依意思最接近的 21 筆
Google 開源了 Harness²，這是一套雙層遞迴框架，讓 Agent 在執行時自行修改腳手架、系統提示詞、工具鏈與技能庫。它在沒有標準答案時，用 Propose–Probe–Compose 對改動做行為對比篩選，並把除錯經驗寫進經驗庫，供後續任務檢索複用。實測 GLM-5 在 OpenCode 下執行 WorkBuddy-Bench，得分從 64.2 升到 75.7（+11.5 分），反超未改腳手架的 Gemini 3.5 Flash（72.4）；
新加坡南洋理工大學安波團隊發布報告《Finding the Right Fit》，用 4 套可配置 Harness（OpenHands、DSH、PI、openJiuwen）交叉 5 個模型、3 個任務集，共得到 66 項結果。結論是 Harness 好壞並非固定屬性，同一模型換 Harness 後排名可能反轉，原生搭配也不一定最優；成本更高未必得分更好。
DeepSeek 官方推出 DeepSeekHarness 的打包桌面版本，覆蓋 macOS 與 Windows 兩個平台。Linux 使用者可通過 npm 上的 @deepseek-ai/dsh 包獲取。官方在社交帳號上公布了這一訊息，並給出下載地址 deepseek.com/harness。
Hugging Face 後訓練團隊發布了一份多 harness 強化學習指南，介紹如何用 TRL 和 Harbor 等開源庫在不同 coding harness 中訓練開放模型。團隊稱，針對當前各人自建 harness（如 Pi 加擴充套件）的現狀，該方案給出了用任意開放模型在自訂 harness 上取得最佳效能的配方。指南已發布在 Hugging Face Spaces 上，作者歡迎反饋。
Shrivu Shankar 在 8 月 24 日的文章中提出，每家 SaaS 公司最終都會變成圍繞模型搭建的 harness，即包裹無狀態 LLM 的基礎設施、介面、上下文與狀態。他給出五階段演進路徑：傳統 SaaS、工程師與 agent 結對、個人執行 harness、個人編排 harness、harness 編排個人，屆時核心任務由 agent 完成，人類只負責提供品味與判斷。
清華大學電子工程系發布智慧體符號迴歸執行時框架 SRHarness，程式碼已開源，支援 PyPI 安裝並提供線上 Demo。在相同 DeepSeek-v4-flash 底座下，其 LSR-Transform 符號恢復率達 93.69%，較此前最先進方法 SR-Scientist 的 62.16% 提升超 30 個百分點；匿名化測試中為 72.97%，遠高於 Codex 的 20.72%。
Hark 正式發布 AI 個人助理 Hark Pro，可免費使用，重度使用者另有訂閱檔。其底層是專門為操作電腦訓練的模型，能接入信箱、日曆、硬碟與信用卡等，替使用者完成數字任務；介面為全屏，中央是對話方塊，另有 prompt 資訊流與可定製 panels 小儀表盤。演示中它主動提醒待批費用、待回郵件與會議，並提議代訂機票，還曾替人完成加州 DMV 的車輛註冊續期，且會在小視窗展示瀏覽網頁的過程以建立信任。公司計劃 2027 年推出配套的 AI 原生硬體。
DeepSeek Harness 發布 v0.2.1-alpha.1，新增實驗性 Claude Code Mods 相容層，讓按 Claude Code Mods 介面編寫的擴充套件有機會接入 DSH 外掛系統執行。官方稱該相容層主要用於驗證 Mods API 能力，大致屬於 DSH 外掛能力的子集，暫不提供完整實用相容性；diff、agents-md、sec-default 和 telemetry 仍標註為不可執行。
awslabs 發布 AI-DLC 最新穩定版，這是一套與 harness 無關的 AI 編碼工作流核心，可原生執行在 Claude Code、Kiro CLI、Kiro IDE、Codex CLI、Cursor、opencode 與 GitHub Copilot 中。macOS、Linux、WSL 和 Windows 各有一條安裝命令，原生安裝自帶 aidlc 命令與各 harness 執行時，無需 Bun 或 Node.js。
模型雲服務商 Neuralwatt 分析一個月流量發現，同一模型下不同 agent harness 的 prompt 快取命中率差異明顯，未快取輸入佔 1.6%–11.1%，而一次快取未命中會讓請求能耗約為全快取時的兩倍，GLM-5.3 上接近 2.5 倍。命中率 92% 相當於每 100 個輸入 token 有 8 個未快取，97% 時只有 3 個，prefill 工作量相差 2.7 倍。
何愷明團隊提出視覺原生 Harness 框架 VISTA，讓現有多模態模型無需重新訓練，就能儲存原始畫面並在推理時按需回看、放大細節。VISTA 把環境返回的每幀畫面按回合號、幀號索引存到上下文之外，預設只向模型展示最後一幀，需要時用 inspect 工具調取歷史畫面。搭配該框架，Claude Opus 5.0 通關 ARC-AGI-3 全部 25 個公開遊戲，動作效率得分滿分 100，所用動作數比人類首次遊玩基線少 57.4%；
Nous Research 確認以 15 億美元估值完成 9000 萬美元 B 輪融資，由 Robot Ventures 領投，輝達、三星、Union Square Ventures、Menlo Ventures 等參投，這家成立三年的公司累計融資達 1.58 億美元。公司同時推出面向企業的 Hermes for Businesses，讓企業部署可處理多步驟工作流的定製 AI Agent，並保證資料私有安全。
Ai2 把原先基於優先順序的 GPU 排程器換成了由 GPU 時間預算、層級化公平分配和時間切片契約組成的新系統。它管理數千塊 NVIDIA H100、B200、B300，叢集規模從 88 到 1024 塊 GPU，服務約 150 名內部研究者，GPU 需求長期是供給的 2 到 3 倍。舊方案導致 GPU 蹲坑佔位、優先順序通脹（最終 100% 工作負載都標為 HIGH）以及值班工程師大量時間用於協商關閉不可搶佔任務。
Honeyjar 推出一套 AI 公關與傳播工具，把資深公關的判斷力產品化，可自動撰寫公告、篩選記者、尋找演講機會並追蹤報導。公司稱候補名單開放 24 小時內收到 1 萬個報名，測試方包括 Nextdoor、Coco Robotics、Bloomberg Beta 以及 Mission North、Full Picture 等機構。工具不替使用者傳送，草稿仍需本人點選傳送或發布，強調把人類留在流程中；團隊還通過 Comms Lab 用其他公關從業者的判斷來訓練產品。
由 Kubernetes 建立者 Craig McLuckie 和 Joe Beda 創辦的 Stacklok 推出雲原生 agent harness Mecatl，6 月起在 GitHub 開源。Mecatl 把 agent loop 與客戶端、模型提供商、狀態儲存和執行環境解耦，會話與記憶不再以 JSONL 檔案躺在本地磁碟，而是放進雲端可管理的系統，供企業集中治理。
蘋果向歐盟委員會申報，已與個性化播客創業公司 Huxe 達成協議，向 Huxe AI 部分員工發出聘用邀約，並獲得其智慧財產權的非獨佔授權，即所謂反向挖角。Huxe 由曾參與 NotebookLM（現更名 Gemini Notebook）AI 播客功能的開發者創辦，5 月 21 日宣布關停、下架應用、停止服務並刪除使用者資料；6 月 9 日蘋果向歐盟通報該交易。申報未說明哪些人收到邀約、是否接受，也未披露蘋果的後續計劃。
Anthropic 週一發布研究報告，稱可自我複製的 AI 蠕蟲可能數月內就具備在 IoT 裝置上擴散的能力。報告稱 90 億引數模型在 9 類硬體中的 8 類上成功部署推理，Gemma4-26B-A4B 分散跑在 15 臺安卓電視盒上僅 0.39 tokens/秒；GLM-5.2 成功向 8 個安卓 15 模擬器節點傳播 Llama3.1-8B，5 次試驗中 4 次全部成功。
Cerebras 聯合創始人兼 CEO Andrew Feldman 在 TechCrunch Disrupt 2026 上稱，人人家裡都有一臺 AI 裝置的未來並不遙遠，個人 AI 助理會像手機一樣部分在本地執行、部分回到雲端。他預計這些助理會非常瞭解使用者、擁有獨立的安全邊界，還能接入信用卡代為購物。Feldman 自己已用一組 agent 整理日程、準備通話物件的背景資料，但他表示消費級創意留給其他創業者，Cerebras 只做平台。
在 Capcom Open Conference RE: 2026 上，程式設計師 Satoshi Ishida 以「REX 專案的前景與未來」為題演講，稱制作《生化危機》級別遊戲時連簡單任務都極其耗時，解決方案是把 AI 技術成功整合進開發流程。他表示為「與 AI 共同創造遊戲的未來」做準備。Capcom 此前曾稱不會使用 AI。
輝達援引 SemiAnalysis AgentX 資料稱，Vera Rubin NVL72 每兆瓦吞吐量超過 GB300 NVL72 的 30 倍，在 DeepSeek V4 Pro 上每百萬 token 成本最多低 45 倍。輝達以「高產、耐用、通用」概括 AI 工廠回報邏輯：每兆瓦 token 數決定收益，A100 出貨六年後仍在商用，CoreWeave 已將 2020 年首批裝置的預訂延長至 2029 年。
有近 15 年遊戲程式設計經驗的開發者把在 Calgary 的演講「Your Game Is A Harness」整理成博文，講如何為 LLM 自建遊戲開發 harness。作者認為 LLM 預設讀不懂遊戲：遊戲裡大量資產不是程式碼，對模型不透明，解法是把內容儘量轉成程式碼；他稱在 Web 棧專案上已幾乎不覺得 LLM 有做不到的事，遊戲則差得遠。文中還拆解了 LLM 請求由 system、assistant、user 三部分構成。