Satya Nadella@satyanadella精选这周我一直在尝试 Copilot Tasks，在这种协作模式下分配任务（甚至是重复性任务）并让它们端到端自主完成，再使用 Agent 模式来优化和迭代输出，这太棒了。举几个例子……
推荐理由：微软 CEO 亲自演示，AI 自主任务执行或成办公新标配
技术方向
Agent 智能体 最新动态
让模型自主规划、调用工具、完成多步任务的技术方向——从 Claude Code、Manus 到各家 Agent 框架与评测基准的全部动态。
1,492 条精选近 30 天 211 条共收录 8,292 条
更新
精选归档 · 第 64 页
- Satya Nadella@satyanadella精选
PromptArmor：Threat Intelligence精选AI 评分7070 PromptArmor 披露 GitHub Copilot CLI 可被提示注入诱导下载执行恶意软件
PromptArmor 发现 GitHub Copilot CLI 可通过 README 中的间接提示注入，利用内置只读命令列表中的 env 包裹 curl 和 sh，绕过命令校验与外部 URL 审批，在 macOS 上无人工批准地下载并执行恶意软件。
推荐理由：作者实测演示了绕过 Copilot CLI 人工审批的具体命令链，并披露 GitHub 已确认但暂不修复，读者可据此评估自身使用风险。
LlamaIndex：产品、工程与评测精选AI 评分6161 LlamaIndex：不止是 RAG 框架，转向智能体文档处理
LlamaIndex 官方宣布公司使命收窄为构建智能体文档处理基础设施（OCR、抽取与工作流），不再定位为单纯的 RAG 框架。
推荐理由：官方复盘了通用 LLM 框架价值下降的原因，并说明转向文档基础设施的动机和产品布局，读者可借此理解框架类公司的转型逻辑。
Cursor Blog精选 PlanetScale 借助 Bugbot 保障生产环境可靠性
PlanetScale 引入 Bugbot 作为 AI 代码审查代理，应对 AI 代码生成普及后审查环节成为瓶颈的问题。Bugbot 能发现人类难以察觉的深层逻辑缺陷，如状态同步间隙和异步控制器交互问题，而非仅检查语法错误。目前 80% 的 Bugbot 评论在合并前被工程师处理，每月审查超 2000 个 PR，节省相当于两名全职工程师的审查工作量，显著降低生产环境宕机风险。
推荐理由：Cursor Bugbot 企业落地数据：Agent 审查解决 80% 问题，揭示 AI 编程时代代码审查成新瓶颈
Saining Xie@sainingxie精选引用Oscar Michel@ojmichel4📢当前的世界模型并没有真正在建模世界；它们建模的是某一个智能体对世界的视角。部分观测 ≠ 世界状态。 未来的世界模型将独立于任何单个智能体的视角。你将能够在任意时间点“放入”任意数量的智能体，而一个持久的世界状态将随着它们的交互而演化。想象一个神经 MMORPG 服务器。🧵[1/10]
推荐理由：从单视角到共享全局状态，开源多智能体世界模型或改变AI训练范式
Cursor Blog精选 AI 软件开发的第三个时代
AI 编程进入第三时代：从 Tab 补全到同步 Agent，再到可独立运行数小时的云 Agent。Cursor 内部数据显示，Agent 用户已反超 Tab 用户 2 倍，35% 的 PR 由云 Agent 自主创建。开发者角色从逐行编码转向构建"软件工厂"——定义问题、配置工具并审查产物。Cursor 昨日正式发布 cloud agents，支持并行任务与独立 VM 运行。
推荐理由：Cursor 定义 AI 编程第三时代：云端 Agent 已占其内部 35% PR，用户量反超 Tab 两倍
Cognition 模型 / Devin 博客精选AI 评分6767 Cognition 如何用 Devin 开发 Devin
Cognition 发文介绍其从创立起就用 Devin 构建 Devin，上周合并了 659 个 Devin PR，高于 2025 年最好一周的 154 个。文章覆盖全接口使用（web、Slack、Linear、CLI、API）及 Ask Devin 代码问答、Devin Review 自动代码审查、每日设计系统审计、!
推荐理由：Cognition 以当事方身份披露用 Devin 开发 Devin 的完整工作流，上周合并 659 个 Devin PR，读者可对照自身团队借鉴具体用法。
OpenAI：官网动态精选 OpenAI Codex 与 Figma 推出无缝代码转设计体验
OpenAI 与 Figma 推出全新 Codex 集成，打通代码与设计的双向链路。开发团队可直接在代码实现与 Figma 画布间无缝切换，加速迭代和交付流程。
推荐理由：OpenAI Codex 集成 Figma，打通代码与设计工作流
Hacker News：AI 热帖精选 LLM Skirmish：AI代理可玩的实时战略游戏基准测试
LLM Skirmish 是一个让大语言模型通过编写代码进行1v1实时战略游戏对战的基准测试。基于Screeps开源API，每场锦标赛包含五轮，LLM可根据对战日志调整策略以测试上下文学习能力。结果显示，Claude Opus 4.5以85%胜率排名第一，GPT 5.2次之。Gemini 3 Pro表现异常：首轮胜率70%，后四轮骤降至15%，疑似因上下文腐烂。成本方面，Claude Opus 4.5每轮$4.12最贵，GPT 5.2性价比高出1.7倍。
推荐理由：LLM实时战略游戏对战基准，Claude大幅领先且展现独特上下文学习能力
OpenAI Developers精选AI 评分7373 OpenAI 发布 gpt-5.3-codex 提示词指南
OpenAI 发布 Codex 模型提示词指南，API 上的 Codex 调优模型为 gpt-5.3-codex，推荐用 medium 推理力度平衡智能与速度，复杂任务可用 high 或 xhigh。
推荐理由：官方为 gpt-5.3-codex 给出完整提示词与工具迁移指南，覆盖并行调用、compaction 和 phase 参数等可落地的集成细节。
Jim Fan@DrJimFan精选
推荐理由：42M小模型实现人形机器人全身控制，零样本迁移真实硬件且完全开源，开发者可复现
Anthropic：Newsroom精选 Anthropic 收购 Vercept 以推进 Claude 的 computer use 能力
Anthropic 收购 Vercept，后者专注 AI 感知与交互，将停止外部产品并加入 Anthropic。Claude Sonnet 4.6 在 OSWorld 基准测试中准确率已从 2024 年底的 15% 提升至 72.5%，可接近人类水平处理复杂表格和跨标签页网页表单。
推荐理由：Anthropic 收购 Vercept 团队，Claude 的 Computer Use 能力将获大幅提升。
AI as Normal Technology精选AI 评分7676 普林斯顿大学发布AI智能体可靠性科学论文
普林斯顿大学研究人员将AI智能体可靠性分解为4个维度共12项指标，对14个模型测试发现，近18个月能力快速进步仅带来有限的可靠性提升，一致性得分仅30%-75%。研究团队计划推出“可靠性指数”以推动系统性改进。
推荐理由：这篇论文把 AI agent 的可靠性拆成一致性、鲁棒性、预测性、安全四个维度，在 14 个模型上实测发现可靠性进步远慢于能力进步，解释了不少人困惑的落地慢问题，做 agent 的团队该认真看看。
Cognition 模型 / Devin 博客精选AI 评分6464 Cognition 发布 Devin 2.2，支持桌面端测试与自动修复
Cognition 发布 Devin 2.2，智能体现在可用 computer use 在自己的 Linux 桌面上端到端测试网页和桌面应用，并在开 PR 前自查代码、自动修复问题，完成后回传屏幕录制供用户审阅。
推荐理由：官方公告给出自主测试、自动修复和启动提速等具体能力变化，读者可以据此评估对现有开发流程的影响。
OpenAI Developers：Blog精选AI 评分6767 OpenAI 工程师实测 GPT-5.3-Codex 连续运行约25小时从零构建设计工具
OpenAI 开发者博客记录一次长时程实验：用 GPT-5.3-Codex 在空白仓库上以 Extra High 推理从零构建设计工具， uninterrupted 运行约25小时、消耗约13M token、生成约30k行代码。
推荐理由：作者用一次25小时的实测复盘，给出长时程 Codex 任务的文件栈和验证方法，可迁移到自己跑长任务。
Modal 官方工程博客精选AI 评分6464 Ramp 如何基于 Modal 构建后台编码智能体 Inspect
Ramp 基于 Modal Sandboxes 构建内部后台编码智能体 Ramp Inspect，目前启动了 Ramp 超过一半的已合并 pull request，其中超过 80% 的 Inspect 代码由其自身编写。
推荐理由：原文给出 Ramp Inspect 的架构细节、启动优化方式和采用数据，读者可借鉴后台编码智能体的落地方案。
Hugging Face 社区博客精选AI 评分7070 IBM与伯克利利用IT-Bench和MAST诊断企业级AI智能体失败原因
IBM Research与加州大学伯克利分校合作，通过新构建的IT-Bench基准测试和MAST评估框架，系统分析了企业级AI智能体在复杂IT运维任务中的失败原因。研究发现，当前智能体在多步骤规划、长序列操作及工具精确使用方面存在明显不足，导致任务失败率较高。该研究旨在为开发更可靠、适用于实际业务环境的企业级智能体提供关键诊断依据和改进方向。
推荐理由：企业Agent落地失败的系统性诊断，部署前可参考避坑
Ethan Mollick：One Useful Thing精选 Agentic 时代 AI 选择指南
Agentic 时代 AI 不再只是聊天机器人，而是能自主执行任务的智能体。面对 Claude、GPT、LLaMA 等模型，需根据代理能力、任务类型和生态集成重新评估选择策略。
推荐理由：AI 大咖 Ethan Mollick 撰写 Agent 时代实用选型指南
Answer.AI 官方研发博客精选AI 评分6666 Answer.AI 揭示未授权工具调用问题：Claude 等模型可调用未授予的工具且 API 不拦截
Answer.AI 的 Piotr Czapla 发现 Claude 4.5 在 solveit 对话中幻觉出一个未授予的工具 add_msg 并成功执行，API 未拦截，且在 Gemini 和 Grok 上也复现了类似行为。
推荐理由：作者以可复现的实验展示 API 层不校验工具名带来的安全缺口，并给出客户端侧的简单修复思路。
PromptArmor：Threat Intelligence精选AI 评分7171 PromptArmor 发布 OpenAI Codex 恶意 config.toml 风险 PSA，OpenAI 判定为按设计工作
PromptArmor 发布安全公告，指出 OpenAI Codex CLI 在用户信任项目后会自动加载并执行 .codex/config.toml 中的任意代码，且信任对话框只提示 prompt injection 风险，未说明会执行项目级配置命令。
推荐理由：原文给出了具体的攻击链演示和组织级缓解方案，读者可以据此评估在不可信仓库中使用 Codex 的实际风险。