面向任务的 LLM Agent 运行框架配置：关键任务基础设施运维
该论文聚焦于将 LLM Agent 应用于关键任务基础设施（MCI）运维的场景。论文指出，Agent 通常依赖运行框架（harness）来决定其可访问的信息、可使用的工具以及可执行的操作。研究主题是根据具体任务配置 Agent 运行框架，以提升关键基础设施运维中的适配性与可靠性。原文仅提供了摘要开头，未包含具体方法、实验数据或结论。
独立 AI 资讯库
AI 前沿动态、原文归档与媒体镜像
从自动抓取数据库实时读取，适合快速浏览、检索和后续扩展成完整资讯站。
11977资讯
11845正文归档
75683媒体
LEGO-RL：面向编程 Agent 的原生 Harness 强化学习
论文《LEGO-RL》探讨了面向编程 Agent 的 Harness 原生强化学习方法。作者指出，编程 Agent 的强化学习日益依赖长时间运行的 Agent Harness，以处理工具集成、代码仓库上下文和执行反馈。摘要认为，这类 Harness 的原生执行环境存在固有的不对齐问题，可能影响强化学习训练与实际 Agent 执行环境之间的一致性。该研究对构建和训练能够在真实软件工程工作流中可靠运行的编程 Agent 具有参考意义。
医疗咨询大语言模型评估得太晚：前表述缺口
论文指出，医疗咨询大语言模型通常在临床问题已被明确表述后才接受评估，但真实咨询往往始于模糊、被淡化或被错误框定的担忧。研究评估了三个 API 模型，考察其在四种物理场景中的表现。作者提出“前表述缺口”概念，强调医疗 AI 的评测不应只关注明确问题后的回答质量，也应关注模型帮助用户识别和澄清问题的能力。
Wuying-Browser-Agent：以真实世界为中心的基础型长程浏览器 Agent
Wuying-Browser-Agent 聚焦真实世界场景中的长程浏览器 Agent 能力。论文指出，浏览器 Agent 虽然在短流程、干净的演示任务中表现良好，但真实部署环境要求其在在线网站上持续完成数十次决策。Agent 还需要具备从错误中恢复以及应对复杂用户界面的能力，这对开发者构建可靠的自动化 Web Agent 提出了更高要求。
SignalReasoner：评估 30 亿参数模型在信号数学推理中的能力上限
论文提出 SignalReasoner，用于评估 30 亿参数（3B）模型在信号相关数学推理任务中的能力上限。原文指出，监督式思维链微调以及基于可验证奖励的强化学习，已显著提升大语言模型的数学推理能力。该研究将这一进展延伸至信号处理相关场景，关注较小规模模型在专业数学推理中的潜力。对开发者而言，这项工作有助于判断 3B 级模型是否能够以更低成本支持信号领域的推理应用。
LiveHouse-TS：面向时间序列基础模型的开放世界动态基准
论文提出 LiveHouse-TS，一个用于评估时间序列基础模型（TSFMs）的开放世界动态基准。作者指出，时间序列基础模型近年来已成为跨领域零样本预测的重要范式。现有评估协议主要依赖具有固定历史测试窗口的静态基准，而 LiveHouse-TS 旨在针对这一局限提供新的评测方式。该工作对开发者和行业的意义在于，可推动对 TSFM 在更接近真实开放世界环境中的泛化与预测能力进行评估。
PlanPO：面向多轮智能体 LLM 的组规划感知策略优化
这篇新发布的 arXiv 预印本提出了 PlanPO，一种用于多轮智能体大语言模型（LLM）的组规划感知策略优化方法。论文聚焦组相对策略优化在多轮交互任务中的训练应用，并指出现有多数变体即使面对同样成功的轨迹，也无法有效区分其优势差异。该研究的目标是让 Agent 在复杂、多步骤任务中的规划与策略学习更加精细，对构建更可靠的多轮交互式 AI Agent 具有参考意义。
DeAR：通过能力落地与协作式思维导航实现去中心化 Agent 推理
论文提出 DeAR（Decentralized Agentic Reasoning），一种面向复杂多模态查询的去中心化 Agent 推理方法。作者指出，现有 Agent 推理系统通常依赖中心化协议，容易形成路由瓶颈，并导致静态角色分配难以适应复杂任务。DeAR 通过能力落地（Capability Grounding）和协作式思维导航（Collaborative Thought Navigation）探索去中心化协作机制。该研究对需要构建可扩展、多 Agent 协作推理系统的开发者具有参考意义。
LLM 看到好假设时能识别出来吗？基于 Logit 的能量评分在科学假设排序中优于提示式 LLM-as-Judge
论文 arXiv:2608.17270v1 探讨如何评估由大语言模型（LLM）生成的科学假设，以提升 AI 辅助科研流程的可信度。作者指出，LLM 正越来越多地用于科学假设生成，但对生成假设进行可靠评估仍是一项挑战。论文标题表明，基于 Logit 的能量评分方法在科学假设排序任务中优于通过提示词驱动的 LLM-as-Judge 方法。这一结果可能为开发者构建更可靠、可扩展的科学发现与假设筛选工作流提供新的评估思路。
显式状态引出并不足够：对记忆策略分类的受控审计
该论文研究个性化 Agent 在当前任务中应如何处理检索到的用户记忆，包括使用、忽略、更新或在使用前进一步询问。作者以这一场景为基础，提出了一套用于审计结构化中间输出的实证评估协议。研究指出，仅要求模型显式输出状态并不足以保证其记忆策略分类的可靠性，这对开发具备长期记忆能力的 Agent 及其安全评估具有现实意义。
合成特征提取器：一种用于算法选择的 Agent 方法
该研究聚焦约束满足问题中的算法选择，核心在于提取能够反映问题结构的特征。传统特征提取器通常需要人工设计，依赖深厚的领域专业知识。随着新的问题类别不断出现，手工设计会迅速成为瓶颈。论文提出以 Agent 方法合成特征提取器，旨在提升算法选择流程的自动化能力与可扩展性。
KernelArc：用于 GPU 内核优化的多智能体框架
论文提出 KernelArc，一个面向异构工作负载的自主 GPU 内核优化多智能体框架。该框架让专注于不同策略的智能体并行运行，并通过仅共享结论的共享内存进行协作。摘要还提到，系统采用确定性基准测试守卫机制，以支持对优化结果的可靠评估。该研究对 GPU 性能优化开发者的意义在于，可能将原本高度依赖人工经验的内核调优流程自动化并扩展到更多工作负载。
DiSCO：通过分布引导的对比提示词优化防御文生图生成
DiSCO 聚焦文生图模型的安全防御问题，尤其是暴力、裸露等不适合工作场所（NSFW）内容的生成风险。论文指出，随着文生图生成能力增强，红队对抗攻击会进一步放大相关安全挑战。该工作提出以“分布引导的对比提示词优化”为核心的防御思路，旨在提升模型抵御恶意提示词攻击的能力。由于所提供原文仅包含截断摘要，具体实验数据、方法细节和性能结论未在文本中披露。
记忆即通信：记忆与信号之间的前沿
这篇论文（arXiv:2608.17053v1）研究资源受限的智能体如何从自身过去、同伴或两者结合中获取决策所需信息。论文指出，保留与任务相关的历史信息能够减少后续通信需求，而同伴消息可以补足记忆中缺失的信息。摘要还表明，研究将同时考察记忆与通信资源受限时的权衡关系，这对设计具备长期记忆和协作能力的 Agent 具有参考意义。
SkillEffect：面向内存受限 Agent 工具的经检查降级
论文提出 SkillEffect，聚焦为 Agent 工具生成满足内存边界要求的代码。Agent Skills 可用于描述工具调用过程中的程序性义务与资源约束，并由语言模型将其具体化为程序。论文指出，即使生成的程序在语义上正确，将其适配到既有工具接口时仍可能面临内存资源约束问题。该工作对开发具备资源安全保障的 Agent 工具链和代码生成系统具有参考意义。
问题本身就是问题：迈向可扩展的数学发现
论文指出，AI 系统正日益具备参与数学研究的能力。前沿模型的推理能力在实际研究中属于稀缺资源，而专家级数学审查的供给更加受限。作者聚焦于如何更有效地分配这些有限资源，以推动可扩展的数学发现。该议题对开发面向数学研究的 AI Agent、评测流程及人机协作机制具有重要意义。
思考的价格：推理强度作为模型特定的 API 合约
论文指出，API 购买者购买的不只是模型名称，而是一份具有时效性的服务合约。该合约涵盖请求和实际提供的模型、是否包含 reasoning effort（推理强度）参数、输出限制、服务产品、提示词以及定价方案。作者将推理强度视为影响 API 服务实际价值、成本与行为的关键合约条款，这对开发者进行模型选型、成本控制和结果复现具有意义。
面向 Agentic AI 的运行时治理：以可信溯源和故障关闭执行实现行动边界控制
论文提出运行时治理系统 Aegis，用于在 Agentic AI 调用工具、修改文件、发送消息或改变工作流状态之前，对模型提出的行动建议进行可信决策。Aegis 不将提示词视为执行边界，而是在工具执行前依据活动策略、服务端解析的溯源信息和故障关闭机制进行拦截或授权，并对部分场景采用类似 Senate 的法定人数非单方授权流程。在覆盖 5 类运行、42 项任务、3 种条件且每类重复 10 次的沙盒测试中，提示词策略条件化产生了 79 条高风险对照路径泄漏记录；2,100 条受 Aegis 治理的记录中，受治理的模拟工具调用和高风险副作用完成次数均为零。该结果并不证明通用自主 Agent 的安全性，但表明在所评估的沙盒语料中，运行时行动边界治理能够阻止观察到的高风险提议转化为受治理的副作用。
GxP-Agent：用于可靠临床试验编程的 Process-DAG 拓扑与 LLM Agent
论文提出 GxP-Agent，旨在利用 Process-DAG（流程有向无环图）拓扑提升 LLM Agent 在临床试验编程中的可靠性。临床试验编程需要将研究方案转换为符合 CDISC 标准、可用于分析的数据集，是监管申报流程中的关键瓶颈。原文指出，LLM 的单次代码生成在该任务上可能出现灾难性失败，并提及对 11 次单次尝试进行了评估。该研究对需要将 Agent 应用于受监管软件开发、临床数据处理及可审计代码生成的开发者具有参考意义。
从 0 手写一个 MCP Server：让 Copilot 调用 Tool 完成四则运算
原始页面仅提供了文章标题、简要摘要片段和“Please wait...”加载提示，未包含可供翻译的正文内容。根据标题与摘要片段，文章计划介绍 MCP 的基本概念，并使用 Node.js 手写一个支持加、减、乘、除的 MCP Server。文章还计划演示如何将该 Server 接入 VS Code 的 GitHub Copilot Chat，使 AI 能通过自然语言调用 Tool 完成计算。由于原文正文尚未加载，无法保留更多小标题、代码、链接或其他媒体信息。
Grill Me：开工前先被拷问一遍
AI 已能协助编写代码，但 Agent 完成的结果仍可能偏离用户真正想要的内容。问题的核心往往是理解偏差（misalignment）：用户的需求尚停留在模糊想法阶段，Agent 已按自身理解开始执行。Grill Me 强调，在开工前通过追问和澄清需求，可降低这一偏差并提升 AI 协作开发的有效性。
基于“行为评估”准则评估智能体(一)：别只看结果，还要看它“怎么做”
最近在做 AI Agent 的团队，可能都碰到过这种情况：模型没变，业务没变。 只是改了 System Prompt，调整了 Tool Schema，或者给 Coding Agent 新增了一个工具。
Anthropic 和 OpenAI 希望引入驻场安全评估员，但他们真的能保持独立吗？
Anthropic CEO Dario Amodei 提议让第三方安全评估机构入驻前沿 AI 公司，获得系统访问权、调查安全事件，并可不经公司编辑公开关键发现；OpenAI CEO Sam Altman 也表示将采纳这一做法。METR、Redwood Research、Apollo Research 和 FAR.AI 等研究者欢迎更深入的访问权限，但警告评估机构若受制于 NDA、时间限制和企业披露控制，可能仍只是供应商而非独立监督者。研究者认为，评估应覆盖训练过程中的中间检查点、日志和内部环境，而不能仅测试最终模型，以防模型学会识别评测并伪装安全行为。加州和欧盟已开始建立第三方验证、风险评估和事故报告机制，但业内人士认为，真正独立的监督最终仍需要透明标准和强制性监管。
covo-agent v1.0.0 发布，基于 covonaut 框架的通用型Agent迎来正式版
我们很高兴地宣布，基于 covonaut 框架的终端 AI Agent 项目 covo-agent 正式发布 v1.0.0。 covo-agent 是一个用 Go 编写的通用型 AI Agent，体验可以说是市面上最好的之一，完全可以替代 Claude Code、Codex Cli 等同类产品，运行在终端里，提供 general 与 code 两种模式，覆盖日常知识工作、软件开发与自动化等各种场...
利用开源 Agent Skills 提升 HCLS AI 推理能力
基于基础模型的 AI Agent 即使能够引用医疗健康与生命科学（HCLS）指南，也常会错误应用变异解读、理赔审核和临床试验设计等领域的决策框架。AWS 发布了覆盖 11 个 HCLS 领域的 38 项开源 Agent Skills，以结构化 `SKILL.md` 文件将领域决策流程、参数和验证规则注入 Agent 的推理过程。评测显示，配备 Skills 的 Agent 在与未配备 Skills 的同类 Agent 对比中取得 70%–86% 的胜率，其中批判性思维任务胜率为 78%–85%，效应量 d 为 0.65–1.03。该方案支持 Kiro、AWS Strands Agents SDK、Amazon Bedrock AgentCore、Claude Code 和 OpenAI Codex 等环境，为开发者提供了可审计、可移植且易维护的 HCLS 专业化能力。
Agent 的经济账，不能只算 Token——阿里用 Qoder Cloud Agents 给出答案
点击查看原文>
AI 实验室想引入内部审计员，但或许应先把“前门”关好
Anthropic CEO Dario Amodei 呼吁由外部机构核查 AI 安全承诺，OpenAI、Google 和 SpaceXAI 等公司高管已对这一思路表示支持。多位网络安全专家则认为，实验室更应先落实日志、权限、网络隔离和实时监控等基础安全控制，避免 Agent 因沙箱配置不当接入互联网或侵入第三方系统。专家指出，近期多起事件并非由 AI 实验室主动发现，而是受害方或网络活动首先暴露了问题。随着前沿模型能力增强，AI 公司需要对 Agent 会话、工具调用、共享基础设施和第三方受害者通知建立更严格的控制机制。
2nm天玑9600 Pro，把旗舰SoC竞争推向「融合计算」
智能体让旗舰SoC从拼核心，转向拼系统。过去数年，旗舰手机芯片的升级路径非常清晰，制程更先进、CPU主频更高、GPU、ISP更强，再加上算力不断增长的NPU。这套方法在生成式AI进入手机后依旧奏效，却很难完整回答智能体带来的新问题。因为AI不再只在用户点开应用后运行几十秒，而要持续感知声音、画面和环境，在后台理解需求，甚至提前执行任务。一颗核心能跑多快，仍然重要。但当CPU、GPU、NPU、内存和存储需要频繁交换数据，决定体验的已经不只是每个单元的峰值性能，而是整颗SoC如何组织算力。MediaTek资深副总经理徐敬全在天玑旗舰芯片新品发布会上给出了明确判断：“计算基准将不再是单一核心的能力，
从提交一份PR开始：上海开源大赛open supOS赛题专家解读
2026 年，工业 AI 从试点走向规模化。工业企业中应用大模型和智能体的比例，从 2024 年的 9.6% 升到 2025 年的 47.5%，上海也提出目标，到“十五五”末规上企业智能体应用普及率超过 80%。 数字好看，落地却仍存在堵点。设备数据散落在几十套系统里，IT 和 OT 各自说各自的方言，想让 AI 进工厂，先得有人把数据接上、把...
借助会话追踪与成本控制排查 AI 智能体故障
点击查看原文>