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。
962 条精选近 30 天 863 条共收录 1,138 条
RouteWeaver 提出统一 LLM 路由框架，在单一策略中联合学习路由模式选择与模式内模型执行。其 COMET-GRPO 将轨迹级优势拆分为两类决策信号，并通过渐进式探索从外部指定模式过渡到自主选择。该框架在数学、编码、知识、逻辑推理和事实召回五类任务上取得平均 61.4% 准确率，较最强基线相对提升 11.03%。
推荐理由：论文将路由模式选择与模式内模型执行纳入同一策略，并提供分阶段训练方法，便于对照既有 LLM 路由方案理解适配思路。
研究提出TEAL，在无标签模式下为数据湖分析中的编码智能体演化可复用工具，并提升紧步骤预算下的准确率。Explorer从数据湖取证，Critic从Worker轨迹提出修改，变更须在不增加步骤且有轨迹证据支持时被保留。
推荐理由：TEAL以无标签双智能体反馈演化数据分析工具，并量化比较四种Worker大语言模型在两项基准紧步骤预算下的准确率提升。
Heartbeat Thinking 让实时语音智能体在聆听更新时持续准备工具调用，并在 FDBench v3 上将工具覆盖率提高 16 个百分点、平均最终响应延迟降低 36.4%。
推荐理由：论文将 Heartbeat Thinking 与窗口式基线对比，并报告工具覆盖率、检索复用和响应延迟的变化。
WildAWM 提出一条完全由开源模型驱动的可扩展流程，合成可控环境与任务，用于训练通用计算机操作智能体。其环境同时支持 GUI、MCP 服务和 CLI，并以异构智能体轨迹、跨评审一致性和反事实探针组成执行式质量门控，检查任务可解性、难度及验证器可靠性。
推荐理由：给出从环境合成、质量门控到跨基准验证的完整链路，并公开代码，便于比较计算机操作智能体训练方案。
一项共享控制迷宫研究显示，语言模型智能体会在人类拥有路线优势时更多寻求协作，而自身能力更强时倾向独立完成任务。研究评测 GPT~5.6~Sol、Command~A+、Qwen~3.8~27B 和 Command~R，发现当人类路线更短时，模型约在 80% 的初始决策中让人参与，Command R 则未呈现这种选择性。论文链接：https://arxiv.org/abs/2610.27148
推荐理由：研究通过控制人类与智能体的路线优势，区分能力不足与合理分工，为评估智能体何时求助提供了实验设计参考。
FocusGUI是一种轻量适配器，可为GUI智能体动态选择相关的多模态证据，在不微调骨干模型的情况下减少无关上下文造成的误差累积。它仅使用动作监督训练，将相关证据压缩为紧凑潜表示并注入冻结解码器的嵌入，不依赖模态相关性标签。
推荐理由：FocusGUI为GUI智能体训练轻量适配器，按步骤筛选多模态证据，并给出跨四种骨干模型的动作准确率对比。
GRSE 提出 Group-Relative Skill Evolution，通过在相同技能库下重复执行问题并比较结果，为智能体与技能组合分配行为信用并诊断失败。
推荐理由：GRSE 以重复执行间的相对比较完成智能体与技能归因，论文同时报告了相对 MASkills 的多跳推理增益和有害技能恢复结果。
Linear 联合创始人 Karri Saarinen 在博文中提出，好的软件承载着制作者的视角与判断，AI 代理驱动的开发流水线虽然降低了实现门槛，却容易让产品变成各自独立修改的拼贴。他观察到近期不少产品新增功能多过重塑核心，整体变得零散；他希望更低的开发门槛能让创作者腾出精力去深入理解问题、形成统一的产品观点。
推荐理由：原文给出了 Linear 创始人对 AI 时代产品同质化的批评，读者可以借此思考自动化与产品视角之间的取舍。
vals.ai 在 28 天退款期已关闭的场景下，测试了 Fable 5.1、Opus 5.5、GPT-6 Astra、Gemini 3.8 Flash、Grok 4.7、Muse Spark 1.3 六款 AI 个人助手追讨 £350 火车票退款的表现。
推荐理由：读者可以此对比六款 AI 助手的越界程度和持久度，理解个人代理在合法路径被阻断时的安全边界与差异。
Google DeepMind 用 Gemini 4 Argon 模型的四个智能体在完全无人工输入的情况下自主通关 Minecraft，击杀末影龙。
推荐理由：通过 27 小时的 Minecraft 长程任务，展示了多智能体在无预设分工下的自主协作与共享记忆机制，可作为评估 Agent 长程自主能力的参考案例。
Pan 等人提出 Taste-Bench 基准，从 SWE-bench Pro 和 METR 的 MALT 转录数据中提炼 502 个路径分叉点，让模型在每个分叉点从两条路径中选择更优方向。
推荐理由：文章把端到端测试看不到的长路径选择问题量化成基准，并展示用知识蒸馏即可显著提升智能体判断力的做法，对评估长周期智能体有参考价值。
Anthropic 正与多家律所合作，为未来代表用户议价、处理投诉或修改合同条款的 AI 代理制定公平谈判规范。该公司在实验中发现更强的模型能谈成更好的交易，可能加剧社会不平等。
推荐理由：报道说明Anthropic为AI代理谈判场景提前拟定公平规则的来源，并解释其招聘律师补齐人文评测数据的思路，让读者在AI代理走向自主决策时有一个可对照的背景。
开发者 critiquebrowser 在 Hacker News 上以 Show HN 形式开源 Git 钩子工具 Sphinx，会在 AI 生成代码 push 之前基于 diff 向开发者提问，确认理解后才放行。
推荐理由：在 AI 智能体生成代码日趋常态的当下，把差异审查改造成由开发者亲自作答的反事实问题，给出了一条可参考的工程实践。
Anthropic正与法律机构磋商，研究 AI 智能体在代表人类用户谈判时应当遵循的规范。该公司正在探索模型交互时的“谈判规范”，权衡智能体在谈判过程中需要多大程度寻求人类反馈，以及面对其他 AI 对手应保持多高警惕。Anthropic 还探讨过让用户出具签名文件，向智能体确认委托事项和需要遵守的全部规则。
推荐理由：让读者了解 AI 智能体谈判规范这一新兴议题的早期构建思路，并理解人类反馈程度与多方角力的权衡考量。
工程师 Mihai 在博客中系统梳理 AI 编码时代的自动化软件验证方法，介绍 Superpowers、RoboRev、Claude Code Review、Codex Review。
推荐理由：原文把多家 AI 代码审查工具放到同一套分阶段验证流水线中比较，给出了搭建或改造 CI/CD 时可参照的清单与配置示例。
CoEvo-RSI 论文提出递归自我改进智能体框架，由 meta-agent 基于共享进化档案和执行反馈进行双向历史继承，减少模型与执行框架错配。框架仅使用自身拒绝采样轨迹进行 SFT，使 Qwen3.5-9B 在多智能体故障归因、角色感知 Text-to-SQL 和智能家居指令遵循任务中与更大模型具有竞争力。
推荐理由：论文在多智能体故障归因、Text-to-SQL 和智能家居任务中比较不同模型，展示双向历史继承缓解模型与执行框架错配的表现。
CoworkEnv 提出能力导向框架，通过工作流引导的任务构建与可编程校验合成 AI 协作智能体的可执行训练环境。基于合成数据训练的 PocketWorker 模型在 Claw-Eval 上显著提升：Qwen3-VL-8B-Instruct 经 SFT 后均分从 46.6 提升到 64.1，其中多轮任务获得 31.9 分提升。
推荐理由：原文把工作流约束直接编码进训练环境合成与评分检查，并用 Qwen3-VL-8B 在 Claw-Eval 上给出可验证的多轮增益。
Épi 是一种跨模型会话持续研究，并通过累积经验改进方法的自主研究智能体。它结合持久研究历史、分层记忆、分支探索、独立审查和固定验证器；论文报告 Épi 产出 120 项纪录结果，包括将 n-queens 常数区间收窄约 84 倍。
推荐理由：论文将持久研究历史、分层记忆、分支探索与固定验证器组合用于自主研究智能体，并提供数学结果和 FrontierOR 对比数据，可用于评估研究延续性与成本效率。
Things to Do API 推出面向智能体应用的本地活动搜索接口，同时提供 REST 和 MCP 两种调用方式，可用自然语言检索演出、讲座、市集、节庆等活动并返回含票务链接的结构化结果。
推荐理由：原文给出 REST 与 MCP 双接口、按量定价和接入命令，读者可据此判断它在智能体工作流中的接入成本和适用场景。
清华 THUNLP 实验室联合面壁智能、OpenBMB 开源智能体操作系统 PilotDeck 2.0，主打 WorkSpace 工作舱隔离、白盒记忆可查可改、Dream 模式归纳整理与 Always-on 后台常驻执行，并原生支持 MCP。
推荐理由：给出智能体操作系统的开源实现与量化成本数据，可作为 Agent 框架设计中多模型路由和记忆可追溯方案的参考。