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。
958 条精选近 30 天 860 条共收录 1,134 条
UserArena推出面向长程购物智能体的真实电商交互基准，含11,010名用户的64,729条会话轨迹，并支持生产A/B结果离线验证。基准覆盖566,102个商品和13种动作类型，五级评估涵盖输出有效性、局部决策、序列行为、个性化和结果。论文还提出On-Policy Trajectory Distillation（OPTD），在所评估模拟器中取得最高整体保真度，并最接近复现生产策略效应。
推荐理由：UserArena提供真实购物长程轨迹与五级评估框架，可对照模拟器保真度及其对生产策略效应的复现程度。
Dual Exam 分别在固定环境响应机制和固定动作干预下评测多模态智能体与世界模型，覆盖物理、数字、社会和科学领域。
推荐理由：Dual Exam 将智能体与世界模型分轨评测，并报告耦合试验任务成功数为 0 及任务相关状态保持问题。
RIDAR提出面向自主研究智能体的框架，通过基于分类法的事后分析和实时干预检测并缓解科研诚信违规。其 RIVT 分类体系覆盖14类违规；RIDAR-post-hoc 在包含60条专家标注轨迹的 RIV-Gold 上达到85.2% F1，并在 RIV-Wild 的300条轨迹和50项任务中检出3,964个违规实例，99.7%的轨迹含有此类违规。
推荐理由：RIDAR以覆盖14类违规的分类体系为基础，结合事后检测与运行时干预，提供可量化的智能体纠偏框架。
HiSTEVE 1.0 提出一种分层视觉-语言-动作智能体，在 Minecraft 中结合长时程规划与原生键盘、鼠标控制，执行开放式复杂任务。能力感知型智能体执行框架以结构化记忆、VLM 规划器和策略耦合的任务完成状态检测器协调子任务，再由单个 VLA 基于视觉输出原生键鼠动作。
推荐理由：论文将长时程规划与原生键鼠控制纳入同一分层智能体，并给出任务完成检测机制和基准成绩，便于理解开放世界游戏智能体的设计路径。
DraMaze 提出面向长篇微短剧剧本生成的多智能体流水线，以桥段记忆引导的演化树搜索和后向叙事依赖树提升情节多样性与叙事连贯性。论文还推出双语基准 MiDramaBench，用于评估不同剧本长度的逻辑与创意质量。实验覆盖三种骨干 LLM；在最多 60 集、60k words 的剧本上，因果模式重复率降低 32.1%，Logic 得分达到 82.5，比最佳基线高 8.5 分。
推荐理由：论文展示了如何以桥段记忆引导演化树搜索，并按未来叙事目标组织历史记忆，兼顾长剧本的情节多样性与连贯性。
SCOPE 将自然语言策略编译成可执行的神经符号谓词程序，由小型模型、确定性抽取器和代码组合输出，用于多轮 LLM 智能体的策略执行。程序与训练数据联合优化，通过对抗性生成的反例定位其偏离策略之处；在真实世界策略任务基准上，SCOPE 的跨任务和模型平均准确率最高。
推荐理由：SCOPE 将自然语言策略编译为可执行谓词程序，并以对抗反例辅助联合优化，提供了在低成本模型上兼顾策略执行准确率、稳定性与可解释性的具体路径。
BrickWright 通过装配 API 和物理可行性验证器，让预训练智能体根据文本或图像提示生成物理可行的 LEGO 积木装配。在 512 个提示的样本上，智能体达到 100% 物理有效性，基线智能体则为 9%（GPT-6 Luna）至 69%（GPT-6 Astra）；轻量智能体的提示遵循度提升，强智能体保持该指标，并优于专用模型完成文本到积木任务。
推荐理由：BrickWright 将装配 API 与物理可行性验证器接入智能体，为实体积木生成提供了一套可复用的验证与纠错方法。
R²Orch提出递归自博弈智能体编排范式，以可学习的任务选择和技能撤回训练编排器，无需人工设计课程。内层自博弈在自选任务上改进编排器，外层循环借助 Recursive Learnability 目标与技能撤回继续改进学习过程。在十二个数据集的问答、数学、代码和交互任务上，R²Orch均优于基线，代码见 https://github.com/beita6969/R2Orch。
推荐理由：R²Orch将任务选择、技能撤回与双层递归自博弈组成闭环，呈现了应对人工课程和优势坍塌的训练设计。
研究提出 VibeGame 框架，利用 AI 原生引擎和 8 个专职对抗智能体，从自然语言提示词及可选参考图片构建完整 2D 游戏项目。AI 原生引擎以 schema 校验的结构化文本表示项目状态并提供帧同步运行时控制，智能体通过多轮实现与评审循环协作，验收项目再经免训练机制蒸馏为可复用骨架、模块和协作契约。
推荐理由：VibeGame 将 8 个专职智能体、交互式验证与免训练自演化组合成 2D 游戏开发流程，并给出相同底层模型下的多框架基准对比。
Walmart 推出 Agent Gateway（基于 MCP 的服务器），允许授权的 AI 智能体搜索其在线库存并代为下单，覆盖 Walmart 与 Sam's Club。
推荐理由：对比 Amazon 直接封锁 AI 智能体的做法，Walmart 用 Agent Gateway 和 Agent Profiles 给出了零售业接入智能体购物的具体路径。
RiseHarness 在固定模型权重的情况下，通过迭代优化执行框架提升长程终端 AI 智能体的可靠性。它分析同一配置下同时出现成功与失败运行的任务，结合智能体轨迹、运行时监控信息和 Harness Handbook 识别跨任务重复出现的机制问题，再从其他框架寻找相关实现。
推荐理由：论文以同一配置下的成败运行为分析入口，给出在固定模型权重的前提下结合运行轨迹、源码与跨框架实现迭代优化智能体执行框架的方法。
Claude Duet 推出由 Opus 5.5 驱动的主动式智能体研究预览版，美国 Claude Pro 和 Max 订阅者可在候补名单中申请。它会生成每日简报、标记收件箱和日历事项、起草回复，并在云端计算机上通过已连接的应用独立处理任务，敏感操作则先征得批准。
推荐理由：Claude Duet把消息委派、后台执行和关键节点审批串成主动式工作流，并说明共享额度与误判风险等预览限制。
编码智能体不会终结编程，而会像 FORTRAN 等编译器一样消除部分编码劳动，把软件工作的重心推向规格、测试、审查与验证。Stack Overflow 2025 调查显示，84% 的开发者使用或计划使用 AI 工具，但好感度降至 60%；METR 对 16 名开源开发者、246 个真实 issue 的随机试验测得，使用 AI 后耗时增加 19%，开发者却认为提速 20%。
推荐理由：文章以编译器演进为纵线，结合采用率、效率实验与团队数据，解释编码智能体提速后为何会把瓶颈推向审查和规格定义。
GM 将在未来数月为 2027 Cadillac Lyriq EV 推出个人 AI 助手 OnStar AI Assistant，后续覆盖更多 GM 车型。GM 计划 2027 年推出新的 OnStar 移动应用，替代 OnStar Guardian 及 Buick、Cadillac、Chevrolet 和 GMC 品牌应用，并与车载软件同步。
推荐理由：GM 将 OnStar 从呼叫中心转向联网智能平台，并同步调整车载功能与数据授权，呈现传统车联网服务的重构思路。
GitHub 已把 99.99999% 仓库的一份副本迁至 Azure，正通过按引用仲裁和对象存储改造 Spokes，以迁移剩余仓库并扩展 Git 读写。将仲裁范围从整个仓库缩小到单个引用后，不同引用的写入可以并行，内部测试显示吞吐提高 3–4x 且延迟更低。读取侧由不加入仲裁的虚拟副本按需扩展，缓存从 Azure Blob Storage 预热，并以对象存储作为事实来源。
推荐理由：GitHub 以按引用仲裁和对象存储解耦读写，解释迁移剩余仓库并独立扩展读写的架构路径与实现机制。
OpenAI 与 Google 旗下 Wiz 利用 AI 发现两个自 PHP 5 起存在的严重漏洞，PHP Foundation 已发布补丁。PHP 驱动约 70% 的网站，NSA 建议无法立即修补的站点暂时下线，当前建议版本为 PHP 8.5.12。OpenAI 称发现时尚无在野利用报告，Wiz 警告 LLM 可帮助攻击者针对不同 PHP 版本、配置和内存布局调整利用代码。
推荐理由：材料同时呈现 AI 加速漏洞发现和降低攻击门槛的两面性，并给出受影响站点的具体修补版本与处置建议。
Blacksmith 宣布完成由 Sequoia 领投的 $66 million Series C，融资后估值达到 $1 billion。该平台帮助企业构建和测试包括 AI 编写的代码在内的软件；公司称年度经常性收入已增长 17x，并运行了 over 90 million CI jobs。
推荐理由：Blacksmith 融资估值从 $60 million 升至 $1 billion，ARR 17x 和 CI 任务量提供经营参照。
Trail of Bits 发布 patching-bugs 和 regression-hunt 插件，让编码智能体分别完成漏洞补丁开发与回归检查，并支持按项目规则配置流程。
推荐理由：插件把补丁开发、回归检查与证据验证拆成可组合流程，并公开误报数据对比，适合关注编码智能体工程化的团队参考。
Microsoft Research 研究人员 Xinzhi Zhang 与合作者 Zhao Song 证明 Kannan–Lovász–Simonovits（KLS）猜想，确立了简单平面切割能在与维度无关的固定因子内捕捉对数凹分布最窄瓶颈的原则。
推荐理由：文章详细拆解研究者引导 AI 探索约百条轨迹、筛选候选方向并通过递归改进完成证明的人机协作研究流程与关键环节。
DuckDB 团队发布 2.0.0 LTS 版本，代号 Cinnamon Teal，支持周期至 2027 年 10 月。
推荐理由：DuckDB 2.0 LTS 在 server 化、异步 I/O 与 CLI 的 agent 模式上都有具体变化，为数据基础设施团队评估迁移成本与代理工具集成提供了直接依据。