Uber Engineering 团队用 AutoClean 系统自动清理已全量上线的过期 feature flag，累计清理 1.6 万多个 flag、超过 100 万行代码。系统分三阶段：Agent 通过 MCP 调用确定性引擎 PolyglotPiranha 做条件化简改写，以 monorepo 全量 CI 为准并收窄修复器权限，最后交给由多个专门审查 Agent 并行检查的 CodeCourt 验证层。团队把约束从执行循环剥离到验收端，因为长任务 Agent 指令一多就容易遗漏约束、只追求 CI 通过。
匹配字段标题、摘要、正文
Arena 的 Agent Arena Pareto 前沿共 11 个位置，OpenAI 的 GPT-6 Luna 与 GPT-6.1 Sol 按不同推理档位占据其中 6 个。GPT-6 Luna 在每任务低于 $0.10 的区间拿下 4 个最优位置中的 3 个，覆盖 Max、Medium 和 Low 档；GPT-6.1 Sol 则覆盖每任务 $0.22 至 $0.65 区间。加上 GPT-6 Astra（Max），OpenAI 模型共占 7 个前沿位置，Arena 据此指出切换推理档位有时比换模型更能保持在成本与性能的最优点。
匹配字段标题、摘要、正文
AWS 介绍 Agent Registry 的运行时工具发现方案，智能体通过语义与关键词混合搜索找到已审批的 MCP 服务器和 A2A 智能体，再按描述符即时构建客户端执行请求。示例代码基于 Amazon Bedrock AgentCore Gateway 与 runtime，把订单管理 MCP 服务器和定价、客服两个 A2A 智能体接入，并演示纯语义匹配的退货退款场景。注册表只返回连接元数据，调用凭证需另行通过 Cognito OAuth 或 IAM 获取，新增能力无需改动编排器代码。
匹配字段标题、摘要、正文
Rohan Paul 介绍了一个基于 Qwen3.8-27B 做强化学习后训练的开源环境模型，在 AA-Omniscience 上把幻觉率从 30.4% 降到 15.1%。该模型在 Terminal-Bench、τ³-bench、ClawEval 和 BFCL v4 上超过 Muse Glimmer 30B 与 GPT-6 Luna high，但 DeepSWE 仍由 Luna 以 53.1% 领先；它解出任务的中位输出为 23.8K token，基础 Qwen 为 54.9K。作者还提到 MLA 版本把 16 层全注意力改为多头潜在注意力，每 token 内存占用从 64 KiB 降到 18 KiB，压缩版可跑在单张 24 GB RTX 4090 上，上下文约为基础 Qwen 的 3.5 倍。
匹配字段标题
MIT 课程 MAS.S62「How to AI an AI」的 Lecture 4-5 聚焦 Harness evolution，分别讲 harness 组件、记忆、工具与技能演化，以及规划、任务分解与多 agent 系统演化。记忆部分用三轴分类法串起 MemGPT、mem0、MEM1、Reflexion/ExpeL，并以 CLM 把上下文管理统一为文件操作；工具部分从 Toolformer、ToolLLM、CodeAct 讲到 Meta-Harness，后者把整个 harness 表示为文件系统，反馈信息量约为此前方法的 400 倍。多 agent 部分给出五条实证发现，包括 MAS 在可分解任务上赢 81%、在顺序依赖任务上输 70%，以及 CORAL 在 8 个任务上取得新 SOTA、多 agent 演化比单 agent 提升 4%–20%。
匹配字段标题、摘要、正文
Meta 工程团队发布 Agent 架构实践，用确定性的瘦编排器把 20+ 工作流路由到 14 个上下文隔离的专业 Agent，解决单 Agent 装载全部领域知识后在生产环境出现知识交叉污染和幻觉的问题。瘦编排器约 1300 行代码，只做意图分类、收集字段和可靠性检查，每个请求走固定 7 步协议，仅委派子 Agent 一步涉及 LLM 推理。文中引用 Mount Sinai 研究称多 Agent 编排在 80 任务批次下准确率 65.3%，单 Agent 为 16.6%，token 消耗最多降低 65 倍；新增管道迁移能力只需新增 workflow 模板，零新增 Agent 代码。
匹配字段标题、摘要、正文
Arena.ai 称 DeepSeek-V4.1-Flash-20261017（Max）成为 Agent Arena 排名第一的开源模型，综合排名第 11，在超过 7.5K 真实会话中净提升 5.1%。该模型每任务中位成本为 0.20 美元，约为 GPT-6.1 Sol 提升幅度的 37%、成本的 27%；在 Confirmed Success、Praise vs. Complaint、Bash Reliability、Steerability 四项信号上均为开源第一，且未出现工具幻觉问题。
匹配字段标题、摘要、正文
作者把添加日程、整理126邮箱、大众点评找餐厅、京东挑鞋和制作旅行AA账本等任务分别交给Muse与ChatGPT中的Dot实测。Muse仅靠手机即可完成日历操作，并能从淘宝截图提取双十一定金和尾款节点；Dot在共享账本任务中交付更完整，但手机端操作苹果日历需借助Mac。两者处理网易邮箱等无现成连接的服务时都依赖云端浏览器，登录、验证码和小屏接管仍是主要障碍。
匹配字段标题、正文
腾讯云开发者社区发布《Agent 工程实战八讲》导读，围绕如何把能调用模型与工具的原型升级为可完成业务任务、解释失败、控制成本并持续迭代的系统。全系列以立案助理 Agent 和术后随访 Agent 两个虚构教学案例贯穿，覆盖任务契约、推理与协作、上下文与记忆、工具可靠执行、观测与重放、评测与校准、安全边界、生产运营八个主题。文中强调模型能给出下一步不等于系统能兑现业务结果，示例字段、预算与数字均为教学演算，不构成法律意见。
匹配字段标题、摘要、正文
Anthropic 分享了其代码审查流程：保留 code review，但大部分审核交给机器，人的时间只花在高风险判断上。提 PR 前由 Claude 自己跑测试和构建，再由一个新开的 agent 审一遍 diff；每个 PR 由 AI 多 agent 找 bug，投票过滤误报，再加一轮安全审查和 CI，每条发现都必须处理才能合并。人工审批按风险分级，低风险 0 人、中风险 1 人、高风险 2 人，由分类器判定，bot 的批准不能替代人。上线采用合并队列、feature flag、先内部使用再灰度发布，出问题一键回滚；历史事故整理成每日 eval 评估 reviewer，并给审查轮数设上限避免 agent 之间无限互审。
匹配字段标题、摘要、正文
LangChain 团队的 divyasan0 以 Q&A 形式分享了 Agent Evals 实践指南，回答常见问题并给出可落地工程流程：从真实 trace 起步、用 10–20 条小数据集建立基线、失败案例回流迭代、离线与在线分层评估、代码评估器优先于 LLM 裁判、benchmark 用容器化环境验证最终状态。文中还给出 LLM 裁判的三条校准建议，并指出小模型裁判在 pass/fail 判定上与人类标注一致，总成本 $0.34 对比 Claude Sonnet 4.6 的 $28.17。
匹配字段标题、摘要、正文
针对 LangChain 团队发布的 Agent Evals 常见问题解答，作者整理了一份 Cheatsheet 方便随时查看。被引用的原帖归纳了该实践指南的要点，包括从真实 trace 起步、小数据集建立基线、失败案例回流迭代、离线与在线分层评估、代码评估器优先于 LLM 裁判，以及用容器化环境验证最终状态。
匹配字段标题、摘要、正文
Artificial Analysis 公布 NVIDIA RTX Spark N1X 笔记本的首份 AA-AgentPerf-Local 结果，该机在 Qwen3.8 27B 上完成本地智能体负载耗时 18.7 分钟，接近 DGX Spark 的 17.3 分钟，比 MacBook Pro（M5 Pro）快 2.0 倍、比 AMD Ryzen AI Halo 快 1.8 倍。测试使用 128 GB 统一内存、6144 核 Blackwell GPU 的原型 15 英寸 Surface Laptop Ultra，售价 5899.99 美元，通过 llama.cpp 的 Windows 原生构建在 GPU 上运行模型。在 Qwen3.6 35B A3B 上耗时 7.6 分钟，在 124B 的 Ling 3.0 Flash 上耗时 15.3 分钟，后者无法装入 MacBook Pro 或 RTX 5090 的内存。
匹配字段标题、摘要、正文
Arena 基于 5000 多场真实智能体会话公布结果，Meta 的 Muse Wonder (Max) 进入 Agent Arena 第 12 名，净提升 6.4%，比第 16 名的 Muse Spark 1.3 (Max) 高 2.8 个百分点、四个名次。其单任务中位成本为 1.13 美元，是 Spark 1.3 的 0.54 美元的约 2.1 倍；在 Chat、Work、Code 三个类别中均优于 Muse Spark 1.3。
匹配字段标题、摘要、正文
Claude Haiku 5.5 (High) 登陆 Agent Arena，在超过 2.05 万场真实智能体会话中取得 +1.48% 净提升，综合排名第 27。其最强类别是 Code，以 +4.83% 净提升排在第 15 位。该模型单任务中位成本为 0.09 美元，略低于 Agent Arena 帕累托前沿；相比第 26 位、单任务 0.63 美元的 GPT-5.4 (High) 便宜 86%，比 Claude Sonnet 5.5 (Max)、Fable 5.1 (Max) 和 Opus 5.5 (Max) 每任务便宜 97% 至 99%。
匹配字段标题、摘要、正文
密歇根大学 AI 编程课 Applied Agentic Software Engineering 第 14 讲 Subagents 讲义公开，从为什么需要 subagents、机制、关键取舍和相邻概念辨析四部分展开。讲义认为长对话会因上下文只进不出、history bleed、重发全部历史和串行执行而劣化，解法是主对话只留请求和计划、各部分阅读放进各自 subagent 并只回流结果。最大取舍是 Fresh 与 Forked：Fresh 仅以 brief 为起点，适合第二意见和独立审查但更贵；Forked 带全部历史加 brief，适合需要全部积累的侧任务且更便宜。讲义还用几个对话、谁和谁说话、谁决定下一步三个问题区分 Subagents、Team、Handoff 与 Swarm，并提到并行编辑靠 worktree 隔离。
匹配字段标题、摘要、正文
Arena 公布 Claude Haiku 5.5 (High) 在 Agent Arena 的实测结果，基于 2 万余次真实智能体会话，净提升 +1.48%，总排名第 27。其最强类别是编码，以 +4.83% 净提升排第 15；每任务中位成本 0.09 美元，略低于 Agent Arena 帕累托前沿。相比第 26 名、每任务 0.63 美元的 GPT-5.4 (High)，Haiku 5.5 成本低 86%，也比 Claude Sonnet 5.5 (Max)、Fable 5.1 (Max) 和 Opus 5.5 (Max) 便宜 97% 至 99%。
匹配字段标题、摘要、正文
Artificial Analysis 将 DeepSeek V4.1 Flash 加入其智能体推理性能基准 AA-AgentPerf，并给出 NVIDIA 与 AMD 硬件的实测结果。在每用户 100 tokens/s 下，NVIDIA GB300 以约 261M tokens/s 每兆瓦居首，其后为 B300（约 220M）、B200（约 193M）、GB200（约 178M）和 MI355X（约 128M）。V4.1 Flash 在 Artificial Analysis Intelligence Index 上得分 39，高于此前的 V4 Pro 0813（36），参数量约为其三分之一（552B backbone、16B 激活，对比 1.6T 与 49B），最少可在 2 张 GPU 上运行，相比 V4 Pro 0813 在每用户 100 tokens/s 下每兆瓦吞吐提升约 1.3 倍（GB300）至 6.2 倍（B200）。
匹配字段标题、摘要、正文
Artificial Analysis 的 Coding Agent Index 显示，Anthropic 的 Sonnet 5.5 在 Claude Code 中以 max 档拿到 68 分登顶，xhigh 档为 63 分。单任务成本从 max 的 14.19 美元降至 xhigh 的 3.33 美元，降幅 77%，代价是少 5.5 个 Index 分。max 档输出 token 量为 xhigh 的 4.8 倍、轮数为 3.4 倍，三项基准分数均有提升，其中 Terminal-Bench 4.0 从 58.1% 升至 66.2%。
匹配字段标题、摘要、正文
邵猛整理 Lee Robinson 在斯坦福 CS146S 讲座中分享的 Grok Bot 常驻 Agent 内部构造，归纳为四层机制。第一层是休眠与唤醒，服务器和云电脑平时休眠，由消息或事件触发后从数据库加载会话日志、记忆和例程重建状态，用完回写再休眠；第二层是唤醒源，除直接发消息外还包括 Slack、电话、会议和后台例行任务，所有触发汇入统一路由做去重与会话合并；第三层是是否打扰用户的独立判断链，位于通知层而非执行层；第四层是专用云电脑，采用 Firecracker microVM，具备隔离执行、可视化接管、虚拟桌面和池化共享四个特性。作者还补充了 server 与 computer 必须分离的三点原因：更新独立、重算力任务在服务器上更快、VM 打补丁时可独立重建。
匹配字段标题、摘要、正文