扫描下载APP
其它方式登录
DeepSeek Harness日活达154万，插件数量超3.5万个，正从Agent工具演进为开放式应用平台，强调‘一切皆插件’架构与开发者生态建设；官方启动插件作者Token激励计划，并持续迭代插件管理、上下文压缩、热重载等能力，同时面临插件泛滥导致的上下文溢出、执行成本上升及配置稳定性挑战。
随着AI Agent成为数据库主要使用者，传统数据库架构面临三大挑战：无法理解业务语义、数据分散导致查询不全、缺乏安全试错机制。厂商正通过语义层、多模融合和数据库分支（Fork/Branch）等能力重构数据库，使其从数据仓库升级为支撑Agent决策的‘业务大脑’，推动中国数据库向AI原生数据底座演进。
文章探讨AI智能体（Agent）大规模参与链上资产管理后引发的新型纠纷问题，指出传统智能合约、法庭和预言机无法高效处理自然语言条款与模型幻觉导致的争议，并重点介绍GenLayer作为专为智能体经济设计的链上裁决层，通过语义共识、智能合约升级和分层验证机制应对挑战，同时警示其在自然语言歧义、提示词投毒和经济博弈层面存在的现实风险。
文章探讨RAG技术在企业落地中面临的四大困境，指出传统检索范式正被Agent Harness（编排框架）取代，而单纯依赖Grep等简单工具虽有效但存在高Token消耗和响应慢问题；提出知识编译作为上下文供给层，通过树状导航、图状结构、时间线及证据链等形态，为Harness提供高密度、可追溯、低开销的知识工件，最终推动RAG向Agent Native Database演进。
小红书推出Personal Agent‘蜜薯’，依托智能眼镜实现‘边看边聊’的实时多模态交互，将社区沉淀的生活经验与线下真实场景结合，辅助消费决策；其核心优势在于‘品味数据’，但缺乏交易履约能力，正通过‘红猫’‘红京’‘红美’等计划连接外部生态；同时面临AI削弱创作者动力的内容可持续性挑战。
LobeHub是一家拥有约8.4万GitHub星标的中国开源AI公司，正实践用自研Agent系统全面接管自身研发流程：由主管Agent（如Nasa）统筹任务分配，执行Agent（如Dario、Claude Code、Codex）完成编码、审查与交付，人类仅负责最终验收与战略决策。其已实现无人值守的代码提交、多模型协同、自动验收报告生成等关键环节，标志着AI自主协作研发进入实用化阶段。
研究团队提出LoLBench评测基准，面向240万行级大型软件系统，评估AI Agent从5000词需求文档出发完成跨模块功能开发的全流程能力，发现当前最优Agent组合仅能解决14%的任务，暴露出感知复杂性（需求理解与依赖推导）和实现复杂性（跨文件修改与验证）双重瓶颈。
紫荆智康依托清华AI医院（Agent Hospital）项目，构建覆盖患者、医生、医院三端的医疗AI基础设施，通过虚拟医院训练与真实场景协同进化，推出医生分身智能体及多学科人机协作框架（MHAC），已在多家实体医院落地测试，显著提升诊疗效率；公司探索医院、医生、药企、教育等多方付费模式，推动医疗AI从单点工具向全域生态系统演进。
AI办公产品正普遍采用多模型策略，将不同厂商的大模型（如DeepSeek、Kimi、GLM等）接入自身Agent平台，以匹配多样化办公任务对推理、写作、多模态等能力的差异化需求；模型能力逐渐隐入后台，Agent作为任务调度中枢的价值凸显，驱动厂商在开放接入外部模型与生态的同时，深度整合内部产品、工具和数据资源。
Grok Bot通过将AI代理设计为可分工、有记忆、能协作的‘同事团队’，实现对个人工作流的深度嵌入。它不依赖模型突破，而是以产品化思维整合现有技术——如云电脑环境、角色化分工、Bot间群聊与任务分派，显著降低用户使用门槛并提升留存，成为Personal Agent领域场景落地的标杆。
上海人工智能实验室等机构研究发现，AI Agent在合法调用外部工具（如地图、健康服务）时产生的工具调用轨迹，即使对话内容完全保密，仍可被观察者通过参数、时间、地点等线索推断用户国籍、宗教信仰、健康状况等敏感属性，67950条记录实验显示单域轨迹使属性推断准确率提升至26.25%，揭示‘对话保密≠隐私安全’的新风险。
T3Code是一款开源AI Agent统一管理工具，支持Claude Code、Codex、Cursor等主流开发Agent，在单页面集中调度任务、管理Git工作区、审批权限及查看Diff，v0.16版本新增手机版引发爆火；其开发者为Ping Labs创始人西奥·布朗，产品定位为开发者AI工作流的‘控制面板’。
网友基于DeepSeek开源AI模型及其蓝色鲸鱼Logo，自发共创出拟人化OC角色‘蓝色大肥鱼’，通过低门槛插件开发实现角色养成、互动与传播，形成现象级‘鱼灾’热潮，凸显用户共创IP与赛博陪伴在AI产品破圈中的核心价值。
DeepSeek Harness团队开源Super-agent原型，提出以router-worker分层架构、事件驱动、存算分离等工程化设计，实现多任务自主协同的AI智能体系统，聚焦代码开发等真实工作流，标志其从单纯模型提供商转向提供可落地AI执行系统的战略升级。
Meta FAIR团队提出“路由式持续学习”（Routed CL）新架构，通过动态将历史任务轨迹聚类并为每簇定制记忆形式，实现经验的精准复用；该方法在多任务混合评测中提升归一化奖励15%-30%，API成本降低65%-72%，解决了全局记忆干扰与记忆形式单一等持续学习核心难题。
