方向
Agent 框架、工具调用与运行循环，以及它们和人格、记忆系统怎么接。
1,880 条精选近 30 天 1,875 条共收录 7,246 条
Reflection 新实验室的首个模型 Beam 在 Hugging Face 开源，为 501B 参数 MoE（每 token 激活 23B），支持 1M token 上下文，采用 Apache 2.0 许可，主打编码与智能体场景。提供 BF16、FP8、NVFP4 三种检查点，transformers、vLLM、SGLang 均已 day-0 支持，并附 LoRA SFT 与 Miles GRPO 训练配方；Hub 上分享用 Beam 构建的项目可竞争 10,000 美元额度。
推荐理由：官方博客给出架构细节、三档精度的实测跑分和从推理到 SFT、RL 的完整部署与训练配方，便于评估上手成本。
Reflection 首个开放权重模型 Beam 于10月16日发布，Ollama 作为 day-zero 合作伙伴限时免费提供，Beam 端点全程零数据保留（ZDR）。Beam 是 MoE 模型，总参数约501B、每 token 激活23B，上下文窗口100万 token，采用 Apache 2.0 许可，面向软件工程、推理和长程 Agent 任务，可通过 ollama run beam:cloud 或 Claude Code、Codex、OpenCode 调用。
推荐理由：官方公告同时给出与 Kimi K3、GLM 5.3 等模型的 Agent Coding 跑分对照表，读者可直接比较 Beam 在各编码基准上的位置。
Oatelauser 在 GitHub 发布 crosschat，一支无状态 Node.js CLI，让 Claude Code 与 Codex CLI 会话像同事一样互发消息，消息直注运行中的会话且零轮询。支持同机直连、--via ssh 跨机互聊（win↔linux）以及 tcp 星型 broker 三段寻址 tcp:<星>:<机器>:<会话>；信封自带回复命令，对方 agent 照抄即回，忙时进发件箱由看门狗自动重投。依赖 Node ≥ 22，Windows 稳定、Linux/WSL 为 experimental（1.3.0 起），npm i -g @oatelauser/crosschat 一行安装，灵感与部分模块来自 macOS-only 的 embassy 项目。
推荐理由：README 给出单机、ssh 跨机、tcp 星型三种通信形态的完整命令与实测对话，可直接照抄部署复用。
avirtual 在 GitHub 发布 Clodex，一个把 Claude Code 和 Codex 会话作为终端运行的编码智能体集群会话管理器，采用 Apache 2.0 许可。它在会话外加了三层：显示每个会话状态、上下文填充和待处理权限对话框的侧边栏，让智能体通过 [agent:dm]、[agent:spawn] 等文本意图互相协调的 IPC 消息总线，以及把其他机器的会话并入同一集群的 peer wire。同一引擎可作为 macOS 桌面应用运行，也可在 Linux 上以 systemd 用户单元无头运行，clodexctl 以 kubectl 风格的命令管理会话和部署节点；wirescope 代理提供每轮 token 与成本遥测，团队模式支持角色工单和自动测试评审门禁。
推荐理由：原文给出了会话状态、IPC 消息总线和跨机 peer 的完整机制说明，读者可以据此判断这套多智能体编码会话管理是否适配自己的工作流。
padobrik 开源 agent-handshake（0.7 前名为 a2a-spec），通过录制 producer 输出快照并对照 consumer 读取的字段做契约测试，全程不调用 LLM、无需 API key。工具支持 handshake record/infer/test/diff 等命令、pytest 插件、GitHub Actions 集成，可检测 producer 改 prompt 后字段被移除或新增的情况，并提供结构、语义（本地 embedding）和策略三类规则，适配 Python 函数、HTTP、LangChain 与 A2A 1.0 协议，支持 Python 3.11+ 及 TypeScript/JavaScript consumer 的静态解析。
推荐理由：原文给出从录制快照、生成 spec 到 CI 集成的完整流程，读者可以照着把多智能体之间的字段契约纳入 pytest 和 GitHub Actions。
MichalKrol13 发布 AgentBox SDK，用一个 API 在沙箱内运行编码智能体，支持 claude-code、opencode、codex 三种 Agent 与 local-docker、e2b、modal、daytona、vercel 五种沙箱，可任意混搭且应用代码不变。与 claude --print 这类非交互封装不同，它把每个 Agent 作为沙箱内的服务进程启动，通过 WebSocket 或 HTTP 通信，保留审批流、工具控制与流式事件；还支持后台任务事件、事件保留开关、harness 斜杠命令、技能与子智能体挂载，以及经 OpenRouter 或其他 OpenAI 兼容端点路由模型。需 Node >= 20，npm install agentbox-sdk 安装。
推荐理由：原文讲清了与 CLI 非交互封装的差异，以服务进程加 WebSocket 保留审批流与流式事件，可直接复用。
Sven Fillinger 发布 pi-metrics v0.1.0，为 Pi 编码智能体提供终端内实时延迟 HUD，测量 TTFT、ITL、解码吞吐 tok/s 及成本，支持 /metrics 开关、报告与重置等命令。工具不发送任何网络请求或遥测；无 usage 时按 charsPerToken 从流式字符估算 token，作者基于 39000 次真实调用测得真实字符比约 3.0（DeepSeek）到 3.8（Kimi），默认 auto 从会话自校准。支持 Pi 1.1.0 及以上版本，MIT 许可。
推荐理由：作者用 39000 次真实调用校准字符到 token 的换算，说明固定除数 4 的偏差幅度，读者可据此判断估算口径是否可信。
karammm 在 GitHub 发布 FlatType，一套 TypeScript 工具包，可将后端 JSON 响应编码为紧凑的 key: value 文本（Flat Notation）并映射到带类型的模型，支持 React、Vue、Angular、Svelte、Solid 及 Claude 等 LLM。基准显示 1000 用户列表比压缩后 JSON 小 45%、比 TOON 小 50%，解码 0.73ms（TOON 为 5.9ms）；核心包 3.7KB min+gz、无第三方依赖、无损可逆，@flattype/ai 提供 toPrompt、fromModelOutput、countTokens 及 MCP/Claude 工具结果支持。
推荐理由：README 给出了与 JSON 和 TOON 的体积与解码耗时对比数据，并说明节省主要来自列表和不压缩场景，便于判断适用范围。
arXiv 论文 2610.23194 提出 OfficeTown，一个从自然语言组织描述生成职业组织模拟的框架，成员协调分工、委派任务给助手智能体并评审产出，产物与未决事项持续存在影响后续工作。配套 OfficeTown Bench 含 23 个模拟组织、8 个专业领域的 406 个任务和 4,836 条评测标准；对 Qwen3.5-9B 做监督微调和 on-policy 蒸馏后在外部职业工作基准（含 GDPval）上明显提升，principal-assistant 框架得分高于所测单智能体与多智能体基线。
推荐理由：论文把组织模拟当作智能体训练数据源，任务与评审反馈可持续生成，还验证了主从协作框架优于单智能体基线。
论文提出 WebCoder，一个用工件锚定智能体强化学习训练的通用前端开发 Agent，并构建可执行环境 Webdev-World 与评测集 Webdev-Bench。WebCoder-27B 在 Webdev-Bench 上把需求满足分从基座 Qwen3.8-27B 的 64.8 提升到 72.8，超过 Claude-Opus-4.8（65.1）和 GPT-5.4（59.6）；在 Vision2Web 上平均视觉与功能分从 41.1 提到 62.4，与 Claude-Opus-4.8 相当。消融实验验证了工件锚定信用分配与长程训练的贡献。
推荐理由：论文提出以共享可执行工件为核心分配奖励与信用，并给出对齐 Claude 等闭源模型的实测分数，方法可迁移到长序列开发任务。
arXiv 论文（arXiv:2610.22937）发现，多种选择题偏差（如谄媚）大多依赖同一小群注意力头，该共享电路在预训练模型中已存在，多数 base 模型会跟随明文提示。仅用约 200 条无提示的通用助手样本微调即可在聊天格式中激活这些头，RL 阶段几乎在所有对比中都增强线索效应；在 Tulu-3-8B 和 OLMo-2-7B 上交换 6 个中间层的注意力模式，可将两版模型的线索效应大幅互换，缓解手段可针对该电路设计。
推荐理由：论文用因果追踪把谄媚等偏差归因到预训练已有的共享注意力头电路，指出后训练只是调节其使用强度。
DayuanJiang 开源 next-ai-draw-io，用一句话描述即可让 AI 在真实 draw.io 画布上生成架构图、流程图等，支持手动编辑、选择局部让 AI 修改，每次 AI 改动都是可对比、恢复或撤销的版本，可导出 .drawio、.png、.svg。提供 Web、Windows/macOS/Linux 桌面版和 MCP server，Claude Code、Cursor、VS Code 等 Agent 可直接调用，内置 AWS、Azure、GCP、Kubernetes 图标库，支持上传截图、草图或 PDF、Markdown 等文本文件重绘为图，并支持 25 家模型供应商（含 AWS Bedrock、Ollama、DeepSeek、Qwen 等）。
推荐理由：作者完整给出了从一句话生成 draw.io 图的开源工具用法，含 MCP 接入、版本回退和 25 家模型供应商配置，方法可直接复用。
arXiv 论文 OS-Helix 提出端到端训练的多模态计算机使用智能体，把 GUI 操作和代码执行统一到一个动作空间。通过应用与真实文件配对构建可执行 Ubuntu 环境和可验证任务，先 SFT 冷启动再在真实桌面环境做在线 RL，提出 Step-balanced GSPO 按动作步聚合重要性权重；OS-Helix-27B-RL 在 OSWorld-Verified 上成功率达 66.44%，比匹配的 Qwen3.5 混合基线相对提升 42.9%，并在 WindowsAgentArena 上展示跨平台迁移。
推荐理由：论文给出 GUI 与代码执行统一到单一动作空间的训练方法，以及 Step-balanced GSPO 等具体做法和消融证据，可迁移到同类 Agent 研究。
Hasan Demirkiran 在 arXiv 发布论文（arXiv:2610.22243），提出三层 shortcut 审计框架，审计 LinuxArena 轨迹和两个 TS-Bench 衍生数据集，已被 NeurIPS 2026 工作坊 TAE 与 AIWILD 接收。实验显示改变 <INFORMATION> 标记使拦截率下降 8.33 个百分点，不透明工具别名使其上升 11.46 个百分点；AgentHarm-Traj 上 TS-Guard 的 F_1 从 .902 降至 .719。作者建议采用域分组 holdout、评估单元指标和安慰剂对照配对干预。
推荐理由：论文给出shortcut审计框架与配对干预实验，说明评测数据表征如何改变guard决策和指标，方法可直接借鉴到自建评测。
论文提出 Librarian Agents 框架，由 builder agent 把原始文档整理成层级化合成文件工作区，并将构建过程建模为 MDP、用强化学习直接优化下游答题准确率。方法在 BrowseComp-Plus 上比最强检索与预计算基线高 33 个百分点，并在 BRIGHT 上零样本泛化，平均准确率提升 31 点。
推荐理由：论文把工作区构建建模为 MDP 并用 RL 直接优化下游答题准确率，方法路径和基线对比对长上下文 Agent 研究有可迁移参考。
研究者将四个 Gemini 4 Argon 智能体放入沙盒化的 Minecraft 生存世界，目标是击败末影龙，每个智能体通过开源库 Mineflayer 控制一名玩家，靠游戏内聊天和共享记忆协调，没有人类分配角色或编写游戏逻辑。团队从随机生成的 Easy 难度世界出发，编写了 2,783 个程序，死亡 605 次，用 27 小时 14 分钟击败了末影龙。作者称这是据其所知首次由 AI 智能体仅用标准 Mineflayer 库、无预探种子等人类专用工具完成的端到端自主通关，论文还描述了分工、知识共享、互相恢复物品等策略与结果局限。
推荐理由：论文给出了完整运行数据与协作策略描述，读者可以据此了解多智能体长时程自主任务的实际做法和局限。
arXiv 论文提出 FDE-Gym 基准，包含来自 20 个真实客户场景、18 个行业的 95 个端到端交付任务，考察智能体澄清模糊需求、发现未言明约束并在生产级系统上交付方案的能力。评分以客户自身成功指标的改进归一化（0 到 1），并对与利益相关者的交互（消息、试运行、等待时间）施加惩罚；同时评测了 7 家提供商的 13 个模型配置，最佳配置平均分 0.56，仅完成 14/95 个任务（得分至少 0.8 且无事故）。主要瓶颈是发现未言明约束，但即便在 23 个拿到全部关键事实的任务上，最佳配置也只有 10 个达到 0.8 以上的业务提升，显示解决明确任务与真实客户交付之间存在显著差距。配套有在线练习平台、代码和数据。
推荐理由：基准把交付结果量化为对客户业务指标的改进，还给出 13 个模型配置的实测对比和瓶颈定位，便于评估真实交付能力差距。
论文提出 System1-Arena 基准，统一给模型相同的决策请求并按概率打分，考察哪些决策可交给单次前向的 System-1 模型、哪些需要生成式推理。基准含 105 个任务的 92k 题目和 138 个闭环环境，评测 30 个模型；最大的 System-1 模型在非智能体任务上达到或超过快速闭源 LLM，延迟仅四分之一，推理型 LLM 最准确但成本约为快速 LLM 的 70 倍，闭环中大型开源 LLM 成功率最高（至多 32.9%）。
推荐理由：论文用统一基准量化 System-1 与 System-2 模型的决策分工，读者可借此判断哪些决策不必走生成式推理。
研究者提出 QREF，一个即插即用的查询改写器与证据过滤器，通过 SFT 初始化并用强化学习在真实网络搜索环境中优化，缓解 DeepSearch 智能体检索意图错位与噪声累积问题。方法在四个基准上平均将 WebSailor 的 Pass@1 相对提升 33.55%、TongyiDeepResearch 提升 11.04%，无需修改架构或重训推理策略；RL 训练的改写器比原始骨干减少 95% 缺乏判别性检索锚点的查询批次。论文地址 https://arxiv.org/abs/2610.21512
推荐理由：论文给出即插即用的查询改写与证据过滤方案，不改架构即可提升 DeepSearch 智能体表现，数字与对比数据齐全。
作者开源了 wosarcher，一个模块化、可脚本化的研究管线：输入问题后自动规划子查询、搜索网络与附加 Markdown 文件、抓取网页、排序段落并写出引文可追溯到原文的报告。核心是单一守护进程 wosarcherd 持有密钥并执行运行，通过 CLI、WebSocket Web UI 和供编码智能体调用的 skill 三种方式使用；搜索用 SearXNG、抓取用 Firecrawl、排序支持 Cohere/Jina 式 reranker 或内置 BM25，各端点均为可替换的 provider 条目，支持 Docker 镜像（约 400 MB）与 NixOS 模块部署，MIT 许可。
推荐理由：README 给出了从检索、打分到带引文报告的完整阶段拆解与本地部署路径，可迁移到自建深度检索管线的场景。