研究：專家 86% 的分析決策跟隨 AI agent 的設定傾向
一項研究讓 50 名有因果推斷經驗的專業分析師用 Claude Code 完成農業顧問專案效果評估，在四個二選一的分析決策上，86% 的情況跟隨了 agent 被暗中設定的傾向（傾向由硬幣隨機決定，若 agent 無影回應約為 50%）。事先已表達自己偏好的分析師，在 agent 反對時 60% 改變選擇，agent 贊同時僅 6% 改變。事後 77% 的人複述了 agent 的論證（部分逐字照搬），只有 15% 說明這些觀點來自 agent。使用 agent 的分析師完成任務更快、嚴重錯誤更少。
用隨機隱藏傾向的對照實驗量化專家對 agent 的讓渡程度：86% 的跟隨率與僅 15% 的來源標註，對用 coding agent 做資料分析、以及把 agent 當作獨立評審的人有直接參考價值。
原標題：How AI agents shape experts’ judgment calls
閱讀原文
| 評分 | 80 / 83（平均 81，門檻 60） |
|---|---|
| 狀態 | 精選 |
相關報導
開源 agent-eval 工具包發布，把 AI agent 評估從憑感覺變成可重複流程
一份面向 AI agent 的評估方法與開源工具 agent-eval 發布，主張用可重複的評估流程替代憑感覺看輸出。方法以關鍵使用者旅程（CUJ）定義成功標準，每個條件都對應一個評估點，先用模擬使用者 LLM 生成正常與邊緣場景，再在單元測試、確定性指標、LLM-as-a-judge 評分與整合測試四層做檢查。
為什麼 coding agent 依然很笨：模型在進步，agent 卻拖後腿
一位開發者認為 AI 程式設計的瓶頸是 agent 而不是模型：模型生成程式碼的能力持續提升，agent 卻停在原地。他區分了模型（GPT Astra、Claude Sonnet、GLM-5.3）與 agent（Claude Code、Codex），並列舉四類問題：OpenCode 把約 1.5k 行的改動拆成 10 個子任務卻逐個序列執行；agent 不會按任務難度切換更便宜或更強的模型；Claude Code 說不清自身功能，只能聯網搜尋；Plan 模式產出的計劃零散、難讀。
CodeActionBench 發布：GPT-6 Astra 機器人操作成功率 73.3%
南洋理工大學研究者與合作者發布 CodeActionBench，用 25 個雙臂模擬任務評測通用多模態 Agent 的機器人操作能力。GPT-6 Astra 在 Codex CLI 下嘗試成功率 73.3% 居首，75 次嘗試完成 55 次、22 個任務至少成功一次；Claude Opus 5 在 Reference harness 與 Claude Code 下分別為 49.3% 和 45.3%，Gemini 3.6 Flash 為 20.0%。
Building agents: When to fold subagents into your main agent loop
Anthropic 發布遷移工具（migration kit），幫助 Claude Platform 使用者把子代理摺疊進主 agent 迴圈，先跑引導流程識別模式、評估替代方案，並可在 mock 系統上演示。在多家企業部署的對比中，單一 agent 配合 skills 的品質常優於子代理架構，且每任務成本與延遲更低；有客戶實測多 agent 執行時間約為單迴圈的 2 倍。
Anthropic 日本 BDR 用 Claude Managed Agents 託管多智慧體
Anthropic 日本團隊的一位 BDR 把日常銷售流程交給一組 Claude 智慧體，並從自製原型遷移到 Claude Platform 的託管智慧體基礎設施 Claude Managed Agents（beta），此後無需自行維護基礎設施。他把工作拆成 5 個單一職責的智慧體，分別做線索分派、篩選與首封郵件、收件箱回信、Salesforce 商機更新和會後跟進，另設一個協調者，每約 15 分鐘讀取 Slack 頻道中的變更請求並更新指令，且只有他本人能提交。