#Agent

IBM Research 在 Hugging Face 博客介绍 Palette，通过 LoRA 微调一个 20B 开源权重模型，让它按 IBM Design Language 生成幻灯片。

模型拆成设计师和编码两个角色，设计师输出含配色、字体和每页布局的 JSON 简报，编码角色据此写 pptxgenjs 代码，各页可并行生成，编码阶段约快 6–7 倍。训练数据由大模型合成约 1000 份幻灯片、约 1 万页，每页附带反事实推理，并用渲染检查器筛出重叠、溢出等问题后修复重写。

苹果在面向开发者的公告中调整 App Store 政策，要求所有提供约会或恋爱关系功能的应用标注 18+ 分级，涉及 AI 陪伴类应用。

自 11 月 16 日起，开发者需加入新的内容描述项，使应用年龄分级反映其实际功能。新规还要求应用说明是否会将用户真实位置分享给他人或群体；在巴西，提供家庭位置共享功能的应用可向司法与公共安全部申请官方评级，而不必按当地法律标注 A16 评级。苹果称此举是其保护未成年人系列措施的一部分，此前已全球推出年龄验证技术并增加家长控制与儿童安全功能。

IBM 团队用同一开源模型 GLM-5.3-flash 在 AppWorld 的 90 个任务上对比三种 agent harness，CUGA 通过 73/90（81.1%），Hermes 为 42/90（46.7%），Deep Agents 为 27/90（30.0%）；按三个变体全部通过才算通过的场景口径，三者分别为 20、8、2 个场景。作者说明这是 90 个任务的单基准样本，三种 harness 的配置并不相同，且未启用策略，因此不衡量策略执行。

一种名为“逆向博弈论”（又称机制设计）的新思路试图通过设计激励机制让 AI 智能体遵守规则，而非窥探模型内部或训练其价值观。

MIT 经济学家 Stephen Morris 与耶鲁、哥伦比亚同行的预印本论文提出，让模型预测另一个模型的答案并据此奖励，可使“故意藏拙”（sandbagging）测试失去收益；论文还建议让智能体相互竞争，或配对偏见方向相反的模型并按输出接近程度给奖励。普林斯顿教授 Elad Hazan 则提出让模型轮流扮演“解题者”和“审计者”，作弊被抓的解题者与失职的审计者都受罚，分歧可交由人类专家“审判”，并通过高奖励和类似神秘顾客的方式审计审计者以防合谋。该思路假设智能体行为理性，而机制设计在人类身上的记录并不理想。

Y Combinator CEO Garry Tan 在 Walter Isaacson 播客 The Builders 中透露，他每年在 token 上花费约 10 万至 20 万美元，用于大量工作项目和编码任务。

他把自己开发的 23 个 Claude Code 技能包 gstack 开源在 GitHub 上，帮助他人了解智能体能做什么。他的智能体读取了他全部邮件、Dropbox、Apple Notes，甚至 20 年前的理疗笔记，并帮他处理日常事务。YC 内部还有一个名为 Stray Light 的 AI 智能体，掌握所有被投创始人和申请者的完整上下文。

Trajectory 宣布完成 4500 万美元 A 轮融资，估值 3 亿美元，由 Sequoia 领投，Nvidia、Bessemer Venture Partners 和 Bain Capital Ventures 参投。

这家约一年前由三位斯坦福同学创立的 18 人公司，主打持续学习方案：企业从开源模型起步，把平台接入自有应用收集模型表现反馈，Trajectory 再用这些信息重新训练模型，使模型在特定任务上逐步改进。Harvey、Rogo、Decagon、Mercor 和 Nvidia 已在使用其平台做后训练，公司同时将后训练平台公开开放。

Legora CTO Jacob Lauritzen 在 Latent Space 播客中讲述了如何在看不到智能体执行轨迹的情况下构建和测试法律智能体——因为数据属于律所客户。

Legora 从斯德哥尔摩地下室起步，如今律师可用它起草和编辑 Word 文档、在单张表格中审阅 1 万份合同、执行尽职调查，并协调律师、客户与其他智能体之间的工作。团队由 3 名工程师和 3 名律师搭建模拟客户工作的测试环境，类似强化学习中的“worlds”；曾有一次发版把引用准确率从 70% 提升到 99%，而 Legora 自身无需改动。

Legora CTO Jacob Lauritzen 在访谈中介绍，公司用 3 名工程师加 3 名律师搭建模拟法律工作的 RL 环境做评测，因为客户上传的文件几乎全部保密，团队无法查看任何 trace。

他称模型已能较好处理约 60% 的法律工作，剩余复杂分析和百万 token 合同编辑仍需更强模型；Legora 已针对法律检索等窄任务后训练开源权重模型，但不打算训练自己的前沿模型。公司 4 月 ARR 突破 1 亿美元，客户超过 1800 家，3 月以 55.5 亿美元估值融资 5.5 亿美元，10 月又以 88 亿美元估值融资 5.5 亿美元。

Qodo 将公司知识与编码规范引入 Codex，帮助开发者在提交 pull request 之前跨代码仓库发现 P0 级问题。

该集成让 AI 代码审查能够结合企业内部的上下文信息，而非仅依赖通用规则。

SpaceX 据称正在削减 Grok Bot 的使用配额。

据《每日电讯报》报道，多名用户在上周末发现自己的配额被减半。Musk 周日在 X 上回应投诉时表示，Grok Bot 的运行成本相对收入高到不可持续，但他没有直接确认削减。有用户称等待新配额花了数天，Musk 反问其是否觉得更高档订阅太贵。Grok Bot 可浏览网站、回复邮件并登录账号，与 Meta 的 Muse、OpenAI 的 Dot 或 Anthropic 的 Claude Duet 类似，其配额与 Grok 及编码平台 Cursor 共享。

企业智能体分析生成的洞察中，仅约 48% 能转化为改善业务的行动，虽较一年前的 37% 有所提升，但仍有超过一半未能奏效。

少数被称为“洞察领先者”的组织表现更好，超过 70% 的智能体洞察能带来业务改善，其对处方性洞察的评价也明显更高。洞察质量不足的主因是缺乏业务上下文（55% 受访高管提及）和数据碎片化或难以获取（45%）；52% 的组织还因智能体生成的洞察过多而无法充分评估，仅 24% 能评估全部洞察。受访企业正优先加强 AI 与数据治理（60%）并在数据架构中加入语义层（45%），受访专家认为语义层对高性能智能体至关重要。

Circle K 基于 Amazon Bedrock 构建智能体 AI 分诊系统，将事故平均分诊时间从 45–60 分钟降至 15 分钟以内，按其内部事故响应指标计算降幅为 67%–75%。

该系统在 Grafana 告警触发后自动调查事故，并向 Slack 推送结构化摘要，值班工程师可直接获得可执行上下文。系统最初用 Amazon Bedrock Flows 编排多个专用智能体，后迁移至 Amazon Bedrock AgentCore。Circle K 在 27 个国家运营超过 17,200 家便利店和燃油零售店，其 POS、会员及电动汽车充电应用运行在 AWS 上。

AWS 展示了一套基于 Amazon Bedrock AgentCore、Amazon Nova Multimodal Embeddings 和开源 Strands Agents SDK 的多智能体工程助手，用于减少零部件替代评估中的人工交叉核对。

系统由 planner（Claude Haiku 5.5）路由到 Catalog、Evaluation、Knowledge 三个专家智能体（Claude Sonnet 5.5），多专家参与时由 supervisor（Claude Opus 5.5）汇总结果。

在 Amazon SageMaker AI 上，可用序列级知识蒸馏（SeqKD）把前沿"教师"模型的多步智能体轨迹迁移到更小、更快、更便宜的"学生"模型。

SeqKD 只需教师模型的文本输出，无需 logits、权重或强化学习基础设施，因此对只能通过 API 访问的闭源前沿模型同样适用。做法是让教师生成搜索、读取、校验、决策的完整轨迹，用程序化评分器只保留真正完成任务的样本，再以监督微调训练学生模型，并在留出基准上评估。DeepSeek-R1 蒸馏模型即用教师生成的推理轨迹微调 Qwen 和 Llama 学生模型的知名例子。运行该示例需要具备 S3 读写权限和教师模型调用权限的 AWS 账户与 SageMaker AI IAM 角色。

研究团队将 50 个 GPT-6.1 Sol 智能体放入 Minecraft 生存世界运行三小时，唯一指令是“建立繁荣文明”，智能体共交换约 5900 条消息。

首个游戏夜晚出现 22 次死亡后，被推举为领袖的 Ada 下令停止主要建造与远距离探索，智能体转向配给管理和轮班钓鱼，四个智能体还花 11 分钟争论是否设立“唯一肥料官”。在 Minecraft Bed Wars 的九轮对战中，GPT-6.1 Sol 以 6-3 击败 Claude Opus 5.5；在 Mindustry 的七场对战中，Codex 环境下的 GPT 以 6-1 击败 Claude Code 环境下的 Claude。

OpenAI 正着手把 ChatGPT 中的 Chat 和 Work 两个标签页合并，该体验将先向部分用户开放以收集反馈，之后再全面铺开。

合并后用户可在同一处从探索想法到让 ChatGPT 执行落地，导入文件和插件，让它搭建网站、制作演示文稿或在网页上代为操作，同时审阅和引导其工作。Codex 在 ChatGPT 桌面应用中仍保持独立体验。OpenAI 表示，此次调整后 ChatGPT 与 Codex 将从同一额度池中扣除 token，多数用户不受影响，但部分用户可能因使用量和模型不同而更频繁地等待额度重置。

衡量 AI 编程投入应改用「每个已合并 PR 的成本」，而非 token 消耗量。

单个智能体编程任务的 token 用量可达普通对话提示词的 10 到 50 倍，按 token 计费会让高价值工作流反而最贵：Uber 据称在 4 月就用完了 2026 年全年 AI 预算，GitHub Copilot 已从固定费率转向按量计费额度，Gartner 预测到 2028 年 AI 编程 token 成本将超过开发者平均薪资。文章建议把困难规划与新颖推理留给前沿模型，将代码生成、测试编写和重复重构路由到自运营的开源权重模型，并以网关按任务复杂度、数据敏感度、成本和延迟分流。

MIT Technology Review 文章指出，基于 LLM 的智能体已能直接理解网页内容并代为执行任务，Meta 的 Muse、OpenAI 的 Dots、Anthropic 的 Claude Duet 等产品开始接入用户的邮箱和银行账户，Berners-Lee 当年需要人工标注的语义网设想由此被绕开。文章区分两条建设路径：训练智能体像人一样操作浏览器，或为智能体提供文本与代码接口的连接器，后者如 Stripe 的支付连接器要求人工确认，可限制智能体的操作权限。商业层面，亚马逊在 Muse 发布后全面封禁其访问，时代周刊则推出面向智能体的广告版本；一项研究显示，搜索结果页出现 AI 摘要时用户点击网站的概率下降约 40%。

OpenAI 更新支持页面称，从 12 月起，Plus、Pro 和 Business 套餐将在 ChatGPT 与 Codex 之间共享同一份 token 预算，同时把 Work 的智能体功能并入主界面。

token 衡量模型处理与生成的信息量，模型和任务越复杂，消耗预算越快；用户可在设置中查看剩余额度和重置时间，达到上限后可等待重置、升级套餐或购买额外额度。使用 Instant 模型的对话不计入预算，因此 ChatGPT 名义上仍是固定费率服务，但低价套餐的高强度使用可能带来更低质量的结果。

Google 联合斯坦福、牛津等机构推出视频智能体 StreamVibe，能理解“遇到困难就帮我”这类模糊请求，并自行判断何时出声。

团队构建了约 4100 个样本、超 183 小时日常与软件录屏的基准，覆盖明确指令、模糊目标和中途变更请求三阶段。StreamVibe-VL 疑似基于阿里 Qwen3.5-9B，经强化学习训练得更克制，另配独立记忆系统跟踪待办与已完成步骤。研究称其响应时机与质量提升 10.7%，记忆系统使主动交互再提升 12.3% 并减少不必要打断，但 Google 自家 Gemini 3.8 Flash 在多项测试中得分更高。

Adobe Research 与 UC San Diego 提出 EditAgent，把通用图像编辑器和专用工具并行生成候选，再由标准语言模型依据验证数据挑选最佳结果。

在 600 条编辑测试中，通用编辑器 Flux-2-Klein-9B 有 42.7% 的结果不可用，专用工具解决了其中约三分之二的失败，集中在锐化、旋转和缩放。专业评审在 78.5% 的对比中更偏好从原图并行生成的多个变体，而非逐步迭代。加入包含局部特写、变化图和亮度色彩统计的验证记录后，七个测试语言模型全部超过微调评测模型 EditScore-72B 的 74.8%，Qwen3.8-27B 达到 81.3%。

The Verge 编辑 Sean Hollister 花 50 美元购入 Waveshare ESP32-S3 1.75C 触摸屏开发板，借助 Claude Code 把它改造成功能接近 Meta Muse Charm 的 AI 挂件。

该开发板是 Meta 官方推荐的 "Muse Gadget" 硬件之一，可直连 Muse AI 云端，但初始版本只能显示单个 Jolly 头像、回复缓慢且无语音、无法自动发现智能家居设备。他用 Claude Code 补上了对话历史页、ElevenLabs 语音播报、蓝牙低画质相机预览、多套头像和带饥饿与清洁度的电子宠物小游戏，并做出可正常走时的怀表表盘。

datasette-llm 插件发布 0.1a9，开始自动读取 LLM 使用的默认模型，用户无需再显式配置默认模型即可启动 Datasette Agent。

此前需要额外指定 `-s plugins.datasette-agent.default_model gpt-6-astra`，现在可直接用 `uvx --with datasette-agent datasette content.db --internal internal.db` 运行。作者表示 Datasette Agent 还有较大升级在推进中，此次只是底层插件的一处小型体验改进。

Arca 用 AI 智能体承担财富管理中的大部分后台工作，但交易和任何资金流动仍由人类顾问最终决定。

其智能体任务最长可持续十天，过程包含大量停顿、决策点和交接，因此 Arca 自建了按客户持久保存的内部记忆系统，记录已发生事项、近期待办、长期跟踪项及各项行动的责任人。模型方面，Arca 使用 Anthropic 和 OpenAI 等前沿实验室的模型，以 Claude 为主要供应商，并自建 harness 依据内部基准自动为任务挑选最佳模型，也便于更换供应商。

AWS 发布教程，介绍 Amazon Bedrock AgentCore runtime 的 Session endpoints 功能，让编码智能体在会话内运行 Vite 网站，开发者通过带认证的 URL 在浏览器中实时查看改动。

每个会话获得独立 URL，只转发 allowedPorts 中允许的端口，支持 HTTP/1.1、HTTP/2 和 WebSocket，每次请求都需 SigV4 签名或 JWT。示例中智能体在 8080 端口调用 Claude Haiku 5.5 修改文件，Vite 开发服务器在 8090 端口热更新页面，8081 端口提供 /status 路由。

开发者用 NVIDIA Nemotron 开源模型搭建了万圣节互动投影装置 MonsterHouse：一扇会说话的车库门，能听懂敲门的孩子、用暴躁老海盗船的嗓音回话，并在访客说“please”时软化态度。

系统基于 NVIDIA Nemotron Voice Agent，由 Nemotron 3 ASR 负责语音转文字，Nemotron 3.5 Bolt E4B 4GB 生成回复，Magpie TTS Zeroshot 合成实时语音，Audio2Face-3D 在 Unreal Engine 5 中驱动嘴部动画，Nemotron 3 Nano Omni 配合 YOLO 与 ByteTrack 识别并统计访客。

餐厅发现应用 Zest 推出个人 AI“餐厅礼宾”智能体，用户发短信即可获得推荐并直接订位。

该智能体通过 OpenTable、Resy 和 SevenRooms 等已接入服务查询空位并完成预订，用户可发送短信至 (212) 470-6067 使用。Zest 可加入群聊，综合多人口味推荐餐厅，并通过群内投票功能解决分歧后直接为整组人订位。用户可按菜系、饮食限制、场合或街区提问，也可询问餐厅繁忙程度、是否有 Wi-Fi 或索取菜单。

星巴克 CEO Brian Niccol 在财报电话会上表示，公司将探索在顾客抵达得来速时识别参与计划的顾客、展示个性化数字菜单并简化支付流程。

从 2027 年起，星巴克还将开始在得来速测试后台 AI 模型，帮助咖啡师更准确高效地录入订单。公司还计划把 AI 融入星巴克 App 的搜索与发现功能，未来可能支持“对话式和智能体式”点单。星巴克已允许顾客通过 ChatGPT 下单，并上线了供员工查询配方和服务标准的 AI 工具 Green Dot Assist。个性化数字菜单板何时落地尚不明确，Niccol 称仍处于早期阶段，将“测试、学习并推广行之有效的做法”。

Worldwide Express 基于 Amazon Bedrock 构建多智能体 AI 方案，接入其运输管理系统 SpeedShip，上线六个月后活跃异常减少 75%，回款周期缩短 4 周，年节省 100 万美元，并一次性释放 1000 万美元自由现金流。

该方案由三个专用智能体分别处理发票匹配、价格差异和附加费核验，每个智能体在决策前检索对应承运商的计费规则与争议流程文档，同一套智能体无需承运商专属代码即可覆盖全部承运商。系统通过分析师使用的同一批 SpeedShip API 读写数据，并生成通俗语言的处置说明。初期由人工在 SpeedShip 界面逐条审批建议，准确率超过 99% 后改为批量审批默认开启。

Google DeepMind 与英国政府、Google Cloud 和 Faculty 合作开发的 AI 规划工具 PlanAssist 将扩展至英格兰另外 12 个地方规划部门，使参与总数达到 15 个。

在 Barnet、Camden 和 Dorset 的早期试点中，该工具把规划人员处理住宅申请评估任务的平均时间缩短了 58%，超过 70% 的自动生成报告无需修改即获规划人员批准。PlanAssist 基于 Gemini 构建，可校验申请材料与建筑图纸、对照遗产保护限制及地方和国家规划政策，并起草带引用的评估报告，最终决定仍由规划人员作出。

DoorDash 在第三季度财报电话会上透露，来自 Muse、Instinct、Fo 等第三方 AI 智能体的订单目前合计仅“数百单”，而公司 2025 年报告显示其日均完成约 300 万次配送。

CEO Tony Xu 表示，用户仍主要通过 DoorDash 应用下单，智能体下单仍是一个高度动态的领域，公司希望深入了解智能体使用场景并与第三方智能体开发者建立健康关系，未来还可能在这些智能体内投放广告。DoorDash 自研的智能体包括 9 月上线的 text-to-order 智能体、7 月推出的 CLI 智能体和 6 月上线的 Ask DoorDash 聊天机器人，并发布了支持企业订餐的 MCP。

Latent Space 披露了 AI Engineer CODE 大会的策展细节，这是今年最后一场旗舰 AIE 活动，采用单轨制、仅邀请全球前 1000 名智能体工程师，目前尚余数百个席位。

大会围绕三大主题：Scaling without Slop（延续去年 No More Slop 倡议，反思 Tokenmaxxing 的兴衰）、System One 模型（TypeSafe 团队将展示其顶级用户的实际用法）、以及日益激进的重写潮（Bun 作者 Jarred Sumner 将介绍 Bun 的 Rust 重写与 Bun AOT）。

Microsoft Research Focus 第 97 期由主持人 Sowbhagya Suresh 汇总微软研究社区最新进展，并新增 YouTube 和主流播客平台渠道。

自改进框架 ForkPilot 在六个基准和多个主流 AI 模型上测试，达到现有最佳方法水平，同时将 AI 处理开销降低最多 59%。CABRA 框架通过从零生成编码挑战发现，智能体常借助工具解决编码问题，但在理解陌生代码库时仍显吃力。TeleTune 从用户活动日志中学习可复用技能并推断任务目标，在软件和浏览器任务评测中优于现有方法。

Epsilon 的 Agentic Platform 团队用 Amazon Nova Act 搭配 Amazon Bedrock AgentCore Browser，把意图驱动的 UI 测试做成多租户平台服务，叠加在原有 Playwright 回归套件之上。

测试步骤改为自然语言指令，由 Nova Act 执行，对纯外观的 UI 改动更稳健，非工程师也能读懂。AgentCore Browser 提供隔离的临时浏览器会话，无需分发二进制或维护显示服务器，并支持实时查看与人工接管、会话录制到 Amazon S3 以及 AWS CloudTrail 审计。

Kiro 提供了一套可重复的 PHP 到 Java 迁移引擎，把原 PHP 应用当作规格说明，在一致性校验通过前不判定 Java 移植版正确。

该引擎由共享方法论、机械式发现扫描器和八阶段工作流组成，全部打包为版本化的 Markdown 技能文件（php-to-java-migration 与 php-model-discovery），因此同一套方法既能在 Kiro 中以交互方式逐个应用运行，也能交给 AWS Transform 以智能体方式并行处理多个应用。核心规则是先发现后翻译：扫描器单遍运行、无依赖，对源码 token 应用三种发现策略并输出一份 JSON manifest，歧义项进入人工复核队列。

Simon Willison 推荐 Jacob Sansbury 介绍 Spawn 的文章。

Spawn 是一个多人游戏环境，玩家可以用提示词让游戏内智能体 Savi 修改游戏世界，Willison 在手机上试玩时用提示词生成了城堡和龙，并骑龙飞行。据 Jacob 描述，Spawn 现在由一群基于 Fable 的智能体自主开发，每月 token 成本超过 300 万美元，约为人力成本的 30 倍；智能体直接修改线上代码并每小时发布，约 60% 的工作来自生产错误、Savi 提交的 bug、日志异常或功能请求。团队把一小时没有发布视为最高级别的 SEV-0 事故，并能在 30 秒内回滚局部故障。

MoEngage 借助 Amazon Bedrock AgentCore 的 AgentCore Gateway，把约 400 个部署在私有 VPC 中的内部 REST API 转成按权限限定的智能体工具，节省约六个月的平台工程投入，新 API 接入从数天缩短到数小时。

这些 API 由 25 个工程团队开发，分布在七个 AWS Region，且不暴露于公网。MoEngage 放弃为每个团队单独搭建 MCP server 的方案，因为 20 多个 MCP server 会带来部署、补丁和协议兼容负担；改为团队只维护 OpenAPI spec 并声明哪些操作应成为工具，MCP 层由 AI 平台团队统一负责。

NVIDIA Nemotron 3.5 Super VL 已加入可在 AWS 上使用的 Nemotron 3 系列模型，这是一个 120B 参数的 MoE 多模态模型，每个 token 激活 12B 参数，支持文本、图像、文档和视频输入。

该模型从 Nemotron 3 Ultra 蒸馏而来，采用混合 Mamba-2、MoE 与注意力层架构，上下文长度最高 1M tokens，提供 BF16 和 NVFP4 两种 checkpoint，并公开权重、训练数据集与后训练配方。NVIDIA 报告其在 Hermes Bench 得分 63.44%、LangChain agent 评测 87.05%、CharXiv 图表推理基准 80.8%。

Ben Hylak 提出，他使用的每个产品都应该是无头 MCP，接入一个智能体，用户无需关心底层细节。

他同时调侃称自家产品是例外——客户喜欢其 UI，也非常喜欢他们，并称“我们在这方面很特别”。该表态未涉及具体产品名、功能细节或上线时间。

Mistral 发布 Mistral Large 4（Le Chonk）的开放权重，这是一个 1 万亿参数的原生多模态模型，在公开预览基础上继续做强化学习，编码与防御性网络安全能力提升。

在 Artificial Analysis Coding Agent Index 上得分 48%，与开源领先模型 GLM-5.3 基本持平，但每任务平均少用 47% token；Terminal-Bench 4.0 从预览版提升 13 个百分点至 41%，输出 token 减少 30%。