跳到正文
只看一手#Agent
10月9日周五
10月8日周四
  4. Microsoft Research67

    Agent Lightning v1.0 发布：3500 行轻量智能体 RL 框架，支持真实 harness 训练

    微软亚洲研究院开源 Agent Lightning v1.0，这是一个约 3500 行代码的轻量级智能体 RL 框架，采用 Harnessed Agentic RL 范式，实现部署用 harness 直接参与强化学习训练而无需在训练框架内重写 agent。

    推荐理由：Agent Lightning v1.0 不到 3500 行实现完整智能体 RL 系统，读者可了解如何在真实 harness 上训练 agent。

10月7日周三
  1. AWS Machine Learning Blog27

    超越节省工时：如何为 agentic automation 构建商业论证

    AWS 提出 Agentic Value Model，认为以“节省工时×人力成本”衡量自动化的传统 ROI 模型是为 RPA 设计的，会漏掉 AI 智能体的大部分价值。该框架从时间节省、异常处理、决策质量和变更韧性四个维度衡量价值，并以价值实现机制作为前提；文中称修正一个错误可能花费原交易成本的 1.5–4 倍，人为错误可占运营成本的 2–15%。

  4. Microsoft Research19

    Microsoft 研究：AI 在传统基准之外为何会「意外失败」

    Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中讨论评估如何推动 AI 系统性能边界，以及在传统基准之外测试模型时出现的「意外失败」。她结合自己从数学、物理、认知科学到计算机科学的经历，分享使用当前 AI 系统的实用建议，并强调结果超出预期时应仔细审视数据。

10月6日周二
  1. Mistral AI84

    Mistral 发布 Mistral Large 4 公开预览，1 万亿参数多模态模型

    Mistral AI 发布 Mistral Large 4 公开预览，可通过 Mistral Studio 试用预览 API，权重计划于本月底开放。ML4 是 1 万亿参数、52B 激活参数的原生多模态模型，在欧洲自有数据中心的 3,800 块 NVIDIA Grace Blackwell GPU 上从零训练，官方称其在编码、智能体工作流和多模态理解上可与最强开源模型竞争。

    推荐理由：官方给出 1 万亿参数、52B 激活的开放权重模型细节与多类基准对比，可据此判断开源前沿模型的能力位置。

10月4日周日
  1. Hugging Face Blog69

    微软发布 ThinkingBox：用数据库终态而非自述评判 AI 智能体

    微软与 Hugging Face 联合发布 ThinkingBox，通过隔离 MCP 会话检查智能体留下的后端状态与副作用，而不是看它生成的文字，Bench 覆盖 507 个有状态业务流程、每个任务重复运行 20 次。

    推荐理由：微软与 Hugging Face 联合发布的智能体基准，用后端数据库终态而非模型自述来判定成败，并公开了 507 个任务、20 次重复运行的完整环境。

10月2日周五
  1. GitHub Blog · AI & ML21

    AI 正在改变开发者工作方式，GitHub 给出三项值得强化的技能

    GitHub 提出 AI 时代开发者应强化的三项技能：学会指挥 AI 智能体而非仅使用 AI、不轻信 AI 的第一次回答、用 AI 节省的时间解决更大问题。文中举例称 GitHub Copilot 内置的 Rubber Duck agent 会用第二个模型审查计划、代码与测试；在认证流程示例中，开发者可同时协调三个 AI 智能体分别产出认证、文档和测试。

  2. Hugging Face Blog45

    AutoSynthData：为企业级智能体生成训练数据

    ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败案例和更强教师的成功案例，定位当前模型的能力缺口，并据此生成、验证新的可执行训练任务。管线以 EnterpriseOps Gym 数据集为例演示，任务由系统规范、用户提示词和验证器三部分组成，需满足可行性、真实性与难度要求。随着模型改进，课程会自动转向其仍未掌握的能力。

10月1日周四
  1. Google DeepMind73

    Google DeepMind 发布 Gemini 4 Argon 前沿模型

    Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御者开放，随后逐步向开发者、企业和消费者推出。

    推荐理由：原文给出 Argon 在编码与网络安全防御上的基准成绩和 Google 内部落地案例，读者可据此判断前沿模型的能力边界。

9月26日周六
  1. GitHub Blog · AI & ML39

    GitHub Copilot 应用入门：如何用 canvases 构建自定义工作流

    GitHub Copilot 应用中的 canvas 是一种可定制界面，通过 /create-canvas 技能用自然语言描述即可生成看板、清单或仪表盘。canvas 具备双向同步能力，你和智能体可同时修改并在界面中即时看到更新，生成的 canvas 会保存为扩展供团队共享或个人复用。Awesome Copilot 还提供了发布说明、看板、issue 分诊等现成 canvas 扩展。

9月25日周五
  3. GitHub Blog · AI & ML64

    GitHub 发布基于 Security Lab Taskflow Agent 的 AI 模糊测试流水线

    GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，只需指向 GitHub 仓库，就能自行识别入口点、编写 harness、运行 AFL++、读取覆盖率报告并生成漏洞报告。

    推荐理由：GitHub 安全实验室给出了一套可复用的自主模糊测试流水线，读者可据此判断智能体能接手多少安全测试中的重复劳动。

9月18日周五
  1. GitHub Blog · AI & ML22

    GitHub Podcast 拆解 AI 热点观点：AI 代码要不要读、RAG 已死、Skills 杀死 MCP？

    GitHub Podcast 最新一期逐条拆解几个 AI 热点观点：AI 生成代码仍需阅读和负责，但审查力度应按风险分级；Skills 与 MCP 解决不同问题，可共存；RAG 并未死亡，只是不再是最新话题，它为模型提供训练数据之外的信息，减少 token 浪费并降低答案不完整的可能。

9月16日周三
9月9日周三
8月20日周四
  1. Mistral AI64

    Mistral 发布 Agentic Search，通过多步检索提升复杂文档问答准确率

    Mistral 发布 Agentic Search，用 search、open、navigate、read、grep 五工具组成多步检索循环，让模型可在复杂文档中搜索、读取并核验信息。

    推荐理由：原文用 FinanceBench 和 OfficeQA Pro 对比一次性 RAG，说明多步检索在准确率、延迟和 token 上的收益，可帮助判断是否引入 Agentic Search。

7月26日周日
  1. Berkeley AI Research27

    Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互

    Berkeley AI Research 提出 ABBEL 框架，将递归摘要的信息内容隔离为自然语言"信念状态"并加以监督，替代完整交互历史作为智能体的工作上下文。在 CollabBench 协作编程任务上，基于重建的信念评分将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度由 14.08×10² 降至 6.01×10²。

7月7日周二