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。
956 条精选近 30 天 859 条共收录 1,132 条
作者用 HuggingChat 的 ML Intern 在几天内训练了 6 个定制小模型，包括柑橘病害分类器、Huggy 角色 LoRA、相机视角 LoRA、涂鸦替换 LoRA、0.8B 口袋改写器与 Agate 4 步蒸馏模型，总算力约 103 美元。
推荐理由：作者公开了用 ML Intern 训练小模型的 7 段提示词与项目流程，强调 Verified facts、基线、smoke test 与预算上限等可被迁移使用的写法。
NVIDIA 展示了开发者如何用 GPT-6 Astra 等前沿 AI 模型驱动智能体，结合 NVIDIA Omniverse 库把仿真创意构建为可运行应用。案例覆盖建筑数字重建、燃气轮机故障分析、机器人控制与仓储扩容；其中 80 条输送带、40 个机械臂和 800 个箱子的仓储仿真在 2 分钟测试中维持 30 FPS，并完成 640 次箱体放置。
推荐理由：文章以建筑重建、涡轮测试和仓储扩容为例，展示自然语言驱动智能体连接仿真库、生成应用并定位瓶颈的方法。
作者逆向 Nokia 110 4G 固件，把内置计算器改造成 AI 智能体，通过 DeepSeek chat API 回复并调用手机原生功能，实现查询 SIM 数据、开关手电筒、拨号和设置闹钟等操作。该原型在 48MB 内存上精简了 agent 代码、压缩 payload 并复用缓冲，目前需通过计算机加载到 RAM 运行，重启后失效，源码因含敏感数据暂未公开。
推荐理由：把诺基亚 110 计算器改造成可调本机功能的 AI 智能体，给出了 48MB 内存下压缩 payload 与复用缓冲的端侧方法。
Pocketty 发布 iPhone 与 iPad 版 SSH 终端，当 Claude Code、Cursor 等编码代理被阻塞或完成时推送 HPKE 加密通知。
推荐理由：原文通过 26 项功能逐条对照 Moshi，并给出 HPKE 封装和中继不存量的隐私设计，方便读者评估同类 iOS SSH 终端的差异。
TerminalHorizon 是一个面向长程终端智能体的全自动数据合成引擎，通过独立执行识别真实职业任务中被省略的关键工作，并以证据引导环境重构、围绕同一目标逐步扩展任务序列。
推荐理由：原论文给出从数据合成到微调训练的完整方法与多基准结果，读者可直接对照自己的智能体训练管线和数据构造思路。
AgentSWE 是面向智能体软件工程的 25 任务基准，覆盖创建、编辑、优化三个阶段，测试发现受测编码 Agent 均无法交付真正符合需求的智能体。每个任务用少量示例供构建者迭代，再以冻结提交在覆盖完整需求的隐藏用例上按派生 rubric 通过或不通过打分，论文还归纳了对可见用例过拟合、空壳运行时与虚假完成声明三类失败模式。
推荐理由：AgentSWE 用 25 个任务以可见示例与冻结提交对照评估编码 Agent 是否真正满足需求，指出交付差距是常态而非个例。
APEX-Harm 是一个用于评估长时程智能体在大型多工具工作区中抵御 prompt 与脚本注入攻击能力的新基准。任务覆盖金融、咨询和法律场景，每个任务含 115–328 个文件，并通过 MCP server 提供邮件、日历、聊天、文档、电子表格、PDF 与代码执行工具。
推荐理由：在 12 个前沿模型上测得具体攻击成功率与任务得分，提供了多工具场景下智能体安全性的横向比较依据。
Harness^2 提出一个即插即用的递归式智能体 Harness 演化框架，通过任务级与 Harness 级两层递归，在缺乏真实验证器的开放场景下自动改进 LLM 智能体的执行 Harness。
推荐理由：针对开放场景下 LLM 智能体 Harness 自动演化缺乏可靠验证器的难题，提出两层递归的即插即用框架，并报告在多个专业基准上的具体提升幅度。
作者提出 ProgramGym 框架，包含 Program-Env 与 Program-Agent 两部分，用于长程程序复现智能体的可扩展训练环境。Program-Env 通过反馈驱动循环从仓库构建可验证训练环境，覆盖 C、C++、Go、Rust 共 1,648 个环境；Program-Agent 串联分析、实现、评审三阶段工作流并加入修订控制。
推荐理由：原文给出 1644 个跨 C、C++、Go、Rust 的可验证训练环境构建方法与长程编码智能体在 ProgramBench 上的具体提升数字，可作为同类智能体训练环境的参考。
OpenMobile-2 发布并全部开源，聚焦移动智能体的可扩展训练环境与 App 原生工具。MobileGym++ 包含 35 个高保真、可控的商业风格应用并支持跨应用工作流，连同模拟器应用共提供 110+ 应用，用于大规模数据合成和智能体强化学习。
推荐理由：原文同时给出开源环境、基准与模型，并提出混合 GUI/CLI 设置，可作为移动智能体可复现实验的比较起点。
ClawLoop 提出一种让大语言模型智能体在沙箱工作空间中自改进的训练框架，不依赖外部教师模型。该框架由任务合成、SFT/RL 训练和诊断反馈三阶段组成循环。
推荐理由：提出不依赖外部教师的智能体自改进训练框架，在多个评测基准上取得稳定提升，并验证了合成任务可迁移到更小模型。
RSI-Anything 提出一个基于 JEPA-Anything 的领域通用递归自改进框架，用预测式世界模型指导动作选择和学习数据筛选，并通过组件与兼容性检查决定是否保留更新后的策略-模型配对。
推荐理由：原文给出在代码修复、GUI、实验规划和反应优化等多个领域的统一自改进框架，读者可以参照其世界模型筛选与版本保留机制设计自己的递归改进流程。
论文提出面向 GUI 智能体的潜在世界动作模型，把世界模型预测目标从像素空间全屏重建转向潜在空间中的动作诱导未来信息，并通过动作感知对比损失缓解 identity shortcut。
推荐理由：论文把 GUI 世界模型预测从像素重建改为潜在空间表示，给出相对像素基线的成功率与延迟提升，并随附开源代码。
本文提出 Work2Skill 框架，通过 WorkRecorder 采集人类屏幕录制与键鼠操作，并基于 350 条多模态示范构建 WorkDemo-350 数据集，用于抽取可复用智能体技能。
推荐理由：论文给出了框架、数据集和开源代码，并在 MyPCBench 与 OSWorld-Verified 上汇报了具体分数提升，读者可以据此复现并对比现有 GUI 智能体技能提取方法。
Amazon Bedrock AgentCore payments 正式可用，让 AI agent 通过 x402 协议按次向推理服务付费。
推荐理由：文章给出了 AgentCore payments 与 x402 推理服务对接的端到端实现，以及支出上限在基础设施层强制生效的具体做法。
Google 在 Google Cloud 活动上宣布将 Gemini 升级为可执行任务的统一智能体，率先面向企业用户开放。Gemini 拥有超 10 亿月活用户，近 90% 财富 100 强企业已在使用 Gemini Enterprise。
推荐理由：文章把 Gemini 智能体落地企业场景的关键信息一次性给出，包括首批可用系统、模型选择机制和早期客户名单，便于评估它在现有工作流里的接入方式。
阶跃星辰（StepFun）的 Step 5 Preview 在 OpenRouter 上架，采用稀疏 MoE 架构（27B 激活 / 600B 总参数），支持 1M token 上下文。
推荐理由：原文给出了 1M 上下文、27B/600B MoE 架构与分层定价，读者可据此判断它在大上下文与长链路任务上的可用边界。
Periodic Labs 创始人 Liam Fedus 和 Ekin Dogus Cubuk 在 Latent Space 访谈中阐述「合成超智能」愿景，主张让 AI 通过强化学习与物理实验闭环来发现新材料。
推荐理由：区分了 AI 做数学/编程与做物理实验的差异，以及为什么失败实验会是有价值的训练数据。
Goodfire推出基于模型内部激活的AI智能体监控系统，在模型前向计算中插入小型分类器读取风险信号，绕过对输出的二次审阅。系统已在Baseten上线，监测越权入侵、化学与生物武器滥用与奖励黑客等风险，响应方式包括记录、人工复核或直接拒绝。
推荐理由：原文给出了内部激活探针与外层审阅模型的成本对比和检出率数据，读者可以据此评估它能否替代传统输出监控方案。
Natura 推出售价 99 美元的智能戒指 Interface，用户通过按压戒指即可向 AI 智能体下达指令，支持连接 Meta 的 Muse、Claude、ChatGPT、Grokbot 等多个 AI 智能体与 App。
推荐理由：这款戒指同时接入 Claude、ChatGPT、Grokbot 等多家 AI 智能体并兼顾健康追踪，可作为对比现有 AI 智能体硬件形态的参考。