Gemini 4 Carbon (High) 以 1528 分登上 Text Arena 第一，超过 Gemini 4 Argon (High) 的 1520 分。它在 Agent Arena 排名第二，仅次于 Claude Opus 5.5，并进入新的 Pareto 前沿；在 Web Dev Arena 以 1768 分排名第四，落后第三名 Claude Sonnet 5.5 两分。Arena 数据称其 Agent Arena 任务中位成本为每任务 1.80 美元，比排名第一的 Claude Opus 5.5 (Max) 低 72%。Artificial Analysis V5 得分为 59。
匹配字段标题、摘要、正文
DeepLearning.AI 新推出一门 Context Engineering 课程，由 Chroma CEO Jeff Huber 与 CMPND CEO Drew Breunig 主讲，把上下文工程作为让 Agent 在复杂多步任务中保持可靠、省 token 的主线。课程用 Python 从零搭建 harness，并用 trace 和 eval 量化每次改动，覆盖 Agentic Search、Context Management、Agentic Memory 三条能力，分四个模块，实验多为约 1 小时的代码练习。课程预设中级 Python、熟悉 LLM 应用与工具调用和基本检索。
匹配字段标题、摘要、正文
Arena.ai 称 Gemini 4 Carbon 在基于真实任务的 Agent Arena 中排名第 2，净提升 16.2%，并在成本、时间和每任务输出 token 上处于帕累托前沿。相比排名第 7、提升 11% 的 Gemini 4 Argon，Carbon 高出 5 个名次和 5.2 个百分点，提升主要来自好评与投诉比 +13.2 个百分点、确认成功 +5.6 个百分点、可操控性 +4.8 个百分点。Arena 表示 Carbon 的可用性将由 Google DeepMind 公布。
匹配字段标题、摘要、正文
Arena 基于近 9000 次智能体会话的实测结果显示，OpenAI 的 GPT-6.1 Terra (Max) 在 Agent Arena 排名第 8，净提升 +10.6%，单任务中位成本 0.62 美元。该成本比第 7 名 Gemini 4 Argon (High) 的 1.09 美元低 43%，比第 6 名 GPT-6.1 Sol (Max) 的 0.89 美元低 30%，比第 5 名 GPT-6 Astra (Max) 的 5.16 美元低 88%。分项上它在 Bash Reliability 排第 3（+13.2%），Steerability 排第 7（+13.3%），Praise vs Complaint 排第 9（+16.8%）。
匹配字段标题、摘要、正文
Matt Palmer 演示了在 Cursor 云 Agent 的 Linux 远程桌面上打开 Chrome 和真实 Slack，让 Agent 用代码生成 Slack 界面动效视频，并对照真实界面检查 easing 与 motion 模式后迭代修改。他把流程拆成内环（Agent 做事、对照真物检查、修复）和外环（人提供参考、偏好与权限并验收产出），并提出 Do→Codify→Generalize 的阶梯，把一次成功收成 Skill 再泛化。他强调没有反编译 Slack，只是给 Agent 参考并要求它对照提取视觉模式。
匹配字段标题、摘要、正文
Arena 在 Agent Arena 上统计，OpenAI 的 GPT-6.1 Sol (Max) 每任务成本为 1.91 美元，比 Claude Opus 5.5 (Max) 的 12.51 美元低 85%，比 GPT-6 Astra (Max) 的 14.93 美元低 87%。Arena 指出，这两项成本优势的来源并不相同：相对 Astra，Sol 的优势主要来自更低的 token 单价；相对 Opus，则主要来自每任务消耗更少的 token。每任务成本按输入、输出和缓存读取 token 的数量乘以各自单价计算，Arena 通过对比价格与 token 用量来定位成本下降的原因。
匹配字段标题、摘要、正文
Nous Research 开源的 Hermes Agent 把学习外置成文件，用 MEMORY.md 和 USER.md 存记忆、用 SKILL.md 存可复用技能、用 wiki 存领域知识，底座模型权重不变。文章拆解了它的闭环学习机制，包括任务后后台审查自动创建和改进技能。内置的 llm-wiki 技能 2.1.0 用 raw/、wiki、SCHEMA.md 三层结构和成页阈值、双链、原文哈希、矛盾登记等纪律维护知识库，并配有巡检机制。
匹配字段标题、摘要
作者在手机端用邮箱 Agent 跑通了自己 5039 封邮件的 QQ 邮箱，最近一个月 69 封邮件中筛出约 20 封需要处理，耗时 43 秒。文中给出 5 个常用场景的指令，以及「用户档案 + 10 条行为准则」记忆模板，无需写代码即可照抄使用。核心场景包括 17 秒找出隐蔽的 AI 自动扣费和 SaaS 续费、30 秒合并多家银行中英文月结单并分开计算外币。
匹配字段标题、摘要、正文
Blake Anderson 开源「ai-app-playbook」，一份给 coding agent 执行的操作规程，覆盖选品、搭建、上架到首月盈利。它分两层：面向人的 playbook/00–13 章节和面向 Agent 的 AGENTS.md（Phase 0–14，每步标注 [AGENT] 或 [HUMAN]），动手前需通过 Gate A 评分。技术栈固定在 Cloudflare Workers、D1、Better Auth、OpenRouter 转 DeepSeek、Superwall 加 Stripe 等，并明确列出 Vercel、Supabase、Next.js 等一长串不用项。
匹配字段标题、摘要、正文
Claude 博客讨论构建 Agent 时何时把子 Agent 折进主循环，认为在 Claude Platform 上单个主循环加按需加载的 Skills/工具，在多项内部对比中质量常更好、成本与延迟更低。文中指出每团队一个子 Agent 加总编排常复制组织架构，带来上下文损耗、Frankenprompt 与局部 eval 等问题，一家客户对比多 Agent harness 与单循环时后者约 2× 更快。子 Agent 只建议留给并行、上下文膨胀或工具与指令冲突等场景，并给出先建端到端 eval、一次折一个的迁移路径。
匹配字段标题、摘要、正文
Kimi K3.1 Pro (Max) 在 Arena 的 Agent Arena 中排名第 11，基于 4K 多真实智能体会话取得 +7.6% 净提升，较 Kimi K3 (Max) 的第 25 名上升 6 个百分点。其每任务中位成本为 $1.03，比上一版本低 13%，在 Work、Code、Chat 三个类别中分别排第 8、第 9 和第 10。Arena 表示该模型开放权重即将发布，届时将成为 Agent Arena 中排名第一的开源模型，超过 DeepSeek-v4.1-Flash。
匹配字段标题、摘要、正文
邵猛整理了 Tibo 的一套流程，用 Agent 按买家分段设计 3–4 个有固定脸和日常的 AI 创作者，每日完成搜爆款、改写成角色口吻、同脸渲染并提前 24 小时排期，人只审队列和周更话题。流程分 9 步、配 12 条提示词，从接入 Revid MCP 和写 brain.md 总脑开始，到建脸、设话题、拆爆款结构、每日跑批、独立账号运营和周回顾。文中强调账号 bio 标明 AI creator、禁止假评测与健康医疗宣称、产品只占视频一个 beat，且只排期不直发以留人工复核。
匹配字段标题、摘要、正文
Artificial Analysis 发布 Coding Agent Index v2.0，用 Cognition 的 FrontierCode v1.1 替换 DeepSWE，并收紧仓库问答评分，榜单评的是模型加 harness 组合。当前第一是 Claude Code + Claude Opus 5.5（max）61.7，其后为 Claude Code + Sonnet 5.5 的 59.3 和 Muse Code + Muse Wonder Full 的 58.9，首个 OpenAI 组合 Codex + GPT-6 Astra 为 54.7。同一批 21 个配置在新旧榜单上均值从 54.8 降至 47.4，20 个下降，主因是 FrontierCode 均值约 45.1%，远低于 DeepSWE 的 65.6%。
匹配字段标题、摘要、正文
Aerial 是一款无需 root 就能替换国产智能电视默认桌面的工具，它通过“桌面守护”覆盖被唤醒的原桌面，并利用安卓通知监听在待机清理后 0.5 秒内复活，主屏广告因此消失，但开机广告仍无法拦截。部署时把电视和电脑连到同一 WiFi、打开 ADB 并查到电视 IP，再在 Aerial 官网复制提示词交给豆包、WorkBuddy 等 Agent 执行，用户只需在电视弹窗中允许 USB 调试，整个流程约五分钟。该工具从代码、APK 到官网均由 AI Vibe Coding 产出，GitHub 上线一天获 200 多个 star，随后补充了图标隐藏、添加信号输入源到主页等功能并适配多款电视。
匹配字段标题、摘要、正文
Browser Use 发布 2026 年浏览器 Agent MCP 服务器盘点，把这类服务器分为驱动和委托两种模式，并逐一评测 Browser Use Cloud MCP、Browser Use 开源 MCP、Hyperbrowser MCP 和 agent-browser chat 四款。作者在 100 个 BU Bench V2.1 任务的对比评测中发现，四个驱动类工具每个任务的中位输入 token 消耗在 2.1M 到 6.7M 之间，全部计入编码 Agent 的上下文。文中还给出各服务器的安装命令、模型选择、计费方式与已知限制，并说明长任务、并行任务和结构化输出场景更适合委托模式。
匹配字段标题、摘要、正文
斯坦福 CS 329Z 课程第 9 讲给出 Agent 系统优化的选型图：优化前提是数据、系统、评估指标三者齐备，一般先做上下文优化（prompt 与 few-shots），因为便宜、快、省样本；当上下文优化不够用、想把能力蒸馏到小模型或 prompt 越写越长时再改权重。讲义还梳理了 OPRO、MIPROv2、TextGrad、GEPA 等反思式 prompt 优化方法，SFT、RL（PPO 与 GRPO 对比）、on-policy 蒸馏等权重优化路径，以及 Darwin Gödel Machine、Meta-Harness、karpathy 的 autoresearch 等让 agent 自我优化的做法，并指出 agent 已是不错的优化器，评估指标成为最需要把控的环节。
匹配字段标题、摘要、正文
Netflix 资深研究科学家 Cameron R. Wolfe 发布主观任务评测路线图，提出人工评测、离线自动评测、线上监控三步流程。文中给出功效分析、置信区间、重复采样等统计工具，以及评测集需满足多样、真实、够难、有区分度、准确五项标准。整体流程是离线评测筛选想法，有希望的版本交给人工评测，再经 A/B 测试后全面上线并持续监控反哺评测集。
匹配字段标题、正文
Shopify 工程团队在 NVIDIA GTC Berlin 2026 演讲中介绍，其电商助手 Sidekick 采用前沿模型负责对话规划、自部署开源模型负责 GraphQL 子 Agent 的分工。他们选用总参数 300 亿、每 Token 激活 30 亿参数的 MoE 模型 Nemotron 3.5 Lightning，经 6 轮后训练和 6.1 万条修复样本，评审分数从开箱 37.7 提升到 74.5，略高于前沿模型的 73。GraphQL 任务上中位响应 0.87 秒，前沿模型 API 为 6.50 秒，成本低约 90%。
匹配字段标题、摘要、正文
MIT 公开课 6.S950 Agency with AI 更新了第五讲 The Harness 讲义，用一个约 300 行 Python、仅含 search 和 read_lines 两个工具、本地跑 Ollama 的教学 Agent Baby Anigans 拆解 Harness 的工作方式。讲义把 Agent 概括为 LLM 加 Harness，讨论可观测性上厂商把上下文摘要、推理过程加密封装到 API 后的透明度取舍，并把上下文管理、强制拦截、最小权限等做法追溯到 1965 至 1975 年的系统原则。讲义还指出没有通用最优解，5 个模型里有 4 个在不同基准上的最佳 Harness 不同。
匹配字段标题、摘要、正文
Artificial Analysis 用 Claude Opus 5.5（max）加 GPT-6 Luna（high）副手测试 Cognition 的 Devin Fusion CLI，在 Coding Agent Index 上得 68.1 分，略高于 Claude Code 配 Claude Opus 5.5（max）的 66.0 分。每任务成本为 9.01 美元对 13.04 美元，平均耗时 55 分钟对 65 分钟。三项基准中，DeepSWE v1.1 为 72.6% 对 68.4%，SWE-Atlas-QnA 为 69.6% 对 66.4%，Terminal-Bench 4.0 为 62.1% 对 63.1%。成本按 API 逐 token 计费，不含订阅价格。
匹配字段标题、摘要、正文