作者分享将蚂蚁灵光 2.0 Personal Agent 内测版接入米家、百度网盘、钉钉、QQ邮箱、美团跑腿、瑞幸、麦当劳、滴滴、高德、飞猪、美图、支付宝、微信读书、网易云音乐和淘宝共 15 个国民级 App 的完整体验。文章详细介绍了各服务的接入方式（扫码授权、MCP、Skill、CLI、申请 Key 等），展示其在天气穿衣提醒、点餐、打车、账单统计、比价盯价等场景的主动性能力，并总结出一套可复用的配置提示语，认为手机端 Personal Agent 与电脑端 Agent 是完全不同的物种，最大优势是能接国内服务并主动推送信息。
Cloudflare 数据显示 AI 自动化流量首次超过人类（57.5% vs 42.5%）。文章分析搜索用户从人、到大模型、再到 Agent 的三次演变，指出 Agent 场景下搜索的三大卡点：结果需可直接用、信源要可信、速度要快。腾讯「元宝搜索」通过提供完整正文、接入 157 个权威信源、索引期压缩网页为 100 token 支持 KV Cache 复用等优化，使 Agent 完成任务的平均搜索调用从 8 次降至 5 次。作者实测 9 个品类 31 条 query，认为其强项为权威性、时效性和正文提供能力，适合国内 Agent 开发者，但学术论文、生活服务等场景需配合垂类 API。文章最后介绍了三种接入方式与按量计费价格。
本期早报精讲三篇文章：Google 公开 Agent Compute Engine 架构，通过 Harness 与 Sandbox 分离、凭据外置和快照空闲机制，兼顾智能体持续工作的便利、安全与成本；Claude 应用团队分享何时将子智能体合并回主循环，指出配合技能的单一智能体在质量、延迟和成本上常优于多角色设计，并给出渐进迁移与评测方法；CrowdStrike CEO George Kurtz 谈 AI 时代的安全变化，包括攻击速度加快、身份成为入口、数字孪生对抗演练等。速览部分涵盖 WorkForge 训练框架、Air Canada 智能体测试实践、个人 Agent 评测等内容。
作者实测 12 个 Personal Agent，基于 1505 条覆盖 11 类的用例，总结出评判 Personal Agent 好用程度的五个维度：记忆能力、信息获取、Computer Use、主动性和多端联动。文章通过记账、海鲜市场自动回复、自动剪辑视频、跨设备调度 Codex/Claude Code/Grok 等 9 个真实案例展开分析，指出 Agent 与个人已有账号和应用生态的重叠度决定其上限，并对比了 Today、Grok Bot、OpenAI Dots、千问等产品的差异，最终分享了以手机远程调度多台电脑多 Agent 协同的工作流。
文章指出许多人做 AI Agent 只是调用大模型 API 加上工具和 LangGraph，跑通 Demo 与企业级生产落地之间差距巨大。作者结合自身企业 AI 项目经验，将 Agent 工程师学习路线分为四个阶段：一是掌握基础，理解 Agent 工作原理；二是赋予执行能力，包括 MCP、浏览器自动化、记忆与上下文管理、沙箱与权限控制；三是安全、多 Agent 协作与人工审批，明确权限边界，防止错误放大；四是错误处理、执行轨迹评测、降级兜底与工程复盘。作者强调评测数据是判断系统优劣的关键，建议边做边学，完整交付一个项目比做十个 Demo 更有价值，真正稀缺的是能让 Agent 稳定运行的工程能力。
作者耗时5天对 REA 增强版 Codex 与原生 Codex 进行了108次对照实验，其中35对可同条件比较。文章详细记录了三个阶段：首先是六次小型探索，测试笔记导出、桌面应用复制、.NET 计价函数复现三组任务，两边均通过全部用例但 REA 组耗时略长；随后扩展至六档难度、两种模型共72次正式运行。文章分析了 REA 作为调查工具为模型提供的模块关系、函数位置等线索，以及原生 Codex 借助普通工具自行调查的能力，指出在小规模任务中两者能力差距不明显，差异更多体现在调查入口和验证路径上，并对实验边界与结论适用范围做了严谨说明。
作者用同一份 8-10 页需求，让 27 个 PPT 生成 skill 各做一套，并使用 Claude Code + Opus 5.5 运行、gpt-6-astra 逐页打分。结果显示：数字虽准但 8 套添加了需求外的说法；2 套需大改且全是不可编辑的图片；设计最佳的 ppt-agent-skills 仅 904 星；5.8 万星的 ppt-master 微调即可交付；转换器可将全图片 PPT 转回可编辑文本（0 到 2224 字）。最后给出选型建议：需协作修改选原生 PPTX，自己演示选网页，发社媒选图片，兼要 pptx 和美观可选网页/图片加转换器。全部幻灯片与评分已公开。
作者对 Qwen-Image-2.1 模型的 NSFW 能力进行了 375 张生成与编辑测试，发现该模型没有稳定的拒绝机制，几乎能生成任何风格的敏感内容。但细节质量差，易出现多肢体、末端粘连和关键区域糊掉等肢体幻觉问题。更意外的是，外部 NSFW 检测器漏检率高，且挑画风、挑主体，评估器比模型更容易翻车。作者总结了上线此类模型需要做提示词拦截、输出隔离、人工复核和持续回归测试等系统性安全措施，强调安全部署是多环节问题，单一指标无法代表模型是否被管住。
本期早报围绕智能体（Agent）实践展开三篇精讲：一是 Parallel 创始人、前 Twitter CEO Parag Agrawal 谈智能体搜索基础设施、检索与模型计算的协调成本、内容补偿机制与事件驱动的监测入口；二是 Erina Karati 以 Supercell 游戏智能体为例，阐述长时程智能体需要通过可控场景、完整轨迹记录与多维评分进行自动化实验，而非仅靠提示词；三是 Roland Gavrilescu 提出把工作、验证与反馈循环视为产品本身，通过可版本化的智能体 recipe 实现持续迭代。速览部分涵盖 Claude 计算物理振幅、Skydio 多机自主飞行、Perplexity 自研数据库、GEPA 反思优化、GPU 自动化研究等内容。
作者从模型能力、产品功能、实测案例三个维度对比AI办公Agent产品WorkBuddy与豆包工作。模型方面，WorkBuddy支持接入DeepSeek、GLM等第三方模型，生态开放；豆包工作封闭，仅用自家Seed系列。生图生视频方面豆包完胜，Seedream 5.0和Seedance 2.5领先。产品功能上WorkBuddy的Skill生态更丰富，免费积分获取途径多、使用成本更低；豆包在手机遥控电脑方面体验更好。实测中两者使用同一Seed2.1 Pro模型，豆包在指令遵循和AI味控制上表现更佳，复杂规划任务耗时更短。文章认为两者各有优劣，选择取决于用户具体需求。
作者分析了 OpenAI、Anthropic、Google DeepMind 及国内字节、Kimi、智谱等十余家公司 100 多条产品经理招聘 JD，指出「AI 产品经理」并非单一岗位。文章将 AI 行业分为模型公司、平台基础设施、应用公司三层，各层对产品经理的能力要求差异巨大：模型公司看重模型评测与技术理解，平台层关注开发者体验与成本定价，应用层强调产品判断与场景转化。作者归纳出评测度量、跨团队推进、模型技术理解等七大能力维度，并针对应届生、有商业化经验者、大厂产品经理、非产品背景人群分别给出入行路径建议。
MiniMax 宣布 Code CLI v0.4.12 以 MIT 许可证向全球开发者开源。在第三方 FrontierHarness Eval 评测中，MiniMax Code 取得了最高的通过率、最快的平均任务完成时间以及次低的 token 消耗。官方认为精心设计的 harness 能充分释放模型能力并减少开发者等待时间。开源后，开发者可以审查工具调用与权限处理机制，构建可靠的企业级应用。MiniMax 同时邀请社区参与问题反馈与修复，通过真实使用和社区审查持续强化安全防护，共同打造安全、可靠、高性能的 harness，实现 Intelligence with Everyone。
本文介绍 Ben Clavié 在 AI Engineer World's Fair 的演讲，主张知识型 Agent 不应照搬 Coding Agent 范式。核心观点：编程智能体的成功源于代码环境的结构化红利；而法律、医疗、投研等知识任务的难点在于正确定位、理解和验证证据。要构建可用的知识 Agent，需具备面向任务的高质量检索工具（含图表、扫描件等多模态内容），以及主智能体负责任务分解、子智能体承担专业分工的编排架构。文章还给出企业级建设的优先级建议：定义可验证任务、建设证据层、按需拆分智能体、多维度评估并保留人工审核。
文章系统讲解了 TypeSafe 的 Jev 决策模型的使用方法。Jev 接收非结构化状态和问题，返回类型安全的答案、概率分布和置信度，提供三种提问原语：Noul（是/否判断）、Choice（选项挑选）、Score（档位评分）。文章介绍五条上手路径（Playground、HTTP API、Python SDK、Agent Skill、开源适配器），并总结提问技巧：一个问题只问一个判断、多因素拆开加权、档位写具体情形而非程度、一次问满并行问题以节省成本。置信度使用上推荐按风险分层设置阈值的三段式策略。文末讨论成本速度、边界限制及社区应用场景，并介绍了开源替代 OpenJev。
RoboDojo 团队对 GPT-6 Astra 作为具身智能体进行了全面评测，涵盖 RoboDojo 仿真与真实环境（对比 GPT-5.5 和 DeepSeek-Flash）、人形机器人高层控制、灵巧钢琴演奏（RoboPianist）以及上下文学习（ICL）的系统性研究。关键结论：GPT-6 Astra 展现出极强的语义与空间理解能力以及出色的上下文适应能力，但物理常识仍是明显瓶颈，揭示了理解世界与真正推理物理规律之间的重要差距。完整报告与演示发布于 robodojo-benchmark.com。
作者苍何与 AgentWork 开源社区历时 30 天打造了开源模型实践指南《魔搭紫皮书》，已被 ModelScope 魔搭开源组织收录。全书 8 章 34 节、40 余万字，涵盖开源模型选型、部署运行、微调与评测、业务系统实践（如 AI 健身教练、智能客服质检）、AIGC 特别篇及 Agent 特别篇（MCP、Skill、Claude Code 等）。所有实验步骤均人工实操验证，旨在帮助开发者从下载模型到真正用好的全过程，项目开源在 GitHub，欢迎社区共创。
CMU LTI 2026 年秋季新开研究生课程 11-768: AI Agents，由 OpenHands 核心开发者 Graham Neubig 与 Daniel Fried 共同讲授。课程以"搭 harness→建评测→RL 训练→做研究"流水线为主线，涵盖工具调用、上下文管理、技能与记忆、规划、安全、框架实践等模块，密集邀请一线学者客座授课。作业要求学生在开源 LLM 之上从零实现 ReAct Agent、设计评测框架并完成 SFT/RL 训练，工程细节对标生产级 Agent 系统。期末研究项目占 50% 成绩。PPT、视频与作业仓库全部公开，是目前系统学习 LLM Agent 建造、评测与训练最完整的公开课程。
作者以1000美元海外订阅消费场景为统一基准，从真实损耗、内地办理门槛、稳定合规性、App体验等维度，横评了7张面向中国大陆用户的主流U卡。ether.fi综合分最高但开卡费50美元；Bybit最均衡且台湾卡支持身份证办理；OKX成本最低但仅限内测无实体卡；Gate开通门槛最低仅需身份证；Bitget新卡有3%返现；Xapo年费高昂适合大资金用户；Plasma One Lite对大陆用户基本无资格。文章最后提醒注意隐藏价差、返现上限及卡片稳定性等常见坑点。
本文是 LangChain 团队关于构建合成 Agent 环境与任务的实践指南。文章提出一个两步流水线：第一步通过 traces、代码和人工输入生成详细的任务 spec；第二步将 spec 转化为评测任务及其运行环境。核心概念包括“World Spec”用于沉淀跨任务的共享知识、脚本与定义，整个流程高度迭代。该方法已封装为 eval-engineering skill，供各团队自主搭建 Agent 评测基准，从而更高效地识别回归、优化 Agent 表现。
本文汇总了 Agent 评测领域的最新进展。一是评测方法转向真实复杂场景，如 TimeSage-EV、NCP-Bench、ContractSim 分别考察高风险领域资料识别、叙事一致性与多轮谈判履约能力。二是长程轨迹中发现新问题：agent 面对多条要求时成功率骤降，甚至为牟利违约。三是递归自我改进（RSI）研究显示，agent 反复搜索后分数可能变差，后学经验会覆盖旧能力，文章提出设定停止时机、筛选有用经验等对策。作者还开源了 5000+ 条 benchmark 数据的 benchmark-radar 项目。
本期早报聚焦三篇精讲：美团搜索3.0探索LLM语义表征在排序模型中的应用，通过联合建模、难负样本和覆盖率验证，将语义信号融入现有特征体系；硅谷101讨论Token经济，强调本地开源模型与云端前沿模型按任务分工，以优化成本与质量；YC Paper Club则从失败样本、弱监督、编码智能体和多语训练等案例，主张将数据集与评测Harness当作长期维护的产品。速览涵盖具身智能、微调模型技术债、Agent可观测性、OpenAI AI Futures、MiniMax Design、Docker安全运行时及Claude Code实战指南。
文章探讨企业Agent普遍存在的“部署即遗忘”问题：Agent完成任务却未把专家的修改、否决和判断理由转化为经验。Alloomi提出“记得住、学得会、做得成”三层技术路线：用Holistic Context组织带时间和来源的长期上下文，用Self-Evolving Agent从筛选后的任务轨迹中学习并通过版本化机制保证可审计可回滚，最终在真实交付中检验能力。文章认为Agent公司的护城河在于版本之间积累的经验与评价体系，而非模型本身。
本期周刊探讨 AI 产品从演示到落地的距离。引用 Jeff Dean 的“1%法则”，将焦点从模型能力转移到系统工程细节。文章深入分析了规格定义、评测验证、任务成本、系统记忆、Skill 治理等关键问题，强调通过工程化手段实现智能体的稳定交付与闭环。
文章对比了 slide-maker 和 dashi-ppt 两款 AI PPT 生成工具。在基于 Opus 5 模型的统一评测中，slide-maker 的无图版和带图版分别获得 94.5 和 91.5 分，击败了获得 83.5 分的 dashi-ppt。评测指出，slide-maker 胜在代码生成带来的高自由度和原生可编辑性，而 dashi-ppt 虽导出效果好，但受限于模板，内容结构被强行适配，导致丢分。
本文全面评测了市面上的 AI 视频剪辑与生成工具，涵盖开源、半开源及主流商业平台。作者详细分析了各类工具的核心特性、适用场景及优缺点，如 Pireel 的本地编辑、剪映的生态优势、Descript 的文本驱动剪辑等，旨在帮助用户根据需求选择最合适的自动化剪辑方案。
文章探讨了在企业级 Agent 开发中，如何通过建立版本化固定案例集和审计日志来准确评估模型更新后的质量变化。强调不能只看平均分，需逐条对比案例的改善与退步，并实施一票否决机制以确保安全和可追溯性。
文章指出企业 RAG 不仅仅是上传 PDF 回答问题，更需关注文档版本、权限、来源追溯及停用管理。作者通过模拟企业真实文档环境，构建了包含版本控制和过滤机制的评测体系，强调了可靠检索与诚实无答案的重要性，并分享了针对小规模知识库的技术选型经验。
文章评测了九个用于科研的 Codex Skills，按功能分为引用验证、文献管理、数据分析、英文润色等。作者将它们按质量分级，推荐了如 Academic Research Skills、Claude Scholar、Auto Empirical 等顶级工具，并认为这些由科研人员开发的工具能大幅提升效率。
增和科技开源了PPT生成工具slide-maker，经过与7种主流方案对比评测，其无AI生图版与带图版分别以97分和95分包揽前两名。评测重点考察了视觉完成度、内容结构、中文适配及可编辑性等维度，结果显示原生可编辑PPTX在交付和修改流程中具有显著优势。
