Simon Willison 发布用 Claude Code 全程 vibe coding 开发的即时战略游戏 Battle Drones，经过 12 个大版本、321 次提交，可在手机和桌面浏览器运行。游戏包含 9 种建筑、7 种地面载具、6 种空中载具和 3 种步兵单位，支持战争迷雾、随机地图生成、AI 对战 AI 以及两个 LLM 互相对战的 Agent 对战模式。他还实现了两台设备通过麦克风音频同步游戏状态的联机方式，并因音频引发头痛问题补充了基于 WebSockets 中继服务器的在线联机。
匹配字段摘要、正文
斯坦福课程 CME 295 Transformers & Large Language Models 更新到第四讲 Reinforcement learning with LLMs，视频和讲义均已公开。这一讲从 RL 和 Reward Design 讲到 PPO、GRPO、RLVR 和 DAPO，逐个解释其中的符号。课程由 Afshine 与 Shervine Amidi 主讲，共 9 讲，覆盖 Transformer 架构、注意力变体、RoPE、LoRA 微调、RLHF/GRPO 训练、Flash Attention 推理优化、MCP 与 AI Agent、扩散语言模型。
匹配字段摘要
Browser Use 在 100 个 BU Bench V2.1 任务上对比了 Browser Harness、Playwright MCP、Chrome DevTools MCP 和 agent-browser，四者得分在噪声范围内打平，Browser Harness 以 2.1M 中位输入 token 和 42 次工具调用成为每任务成本最低（$0.042）。作者同时给出选型建议：需要干净会话或 Firefox、WebKit 用 Playwright MCP，调试自家应用性能与网络用 Chrome DevTools MCP，需要域名白名单和加密凭据库用 agent-browser。文章披露作者所在公司开发 Browser Use 和 Browser Harness，竞品信息取自各自仓库与文档。
匹配字段摘要、正文
作者开通Cue Pro会员实测一周，邮件处理最顺畅，能及时提醒收信、总结要点并按意图组织回复；电话与支付两项因需绑定国际账号未能跑通。多Agent协作需配置海外应用接口且群聊回复混乱，日程管理也接不进微信、QQ等国内信息流。Cue于9月28日与Manus 2.0一同发布，为每个Agent配备独立邮箱、电话号码、数字钱包和专属电脑，面向海外用户，国内版本仍在筹备。
匹配字段摘要、正文
Browser Use 发布 2026 年浏览器自动化 MCP 服务器选型指南，按隔离测试、调试、登录态 Chrome、云端并行任务等场景推荐 11 款服务器。作者用 Codex CLI 搭配 GPT-6 Luna 在 BU Bench V2.1 的 100 个公开任务上对比四款工具，Browser Harness 得分 60.4、每题中位输入 token 2.1M、成本 $0.042，与 Playwright MCP 和 Chrome DevTools MCP 的分数差异区间均包含零。Playwright MCP 中位耗时最短为 29.0 分钟，agent-browser 得分 56.3。
匹配字段摘要、正文
Anthropic 分享了在 Claude 写出约 90% Claude Code 代码后重设代码评审的做法：2026 年 6 月到 9 月合并 PR 数量翻倍以上，revert 率下降超 40%，内部 PR 上实质性评审意见占比从 16% 升到 54%。团队把评审拆成七层防线，从 PR 前的自我验证、必过 AI 评审、阻塞性安全评审与自动检查，到按风险分级的人工审批，并规定 agent 的批准不算人工批准。文中还给出两个工程细节：用历史事故 PR 构成 eval 集每日给评审器打分，以及用三轮封顶、只看增量 diff 等办法解决评审死循环，使一轮通过率从 65% 升到 78%、平均评审轮次从 2.08 降到 1.32。
匹配字段摘要、正文
Artificial Analysis 首次公布 AA-AgentPerf-Local 结果，搭载 NVIDIA RTX Spark N1X 的笔记本在 Qwen3.8 27B 上完成默认本地智能体负载（8 个任务、168 个模型轮次）耗时 18.7 分钟，接近 DGX Spark 的 17.3 分钟，比 MacBook Pro（M5 Pro，64 GB）快 2.0 倍，比 AMD Ryzen AI Halo 快 1.8 倍，GeForce RTX 5090 台式机最快为 4.9 分钟。N1X 芯片本质上是 DGX Spark 的 GB10（20 核 Arm CPU、6,144 核 Blackwell GPU），最高 128 GB 内存、带宽 300 GB/s；测试机型为 15 英寸 Surface Laptop Ultra 原型机（128 GB，5,900 美元），插电并设为 Windows 高性能模式，使用 NVIDIA 公布的 llama.cpp 配方。在 Qwen3.6 35B A3B 上耗时 7.6 分钟，在 Ling 3.0 Flash 上耗时 15.3 分钟，后者的 77 GB 权重无法装入 MacBook Pro 或 RTX 5090。
Artificial Analysis 首次公布 AA-AgentPerf-Local 结果，搭载 NVIDIA RTX Spark N1X 的笔记本在 Qwen3.8 27B 上完成默认本地智能体负载（8 个任务、168 个模型轮次）耗时 18.7 分钟，接近 DGX Spark 的 17.3 分钟，比 MacBook Pro（M5 Pro，64 GB）快 2.0 倍，比 AMD Ryzen AI Halo 快 1.8 倍，GeForce RTX 5090 台式机最快为 4.9 分钟。N1X 芯片本质上是 DGX Spark 的 GB10（20 核 Arm CPU、6,144 核 Blackwell GPU），最高 128 GB 内存、带宽 300 GB/s；测试机型为 15 英寸 Surface Laptop Ultra 原型机（128 GB，5,900 美元），插电并设为 Windows 高性能模式，使用 NVIDIA 公布的 llama.cpp 配方。在 Qwen3.6 35B A3B 上耗时 7.6 分钟，在 Ling 3.0 Flash 上耗时 15.3 分钟，后者的 77
匹配字段摘要、正文
Artificial Analysis 在 AA-AgentPerf 上发布 NVIDIA Vera Rubin NVL72 的初步结果，在 DeepSeek V4 Pro 上每兆瓦总吞吐最高约为前代 GB300 NVL72 的 5.7 倍，DeepSeek V4.1 Flash 约 5.4 倍，GLM-5.2 约 3.0 倍，Kimi K3 约 2.8 倍。Vera Rubin 是 NVIDIA Blackwell 的继任者，NVL72 为机架级系统，含 72 颗 Rubin GPU 和 36 颗 Vera CPU，每颗 GPU 内存与 Blackwell Ultra 同为 288 GB，但内存带宽为 2.4 倍、NVLink 带宽 1.7 倍、密集 NVFP4 算力 2.3 倍。AA-AgentPerf 通过回放真实智能体编码会话衡量推理性能，Vera Rubin 在 DeepSeek V4.1 Flash 上创下 906 tok/s 的单用户速度纪录。
匹配字段摘要、正文
Google Developers Blog 发布一篇智能体评测实践指南，提出用关键用户旅程定义成功标准、以模拟用户生成执行轨迹，并按 Day 0 到 Day 2 逐步搭建评测流水线。文章指出仅靠终端里跑几条提示词的 vibe check 无法发现重试循环、工具参数幻觉和 token 浪费等隐性失败，建议把 LLM-as-a-judge 的 1 到 5 分打分改为布尔式通过/失败检查，并同时跟踪延迟、token 消耗、API 成本和工具调用次数。文中还列出四个常见陷阱，包括随意增删测试导致基线失效、只评文本忽略运行成本、以及为不同编排框架重写评测流程，并推荐使用开源 agent-eval 工具包配合 OpenInference 与 Gemini 平台的 Agent Evaluation 服务。
匹配字段摘要、正文
heise online 实测 LangChain 的 CLI 工具 OpenWiki，它分析代码库并生成带链接的本地 Markdown 知识库，再依据 Git 历史中的新 diff 和提交进行更新，并通过智能体提示与 MCP 工具让内容可被检索。文章指出，AGENTS.md 或 CLAUDE.md 适合放安装命令、测试、风格规范和安全边界等简短规则，在 monorepo 中还可嵌套子目录文件，但难以充当大型快速变化仓库的完整知识模型。
匹配字段摘要、正文
Artificial Analysis 评测显示，SpaceXAI 的 Grok Voice 3.0 以 86.9 分登顶其 Speech to Speech Index，高于 GPT-Live-1（Astra, medium）的 83.2 和 Gemini 3.8 Live Extended Thinking（High）的 82.6，较 Grok Voice 2.0 的 81.3 提升 5.6 分。该模型通过 SpaceXAI Realtime API 提供，每分钟 0.08 美元，输入音频每小时 4.80 美元；在 Speech Agent Arena 任务成功率上以 94.8% 居首，Big Bench Audio 音频推理得 98.5%，Big Bench Audio 平均首音频延迟 0.81 秒，慢于 Grok Voice 2.0 的 0.70 秒。
匹配字段摘要、正文
Box 过去一周用 Box AI Complex Work 评测测试 Gemini 4 Argon，整体较 Gemini 3.1 Pro 提升 14 个百分点。评测让 Box Agent 处理各行业企业文档的复杂任务，Gemini 4 Argon 在数学、逻辑、分析和业务领域知识上更强，也更倾向于把任务完整做完。分行业看，金融服务提升 18 分、医疗 25 分、科技 37 分、能源 16 分、消费品 33 分。该模型将很快上线 Box AI Studio，供用户构建自定义 Box Agent。
匹配字段摘要、正文
Google 在 Gemini 4 Argon 发布时做了一次无人值守实验，让模型在 11 小时内优化开源框架 google/adk-python，该仓库约 20.5 万行代码、近 800 个源文件和近 1.7 万个单元测试。模型提出 6 项优化，经人工评审后 2 项合入主干，长会话的内存会话准备时间减少约 40%，冷启动导入提速 21%。文章公开了所用提示词、.agents/skills 规则文件和被拒的 4 项改动原因，并说明如何在自有代码库复现这一夜间工作流。
匹配字段摘要、正文
OpenAI Developers 发文说明，随着模型能力提升，为 Codex 等编码智能体积累的 skills、AGENTS.md 和任务提示词需要重新审视，GPT-6 Astra 尤其如此。文章建议 skill 描述尽量简短并明确使用时机，多流程 skill 用根文档做最小路由实现渐进披露，避免写成过于具体的步骤清单。AGENTS.md 中要求每次编辑前通读文档、强制跑测试等旧指令可能浪费上下文，而 GPT-6 Astra 会自行检查工作，但可能更早停下等待确认，因此需要提前定义完成标准。
匹配字段摘要、正文
NVIDIA KGMON 团队在 KDD Cup 2026 Data Agents 竞赛中获得第二名，方案核心是在固定的小模型外构建更小、更清晰、更易验证的 harness。团队把 CSV 和 JSON 统一转成 SQLite 表，只暴露 schema() 和 sql(query) 等少量工具，并在主推理循环前加入 schema 预检步骤，减少路由错误并保留模型的推理能力。文档检查与结构化分析分离，prose_helper 用零温度、关闭推理的独立 LLM 调用抽取答案或表格，避免原始文本占用主上下文；执行轨迹记录提示词、工具调用和中间结果，供专门的 inspector agent 归类失败原因。
NVIDIA KGMON 团队在 KDD Cup 2026 Data Agents 竞赛中获得第二名，方案核心是在固定的小模型外构建更小、更清晰、更易验证的 harness。团队把 CSV 和 JSON 统一转成 SQLite 表，只暴露 schema() 和 sql(query) 等少量工具，并在主推理循环前加入 schema 预检步骤，减少路由错误并保留模型的推理能力。文档检查与结构化分析分离，prose helper 用零温度、关闭推理的独立 LLM 调用抽取答案或表格，避免原始文本占用主上下文；执行轨迹记录提示词、工具调用和中间结果，供专门的 inspector agent 归类失败原因。
匹配字段摘要、正文
Mitchell Hashimoto 为终端写了一份新转义序列规范 OSC 7501，即 Program Status Protocol，让程序通过 pty 直接上报自身状态：idle、working、waiting on the user、finished 或 failed，并可附带原因。序列体由冒号分隔的 key=value 组成，唯一必填键是 state，可选 app 和 base64 编码的 msg，多任务可用层级 id 同时上报多条记录。他指出 agentic inbox 目前靠屏幕启发式或非终端 API 判断 agent 状态，前者需频繁维护规则，后者要逐个集成且难以跨 SSH 和容器；他已用不超过十几行代码在 libghostty、Rex、Terraform、Claude Code、Codex 和 Homebrew 中实现该协议。
匹配字段摘要、正文
Every 运营负责人 Arielle Shipper 分享了自己用五个提示词把 Codex 从单轮对话升级为多智能体协作的方法，包括让 Codex 评估自己在八级 AI 采用框架中的位置、给出升级建议、解释执行方式、设置每周评分报告，以及用 /self improve 把纠正沉淀为持久规则。她借助 orchestrator 线程、context packet、subagent、MCP 和 computer use 等技术，把复杂任务拆分给不同角色的智能体，四个月内自评从 5.5 提升到 7.9。文中给出了每个步骤可直接复用的提示词模板。
匹配字段摘要、正文
Arena.ai 表示 Gemini 4 Argon (High) 以每任务 0.62 美元的成本改写了帕累托前沿，并给出 Agent Arena 的详情链接。该数据来自其 Agent Arena 评测，用于比较智能体任务的成本表现。
匹配字段摘要
Box 在早期访问中用 Box Agent 的复杂工作评测测试 Claude Sonnet 5.5，整体最难测试提升 4 分，完成交付物约快 2.4 倍且少用 12% token。分行业看，金融服务提升 18 个百分点、法律 7 个百分点、生命科学 8 个百分点、公共部门 7 个百分点；具体任务中尽职调查审查提升 48 分并快约 61%，商业租约审查提升 14 分，现场试验报告提升 22 分并快约 41%，数学干预项目报告提升 11 分并快约 71%。客户不久将能在 Box AI Studio 中用 Sonnet 5.5 构建 AI 智能体。
匹配字段摘要、正文
LiveKit 官方博客对比了实时语音与视频 AI 智能体两大开源框架 LiveKit Agents 与 Pipecat，指出前者基于自家开源 WebRTC 与 SIP 服务、抽象层级更高，后者不预设传输层、需自行逐级组装 pipeline。文章还说明 TEN Framework、Dograh、Vision Agents、Vocode 的定位，并从语言支持、维护活跃度、上手速度和生产就绪度四方面给出选型建议。
匹配字段摘要、正文