BizBench：揭示长链路业务 Agent 在真实部署中的中间执行漏洞
BizBench 是一项多轮长链路业务 Agent 评测基准，基于一家头部支付公司的真实流程构建，包含 789 份知识文档和 601 个可发现工具，共 50 个任务，覆盖资源约束、时间依赖、过往承诺与冲突或过期指引等场景。
推荐理由：BizBench对比前沿模型在真实业务流程中的严格合规执行表现，揭示仅看最终结果会掩盖中间过程的违规。
技术方向
Agent 智能体 最新动态
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
更新
精选归档 · 第 33 页
HF Daily Papers精选AI 评分4242 HF Daily Papers精选AI 评分4343 DeltaStreamer：面向流式视频理解的类人智能体
DeltaStreamer 是一个面向流式视频理解的开源智能体，可持续观察视频并在问题到达时按需回溯画面，代码与交互 demo 已在 GitHub 开源。它结合三项能力：对比相邻帧记录场景变化与描述、将视觉证据组织为带索引的结构化记忆、按需检索并重访原始帧。
推荐理由：原文给出了面向持续视频流的代理框架，强调可按需回溯画面与结构化记忆，并附有开源代码与可交互 demo。
HF Daily Papers精选AI 评分5050 MAI-Gym：面向手机与电脑的 GUI 智能体评估与在线强化学习训练平台
MAI-Gym 是一个开源 GUI 智能体评估与强化学习训练统一平台，覆盖手机、电脑和网页环境，可扩展至 20,000 个并行实例。基于该平台训练的 MAI-Gym-9B 在 10B 参数以下开源 GUI 智能体中达到当前最优，在 MobileWorld 上取得 78.4%、在 OSWorld-Verified 上取得 76.2%。
推荐理由：论文同时给出平台规模、训练结果与模拟到真实的迁移数据，能为 GUI 智能体的训练成本和跨环境泛化提供参考。
The Verge · AI精选AI 评分5555 微软设立 Xbox Labs 拥抱 AI 驱动的游戏移植浪潮
Xbox CEO Asha Sharma 宣布设立 Xbox Labs，由 Scott 牵头的小规模团队专攻 AI 模型驱动的游戏去编译与重编译，并把工具与经验向开发者共享。
推荐理由：微软正式入局 AI 游戏移植与 modding 浪潮，新设 Xbox Labs 探索 AI 智能体在游戏开发中的角色，为读者提供了头部平台方如何应对去硬件绑定趋势的样本。
TechCrunch精选AI 评分3434 Niobia 把 AI 智能体装到电池与芯片产线上定位细微缺陷
Niobia 是一家总部位于旧金山的初创公司，把 AI 智能体直接部署在电池与芯片的生产设备上识别针孔级划痕等缺陷，并通过聊天机器人让工程师追问故障原因，目标把排查时间从数日缩短到几分钟。
推荐理由：把 AI 智能体和模型推理直接下沉到设备端的本地 GPU，并用开源底座叠加行业数据微调，对数据敏感的制造场景具有可借鉴的部署思路。
TechCrunch精选AI 评分3737 Laplace Intelligence 在仿真环境中红队测试机器人与自动驾驶系统
Laplace Intelligence 用 AI 智能体在仿真环境中自动为机器人与自动驾驶系统设计边缘案例，在部署前进行红队测试。其仿真基于 Nvidia Cosmos 后训练版本，融合 Google Street View 与 TomTom 实时数据构建可交互场景；客户包括 Isuzu、Bot Auto 和 Nvidia，并与 T-Mobile 在圣何塞合作智慧城市试点。
推荐理由：文章介绍 Laplace Intelligence 用 AI 智能体在仿真中自动设计边缘案例测试物理 AI，可与 Applied Intuition 等现有方案对照阅读。
Hugging Face Blog精选AI 评分6363 LiquidAI发布端侧推理模型LFM2.5-24B-A2B，主打本地智能体
LiquidAI发布LFM2.5-24B-A2B推理模型，采用24B参数MoE架构但每次仅激活2B，专为本地智能体设计。
推荐理由：LiquidAI给出24B参数MoE仅激活2B的端侧推理模型，在智能体基准上对标更大模型，并附带本地部署与Agent接入示例，便于评估迁移成本。
TechCrunch · AI精选AI 评分4646 Pluto Security 获 4200 万美元融资，推出监控 AI 智能体的企业安全平台
企业安全初创公司 Pluto Security 走出隐身模式，融资 4200 万美元，用于开发监控企业 AI 工具与智能体行为的平台。CEO Shahar Bahat 表示，新发布的 AI 工具可在两小时内进入企业环境，公司检测到的约 60% 风险来自非开发者 vibe-code 的工具，金融部门问题最多。
推荐理由：报道给出了具体融资数字、产品形态与首批客户信息，说明 AI 智能体进入企业后正在催生新的安全工具品类，可作为对照同类创业公司的参照。
Hacker News精选AI 评分7171 Anthropic 重新设计源码管理：用自研 Scion 取代 git
Anthropic 发布工程博客，介绍其内部版本控制系统 Scion：7 人团队在五个月内将 monorepo 从 git 完整迁移，单日合并量从 2026 年 5 月约 2,500 次增至同年 9 月超 30,000 次。
推荐理由：原文以 Anthropic 内部迁移为例，给出面向智能体规模重构源码管理的具体设计与性能数据，可供面临同类压力的工程团队参考。
Google AI Blog精选AI 评分8181 Google 发布 Gemini 4 Argon 前沿模型，定价 $2/$10 每百万 token
Google 发布 Gemini 4 Argon 前沿模型，在 Vals Index 排名第一、ERQA 推理基准得分 87%。模型通过 Gemini API、AI Studio、Antigravity、Gemini app 等渠道全球开放，提供 1M 统一输入输出上下文，定价 $2/$10 每百万 input/output token，缓存输入享 95% 折扣。
推荐理由：原文给出定价、上下文上限与多项工程落地案例，可据此评估它在长链路编程与 Agent 场景中的实际替代价值。
AWS Machine Learning Blog精选AI 评分6969 在 Amazon Bedrock 上用 Grok 4.7 构建长链路推理 Agent
AWS 博客介绍如何在 Amazon Bedrock 上调用 Grok 4.7 构建工具调用 Agent，并在三个需要搜索而非查表的任务上比较四种 reasoning effort 档位：72 次运行中答对 67 次，xhigh 档 18/18 全部正确，low 档用约 1/8 的输出 token 答对 15/18 次。
推荐理由：给出可复用的推理 Agent 评测方法与按档位调校的工程实践，并把推理质量与 token 成本做成可调旋钮。
Hacker News精选AI 评分3232 如何为游戏开发构建 AI Harness
文章系统讲解如何把游戏设计为可被 AI 智能体（如 Claude Code）直接理解与操作的 Harness。核心做法包括固定随机性与确定性状态、把一切抽象为单一 Thing 类型、Command Pattern、外部化数据管理，以及把 Simulation 独立为 DLL 让引擎与逻辑解耦；配合 odiff 做截图差异比对、samply 做文本化性能分析，AI 可以在不编译、秒级循环中验证改动。
推荐理由：给出把游戏变成 AI 可操作 Harness 的完整架构方法，对想用智能体迭代游戏逻辑的开发者有直接借鉴价值。
钛媒体精选AI 评分2323 Shopify有望凭借AI智能体大获成功，但这可能需要时间
德意志银行分析师重申对Shopify的买入评级，认为Shopify有望成为AI平台首选结账引擎并长期受益于AI智能体驱动的电商增长。此前Meta推出AI购物代理Muse曾引发市场对Shopify前景的担忧，但分析师仍预计Shopify即将公布的第三季度财报将超出市场预期。
推荐理由：原文以德意志银行买入评级为切入点，对比Meta推出Muse购物代理后Shopify的竞争处境，为读者提供AI代理介入电商结算环节的参照。
Simon Willison精选AI 评分3737 Geoffrey Huntley：用 pre-commit hook 注入 prompt 约束编码 agent
Geoffrey Huntley 分享一种约束编码 agent 的做法：在 pre-commit 阶段检查 git diff，一旦发现直接调用 observability 模块、绕过了他自己的 diagnostics module，就阻断提交，并向 agent 注入提示词要求改用该库。
推荐理由：原文给出用 pre-commit hook 检测 git diff 并注入 prompt 的具体做法，读者可直接复用到自己的编码 agent 流程中。
TechCrunch精选AI 评分6565 SpaceXSI 将 X Premium、Grok 与 Cursor 打包为单一订阅服务
SpaceXSI 推出新订阅套餐 The X Subscription，把 X Premium、Grok 与 Cursor 整合为一项计划。订阅分免费、Plus 8 美元/月、Premium 30 美元/月、Super 100 美元/月、Ultra 200 美元/月五档，AI 用量随档位提升；最新 Grok 模型需 Premium 及以上，免费档仅提供有限聊天与智能体功能。
推荐理由：对比五档订阅价位与各档 AI 用量上限，读者可据此评估该捆绑方案覆盖的功能范围及其相对单独订阅 X Premium、Grok、Cursor 的区别。
HF Daily Papers精选AI 评分3838 CarryOn：为长程智能体构建对象化上下文
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。
TechCrunch精选AI 评分5151 美国运通推出 Intent Intelligence Framework 防止 AI 代理未授权交易
美国运通推出 Intent Intelligence Framework，在 AI 代理完成支付前捕获并验证用户购买意图，并据此签发 Proof of Intent Token 与 Intent ID，用于获取替代真实卡号的安全数字支付凭证。
推荐理由：美国运通在交易更早环节引入意图捕获与认证机制，与现有代理购物常见的下单前确认方案在授权校验时机上形成对比。
量子位精选AI 评分3939 魔法原子EchoPolicy-0拿下MolmoSpaces全球第一
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 Blog精选AI 评分6363 NVIDIA RTX Spark 临近上市，全球 PC 应用生态全面就绪
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。
36氪精选AI 评分3737 腾讯WorkBuddy企业版上线一站式Agent可观测平台
腾讯WorkBuddy企业版管理后台上线「可观测中心」并开启公测，提供实时观测、会话追踪、轨迹详情三大能力，用于降低企业部署与使用企业级Agent的门槛。
推荐理由：原文给出了企业级Agent可观测能力的三项具体维度，方便读者对比同类平台在实时观测和轨迹追踪上的能力差异。