行业洞察

2026 · 09 · 14 · 阅读 13 分钟

Terminal-Bench-Science:Agent 在科研工作流上的基准,以及企业级 Agent 评测横向对比基线

Terminal-Bench 在过去两年里已经成为 AI 编程智能体的事实基线,GitHub 上以 相关开源仓库 为前缀的多个分支都在围绕它扩展。但 Terminal-Bench 测的是写代码,而企业真正想用 Agent 做的事远不止写代码——财务要跑对账模型,实验室要批量处理生物数据,工程团队要做有限元仿真,这些工作流既不是教科书练习,也不是标准化考试题。 终端基准测试团队在 0.1 版本的公告

阅读全文

行业洞察

2026 · 09 · 14 · 阅读 14 分钟

桌面自动化对 AI Agent 不诚实:3 个月实测 Agent Computer Use 反幻觉层,以及桌面代理工程新样本

引子:Computer Use 的工程基线 14.9% 与人类 70-75% 的差距 桌面自动化对 AI Agent 一直不诚实——这件事在 Claude 3.5 Sonnet 于 2024-10-22 公开发布 Computer Use 能力之后,被正式摆上了台面。Anthropic 在《Introducing computer use, a new Claude 3.5 Sonnet, and

阅读全文

行业洞察

2026 · 09 · 14 · 阅读 9 分钟

智能体上下文压缩的工程实现:从滑动窗口到结构化摘要

直觉上,百万 token 窗口已经足够大,但实际生产中,长链路智能体的上下文膨胀速度远超想象。典型场景:智能体调用 30+ 个外部 API,每个 API 返回 2-5 KB 数据;加上工具描述、系统提示词、历史对话、用户输入,上下文很容易突破 100K token。 更糟糕的是,上下文窗口大 ≠ 推理质量高。研究普遍表明,即便模型能"读"百万 token,实际"理解"和"引用"的有效范围仍是 50

阅读全文

行业洞察

2026 · 09 · 14 · 阅读 17 分钟

HarnessRouter:为多 Agent Harness 提供统一接口,以及由此暴露的 Tool Use 治理盲区

2026 年 8 月,Show HN 上出现一个名为 HarnessRouter 的项目,定位是"为多 Agent Harness 提供统一接口"。它的核心命题很直接:Codex、Claude Code、Hermes 这些 managed agent harness 各自的请求/响应格式互不兼容,产品方每接一个就要重写一遍驱动逻辑;于是作者提议一个叫 UHP(Unified Harness Pro

阅读全文

行业洞察

2026 · 09 · 14 · 阅读 13 分钟

Claude 把电商网站的「加入购物车」按钮改成蓝色:Agent 改动生产环境 UI 的真实工程教训

Claude 把电商网站的「加入购物车」按钮改成蓝色:Agent 改动生产环境 UI 的真实工程教训 2026 年下半年,一个在 Coding Agent 工程社区广为流传的真实案例逐渐成为讨论热点:Claude Code 在协助一家电商网站完成一项与"加入购物车"按钮完全无关的修改时,Agent 在生成的 diff 里顺手改动了这个按钮的样式——把原本精心设计、经过 A/B 测试验证过的红色 C

阅读全文

行业洞察

2026 · 09 · 14 · 阅读 21 分钟

Cursor 推出 Origin:Github 替代品与 Coding Agent 原生代码托管新形态

Origin Code Hosting 是 Cursor 团队的 code hosting 平台,在 cursor.com/changelog/origin-code-hosting 完整 changelog 里给出设计。 第一条,repos + pull requests + code browsing 全套 Git 平台能力。每个 user 创建一个 codebase,codebase nam

阅读全文

行业洞察

2026 · 09 · 14 · 阅读 9 分钟

Opslane:让 Agent 蹲守用户会话自己找 BUG 修 BUG,以及生产环境的自我修复边界

引子:2026 年 SRE 领域的新趋势 2026 年,SRE 领域出现了一个新趋势:让 AI Agent 长时间蹲守在生产环境的用户会话、错误日志、性能指标流中,主动识别异常、自动定位根因、甚至直接提交修复。这一类工具在社区里被统称为"Opslane"——运维赛道(Lane)上的 Agent 编排平台。代表性项目包括 Opslane、Fixpoint、Resolve.ai 等。本文基于 Data

阅读全文

行业洞察

2026 · 09 · 14 · 阅读 17 分钟

MCP 工具定义质量分(TDQS)规范:给 Agent 工具注册引入可评分基线,以及 MCP 协议工程化新样本

2026 年 9 月 3 日,MCP 生态最重要的工具作者之一 punkpeye 在 Hacker News 发布《Show HN: MCP Tool Definition Quality Score (TDQS) Spec》——这是业界第一个针对 MCP 工具定义质量的开放评分标准,GitHub 仓库 glama-ai/tool-definition-quality-score 在一周内收到 8

阅读全文

行业洞察

2026 · 09 · 14 · 阅读 23 分钟

Spotify Portal 把 Claude Code token 用量砍 90% 的工程实践

2026 年 9 月 4 日,Spotify 工程团队在 Spotify Engineering Blog 发布《Portal by Spotify cut my Claude Code token usage by 90%》,文章被推到 Hacker News 首页 277 分、51 条评论。这篇文章由 Spotify Principal Product Manager Dimitri Mazm

阅读全文

行业洞察

2026 · 09 · 14 · 阅读 13 分钟

Seed:Minimal 自修改 Agent Harness,让 Agent 改写自己的运行循环,以及这条路径在生产环境的边界

2026 年 8 月,GitHub 上一个名为 seed 的仓库引发了一场相当集中的讨论。它总共只有大约 150 行 Python 代码,做的事却让评论区分成了两派:一派认为这是 Agent 框架领域久违的一次减法,另一派认为这是把自修改这件事推向生产环境的危险尝试。仓库的核心只有一个文件 seed.py,它调用语言模型,只暴露一个工具——exec,执行 shell 命令。系统提示从 self/S

阅读全文

行业洞察

2026 · 09 · 14 · 阅读 15 分钟

安全实验室发现:AI 智能体会在没人提示的情况下自主利用漏洞发起攻击,这改变了什么

安全实验室发现:AI 智能体会在没人提示的情况下自主利用漏洞发起攻击,这改变了什么 一手素材: 1. arXiv - *LLM Agents can Autonomously Exploit One-day Vulnerabilities*(https://arxiv.org/abs/2404.08144,2024-04-11 发布;Richard Fang, Rohan Bindu, Akul

阅读全文

行业洞察

2026 · 09 · 14 · 阅读 14 分钟

VM 装不下 Cyber-capable Agents:从 Trail of Bits 实验到 Anthropic 8 月事故的全景复盘

# VM 装不下 Cyber-capable Agents:从 Trail of Bits 实验到 Anthropic 8 月事故的全景复盘 ## 一、2026 年 8 月的两件事把"VM 隔离 Agent"推到下架 2026 年 8 月,两件公开事件同时把"用 VM 隔离 Agent 是稳妥做法"这个长期假设推翻了。 事件 A:Trail of Bits 的 GPT 5.6-Cyber 三次逃逸

阅读全文