研究不改动模型、只调整运行时 Harness，测量其对工具 Agent 表现的影响。

论文把工具 Agent 的运行时外壳拆成提示模板、工具接口定义、中间件与错误恢复逻辑四个部分，逐一测量各组件对任务成功率的影响，并给出在不重新训练模型前提下的优化组合。

论文发布两套 LLM 交易 Agent 系统为期六个月、覆盖数千用户的生产运行记录。

论文以两套已上线的 LLM 交易 Agent 系统为样本，跟踪六个月、数千名真实用户的生产数据，还原其决策行为、工具调用序列与各类失效模式，并给出群体规模下的行为分布与错误统计。

客服助手从单体模型迁移到 Agent 编排的生产实践，覆盖检索、动作与话术的拆分。

该实践记录了客服助手从单一模型架构迁移到多 Agent 编排的过程，将原本由单体模型承担的能力拆分为检索、动作执行与话术生成三类角色，以支撑大规模并发下的动态响应。内容围绕迁移路径、编排结构以及响应生成方式展开，属于工程落地层面的经验陈述，涉及拆分后各环节的职责边界与协同方式。

面向图形界面与命令行混合操作的智能体，提出可扩展动态评测环境。

提出CUA-Universe，一种面向混合GUI与CLI操作场景的智能体评测环境。环境支持任务实例动态生成与规模扩展，可覆盖需要在图形界面和命令行之间切换完成的长流程任务；设计目标是以可动态配置的交互场景补充纯GUI基准在覆盖范围与执行效率上的不足。

一个用于仓库级重构Agent受控评测的开源Harness，聚焦多文件修改能力。

RefactorPlatform为仓库级重构Agent提供开源评测Harness。其做法是在受控环境中设定重构任务，让Agent面对完整仓库而非单文件，再观察其多文件修改能力。评测对象是重构Agent的输出改动，重点记录跨文件的一致性表现；代码仓库级范围与可控评测环境是其两个关键设定。未提供底层模型、任务规模等参数。

论文分析 LLM-Agent 排行榜名次实际在比较什么，指出任务混合与评测配置的影响。

论文对 LLM-Agent 排行榜的排名含义做拆解，追问一个名次到底比较了什么。分析指出任务混合比例与评测配置（提示形式、工具接口、环境设定等）会显著影响最终排名，名次靠前不必然说明能力更强。属于评测方法层面的元分析，关注排名作为能力指标的效度。

对 Agent 技能文件 SKILL.md 的长期维护做纵向研究，观察人机协同的治理模式。

研究追踪一批 Agent 技能文件（SKILL.md）在一段时间内的变更记录，统计修改主体、修改内容与 AI 辅助所占比例，归纳出人类主导、AI 辅助的技能维护流程，以及常见的失效形态，如内容陈旧、技能间冲突、无人认领维护责任等。

提出面向车载信息娱乐系统自主测试的Agentic框架ARIA，用于替代脚本化与手动测试。

ARIA是一个Agentic测试框架，用于车载信息娱乐系统的自主测试。其目标是替代脚本化与手动测试流程，由智能体自主执行测试任务，覆盖系统功能验证过程。框架强调测试执行与结果反馈的自主流转，但在摘要中未提供支持车型、系统版本、可自动化用例比例或测试覆盖率等参数。

综述 Agentic AI 从语言模型到世界行动体的演进，梳理数字、社会、虚拟与物理环境进展。

该综述将 Agentic AI 放在从语言模型到世界行动体的连续谱系中，观察系统从生成文本转向改变外部状态的过程。文章按数字、社会、虚拟与物理四类环境拆分现有工作，逐类列出代表性方法、行动能力边界与主要限制，并比较不同环境下行动体的共同基础。内容属于横向梳理，没有引入新的实验数据。

论文理论分析 Harness 自进化可行性，设定为冻结模型、仅修改提示与工具编排。

研究对 Harness 自进化进行理论分析：在冻结基础模型权重的前提下，仅允许修改提示词、工具与编排逻辑，探讨这种受限自进化能达到的上限与不可逾越的边界，为 Agent 系统中只改外层不改模型的迭代路线提供形式化视角。

一篇研究针对 Agent 可复用技能的正确性，提出意图掩码的技能规格推理方法 SkillSpec。

论文关注 Agent 复用技能（skill）时的规格正确性问题，提出 SkillSpec 方法，通过意图掩码的规格推理来判断技能是否被正确调用与实现。摘要指出其目标是在技能复用场景下保证行为符合原始意图，属于 Agent 工具与技能层的方法论工作。

提出 Skynet 方法，对 Agent 长流程做语义与结构建模，实现工作流级异常检测。

论文提出 Skynet，一个面向 Agentic AI 的工作流级异常检测框架。它同时对 Agent 执行轨迹做语义建模（各步骤的语义表征）与结构建模（步骤之间的调用依赖与拓扑关系），从而在长流程中定位到具体是哪一步失败。摘要称该方法可覆盖规划、工具调用等环节的异常，区别于只在单步层面独立打分的检测方式。

论文提出 SCIRIGOR 评测框架，评估科学编码 Agent 的分析过程与结论可信度，而非只看最终得分。

论文指出现有科学编码 Agent 评测只看最终答案得分，无法反映分析过程的质量。为此提出 SCIRIGOR 框架，把评测范围扩展到开放式科学分析的中间过程与结论可信度两个层面。摘要未披露具体的评测维度数量、数据集构成以及过程指标的判定方式。属于 Agent 评测方法论方向的工作。

AgentDrift 基准按步标注 Agent 工具调用轨迹中的间接提示注入劫持，供安全评测。

论文提出 AgentDrift，一个按步骤标注的基准数据集，收录 Agent 在工具调用过程中被间接提示注入（indirect prompt injection）劫持的执行轨迹。每条轨迹逐步标注哪些步骤已被攻击者控制、哪些仍属正常行为，可用于训练与评测 Agent 的注入检测与防御方案，也可用于分析劫持在长流程中的扩散路径。

OpenAI 发布面向工作场景的 GPT-6 Astra，强化推理、计算机操作与写作设计判断。

OpenAI 发布面向工作场景的 GPT-6 Astra，定位为下一代工作智能。官方说明其重点强化推理能力、计算机操作（computer use）以及写作与设计判断，并同步公布了配套系统卡与对齐说明。

内容围绕GPT-6发布后披露的新颖推理模式，探讨AGI与Agent规划能力趋势。

文章以GPT-6发布为背景，介绍OpenAI披露的被称为外星思维的新颖推理模式，并讨论该模式对AGI发展路径及AI Agent规划能力可能产生的方向性影响。未提供具体模型参数或基准测试结果，主要引用官方表述与业内观点，属于趋势性议题报道。

OpenAI 发布 Agents API，基于 Codex harness 提供托管云端 Agent，支持编排与工具调用。

OpenAI 上线 Agents API，为开发者提供托管在云端的 Agent 运行环境，底层复用 Codex harness。该 API 支持多 Agent 编排、长会话状态维持以及工具调用，开发者无需自建运行时即可部署 Agent 流程。摘要未提及计费方式、并发上限与可用区域。

OpenAI 在 ChatGPT Work 中上线 Data agent，企业可接入自有数据并用自然语言生成看板。

OpenAI 面向 ChatGPT Work 用户推出 Data agent，支持连接企业内部数据源，用户通过自然语言提问即可生成图表与看板，无需编写 SQL 或依赖 BI 团队。该功能延续了 ChatGPT 从对话工具向企业数据工作流入口的扩展路径，面向的是已购买 Workspace 席位的组织客户。

OpenAI 发布 GPT-6 Astra，主打编码、computer use、长时程 Agent 任务与安全。

OpenAI 发布新一代模型 GPT-6 Astra，官方定位覆盖四个方向：编码、computer use（直接操作电脑界面）、长时程 Agent 任务执行以及安全。这是主版本级别的更新，把操作能力与长任务能力放在同一代模型中共布。摘要未列出上下文长度、定价与开放范围等参数。

InfoQ 演讲分享用知识图谱构建生产级 Agent 系统的架构模式，从检索走向推理。

InfoQ 的这场演讲围绕生产级 Agentic AI 系统展开，提出以知识图谱替代或补充传统向量检索，让 Agent 的链路从检索走向推理。内容涵盖架构分层、图谱构建与推理链路设计，并给出从原型验证到生产环境的落地路径与工程约束条件。

OpenAI 在 API 上线 GPT-Live-1 全双工语音模型，支持自定义音色与电话接入。

OpenAI 将语音模型 GPT-Live-1 开放至 API，采用全双工架构，可同时收发语音。相较前代，其指令遵循能力有所增强，并支持自定义音色与电话线路接入，面向客服、语音助手等实时对话场景。摘要未给出延迟指标与调用价格。

在 Amazon Bedrock AgentCore 上构建带交互式 HTML 组件的 MCP App，同一服务可跨宿主复用。

内容讲解如何在 Amazon Bedrock AgentCore 上构建 MCP App，应用内可嵌入交互式 HTML 组件，同一服务能被 ChatGPT、Claude 等不同宿主复用，展示了 MCP 应用在托管运行时与多宿主环境下的实现路径。

Google Cloud 发布面向 AI 编码 Agent 的开发者插件，用 Agent Skills 与远程 MCP 服务器接入云服务。

该插件让编码 Agent 直接调用 Google Cloud 的能力，核心是两项机制：Agent Skills 以按需加载的技能包形式提供云服务知识，远程 MCP 服务器则在需要时才拉取工具与资源，两者共同降低常驻上下文占用。插件覆盖部署、日志、数据库等常见云上操作，目标是让 Agent 在编码任务中直接完成资源配置与排障。

HPE Zerto使用Amazon Bedrock构建多智能体故障排查系统，详解架构与部署经验。

HPE Zerto基于Amazon Bedrock搭建了针对其数据保护产品的多智能体故障排查系统。该系统由多个具备不同职责的智能体协作完成日志分析、异常定位与排查步骤生成，并将知识库进行本地化部署以满足合规要求。文中涉及了智能体任务编排方式、提示词管理策略以及在生产环境中的实际部署经验，给出了基于Bedrock构建企业级Agent工作流的参考案例。

OpenAI 智能体集群在运行中发生维基事件，多智能体协作风险暴露。

内容记述 OpenAI 多智能体系统在涉及维基百科场景中出现的意外事件，多个智能体同时执行编辑并互相覆盖或矛盾操作，最终触发平台方干预与规则限制。事件展示了缺少协调层时多智能体协作产生的级联后果，相关参数包括任务并行度、权限边界、写冲突频率和修复成本。

Cognition 借助 GPT-6 Astra 让 Devin 对自身产出的代码进行测试与验证，减少人工审阅环节。

Cognition 公布了一项让 Devin 自测代码的能力，底层调用 GPT-6 Astra 模型。Devin 在生成代码后自行执行测试、核对结果并迭代修正，把原本由人类工程师承担的验证步骤交回给 Agent 自身。官方描述该流程可压缩人工审阅工作量、缩短从任务下达到可交付代码的时间。

滴滴基于Amazon Bedrock构建智能客服质检系统，意图识别准确率从38%提升至86%。

滴滴利用Amazon Bedrock搭建了面向客服对话的智能质检系统，用于替代传统的关键词匹配方案。系统对客服会话进行意图识别与合规性检测，在实际业务数据上意图识别准确率由原来的38%提升至86%。文章介绍了从数据标注、模型微调到效果评估的完整流程，展示了Agent技术应用在客服质检场景中的效果指标与实施关键点。

AWS 开源评测框架，用单题成本、Agent 轨迹成本等指标替代每 token 价格做 Bedrock 选型。

AWS 发布开源评测框架，主张以结果导向指标而非每 token 价格来选择 Amazon Bedrock 上的 OpenAI 模型。框架给出的指标包括单题成本和 Agent 轨迹成本，支持使用者按自身 workload 对不同模型做横向对比。

有研究提出面向多轮对话的 Agent 评估指标 AEM，可按轮次分解衡量对话质量衰减。

该工作提出 Agent Evaluation Metric（AEM），用于评估 Agent 在多轮对话中的表现，特点是可按轮次分解，从而定位质量随对话推进而下滑的具体位置。相比只看最终结果的整体打分方式，它试图把多轮交互中的衰减过程量化出来，为对话式 Agent 提供更细粒度的评分口径。

AWS 发布案例，Heurist Finance 基于 Bedrock AgentCore 搭建 AI 原生投研工作台。

AWS 官方博客介绍 Heurist Finance 如何用 Amazon Bedrock AgentCore 构建 AI 原生投资研究工作台。团队直接复用 AgentCore 提供的记忆管理、身份与权限、运行时托管和可观测性组件，不自建底层支撑设施，将有限的工程资源集中在投研流程编排与金融数据接入上。

介绍将Bedrock AgentCore评估接入GitHub Actions并在PR失败时阻止合并的方法。

文章展示在GitHub Actions中配置Amazon Bedrock AgentCore完成Agent自动化评估的流程：代码提交后通过既定测试集对Agent执行的响应和工具调用进行验证，评测结果作为PR检查状态回传；当测试未通过时由仓库配置的门禁规则拦截合并，使Agent行为回归问题在集成前被发现。

Antigravity SDK 同时支持 Agent Hub 与自定义 Harness 两种模式，辅助企业规划 Agent 架构。

内容介绍 Antigravity SDK 的两种使用方式。Agent Hub 模式直接利用平台已有的 Agent 发现、注册与调用能力；自定义 Harness 模式允许开发者在自有执行环境中嵌入 SDK，用它处理工具调用与上下文传递。文章说明两种模式可以在同一工具包内共存，目的是让企业根据现有系统选择或组合 Agent 运行方式，而不是在搭建前锁定一种架构。

英伟达拟以近130亿美元收购Hugging Face，争夺AI开发者入口。

报道称英伟达正在推进对Hugging Face的收购，价格接近130亿美元。Hugging Face运营开源模型与数据集分发平台，其Hub和Transformers库是Agent开发中连接模型与代码的常用环节。若交易完成，英伟达将从GPU制造商进一步进入开发者工具链的上游入口。

三季度Token数据公布前，解析中国日均Token消耗趋势及AI产业关键问题。

文章在官方三季度Token数据发布前，围绕中国日均Token消耗量的统计口径与趋势展开讨论，梳理了影响Token消耗增长的因素，包括大模型调用量变化、推理成本下降带来的使用量提升以及企业端应用的渗透程度。同时分析了Token消耗数据作为衡量AI产业实际活跃度指标时的局限性与参考意义，为后续数据解读提供背景。

DeepSeek、千问、智谱等国产模型进入 PC 端，AMD 以端侧算力压低 Token 使用成本。

内容梳理 PC 厂商引入国产大模型的动向：DeepSeek、千问、智谱等模型陆续进入 PC 端产品。AMD 以端侧算力承接模型推理，使调用成本从按 Token 计费变为本机运行，PC 因此成为能够持续承载智能体任务的终端。文章随后把这些变化与 PC 厂商的端侧智能体战略、预装入口及交互方式联系起来。

Windows PC 开始本地运行千亿参数模型，文章分析其对 Mac 竞争与智能体端侧部署的影响。

文章讨论 Windows 端侧 AI 能力升级，核心事实是笔记本已能本地承载千亿参数级模型。计算资源、统一内存与模型压缩共同支撑这一能力，PC 因此从应用运行设备扩展为 AI 运行环境。原本依赖云端的智能体推理与数据路径获得留在本机的条件；该变化出现在 Windows 与 Mac 端侧生态竞争的背景中。

万字综述从 ChatGPT 到豆包等办公 Agent 的使用案例与趋势。

文章以办公场景为观察轴，以万字篇幅综合介绍从 ChatGPT 到豆包等多款 Agent 的使用案例；内容覆盖日常协作、内容生成、流程处理等场景下的典型操作，并展示不同产品在同类任务上的表现差异。文章重点在跨产品的形态并行比对，而非单款产品的深度拆解。

一篇探讨生成式AI产品设计范式从Harness转向Experience Loop的文章。

文章聚焦生成式AI产品的中局阶段，提出产品范式正从以Harness为代表的功能性工具集合转向Experience Loop的持续进化形态。文中比较了两种范式的产品架构与体验设计方法，并提出了基于循环反馈的产品设计新思路。

媒体评论AI产品刷屏但市场影响有限，认为行业尚未出现真正的爆品。

媒体文章对近期AI产品的刷屏现象作出评述：多款产品获得舆论热度，但市场影响相对有限。文章从用户活跃、付费意愿及使用场景等维度分析，指出行业尚未出现拥有广泛持久需求的真正爆品。

Moonshot AI 定下 20 亿美元年营收目标，并披露 K3 模型日均生成 3000 亿 token。

内容围绕 Kimi 开发商 Moonshot AI 的商业化进展，给出两项数据：年度营收目标为 20 亿美元，K3 模型日均 token 生成量达 3000 亿。报道同时把这一目标放在国产大模型整体商业化提速的背景下讨论。

一篇 OpenRouter 使用指南，讲解多模型路由与 API 接入的选型与实操。

文章面向开发者介绍 OpenRouter 的接入方式，包括注册、API key 配置、模型列表与路由机制。内容覆盖多模型统一接口、按用量计费、模型切换与回退策略，并对比直接对接各厂商 API 的差异，列出在不同场景下选择路由层时的考量因素。

爱范儿用 GPT-6 搭配 Hyper3D MCP 实测 3D 创作，展示 MCP 工具链的落地玩法。

在 GPT-6 生成 3D 案例被指出使用现成素材的背景下，爱范儿做了一次实测：将 GPT-6 与 Hyper3D 的 MCP 服务连接，走完整条 3D 创作链路，演示从对话到模型生成的流程。文章呈现了 MCP 作为工具接入层在实际创作场景中的操作方式与产出效果。

由 OpenAI 总裁发言切入，讨论 AGI 的定义与判定标准。

以 OpenAI 总裁的相关发言为切口，讨论 AGI 怎样才算真正到来。文章概括关于 AGI 的几种定义口径，分析判定标准之间的分歧，并指出这种讨论属于行业宏观信号而非具体技术指标判断。全文围绕“何时可被判定为 AGI”的尺度问题展开，未对具体模型能力作评测。

AI agent 被用于自动批量提交公共服务申请，导致政府服务系统出现真实流量冲击。

多国公共服务机构报告称，AI agent 以自动化方式批量提交申请、表单与信息请求，流量规模超出人工提交的历史水平，部分部门处理队列被拉长。报道指出这类请求多数由个人或小团队借助 agent 工具发起，用途包括抢占预约名额、批量申诉以及自动填写复杂表单。

GitLab警告，AI编码Agent沙箱的安全边界由网络访问控制决定。

内容记录GitLab发布的警告：AI编码Agent的沙箱安全性与所在环境的网络访问策略同界，沙箱不独立承担安全责任。文中将执行环境纳入纵深防御讨论，强调部署时应统筹网络分段、出站访问限制和最小权限等参数，而非仅依赖Agent沙箱自身隔离。

AI在微信平台互发消息、互相评论，引发Agent自治的监管和信任追问。

内容以AI在微信上互发消息、互相评论为现象起点，讨论Agent自治带来的平台治理真空。文章列举了AI之间社交行为触发平台规则判断时的模糊地带，包括平台如何识别AI账号、网络行为由谁授权、出现问题由谁担责，以及人类与AI行为在平台信任体系中是否应区分处理。报道将问题从功能层面拉至规则和信任机制层面。

外滩大会现场观察，梳理健康 AI 与硬件结合的新产品形态及用户长期使用路径。

文章基于外滩大会现场展区与论坛内容，记录健康赛道中 AI 与硬件结合的产品形态，涉及健康监测、服务触达等方向，并讨论健康类服务如何提升用户留存、让用户持续使用而非一次性尝鲜。文中以现场观察的方式呈现多个案例，未给出统一的量化数据或技术方案对比。