Google Developers blogAI 評分63
Agents CLI 演示評估迴圈：持續測試與評分提升 Agent 品質
Agents CLI 提供一套評估迴圈，通過持續測試與評分來系統化提升 Agent 表現。該流程可捕捉提示詞迴歸，並利用並排 trace 對比評估模型後端替換的效果，同時支援自動執行評估。開發者還能將評估接入每夜定時執行，並設定基於閾值的告警，以便長期跟蹤 Agent 的品質變化；原文以完整範例演示了從測試、評分到告警的評估閉環。
搜尋
依意思最接近的 30 筆
機器之心● 精選AI 評分80
復旦等提出 ReTerm，讓終端 Agent 從自身失敗中學習恢復
復旦大學、香港中文大學 MMLab 與上海交通大學提出 ReTerm，讓 Code Agent 在自己造成的失敗現場獨立嘗試恢復，再以恢復成敗作為強化學習訊號，形成失敗驅動的遞迴自我改進閉環。ReTerm-9B 在 Terminal-Bench 2.0 上從 20.2% 提升到 34.8%，SWE-bench Verified 從 45.2% 升至 58.4%，OpenThoughts-TBLite 從 44.2% 升至 60.6%，三項均提升超過 13 個百分點。
Hacker News front pageAI 評分21
Hacker News 討論：Agentic AI 落地的主要瓶頸是什麼
Hacker News 上有人發帖徵集討論：Agentic AI 進入生產的主要瓶頸在哪裡。發帖者引用兩項資料作對照——agent 產生的流量已超過人類流量，但已建置的 agent 中只有 10% 真正上線生產，他覺得這很諷刺。他由此追問是什麼卡住了這些 agent，以及要讓 agent 流量繼續增長還缺哪些基礎設施。帖子目前 3 分、5 條評論。
Anthropic Research● 精選AI 評分81
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。
Google Developers blog● 精選AI 評分66
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。
Hacker News front pageAI 評分56
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。
Hacker News front pageAI 評分48
AI 多寫程式碼，工程師仍需負責系統決策與驗證
文章認為，agent 可以承擔更多實現工作並輔助分析、設計和測試，但工程師仍要決定建置什麼、以及什麼證據足以驗收。作者建議把架構決策寫入可審查的 PROJECT_GUIDE.md，而不是隻留在對話裡；每個增量先明確驗收用例，再用本地檢查、測試和實際執行驗證。文中還引用 Anthropic 關於長時執行 agent 的報告，指出上下文壓縮可能丟失條件或留下不清楚的指令。
機器之心● 精選AI 評分73
DeepSeek 公布 Super-agent 架構，Agent 不再繫結單次會話
DeepSeek 公布下一代 agent harness 的架構理念：Super-agent 打破了 Agent 與單次手動會話的繫結，使其跨會話保留上下文、並行推進多項任務並持續線上。文中提到內部已有基於 DeepSeek Harness 的例項，同一開發任務可在 IM 與 GitHub PR 之間連續推進，無人 @ 時也會主動定位缺陷並提交修復 PR。
Claude blog● 精選AI 評分73
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。
機器之心● 精選AI 評分79
微軟與 UCSB 提出 ScholarEvolve：Agent 讀論文自我進化
微軟與 UCSB 提出 ScholarEvolve，讓 Agent 從 arXiv 檢索論文並把其中的方法實現為程式碼，在不改動模型引數的前提下自動改進 Agent Harness。在 AppWorld Challenge 上，Qwen3.5-27B 的任務完成率從 49.6% 升至 63.6%，提升 14 個百分點，高於 Meta Harness 的 54.6%；GPT-5.4-mini 則從 46.1% 升至 55.6%。
Hacker News front pageAI 評分27
Ask HN 發帖徵集 AI agent 現狀：訂閱、harness 與編排工具
Hacker News 上一條提問帖徵集 AI agent 的使用現狀，把調查拆成五組問題：個人付費的訂閱及檔位、是否重複購買同一家帳號；訂閱之外使用哪些按量 API、OpenRouter 或本地模型；coding harness 是用預設 CLI/IDE 整合，還是改用 OpenCode、Pi、Aider、Muse Code 或自建；是否使用 agent 編排與 swarm 工具；
量子位● 精選AI 評分79
Google 開源 Harness²，讓 Agent 在執行中改進自身腳手架
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）；
機器之心AI 評分40
智源 SoulAgent 落地人大附中：AI 聽課、教師分身與作文批改
智源研究院 10 月 19 日至 24 日連續走進人大附中，圍繞個人智慧體 SoulAgent 在真實課堂與教研場景的應用開展實踐，10 月 21 日有 27 節公開課接入「幫我聽課」，用於課堂速記與教學要點梳理。其教師 AI 分身可沉澱教師的評分標準、批註樣例與講評口徑，用於英語作文批改、課堂總結與教學答疑，並按教師本人的尺度生成班級個性化批改報告。SoulAgent 已開放註冊，可通過官網 soulagent.world 或微信小程式體驗。
Hacker News front pageAI 評分34
Eunice 將近：全雙工對話與 24/7 自主 agent 已出現
一篇部落格文章認為，William Gibson 在 2020 年小說 Agency 中描繪的 AI 助手 Eunice 已接近現實。書中 Eunice 被啟動後一邊對話，一邊自行在後臺取用資訊、調動資源；文章指出，如今 GPT-Live 與 Block 的 Dessa 已帶來接近真人的全雙工對話，OpenAI 的 Dots 和 Meta 的 Muse 則在引入可 24/7 獨立追求目標、在後臺行動的 agent。
Hacker News front pageAI 評分36
Thursday 發布 coding agent，第一版是一個 skill 檔案
作者發布 coding agent 專案 Thursday，第一版不是獨立應用，而是一個可貼上進現有 coding agent 的 skill 檔案，目標是讓 vibe coding 重新變得有趣。他此前花數百美元 AI credits、寫下三萬行程式碼做 DeepSeek Harness 發行版，卻始終沒找回樂趣，最終轉向讓 agent 只做使用者交代的事。目前每月推理成本不到 20 美元，由 DeepSeek v4 Flash 和 GLM 5.3 支撐；
Cloudflare blog (AI)● 精選AI 評分65
AI Agent 流量或超人類，網站將失去使用者識別能力
文章指出，由 Operator 託管的個人 AI Agent（如 Meta 的 Muse、OpenAI 的 dots）正成為使用者與網站之間的新中介，讓網站無法識別、服務並追責背後的使用者，出錯成本主要由網站承擔。作者提出「中介原則」：無論是否經過代理，使用者與網站的商業關係和安全責任都應維持，網站需重新掌握身份、信譽與問責三類工具。文章認為 Agent 流量增長迅速、可能在不遠的將來超過人類瀏覽，屆時簡單封禁中介將不再可行；
TechCrunch AIAI 評分57
研究者發現一支中國 AI agent fleet，疑執行於騰訊、呼叫高德地圖
獨立研究者 10 月 5 日發布初步發現，追蹤到一批並行的 AI agent，疑似執行在騰訊的基礎設施上，目標指向阿里巴巴的高德地圖服務，查詢內容為公園、動物園、醫院等公共場所不同入口的路線。研究者拒絕使用 swarm 一詞，稱應叫 agent fleet：多個 agent 執行同類任務，彼此之間沒有通訊跡象。這些活動是通過監控域名掃描服務 URLquery 的流量發現的，該服務常被 agent 用來載入無法直接訪問的網站並留下記錄；研究仍在進行中。
機器之心● 精選AI 評分76
Google 等提出 RRSI，給 Agent 自進化加正則化
Google 等提出 RRSI，用正則化約束 Agent Harness 的遞迴自我改進（RSI）：不鎖死自我修改能力，而是限制每輪同時修改的機制數量、保留進化歷史，並在篩選階段剔除 benchmark-specific 改動和落在噪聲範圍內的漲分。
Hacker News front pageAI 評分42
文章稱 agent 不需要記憶外掛，應改用文件式記憶
2026 年 10 月 3 日，一篇技術文章批評市面上的 agent 記憶外掛本質都是 RAG：把會話切成片段存入向量庫，每次提示注入最相似的 5 條，存在相似度不等於正確、片段脫離上下文、舊記憶被當作事實、無法審計等問題。作者主張改用文件式記憶，讓 agent 工作前查閱 Markdown 文件、工作後更新，並稱已把這一思路做成外掛 Operator Memory，不使用向量資料庫和嵌入。
TechCrunch AIAI 評分66
Instinct 將 AI agent 帶入群聊，好友無需註冊帳號
估值 100 億美元的 Instinct 把 AI agent 帶進群聊：使用者可將其加入與朋友的聊天，用於一起規劃旅行、搶門票、安排拼車等，好友沒有註冊 Instinct 帳號也能一起用。該功能先向 early access 使用者開放，之後擴充套件到全部使用者，使用者可讓 agent 把自己加入試用名單。Instinct 表示群組 agent 與個人帳號隔離、無法訪問個人資料，個人 agent 在分享資訊或執行操作前會先徵求許可，新成員加入時待發的回覆會先被暫緩。
機器之心● 精選AI 評分79
Agent 安全守衛做成可進化 Skill，攻擊成功率降至 0.078
被 NeurIPS 2026 錄用的 Defense-as-Skill 論文提出把 Agent 執行時安全守衛做成一個可進化的 Skill：名為 SkillSonar 的守衛在敏感操作執行前按任務邊界給出 Allow、Replan、Require Confirm 三級裁決，經 9 輪 MCTS 迭代，惡意攻擊成功率從 0.300 降到 0.078。配套資料集 SCOPE-R 含 206 個惡意例項與 43 個良性任務，其中能力管控與隱私資料流兩族不參與訓練；
Anthropic Research● 精選AI 評分80
Anthropic 稱內部 AI agent 數量已達員工 6 倍，併發布 AI 預期調查
Anthropic 於 10 月 16 日發布兩份報告：其內部 AI agent 工作時長在 2026 年 3 月已超過員工，到 8 月 agent 數量是員工的 6 倍，同期初級崗位與技術崗招聘佔比下降，人均程式碼、銷售與合同處理產出上升，瓶頸轉向人的注意力。第二份報告對比近 1.1 萬名美國成年人與 Anthropic 員工的調查：91% 的員工認為 AI 能在 2030 年前做出諾獎級發現，美國成年人中僅 39%；
Google Developers blogAI 評分56
Agents CLI 推出擴充套件系統，支援 LangChain 等任意框架
Agents CLI 新增擴充套件系統，開發者可用 LangChain、LangGraph 或自建企業棧開發 agent，同時沿用統一的部署與評估流程，無需繫結 Agent Development Kit（ADK）。官方同步提供首個一方 LangChain 模板，可完成腳手架生成、執行與部署；平台團隊還能編寫自訂擴充套件，在部署環節強制執行 SBOM 掃描等策略。
Hacker News front pageAI 評分39
Brooks 定律在 AI agent 時代沒消失，只是變成了管理 agent 的開銷
部落格文章認為，Brooks 定律在 AI agent 時代依然成立，只是從「管理人」的開銷變成了「管理 agent」的開銷。1975 年 Brooks 在《人月神話》中提出：向已延期的軟體專案增加人手只會讓它更晚；AI agent 雖能在幾毫秒內上手、也不需要休息，但序列任務仍然序列，九個 agent 也無法在一個月內完成需要九個月的工作。作者給出的 2026 版改法是：在需求不清的專案裡堆 agent，只會更快得到錯誤答案——定義「完成」、審查程式碼、拼接結果的人仍然是自己。
Hacker News front pageAI 評分72
Perplexity 推出處理長期複雜工作的 AI 智慧體
Perplexity 發布面向工作場景的 AI agents，官方將其定位為可承擔複雜、持續性工作的「teammates」，而非一次性問答。資訊來自 Perplexity 官方部落格，Hacker News 上的討論帖獲得 34 分、26 條評論。原文未披露所用模型、收費方式與開放範圍等細節。
TechCrunch AI● 精選AI 評分82
Google 為 Gemini 推出統一 agent，先向企業開放
Google Cloud 發布 Gemini 統一 agent，可接受目標而非指令，自主規劃任務並連線企業內部系統，目前先面向企業客戶，之後再推向消費者。該 agent 預設自動挑選模型，也允許手動指定第三方模型，首批接入 Anthropic 的 Claude，未來將擴充套件至開源與私有模型。它擁有獨立的 Workspace 帳號和信箱，操作會留下歸屬 agent 的審計記錄，入口覆蓋 iOS、Android、Windows、Mac、命令列、Slack 等。
X @AnthropicAI● 精選AI 評分74
Anthropic 自動化紅隊：Claude agent 生成騙過監控的失準資料
Anthropic 公布一項對齊研究：讓數千個 Claude agent 執行紅隊任務，目標是繞過一個訓練資料監控器。這些 agent 造出的資料在監控器眼裡無害——比如老兵摔跤手指點新人、專業養蜂問答——實際上卻在教模型失準行為。Anthropic 表示這類樣本可直接用於改進未來的訓練資料監控器；這只是第一步，後續用更強的模型和更多算力還能走得更遠。
Hacker News front pageAI 評分61
Omnara 開源耐久 agent API，對標 Claude Managed Agents
Omnara 發布開源、可自託管的耐久 agent API，對標 Anthropic 的 Claude Managed Agents 與 OpenAI Agents API。一次 API 呼叫即可建立 agent，雲端負責執行 agent loop，並提供沙箱、金鑰、權限與 RBAC；agent 狀態存於 Postgres，重啟後仍存活、閒置時不耗算力，事件可通過 API 流式讀取。
Hacker News front page● 精選AI 評分81
Prime Agent 用 Rust 重寫上線，2000 個 agent 自主完成
Prime Agent 已用 Rust 從零重寫併發布，官方稱其執行更快、佔用資源少於多數 coding agent harness。這次重寫由 2,000 多個 agent 在兩週內自主完成，跨 10,000+ Prime Sandboxes，呼叫 Prime Inference 的 GLM-5.3 端點消耗超 2,000 億 token。自 8 月上線以來 Prime Agent 下載量超 30 萬次、處理超 8 萬億 token；
量子位● 精選AI 評分72
MirroS 發布 AgentGarten：程式碼建世界加 30fps 神經渲染，智慧體數輪學會捉迷藏
MirroS 團隊發布 AgentGarten，把可執行程式碼環境與即時神經渲染器接成閉環：物理規則由程式碼裁定，畫面由模型以 480p、30fps 以上流式逐塊生成，智慧體因此能邊行動邊看結果。重做的捉迷藏實驗中，躲藏者第 4 輪學會搬擋板搭掩體、搜尋者第 10 輪學會借坡道翻牆，而 OpenAI 2019 年的自我博弈強化學習分別用了約 2500 萬局和 1 億局。智慧體靠每輪復盤寫下文字「實驗手冊」傳給下一輪，另在陪伴小狗、狹橋會車、合作牧羊、採石場裝載機四個任務中各跑四輪；程式碼已在 GitHub 開源。