用量对比，便于评估经验复用方案。
AutoTavern 的自我改进 LLM 研究智能体在 20 天内构建了 Hearthstone Battlegrounds 模拟器 TavernGym，并训练出可独立完成实战的 TavernAgent。
推荐理由：论文把研究智能体接入模拟器构建、对手校准和策略训练闭环，并计划开源评测任务与模拟器，为复现实验和比较系统能力提供基础。
PatEx-Gym 提出用于专利审查的智能体框架，整合基准、合成轨迹数据与紧凑型智能体，支持迭代式在先技术检索和新颖性评估。PatEx-Bench 包含 1K 项逼真的审查任务，以及由超过 1M 件专利和 52K 篇科学论文组成的检索语料；PASS 框架生成 PatEx-SynData，并通过监督微调训练 4B 规模的 PatEx-Agent。
推荐理由：论文将专利审查拆分为迭代检索、证据检查与新颖性评估，并用 1K 任务和合成轨迹训练 4B 智能体，提供了与更大通用智能体对照的轻量基线。
Marc Brooker 介绍用动画帮助系统构建者理解系统行为，并以 Postgres 16 和 etcd 的真实测试轨迹展示亚稳态故障。
推荐理由：文章将真实测试轨迹转成动画，呈现负载峰值如何触发亚稳态循环，也为解释复杂系统故障提供了可复用路径。
月之暗面发布 Kimi K3.1 Pro 推理模型，在 Artificial Analysis Intelligence Index 得分 55，排名第四，距离榜首 Claude Opus 5.5 的 58 分仅差 3 分。
推荐理由：文章汇总 Kimi K3.1 Pro 的榜单表现、速度、价格与安全数据，并与 Claude Opus 5.5 等模型对照，呈现其相对能力与取舍。
Kimi 发布 Kimi K3.1 Pro 和 Kimi K3.1 Pro Highspeed，前者提供 1-million-token 上下文窗口，后者速度为前者的 2-3×。
推荐理由：文章披露高速版速度、长上下文和多组基准表现，同时说明开放权重时间表与网络安全控制措施，便于判断产品定位。
一家约 500 人的公司用 Claude 生成 HTML 仪表盘，依托 Snowflake、dbt、SSO 与 Kubernetes 构建内部 BI，8 个月后周活用户已接近 Looker，Looker 使用量下降三分之一。
推荐理由：文章以约 500 人公司的内部项目，对比自建 HTML 仪表盘与 Looker 的成本，并拆解 MCP 接入、权限继承和安全隔离方式。
AWS 通过 Wordle 示例，演示了在 Amazon SageMaker AI 上端到端训练多轮强化学习模型的完整流程。流程涵盖 AgentCore 智能体与奖励函数部署、数据集准备、使用 GRPO 更新 LoRA 适配器、MLflow 监控及部署设置下的评测。
推荐理由：文章从 IAM 角色配置、AgentCore 智能体部署、数据准备到训练监控和部署设置评测，完整拆解多轮强化学习的落地流程与常见故障。
The Vergecast 围绕 iPhone Duo 的 7/10 评分展开复盘，并讨论这款设备是否更适合以 iPad Duo 的定位起步。节目还转述 John Gruber 对外屏设计的质疑，并讨论它能否成为适合所有人的手机。后续内容涉及影响网络、AI 等领域的 PHP 安全漏洞，以及 AI 购物增长下零售商与 Muse AI 智能体的互动方式。
推荐理由：节目以 7/10 评分为切口，对比 iPhone 与 iPad 两种产品定位，展示消费电子评测中评分与产品形态判断之间的张力。
AI 正借助多智能体编排、并行搜索和自动验证，以计算与 token 换取更快的试错与剪枝，数学证明能力随之提升。其提示序列、搜索树和分支因子框架认为，低 k、低 b 的问题更适合模型，高 k 或高 b 场景仍依赖人类直觉。文中以 OpenAI 的单位距离反例、CDC 与 Navier–Stokes 证明及 Anthropic 的形式化工作为例，并讨论把失败路径写入下一轮提示的做法。
推荐理由：文章以提示序列、搜索树和分支因子解释数学证明任务，对比人类与模型的搜索方式，并给出问题筛选和智能体流程设计的可迁移思路。
Daytona 宣布完成由 FirstMark Growth 领投的 $60 million B 轮融资，估值达到 $1 billion，累计融资 $91 million。
推荐理由：文章同时给出 Daytona 的融资规模、投资方阵容和专用 Agent 云架构信息，为观察智能体基础设施的商业进展提供具体样本。
AnyGameRenderer 将 AI 智能体制作的低质量游戏视频转换为高质量画面，并保持布局、镜头及实体位置与时序一致。模型通过 LoRA 微调 33B 的 MiniMax-H3 ref2va 实现，训练数据来自 38 款 AI 智能体制作游戏、Unreal Engine 渲染和真实游戏录像，兼容灰盒、彩色几何体、语义图与线框输入。
推荐理由：论文同时披露模型训练数据、输入形式和实体级基准结果，为评估视频生成模型能否保持动态场景实体对应提供参照。
FilmFlow 将自然语言指令或参考视频转换为动态 3D 场景中的可执行相机轨迹。Director 智能体组合平移、旋转和构图等原子操作，Interpreter、Scout、Critic 分别解析意图、选择初始视角并提供迭代反馈。
推荐理由：FilmFlow 将导演、意图解析、勘景和审片四类智能体串联，并以 150 个 Blender 场景的 CinemaBench 覆盖文本与视频参考两种生成方式。
论文提出 AgentVQA 离线基准，在 Web 智能体、机器人、第一人称视频、游戏和空间规划五类场景评测视觉语言模型。该基准从 23 个源数据集人工选取并改造 1000 个具有挑战性的真实世界智能体样本；在 22 个参评模型中，最佳准确率仅为 58.5%。跨域分析显示，主要失误来自 UI 元素定位、运动理解、状态变化跟踪和 3D 空间关系推断，而非任务误解或后续逻辑推理。
推荐理由：该基准以离线方式统一比较五类真实智能体场景中的模型，排名趋势与对应在线评测一致，并定位视觉 grounding 和状态跟踪失误。
作者认为，LLM 正把从 RCE 风险被获知到复杂自动化攻击的时间从数周或数月压缩至数小时甚至数分钟，但近期多起披露并非都由 AI 发现或利用。PHP2Shell 事件中，Calif 与 Wiz 使用 GPT-5.6 Sol 和 Gemini 4 Argon 找到两处 PHP RCE 漏洞并构建利用代码，文中称其估计波及 70% 以上的互联网，补丁发布前已遭利用。
推荐理由：文章把多起安全事件放在同一条时间线上，呈现 LLM 如何压缩漏洞利用窗口，并比较关闭源代码、主动审计和统一治理三种应对思路。