Agent 开发技术Development

把 Agent 做出来的工程层。框架、评测基准、训练方法与基础设施——决定 Agent 是 demo 还是产品的,通常是这一层。

最近 40 条 · 按发布时间倒序 · 全部历史周报

★★★★★

研究指出,采用竞技场式偏好投票的模型榜单存在被系统性操纵的空间,公开排名可信度受到质疑。

该研究分析基于成对偏好比较的模型评测机制,包括竞技场式排行榜,并展示通过策略性提交、影响投票分布等方式,就能在不提升真实能力的前提下抬高排名。文中给出操纵成本与所需样本量的估计,并讨论现有榜单在采样、匿名化与统计检验环节的薄弱点。

值得记下

榜单分数反映的是投票分布,并不能直接等同于模型能力;偏好式评测的可操纵性在模型选型时构成实际风险。

2026-11-14·arxiv.org开发技术
★★★★★

研究在冻结模型权重条件下,评估 Agent harness 从失败轨迹中学习的增益与边界。

论文在冻结模型权重的前提下,考察 Agent 运行框架(harness)能否通过失败轨迹获得改进,并测量其增益幅度与失效边界。研究区分了框架层学习与模型层训练两种改进路径,给出在何种条件下失败轨迹能带来有效提升的实验结论。

值得记下

不改模型、只改脚手架就能从失败中变好,其收益上限在哪里被明确摆了出来,这对判断该不该动模型权重有参照价值。

2026-11-14·arxiv.org开发技术
★★★★★

论文提出 MAPE 框架,用程序进化自动搜索 Agent 的记忆设计方案。

该工作把 Agent 记忆机制视为可搜索的程序空间,用程序进化方法自动生成并迭代记忆设计方案,替代逐项手工设计。摘要称通过进化搜索发现了有效记忆设计,但未披露搜索空间规模、评测任务与对比基线。

值得记下

记忆设计从手工调参变成可搜索空间,写入、表征与检索策略被纳入统一进化循环。

2026-11-14·arxiv.org开发技术
★★★★★

提出 Folio,用可恢复的多分辨率上下文折叠替代有损摘要压缩,服务长任务 Agent。

Folio 针对长程语言 Agent 的上下文管理问题,提出多分辨率折叠方案:将历史上下文按不同粒度组织并可恢复地折叠,而非用摘要做不可逆压缩。该方法保留原始信息可回溯性,用于缓解长任务中上下文超限与关键细节丢失的矛盾。

值得记下

上下文管理从「摘要丢信息」转向「可恢复折叠」,长任务 Agent 的记忆设计多了一条路径。

2026-11-14·arxiv.org开发技术
★★★★★

快手分享智能互动 Agent 在商业场景的落地路径与实践经验。

快手介绍了智能互动 Agent 在其商业场景中的落地路径与工程经验,覆盖从场景选择到实际部署的过程。内容属于大流量商业场景下的 Agent 实践复盘,涉及互动类 Agent 在真实业务中的运行情况与遇到的问题。

值得记下

商业场景下的 Agent 落地复盘,来自日活规模平台的实战经验,而非实验室环境验证。

2026-11-13·infoq.cn开发技术
★★★★★

豆包工作接入Kimi、GLM、DeepSeek等第三方模型,用户可按任务选型并查看成本倍率。

字节跳动旗下豆包工作上线多模型接入能力,在自研模型之外还可调用Kimi、GLM、DeepSeek等第三方模型。产品在模型选择界面标注各模型的成本倍率,用户可按任务需求在效果与成本之间切换。这一改动让办公类Agent产品从绑定单一自研模型,转向多模型可选的形态。

值得记下

成本倍率被直接展示在模型选择界面上,多模型路由从工程内部的调度决策,变成用户可见、可手动选择的产品功能。

2026-11-12·geekpark.net开发技术
★★★★★

AICon 北京站分享差旅 Agent 的业务语义、偏好图谱与上下文工程实践。

该分享以差旅场景为例,讲 Agent 如何从“搜到知识”推进到“理解约束”:包括业务语义建模、把用户偏好组织成图谱,以及在多轮任务中做上下文工程的具体做法。内容来自真实落地实践,覆盖从语义层到上下文组织方式的完整链路。

值得记下

偏好图谱加业务语义约束,是把 Agent 从检索问答推向可执行任务的一条具体路径,而非停留在 prompt 调优层面。

2026-11-12·infoq.cn开发技术
★★★★★

豆包工作宣布接入 Kimi、GLM、DeepSeek 等第三方模型,用户可在平台内切换多个模型。

字节跳动旗下豆包工作上线多模型接入,在自有豆包模型之外新增 Kimi、GLM、DeepSeek 等第三方模型可选,用户可在办公场景中按任务切换不同模型。多模型聚合正成为国内 AI 办公与 Agent 平台的常见配置。

值得记下

办公入口开始把模型当作可替换组件,竞争焦点从单模型能力转向工作流编排、上下文积累与分发渠道。

2026-11-12·tmtpost.com开发技术
★★★★★

介绍 Agent DLC 方法论,讲解如何度量 Agent 质量并搭建可重复的 CI/CD 评测闭环。

文章以从原型到生产为主线,提出 Agent DLC 工程方法论,核心围绕 Agent 质量的度量方式与评测流程的工程化。内容覆盖如何把评测接入持续集成与持续交付环节,形成可重复执行的评测闭环,使 Agent 在每次变更后都能被系统性验证。

值得记下

把 Agent 评测从一次性人工验证,转变为嵌进 CI/CD 的可重复流程,是原型走向生产的工程分界线。

2026-11-12·aws.amazon.com开发技术
★★★★★

Google 发布 Gemini 4 Hydrogen 模型,摘要提示需评估其在 Agent 场景的表现。

Google 推出 Gemini 4 Hydrogen。现有信息未展开具体参数与基准成绩,摘要层面提出的评估维度集中在三点:Agent 场景下的能力上限、端到端延迟,以及单位调用成本。这三点通常决定模型能否进入生产级 Agent 链路。

值得记下

重磅模型发布,但对 Agent 产品而言,能力上限、延迟、调用成本三者需一起看,单看榜单分数不构成选型依据。

2026-11-12·deepmind.google开发技术
★★★★★

一篇以轨迹为中心的实证研究,追踪长周期 LLM Agent 的错误在何处进入、哪些控制手段能触及。

研究以 Agent 执行轨迹为分析单元,对长周期任务中的失败进行溯源,定位错误引入的具体环节,并对照测试各类控制手段(如检查点、验证、重试)能否覆盖这些错误来源。标题强调 dependable 与 trajectory-centered 两个限定,属实证类工作而非框架发布。

值得记下

把失败归因从最终结果挪到轨迹中间步骤,控制手段的有效性取决于它能否触及错误进入的位置。

2026-11-11·arxiv.org开发技术
★★★★★

月之暗面推出托管智能体,作者提出租买三层决策框架,认为 Agent 计价锚点从 IT 预算转向人力预算。

Kimi 上线托管式数字员工,按任务或订阅方式交付。文章据此提出租用、购买、自建三层决策框架,并指出 Agent 的定价参照正在从软件采购预算迁移到人力成本预算,讨论了这一变化对采购与计费模式的影响。

值得记下

计价锚点从软件预算滑向人力预算,意味着 Agent 的竞争对手与采购决策人都会换一批。

2026-11-11·tmtpost.com开发技术
★★★★★

月之暗面 Kimi K3.1 Pro 上线 Amazon Bedrock,兼容 OpenAI 接口并支持提示缓存。

Kimi K3.1 Pro 通过 Amazon Bedrock 对外提供调用,接口层兼容 OpenAI 格式,已有基于 OpenAI SDK 的应用可直接改指向;同时支持提示缓存,用于降低长系统提示与重复上下文的调用开销。公告摘要未披露上下文窗口、定价与区域可用范围等具体参数。

值得记下

国产模型以 OpenAI 兼容协议进入海外主流云市场,接入成本被压缩到改一个 endpoint 的程度。

2026-11-11·aws.amazon.com开发技术
★★★★★

阿里千问办公升级到 Qwen4,文章将其与 WorkBuddy 做办公 Agent 能力的正面对比。

千问办公接入 Qwen4 后,在文档生成、表格处理、多步任务执行等办公场景做了能力升级。文章从任务完成度、响应速度、可调用工具范围等维度,将它与 WorkBuddy 逐项对照,并列出两者在真实办公用例中的表现差异。

值得记下

国内办公 Agent 赛道从模型比拼转向产品级对标,Qwen4 上车千问办公意味着基础模型迭代直接决定办公入口的体验上限。

2026-11-11·huxiu.com开发技术
★★★★★

Manus 取消传统编程面试环节,产品经理直接参与写代码,工程师招聘规模降至峰值一半。

据文章披露,Manus 在招聘流程中取消了传统的编程面试,改为其他考察方式,同时产品经理开始直接编写代码。文章同时提到,该公司的工程师招聘数量已下降到巅峰时期的一半,并围绕这一变化讨论了 AI 编程对团队岗位分工与用人标准的影响。

值得记下

招聘环节的考察对象从算法题转向实际交付能力,PM 与工程师的职责边界在同一团队内被压缩。

2026-11-11·infoq.cn开发技术
★★★★★

沃尔玛分享在 4700 家门店运行多智能体 LLM 批处理工作流的成本与容错实践。

沃尔玛在技术演讲中介绍其多智能体 LLM 批处理工作流的规模化落地情况,部署范围覆盖 4700 家门店。内容围绕批量任务的成本控制与内置容错机制设计展开,涉及如何在大规模批处理场景下组织多智能体协作、控制单任务推理开销,以及应对失败重试与降级,属于生产环境工程经验的对外披露。

值得记下

4700 家门店量级的批处理多智能体,把讨论从 demo 拉到了 token 成本与失败重试这种运维颗粒度。

2026-11-10·infoq.com开发技术
★★★★★

Anthropic 工程师发布长文,讲述 Coding Agent 的管理实战经验与协作方式。

Anthropic 工程师以长文形式复盘 Coding Agent 的实际使用经验,核心论点是使用者的管理能力,包括任务拆解、验收与反馈,直接决定 Agent 产出质量。文章按实战场景给出具体做法与反例。

值得记下

Anthropic 内部工程师把用好 Coding Agent 的前提落在管理能力上,而不是提示词技巧。

2026-11-09·infoq.cn开发技术
★★★★★

千问办公 2.0 发布,补齐办公 Agent 的关键能力短板,形态从个人助手转向团队任务执行。

千问办公升级至 2.0 版本,官方称补齐了办公 Agent 此前缺失的关键环节,产品定位由面向个人的辅助助手扩展为可替团队完成任务的形态。具体新增能力与开放范围未在摘要中展开。

值得记下

从个人助手到团队任务承接,办公 Agent 的竞争点正在从单点功能转向组织内协作链路。

2026-11-09·leiphone.com开发技术
★★★★★

腾讯云提出企业级 Agent 从办公提效转向对经营结果负责。

腾讯云阐述企业级 Agent 的演进路径,将其划分为办公提效阶段与面向经营结果的 Service Agent 新赛道,主张 Agent 的价值衡量从效率指标转向业务结果指标。内容以行业观点与赛道判断为主。

值得记下

衡量口径从效率指标切换到经营结果,企业级 Agent 的付费逻辑与验收标准随之改变。

2026-11-07·geekpark.net开发技术
★★★★★

腾讯 Hy4 因调用量激增完成十倍扩容,官方称其 Agent 能力居开源模型第一。

腾讯披露 Hy4 模型上线后调用量快速增长,已完成十倍规模扩容以承接流量;配套产品 WorkBuddy 方面表示 Hy4 的 Agent 能力在开源模型中位列第一。内容涉及模型服务承载能力与智能体任务表现的官方口径数据。

值得记下

十倍扩容由真实调用量驱动,反映开源模型的生产负载;Agent 能力排名出自官方口径,尚无第三方评测对照。

2026-11-06·qbitai.com开发技术
★★★★★

InfoQ 梳理智能体 Harness 从链、图到代码化的演进路径与工程取舍。

InfoQ 发文回顾智能体 Harness 的架构演进,从早期的链式编排、图结构编排,逐步走向以代码表达流程的方向,并对比各阶段在可调试性、灵活性与复杂度上的取舍。

值得记下

编排范式从图转向代码,反映的是智能体流程控制权在框架与开发者之间的移动。

2026-11-06·infoq.cn开发技术
★★★★★

提出 Agent-R² 方法,用真实来源数据合成来规模化训练执行生产力任务的 Agent。

针对 Agent 训练数据难以规模化的瓶颈,Agent-R² 从真实工作来源(文档、应用、业务流程)中抽取并合成任务轨迹,构造贴近真实生产力场景的训练数据,再用于 Agent 能力扩展。工作给出了数据合成的流程设计与在真实任务上的扩展效果对比。

值得记下

训练数据不再靠人工标注或纯模拟环境,而是从真实工作来源反向合成,绕开了真实任务轨迹稀缺的问题。

2026-11-06·arxiv.org开发技术
★★★★★

论文重新审视代码 Agent 的代码表示方式,指出原始文件读取与检索式访问各自的局限。

论文讨论代码 Agent 应以何种形式“看”代码,分析当前主流的两种做法:直接读取原始文件、以及通过检索按需取片段,并指出两者在上下文占用、结构信息丢失与跨文件依赖上的不足,进而提出对代码表示方式的重新设计方向。

值得记下

代码 Agent 的能力上限很大程度由输入表示决定;原始文件与检索片段这两种默认做法同时被质疑,指向一个被忽视的设计层。

2026-11-06·arxiv.org开发技术
★★★★★

某团队开源自进化研发平台 LoopForge,并分享 Coding Agent 在研发团队的落地工程经验。

团队发布并开源 LoopForge 平台,定位为可自进化的研发平台,围绕 Coding Agent 在真实研发流程中的接入方式、协作机制与迭代闭环展开。文章以工程实践为主线,复盘落地过程中的架构选择与踩坑,具体参数与模块划分需见原文。

值得记下

自进化与研发流程闭环被放到开源平台里落地,Coding Agent 从单点工具走向团队级基础设施的一个样本。

2026-11-06·infoq.cn开发技术
★★★★★

文章审视 Agent harness 的演进路径,追问 benchmark 涨分能否等同于可迁移的真实能力提升。

文章围绕 Agent harness(模型外层的工具调用与流程编排层)的迭代展开,指出 benchmark 分数上涨与真实任务表现之间可能存在落差,分析评测设置与实际部署环境在任务分布、反馈机制、错误恢复上的差异,并讨论如何判断一次 harness 改动带来的是可迁移能力还是对特定测试集的适配。

值得记下

把「benchmark 涨分」和「能力真的变强」拆开看,是评估 Agent 迭代时最容易被跳过的一环。

2026-11-06·arxiv.org开发技术
★★★★★

openJiuwen 提出面向长周期编码 Agent 的动态 Harness 与多 Agent 协作机制。

openJiuwen 针对长周期编码任务中静态 Harness 难以适应任务阶段变化的问题,提出可动态调整的 Harness,并配套多 Agent 协作机制,用于在长时程任务中切换执行策略与分工,项目定位为编码 Agent 的运行框架。

值得记下

把 Harness 从固定脚手架改为随任务阶段动态调整,长周期编码 Agent 的框架层开始出现新范式。

2026-11-06·arxiv.org开发技术
★★★★★

Replit 发布 ViBench 2.0,用于评测 Agent 在长周期任务中完整构建软件的能力。

Replit 推出 ViBench 2.0 基准,把评测对象从单轮代码生成转向端到端的软件构建:Agent 需要在多步骤、跨文件的流程中完成一个可运行的软件项目。基准围绕长周期任务的完成度设计,考察规划、编码、调试与整合等连续环节的表现,并配套公开了评测方法与结果。

值得记下

代码基准的评测单位正在从函数级、单文件级,迁移到“一个能跑起来的完整软件”,长周期连贯性成为新的度量对象。

2026-11-05·arxiv.org开发技术
★★★★★

InfoQ AICon 北京分享 AI Coding 场景下 Skill 门禁与 Harness 的落地实践。

该分享围绕 AI Coding 的增量风险管控展开,介绍 Skill 门禁与 Harness 两套机制在工程团队中的落地方式,涵盖门禁规则设计、执行链路与实践中遇到的问题,属于方法论加工程实践的复盘型内容。

值得记下

把 AI 生成代码的增量风险收敛到 Skill 门禁与 Harness 两层,是较少见的从管控侧切入 AI Coding 的实践视角。

2026-11-05·infoq.cn开发技术
★★★★★

论文实测同一大模型在更换 Agent Harness 后的银行合规表现变化,并发现跨模型差异不一致。

研究以银行业行为规范为测试场景,固定底层大模型不变,仅更换 Agent 框架(Harness)与脚手架,观察模型对合规规则的遵守程度如何变化。结果显示脚手架本身会显著改变合规表现,且不同模型对同一脚手架的反应方向和幅度并不一致,意味着模型评测结果难以脱离其运行框架单独比较。摘要未给出具体模型清单与规则条目数。

值得记下

标题给出的判断是“Harness 即模型”:合规行为并非模型固有属性,换一套脚手架就能改写评测结论。

2026-11-05·arxiv.org开发技术
★★★★★

Bloomberg 介绍 LLM 与确定性流水线混合的架构,用于企业级大规模代码迁移。

Bloomberg 分享了企业级大规模代码迁移的落地架构:由 LLM 负责需要语义理解的改写环节,由确定性流水线负责可规则化的步骤,两者混合编排。这是面向大规模代码库迁移场景的工程实践分享。

值得记下

它没有采用纯 LLM 方案,而是把 LLM 限定在语义环节、其余交给确定性流水线,规模化迁移中的一种分工范式。

2026-11-05·arxiv.org开发技术
★★★★★

提出面向自托管模型的最小 Agent 设计思路:优化 Harness 而非微调模型。

工作把 Agent 效能瓶颈定位在外围 Harness(提示编排、工具接口、上下文组织、失败重试)而非模型权重,并在自托管开源模型上构建最小可行 Agent 用于调查性分析任务。通过约束 Agent 的组件数量与自主度,在可控成本与数据不出域的前提下达到可用表现。

值得记下

在自托管场景里,投入 Harness 工程的边际收益可能高于换更大模型,且天然规避数据外流。

2026-11-04·arxiv.org开发技术
★★★★★

同一模型在相同任务上跑分从 30 分提升到 95 分,差距来自 Harness 工程外壳而非模型本身。

文章用同一模型在不同 Harness 下跑分从 30 分到 95 分的对比,说明 Agent 效果差异主要来自模型之外的工程外壳,并拆解设计要点:上下文组织与压缩、工具定义与返回格式、错误重试与状态管理、子 Agent 拆分以及验证回路等。

值得记下

同一模型 30 分到 95 分的落差全部落在 Harness 上,把“换模型”之外那部分调优空间做了量化。

2026-11-04·infoq.cn开发技术
★★★★★

腾讯推出企业级 Agent 平台,主张把 Agent 的构建与管控权交给企业自身。

腾讯发布企业级 Agent 平台,定位是把 AI 生产力从个人工具推进到组织级规模化落地。平台强调企业自主掌握 Agent 的搭建、数据接入与权限边界,覆盖从单点试用走向多部门复用的路径,面向的是企业内部统一管控与合规需求。

值得记下

大厂把叙事从“个人提效”切换到“组织级管控”,平台的竞争点落在权限、数据边界与可治理性上。

2026-11-02·huxiu.com开发技术
★★★★★

DeepSeek开源Super-agent Harness架构,意在减少人在Agent运行中的重复性手工负担。

DeepSeek开源名为Super-agent Harness的Agent架构,官方将其定位为减少“人给AI打工”的负担,也就是减少人在Agent执行过程中逐步下指令、搬运结果等重复投入。相关架构与代码已公开,可自行部署复用。

值得记下

大厂把“如何让Agent少占用人力”直接做成开源架构,Agent编排层的公共基础设施又多了一个可复用选项。

2026-11-01·huxiu.com开发技术
★★★★★

英伟达开源 Nemotron 3.5 Super 与 Lightning 两款模型,采用混合 Mamba-Transformer 的 MoE 架构,主打 Agent 推理与长上下文。

英伟达以开源权重形式发布 Nemotron 3.5 系列,分 Super 与 Lightning 两个档位,共同点是采用 Mamba 与 Transformer 混合的 MoE 架构,官方定位是 Agent 推理与长上下文场景。公开摘要未给出具体参数量、激活参数比例与上下文窗口数值,需查阅模型卡与评测结果。

值得记下

MoE 加 Mamba 混合架构被明确挂到 Agent 场景上,而不是通用对话;同一系列用 Super 与 Lightning 两个档位覆盖不同推理成本区间。

2026-10-31·arxiv.org开发技术
★★★★★

面向金融场景提出三引擎架构与上下文工程方法,处理 Agent 数值准确性与可审计性。

文章针对金融领域 Agent 提出三引擎架构,并配套上下文工程方法,用于解决 LLM 直接封装导致的数值不准确和过程不可审计问题。架构将计算、上下文组织与校验职责分离,使关键数值可追溯。摘要未披露具体引擎实现与测试数据。

值得记下

金融 Agent 的架构分水岭:把数值计算从语言模型里拆出来,才能同时拿到准确性和审计链。

2026-10-31·arxiv.org开发技术
★★★★★

一篇系统性综述,梳理语言模型与规则引擎耦合的 13 种混合模式,并讨论选型依据。

文章把 LLM 与规则引擎的结合方式拆解为 13 种模式,覆盖规则前置过滤、后置校验、路由分发、回退兜底等不同耦合位置,并从延迟、可解释性、成本、错误传播等维度给出模式之间的对比与选择标准。

值得记下

把'LLM 加规则'从笼统原则拆成 13 种可命名的具体架构,选型讨论从感觉转向模式编号。

2026-10-31·arxiv.org开发技术
★★★★★

InfoQ 发文拆解生产级 AI 系统中的隐性故障类型、工程落地路径与智能体治理实践。

InfoQ 发布一篇聚焦生产环境 AI 的实践文章,内容分为三部分:识别生产环境中不易察觉的隐性故障(如静默降级、输出漂移),梳理从原型到上线的工程落地路径,以及智能体在权限、审计、责任边界上的治理做法。文中结合具体案例讨论每类问题的表现与应对方式。

值得记下

隐性故障被单独列出讨论,这类问题在演示阶段看不出来,往往在流量上来后才暴露,且难以归因到单一模块。

2026-10-29·infoq.cn开发技术
★★★★★

阿里云将云能力延伸至智能体构建运行与企业数据组织,推出 Agentic Cloud 基础设施底座。

阿里云提出 Agentic Cloud 定位,在原有云服务之上补齐智能体的构建、运行与托管能力,同时纳入企业数据组织环节,形成面向 Agent 的基础设施底座。这一布局被视为模型服务之后的下一段生意,思路是把智能体开发所需的运行时、工具调用与数据接入打包为云上标准能力。

值得记下

云厂商开始把智能体运行时当作与模型服务并列的独立产品线,基础设施层的竞争从卖算力转向卖 Agent 运行环境。

2026-10-29·tmtpost.com开发技术
★★★★★

小红书分享企业级AI助理Seal从三天Demo到一个月内全员可用的规模化落地过程。

小红书介绍其企业级AI助理Seal的落地路径,从最初三天的Demo验证起步,在一个月内推进到全员可用。内容涉及内部场景选择、权限与数据接入、用户推广等环节,呈现了企业内Agent产品从原型到规模化铺开过程中的实际问题与应对方式。

值得记下

三天 Demo 到一个月全员可用,这个时间比例呈现了大厂内部 Agent 落地的真实节奏。

2026-10-29·infoq.cn开发技术