AI 智能体

PolicyGuide将组织政策编译为工作流图，并在每轮用户交互边界主动校验智能体状态。实验显示，这种从“拦截动作”转向“引导流程”的方法能显著提升客服智能体的合规表现。

EnvHarness 不再要求研究者从零重建智能体环境，而是通过可插拔组件改造现有环境的行为。配套的 EnvRigger 会根据目标策略的执行轨迹诊断弱点，并自动生成、验证针对性的环境调整。

Nvidia研究显示，同一个模型在不同Harness下，长程任务表现可能大幅分化。记忆管理、工具调用和监督智能体，正在成为智能体系统的关键竞争力。

Meta AI Research 发布开放权重模型 Muse Glimmer，主打本地运行、视觉理解和多步工具调用。借助 4 位量化与 DFlash 推测解码，它试图把 30B 级智能体能力带到消费级硬件。

视频生成的竞争正从单条画面质量，转向对 brief、素材、流程和交付的整体处理能力。MiniMax Design 的出现，体现了模型公司向创作软件层上移的趋势。

开源项目 OpenConnector 面向 AI Agent 和应用开发者，试图把分散的 SaaS 账号、认证流程与接口能力纳入统一运行时。它的重点不只是连接更多服务，也包括权限控制、标准化 Actions 和运行审计。

Slack正在推出Slack Code，将代码任务、AI代理和团队讨论集中到专属频道中。团队成员可以查看代码变更、预览网页效果，并在上线前提供反馈和审批。

Binance推出Agent OS，让开发者可将ChatGPT、Claude Code、Cursor等AI工具接入交易、支付和链上服务。代理能够代用户下单，但风险控制主要依赖用户配置子账户和权限。

杰富瑞分析师围绕五类真实办公任务测试了八款全球主流Agent，阿里千问办公在综合表现和隐含Harness评分上排名第一。测试也显示，Agent竞争正从单纯比模型能力转向比任务完成质量与执行成本。

Agentic ESOpt提出以进化策略替代部分长程智能体强化学习流程，通过参数空间搜索完成全参数优化，并以较低的训练显存需求适配更大的语言模型。

一项跨基准、框架和模型的研究发现，Agent Skills的主要价值并非补充事实，而是把混乱的执行轨迹转化为稳定的操作程序。与此同时，技能检索会随着候选池扩大迅速成为新的瓶颈。

一篇新研究提出“智能体事务”概念，尝试把数据库中的ACID原则迁移到会推理、调用工具并修改工作空间的LLM智能体中。其数据智能体在相关基准上较现有方法提升10.6%。

UI-Mate提出了一套环境驱动的GUI智能体训练流程，并引入基于上下文示范的任务执行机制。其27B模型在OSWorld-Verified上取得77.0%的成绩，展示了开放权重电脑操作智能体的进展。

StateM 把长程智能体的执行过程拆解为持久状态、阶段上下文和可检查的状态转移，在不修改模型权重的情况下显著提升 Terminal-Bench 2.1 成绩。研究还显示，同一套运行时与规则可以迁移到不同模型，并降低高分运行成本。

VibeLifeBench 试图补上智能体评测中的一个空白：真实生活任务不是一次性问答，而是持续数周、环境不断变化、规则经常没有明说的长期协作。

Ouroboros 将智能体的工具、提示词、上下文组装和核心实现纳入可演化范围，并通过经过审查的提交把改进变成后续运行时的一部分。论文称其在 Terminal-Bench 2.1、OSWorld-Verified 和 CL-Bench 上刷新了多项结果。

Cloudflare 发布 Kitesurf，一款面向 AI 代理而非人类用户的云托管浏览器。它强调更低的 CPU 与内存消耗，帮助开发者更高效地构建能浏览网页、填表和执行任务的代理应用。

蚂蚁集团开源多智能体协作基础设施 Avernet，社区版率先开放智能体协作网络能力。它试图解决企业场景中智能体发现、协同、治理与经验沉淀的基础问题。

这项工作把多模态深度研究代理从静态图片推进到连续视频流，重点解决“先搜文本、后看视觉”和过度依赖参数记忆两个问题。作者用分阶段工具解锁、两阶段训练和新基准，验证了视频原生推理代理的可行性。

Skill-α 将 Agent 技能生成改造成一个可逐步评估的编辑过程，用“回滚奖励”判断每次修改是否真正改善下游任务表现。论文显示，它在文档到技能、经验到技能两类场景中均优于启发式和流水线式基线。

LongHorizon-Harness 将长程任务执行重新定义为状态管理问题，通过 Manage-Execute-Audit 循环把计划、执行与验证分离，减少错误自评在后续步骤中扩散。