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。
1,552 条精选近 30 天 222 条共收录 8,768 条
Aim Labs（Cato）披露 Cursor IDE 的高危漏洞 CurXecute（CVE-2025-54135，评分 8.6），外部托管的一条提示词注入可静默改写 ~/.cursor/mcp. 并以用户权限执行任意命令，实现 RCE。
推荐理由：原文给出完整的提示词注入到 RCE 攻击链细节和漏洞机理，读者可以据此审视 MCP 类 Agent 的运行时防护。
Answer.AI 团队对 AI 软件工程师 Devin 进行了为期一个月的深度测试。尽管早期在 API 集成等简单任务中表现尚可，但在扩展至新项目创建、研究及代码修改等 20 项真实任务时，结果令人失望：仅 3 项成功，14 项失败，且无法预测成败规律。Devin 常陷入技术死胡同、生成过度复杂的“面条代码”，或在面对不可行任务时产生幻觉并浪费大量时间。文章指出其实际表现远低于宣传预期，难以替代人类开发者。
推荐理由：来自知名 AI 评测机构的详实一手数据，揭示了明星产品 Devin 在真实工作流中的局限性，为评估当前自主编程 Agent 的实际成熟度提供了重要参考。
Sam Altman在ChatGPT两周年之际回顾OpenAI九年历程：从坚信AGI可能实现，到2022年意外推出ChatGPT并引爆前所未有的增长曲线。他坦承过去两年从零构建公司的混乱压力，以及被董事会突然解雇的危机教训。如今周活用户已达3亿，在迈向AGI的道路上，他既感激这段经历，也承认未来仍充满未知。
推荐理由：Sam Altman 反思创业历程，预测 2025 年 AI Agent 将实质性改变企业产出
升级版 Claude 3.5 Sonnet 在软件工程评估基准 SWE-bench Verified 上取得 49% 的解决率，超越此前最佳模型的 45%。该基准通过真实 GitHub 问题测试 AI 模型完成软件工程任务的能力，要求模型在给定环境中理解、修改并测试代码，最终通过原始单元测试验证。Claude 团队构建的智能体设计简洁，仅包含提示词、Bash 工具和编辑工具，赋予模型充分的自主判断空间，以灵活步骤解决问题。目前尚无模型在该基准上突破 50% 的解决率。
推荐理由：Anthropic 把自家 SWE-bench agent 的 prompt、工具设计和踩坑经验全公开了，做 coding agent 的人可以直接抄作业，比看十篇二手解读都管用。
Hugging Face 推出 smolagents，一个以代码形式编写动作的简单智能体库。原文正文缺失，仅标题可确认发布信息，详情以博客原文为准。
Anthropic基于实践经验指出，成功的LLM智能体往往采用简单、可组合的模式，而非复杂框架。文章区分了工作流（预定义路径编排）与智能体（LLM动态自主决策），建议开发者优先采用最简单方案，仅在必要时增加复杂性。许多核心模式直接调用LLM API仅需几行代码即可实现。文中介绍了增强型LLM、提示链等基础构建模块，强调应为特定用例定制检索、工具等增强功能，并推荐通过Model Context Protocol集成第三方工具生态。
推荐理由：Anthropic 官方把过去一年踩过的坑浓缩成一篇 Agent 架构指南，核心观点是「别上框架，先用最简单的模式」。做 Agent 产品的开发者，这篇比任何第三方教程都值得当 checklist 用。
Cognition 宣布 Devin 正式全面可用，无席位限制，所有工程团队可在 app.devin.ai 开始使用，并提供 Slack 集成、IDE 扩展（VSCode 及分支，Beta）和 API，以及 Cognition 工程团队的 onboarding 支持。
推荐理由：官方宣布 Devin 全面开放并给出适用任务、使用建议和多个开源 PR 实例，读者可据此评估如何把 Devin 接入自己的工程流程。
METR 发布 RE-Bench 基准，用 7 个 ML 研究工程环境衡量人类专家与前沿模型智能体的表现，并公开 71 次人类专家尝试及 Claude 3.5 Sonnet 和 o1-preview 的全部运行转录。
推荐理由：原文在同一环境公平对比人类专家与前沿模型智能体，并给出长短时间预算下得分反转的关键数据和完整开源转录。
Mistral AI 宣布对其免费生成式 AI 助手 le Chat 进行大版本更新，新增带引用的网页搜索、Canvas 协作编辑界面、图像生成和可发布的 Agent 工作流，全部以免费 beta 提供。
推荐理由：官方一次性列出 le Chat 六项新能力和免费 beta 政策，可对照竞品表格判断它在工作流上提供了哪些替代选择。
xAI 启动 Grok API 公测，发布新模型 grok-beta，支持 128k 上下文、函数调用及系统提示，视觉版本下周上线。开发者每月可获 $25 免费额度至年底，已购预付额度可叠加。API 兼容 OpenAI 与 Anthropic 格式，修改 base_url 即可迁移。
推荐理由：xAI开放Grok API公测，每月送$25额度且兼容OpenAI接口，开发者可立即体验
Cognition 公布在 Devin 中测试 o1-mini 和 o1-preview 数周的早期结果：在内部基准 cognition-golden 上，Devin-Base 从 GPT-4o 的 25.9% 提升到 o1-mini 的 34.6%、o1-preview 的 51.8%，生产版 Devin 达 74.2%。
推荐理由：Cognition 作为 Devin 开发方给出 o1 系列的实测对比数据，并完整披露其内部基准 cognition-golden 的评测方法。
PromptArmor 披露 Slack AI 存在间接提示词注入漏洞，攻击者可在其自建的公开频道发布恶意指令，诱导 Slack AI 把用户私有频道中的 API key 等机密数据嵌入钓鱼链接并渲染给用户，点击后数据被外泄。
推荐理由：报告给出完整攻击链和复现细节，读者可以据此评估 Slack AI 的间接提示词注入风险并调整设置。
LangChain 宣布 LangGraph v0.1 稳定版发布，并推出处于封闭 Beta 的 LangGraph Cloud，用于大规模、容错地部署智能体。
推荐理由：官方发布交代了 LangGraph v0.1 稳定版的控制设计与 Cloud 的容错部署能力，可帮助读者判断智能体上线时的基础设施选型。
LlamaIndex 宣布开源框架 llama-agents 的 alpha 版发布，用于构建和部署生产级多智能体 AI 系统，可将每个 agent 变成独立运行的微服务。
推荐理由：官方发布开源多智能体框架 alpha 版，介绍了微服务架构、编排方式、监控工具和从本地到生产部署的具体用法。
Sierra AI 研究团队发布 𝜏-bench 基准，通过 LLM 模拟用户与工具 API 交互、领域政策遵循和 pass^k 指标评估智能体在真实场景下的性能与可靠性。
推荐理由：基准引入动态用户与工具交互及 pass^k 可靠性指标，测试结果显示现有简单智能体架构在一致完成任务上表现明显不足。
英国 AI Safety Institute（AISI）发布对五个已公开使用的大语言模型（匿名化命名）的评测结果，覆盖网络攻击能力、化学与生物学知识、智能体自主任务和安全防护四个维度。
推荐理由：官方评测机构公布五款公开模型的化学生物、网络攻击、智能体和安全防护测试结果，读者可以据此了解当前前沿模型在风险维度上的真实能力边界。
Eugene Yan 等六位作者发布长文 Applied LLMs，总结一年 LLM 应用开发经验，分战术、运营、战略三部分。战术层面涵盖 n-shot 与 CoT 提示词技巧、RAG 文档相关性、结构化输出工具 Instructor 和 Outlines、LLM-as-Judge 评测及幻觉防护；战略层面提出 PMF 之前不买 GPU、先提示词后微调、系统比模型更构成护城河等观点。
推荐理由：多位从业者基于一年真实开发经验总结提示词、RAG、评测到团队与战略的实践清单，读者可对照自己的 LLM 项目逐条借鉴。
Cognition 发布 Devin 在 SWE-bench 上的技术报告，Devin 在随机抽取的 570 个测试集中解决 79 个问题，成功率 13.86%，高于此前最强的辅助设定基线 Claude 2 的 4.80% 和无辅助设定的 1.96%。
推荐理由：Cognition 公开了评测方法和 Devin 的代码编辑结果，读者可以对照复现并理解智能体在真实仓库上解题的边界。
Cognition 发布 AI 软件工程师 Devin，可规划并执行需要数千次决策的复杂工程任务，配备 shell、代码编辑器和浏览器等沙盒开发环境，并能实时汇报进度、接受反馈与用户协作。
推荐理由：官方宣布 Devin 并给出 SWE-bench 13.86% 的成绩与具体能力示例，读者可据此评估智能体在真实工程任务中的可用性。
LlamaIndex 博客介绍 Agentic RAG 架构：将最多 100 篇文档拆分后，为每篇文档创建具备嵌入搜索与摘要能力的文档 Agent，再由顶层 meta-agent 通过工具检索和 CoT 回答用户问题，并用 Rerank 端点对文档按相关性排序。
推荐理由：原文拆解了多文档 Agent 与顶层 meta-agent 的编排结构，并给出可运行的 Colab 示例，读者可据此理解 Agentic RAG 的扩展方式。