技术方向
让模型自主规划、调用工具、完成多步任务的技术方向——从 Claude Code、Manus 到各家 Agent 框架与评测基准的全部动态。
116 条精选近 30 天 77 条共收录 429 条
OpenRouter 发布指南介绍如何测试 AI Agent 的工具调用准确率，区分工具选择错误与参数传递错误两种失败模式。文章详解参考无关 LLM 评判、确定性 Schema 检查及轨迹对比三种方法，并提供通过 OpenRouter 统一接口对 Claude Opus 5、GPT-5.6 Sol 和 Kimi K3 等模型运行相同测试用例的代码示例。
推荐理由：原文拆解了工具选择与参数校验的独立测试逻辑，并提供了基于 OpenRouter 统一接口对比多模型准确率的代码实现。
LangChain 宣布在 LangSmith Evals 中正式支持 Jev 作为评估器，为团队提供快速、低成本的开放式 Agent 行为评估方法。Jev 属于 System One 模型，不生成文本而是直接返回结构化决策（如概率、选项或评分），据称比同类 LLM 便宜约 450 倍且快约 200 倍。
推荐理由：LangSmith 集成 Jev 作为评估器，提供比传统 LLM 裁判更低成本、更高一致性的 Agent 行为追踪方案。
OpenAI 官方宣布推出新的 AI 产品。该更新涉及智能体相关能力，旨在提供可直接使用的工具或功能。
推荐理由：官方账号直接发布新产品，明确了智能体能力的落地形态，读者可据此评估其在实际工作流中的可用性。
Anthropic 在 claude-api 技能中新增 /claude-api build-eval 和 /claude-api hillclimb 命令，用于在代码库中构建评估集并迭代优化应用性能。
推荐理由：原文提供了在 Claude Code 中自动化构建评估集与执行爬山优化的具体命令及防过拟合机制，读者可据此改进智能体应用的性能或成本。
LangSmith 在 Interrupt NYC 大会上发布了多项新功能，包括用于自动检测问题并测试修复方案的 Engine v2，以及支持用户级记忆和内置网络搜索的 Managed Deep Agents v0.8。
推荐理由：原文详细列出了 LangSmith Engine v2、Managed Deep Agents v0.8 及微调工具等具体功能变化，为开发者提供了评估现有 Agent 工作流升级路径的直接依据。
LangChain 发布指南介绍如何利用 TypeSafe AI 的 Jev 决策模型与 LangGraph 框架构建“prod, not god”的生产级智能体系统。
推荐理由：原文结合 Jev 决策模型与 LangGraph 编排框架，展示了构建低成本、高可靠性生产级智能体的具体架构模式。
H Company 发布 Holo4 系列智能体模型，包含 27B Dense 和 35B-A3B MoE 两个版本，支持通过 GUI、代码、MCP 和 API 等多种接口操作软件。该模型在 OSWorld 2.0 等基准测试中表现接近前沿闭源模型，但参数量和推理成本显著更低。所有模型权重已在 Hugging Face 开源，并提供完整的执行轨迹数据集供复现和分析。
推荐理由：原文展示了 Holo4 在 GUI、代码和 API 多接口下的统一能力，并提供了与前沿闭源模型的成本性能对比及开源轨迹数据。
GitHub Copilot 官方博客文章认为聊天框往往不是与 AI 协作的最佳 UI，建议改用可定制的画布（canvas）来构建专用工具。文中举例说明通过画布创建本地应用或自动化开发流程，能避免将 Agent 当作通用工具造成的 token 浪费，让用户更专注于具体任务而非反复对话。
推荐理由：作者指出聊天界面常是低效交互，提出用可定制画布替代纯对话以节省 token 并优化工作流。
Google Research 推出名为 AI video co-director 的统一多智能体框架，旨在解决长视频生成中的语义漂移和级联失败问题。该框架作为 Gemini 和 Veo 之上的编排层，包含 Co-Director、CANVAS、A²RD 和 VQQA 四个核心组件，分别负责创意意图编排、视觉故事板连续性规划、时间动态扩展以及闭环质量优化。
推荐理由：原文提出了基于多智能体框架的长视频生成方案，通过全局优化和世界状态追踪解决视觉漂移问题。
GitHub Security Lab 发布 Fuzzing Taskflow，这是一个基于 GitHub Security Lab Taskflow Agent 框架构建的自主模糊测试流水线，专为 C/C++ 项目设计。
推荐理由：GitHub Security Lab 开源了基于 LLM Agent 的自动化模糊测试流水线，详细拆解了从 Harness 生成、覆盖率反馈循环到崩溃分诊的全流程设计。
LangChain 推出 LangSmith Fine-Tuning 和 smithtune CLI，支持将 LangSmith 智能体轨迹转化为监督微调（SFT）数据集并自动完成训练、评估与部署。
推荐理由：提供从 LangSmith 轨迹到微调模型的全流程 CLI，通过实测数据展示其在特定任务上降低延迟与成本的能力。
LangChain 发布 Managed Deep Agents 0.8，新增用户级记忆、HTTP 通道、Slack 文件传输及内置 Parallel 网页搜索工具。该版本通过分层记忆架构区分共享知识和个人上下文，并支持在 Slack 和 HTTP Webhook 中直接调用智能体处理文件与任务。开发者可通过声明式配置快速部署具备身份认证、权限管理及持久化记忆的生产级智能体应用。
推荐理由：原文展示了用户级记忆隔离与多渠道接入的具体实现，为构建生产环境智能体提供了可复用的基础设施参考。
Antigravity SDK 宣布支持本地 AI 模型工作流，初始适配 Gemma 4 26B A4B 及 Google AI Edge LiteRT。该功能允许开发者完全离线构建具备智能体能力的辅助工具，通过本地 GPU 和 RAM 优化执行效率。SDK 同时提供对 Ollama、LM Studio 等 OpenAI 兼容服务器的即插即用支持，并展示了云端规划与本地执行相结合的混合编排模式。
推荐理由：官方展示了本地模型在离线代理工作流中的成本与隐私优势，并提供了混合编排的具体代码示例。
Anthropic 发布 Claude Opus 5.5 的使用指南，指导用户如何在该模型下优化提示词、控制长程运行并检查结果。Opus 5.5 具备更长的自主工作能力和默认思考机制，因此建议移除“仔细思考”等指令，明确任务完成标准，并在 CLAUDE.md 中设定何时停止询问或继续执行。
推荐理由：原文针对 Opus 5.5 的长程自主运行和默认思考特性，给出了从提示词调整到子智能体协作的具体操作建议。
NVIDIA 发布 Nemotron 3.5 Lightning，这是一款总参数 30B、激活参数约 3B 的混合 Mamba-2 和 MoE 架构模型，专为智能体工作流中高频、低延迟的执行步骤设计。
推荐理由：原文详细对比了 Nemotron 3.5 Lightning 与 Ultra 在智能体工作流中的分工，并提供了基于 OpenRouter 的路由策略及本地部署参数。
Meta 的 Muse agent 通过操作系统层面的安全措施来防御提示注入攻击，而非仅依赖模型自身的训练数据。该智能体假设模型可能被欺骗，因此确保模型从不处理真实凭证，并将工具运行在隔离的 Linux 容器中。
推荐理由：原文介绍了 Meta Muse agent 在操作系统层面构建安全机制的方法，展示了不依赖模型自身训练来防御提示注入攻击的工程思路。
LangChain 团队测试了 TypeSafe AI 发布的“System One”模型 Jev，验证其作为 Agent 评估器的潜力。实验显示，Jev 在二分类判断上与人类标注完全一致（100% 准确率），且方差比 GPT-5.6 Luna、Terra 和 Claude Sonnet 4.6 低数个数量级。
推荐理由：LangChain 实测 Jev 在 Agent 评估中的表现，对比主流 LLM 展示了其在准确率、方差和成本上的显著优势。
LangChain 推出开源智能体助手 Deep Life Sci，专为临床和实验室科学家设计，基于 Deep Agents harness 构建。该工具可访问 ClinicalTrials.gov、PubMed 等数据源，支持上传多种格式文件并通过子代理并行处理文档。
推荐理由：原文展示了针对生命科学领域的开源智能体助手，提供了从文献检索到临床文档审核的具体工作流示例及定制化路径。
GitHub 使用 Copilot CLI 和 App 中的 AI Agent，将 Copilot agent runtime 从 TypeScript 重写为超过 80 万行生产级 Rust 代码。
推荐理由：文章详细复盘了利用 AI Agent 将 Copilot 运行时从 TypeScript 迁移至 Rust 的全过程，提供了大规模代码重构的增量策略、多会话并发协作模式及性能优化数据。
Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款最新实时对话模型，旨在提升语音智能体的推理能力与交互流畅度。
推荐理由：原文给出了两款新实时对话模型在智能体任务完成率和多语言切换上的具体基准数据，以及面向开发者与企业的分阶段开放入口。