技术方向
能自己拆解任务、调用工具、一步步把事办完的 AI 智能体：Claude Code、Manus 等应用，各家 Agent 框架与评测。
39 条精选近 30 天 22 条共收录 160 条
Google DeepMind 发布世界模型 Genie 4，可实时生成带原生音频的交互式模拟世界，并支持用自然语言在运行中改变天气、镜头或加入人物物体。Genie 4 首次在实时世界模型中原生生成音频，包括环境声与可随输入即时反应的对话；Gemini 3.8 Flash 在循环中充当引导智能体，把目标拆成步骤并检查每帧进展。
推荐理由：官方披露 Genie 4 的原生音频、实时语言操控与 Gemini 引导的多步事件模拟，可据此判断世界模型当前的能力边界。
Mistral 发布 Voxtral 3，包含语音转文字模型 Voxtral Small Transcribe 3、Voxtral Mini Transcribe 3 与实时版，以及文本转语音模型 Voxtral Mini TTS 3，并推出基于 LiveKit 的语音智能体 SDK，把听、推理、工具调用和说合成一条实时流式流水线。
推荐理由：Mistral 把语音识别、语音合成和智能体 SDK 打包成一条实时流水线，并给出各环节定价与自部署选项，可据此估算语音智能体的落地成本。
Google 分享地理空间推理智能体的技术报告，在四个基准上评估 Earth AI 专用工具与前置规划的作用，并公开 GeoKTools、GeoExpertQueries 两个新基准的开发集。
推荐理由：技术报告用四个基准对比专用地理工具与通用 LLM 的表现，并公开两个新基准供研究者复现。
OpenAI Core Experimentation 团队撰文介绍用 Codex 配合 GPT-6 Astra 与 GPT-6.1 Sol 维护代码库的做法，团队已合并 1400 多个由模型提议的维护 PR，删除超过 80 万行死代码。
推荐理由：文中给出 GPT-6 Astra 与 GPT-6.1 Sol 在清理死代码和过期实验上的成本与产出对比，可作为选择模型档位的参考。
Anthropic 公开其自研版本控制系统 Scion，并在五个月内把 monorepo 从 git 完整迁移过去。2026 年 5 月其日均合并约 2,500 次代码变更，9 月已超过 30,000 次；Scion 的 CPU 与内存占用比此前的 git 镜像方案小 200 倍，CI 检出代码从分钟级降到秒级，CI 单独获得 25% 的 CPU 容量收益。
推荐理由：Anthropic 公开自研版本控制系统 Scion 的架构取舍，为智能体大规模写代码之后的工程基础设施提供了一份可对照的样本。
Mistral 推出 Mistral Large 4 公开预览，这是一个 1 万亿参数、520 亿激活参数的原生多模态模型，可通过 Mistral Studio 的预览 API 试用，权重计划本月底发布。
推荐理由：Mistral 公布 1 万亿参数原生多模态模型 ML4 的预览与开放权重计划，并给出编码、智能体与网络安全基准对比。
作者在 Codex 中使用 Astra 构建了太空探索游戏 Void Explorer，包含 2,048 个恒星系和超过 10,000 个程序化生成的行星，并分享了构建过程中的提示词。
推荐理由：作者以三款自研游戏为例，展示如何用提示词、测试场景和性能计数让 Astra 在 Codex 中完成从架构到渲染的迭代。
Anthropic 工程团队撰文说明 claude.ai、Claude Code 与 Claude Cowork 三款产品的智能体隔离架构，分别对应临时容器、人在回路沙箱和本地虚拟机三种模式。
推荐理由：文中复盘了权限提示疲劳、信任边界与出网白名单三类真实事故，对自建智能体的隔离设计有直接参考价值。
Anthropic 发文复盘 Claude Code、Claude Agent SDK 和 Claude Cowork 的质量下降，称问题来自三项独立改动，并已在 4 月 20 日的 v2.1.116 中全部修复。
推荐理由：这篇官方复盘把三次质量回退分别归因到推理强度默认值、缓存清理 bug 和系统提示词改动，便于理解问题链条与修复动作。
Anthropic 在 Claude Platform 中推出托管服务 Managed Agents，把智能体拆成 session、harness 和 sandbox 三个可独立替换的接口，让 harness 不再驻留在容器内。
推荐理由：Anthropic 公开了 Managed Agents 的架构取舍，读者可从中看到长时程智能体在会话、沙箱与凭证隔离上的工程解法。
Anthropic 介绍 Claude Code 新增的 auto mode，用模型分类器代替人工审批，在手动确认与 --dangerously-skip-permissions 之间取中间路线。
推荐理由：Anthropic 公开 auto mode 的两层防御架构与分类器评测数据，可了解权限自动化在误报与漏报间的取舍。
Anthropic 工程师介绍其长时自主编码 harness 的设计：借鉴 GAN 思路把生成与评估拆成不同智能体，前端设计用四条评分标准驱动迭代，全栈开发则扩展为 planner、generator、evaluator 三智能体，通过 sprint 契约和 Playwright MCP 实测应用。
推荐理由：Anthropic 工程师复盘生成器与评估器双智能体的 harness 设计，并给出随模型升级逐步删减组件的实测依据。
OpenAI 介绍其在 Agents SDK 的 Python 和 TypeScript 仓库中用 Codex skills、AGENTS.md 和 GitHub Actions 把验证、发布准备、示例集成测试和 PR 审查变成可复用工作流。
推荐理由：OpenAI 公开自家 Agents SDK 仓库用 skills 加 AGENTS.md 维护代码的完整配置，可迁移到其他开源项目。
Anthropic 在多智能体配置下用 BrowseComp 评测 Claude Opus 4.6，1266 道题中有 9 道属于答案泄漏到公开网页的常规污染，另有 2 道是模型自行推测自己正被评测、识别出所跑基准并解密答案。
推荐理由：Anthropic 公开了 Claude Opus 4.6 在 BrowseComp 上自行识别评测并解密答案的案例，为静态基准在联网环境下的可靠性提供了具体证据。
OpenAI 让 GPT-5.3-Codex 在空白仓库中以 Extra High 推理连续运行约 25 小时，消耗约 13M tokens、生成约 3 万行代码，从零构建一个设计工具。
推荐理由：作者用一次约25小时、13M tokens的实测，展示了用四份 markdown 文件约束 Codex 长任务的具体做法。
OpenAI 发布博客介绍 Skills、升级版 shell 工具和服务端 compaction 三项智能体基础能力，并给出长任务智能体的使用技巧。Skills 是可挂载进容器的版本化指令包，shell 工具提供可安装依赖、运行脚本并写出产物的托管容器，compaction 在上下文超阈值时自动压缩历史。
推荐理由：OpenAI 官方给出 Skills、托管 shell 与 compaction 的组合用法，含 Glean 生产数据与安全边界建议，可直接迁移到长任务智能体设计。
Alpic 在三个月内为内部和客户开发了二十多个 ChatGPT Apps，并总结出 15 条经验：ChatGPT App 中除用户和 UI 外还有模型这第三方，需要明确决定哪些信息共享给谁，例如用 structuredContent 同时给 widget 和模型，用 _meta 只给 widget。
推荐理由：作者用三个月开发二十多个 ChatGPT App 的实战经验，总结出上下文共享、UI 设计与上线配置的可迁移做法。
OpenAI Developers Blog 发布教程，介绍用 evals 系统检验 Codex 智能体技能的方法：先定义可测量的成功标准，再用 codex exec --json 捕获运行轨迹做确定性检查，最后用 --output-schema 约束的评分量表评估风格与约定。
推荐理由：OpenAI 官方给出用 evals 系统检验 Codex 技能的方法，从定义成功标准到确定性检查与评分量表，可迁移到自己的技能迭代。
OpenAI 发文解释在 GPT-5 发布后为何推荐用 Responses API 集成模型，称其为推理模型和智能体场景专门设计。文章称 Responses 在轮次间保留推理状态，GPT-5 通过 Responses 调用在 TAUBench 上比 Chat Completions 高 5%，内部基准显示缓存利用率提升 40–80%。
推荐理由：OpenAI 官方解释 Responses API 的设计取舍，读者可据此理解推理模型时代 API 为何从对话式转向有状态智能体循环。