Google Agents CLI 如何用评估闭环爬升智能体质量
Google 开发者博客发布 Agents CLI 评估实战教程，演示从首次评估、回归对比、换模型实验到定时告警的智能体质量爬升闭环，覆盖 eval generate、eval grade、eval compare、eval analyze 和 eval optimize 五个命令。
推荐理由：原文给出从基线、回归对比到定时告警的完整评估闭环命令和脚本，并用换模型实验说明只看均分容易误判换模型的真实得失。
技术方向
Agent 智能体 最新动态
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。
94 条精选近 30 天 60 条共收录 608 条
更新
精选归档 · 第 3 页
Google Developers Blog精选AI 评分6161
Replit · Blog精选AI 评分6363 Replit 推出 Cloud Agents 代码库功能，全员可直接向公司核心代码库提交变更
Replit 推出 Cloud Agents 代码库功能，团队里任何人都能用自然语言描述想要的变更，智能体会找到相关代码、在隔离云沙箱中运行应用并模拟客户操作测试，再向 GitHub 或 GitLab 提交附有截图和视频证据的已测试 PR，现已向所有 Pro 与 Enterprise 客户开放。
推荐理由：原文说明非工程成员如何以带视频证据的已测试 PR 参与核心代码库，工程师保留审批权，读者可对照自家协作流程评估适用性。
Browser Use精选AI 评分6262 卡内基梅隆大学与 Browser Use 发布长程网页智能体基准 Odysseys2
卡内基梅隆大学与 Browser Use 合作发布长程网页智能体基准 Odysseys2，包含 100 个真实网页长任务，每项按 8 到 12 条 pass/fail 检查评分。
推荐理由：同一模型在不同 harness 和评分器下成绩差距明显，正文用数据说明读 agent 榜单时要把这些变量一并考虑。
Google Developers Blog精选AI 评分6161 Google A2UI 推出可切换推理格式，A2UI Express 延迟最高降 3x
Google 为生成式 UI 协议 A2UI 推出可切换推理格式，新增 A2UI Express 作为默认格式，生成同类 UI 延迟最高降 3x、token 最多省 3x，配合 TypeSafe 的 Jev 这类决策模型做布局决策时延迟最高可降 80x。
推荐理由：原文给出四种推理格式在同一评测下的对比结果，读者可按屏幕是否有固定布局，在 Express 与决策模型两条路径之间做选型。
Google Developers Blog精选AI 评分6666 Google Docs 与 Drive 原生支持预览、编辑和协作 Markdown（.md）文件
Google 宣布 Google Docs 与 Drive 现已原生支持预览、编辑和协作 Markdown（.md）文件，无需手动转换文件格式。文档顶部显示 .md 徽标标识原生 Markdown 文件，团队成员与 AI 智能体可共同编辑同一文件并使用行级评论、建议修订和完整版本历史，Drive 内可渲染预览表格与超链接并切换到原始文本。
推荐理由：原文说明 .md 文件无需转换即可在 Google Docs 中直接编辑协作，开发者可据此判断文档与 git 仓库工作流的衔接方式。
Moonshot AI / Kimi Research精选AI 评分7575 月之暗面发布 Kimi K3.1 Pro 与 Highspeed 版，模型权重将于 2026 年 11 月 4 日前开放
月之暗面发布 Kimi K3.1 Pro，称其为 K3.1 系列首款模型、迄今最强的 3T 级开放权重模型，完整权重将于 2026 年 11 月 4 日前发布。
推荐理由：除基准成绩外，原文还披露了开放权重版移除网络攻防数据的前后评测对照，可帮助读者理解发布决策背后的安全考量。
Browser Use精选AI 评分6464 11款浏览器自动化工具对比评测，覆盖智能体、脚本与云端浏览器方案
Browser Use 官方博客刊出11款浏览器自动化工具的对比指南，将方案分为智能体、脚本库和云端浏览器三类，逐项给出能力、部署方式与定价。
推荐理由：原文按智能体、脚本和云端浏览器三类对比11款浏览器自动化工具的场景与定价，方便读者按任务类型选型。
Redwood Research · Blog精选AI 评分7070 Redwood Research 与 METR 公开对 OpenAI 内部智能体监控系统的红队测试结果
Redwood Research 与 METR 的员工于 7 月 21 日至 8 月 11 日对 OpenAI 内部未对齐监控系统开展了三周高权限红队测试，产出 61 页内部报告并发布公开版。
推荐理由：这份报告把外部深度红队测试发现的监控缺口和一组监控设计原则一并公开，搭建智能体安全监控时可作参考。
Pydantic AI 官方文章精选AI 评分6565 Pydantic AI 接入 E2B 原生沙盒，编码智能体命令隔离运行
Pydantic AI 新增 E2B 原生沙盒支持，智能体加上 E2BSandbox() 能力后，每条 shell 命令和文件操作都在隔离的 E2B microVM 中运行，不触及用户本机环境。
推荐理由：原文展示编码智能体命令如何在隔离沙盒中运行，并给出多轮任务间暂停恢复与进程崩溃后继续的完整示例。
MiniMax Research Blog精选AI 评分6565 MiniMax Code 推出 Mini App，让 Agent 工作留在常驻页面而非散落各会话
MiniMax 在 MiniMax Code 桌面应用中推出 Mini App，一种带前端和后端、以插件形式安装的长驻应用，可与 Agent 互相调用，让 Agent 的工作留在常驻页面而不是散落在各会话中。
推荐理由：原文讲清 Mini App 与插件的区别，是在 Agent 之上构建带前后端的常驻应用，读者可据此判断是否把任务流从聊天会话迁出。
Browser Use精选AI 评分6565 2026 年最佳浏览器智能体 MCP 服务器横评
Browser Use 作者 Gregor Zunic 发文横评 2026 年浏览器智能体 MCP 服务器，把工具分成逐步驱动与一步委托两类，覆盖自家 Cloud 与开源版、Hyperbrowser 和 agent-browser chat。
推荐理由：按委托与驱动两种模式对比多款浏览器 MCP 服务器，附定价、安装命令和配对评测数据，便于按任务类型选型。
Anthropic News / Research精选AI 评分7070 Anthropic 将 Agent Skills 开放标准捐赠给 Agentic AI Foundation
Anthropic 宣布将 Agent Skills 开放标准捐赠给 Linux Foundation 旗下的 Agentic AI Foundation（AAIF），包括名称、logo、GitHub 组织和 agentskills.io 域名。
推荐理由：原文交代了捐赠范围、维护者安排和后续治理路线，读者可以据此判断这个开放标准走向社区化后的发展方式。
Microsoft Research精选AI 评分7878 Microsoft Research 证明悬置 31 年的数学难题 KLS 猜想
Microsoft Research 研究员 Xinzhi Zhang 与 Zhao Song 证明了 1995 年提出的 KLS 猜想，表明对数凸分布中最优平面切割与任意形状切割的差距不超过与维数无关的通用常数。
推荐理由：原文讲清了证明如何通过递归精化消除维度依赖，同日出现的独立证明和随后的 Lean 4 形式化让结果不依赖单一推理链。
Mistral AI精选AI 评分6060 Mistral 发布 Voxtral 3 语音模型系列与语音代理 SDK
Mistral 发布 Voxtral 3，包含新一代语音转写与语音合成模型系列和一个语音代理 SDK，今日起可通过 Mistral API（欧洲、美国和全球端点）使用，并支持自部署以控制音频数据。
推荐理由：原文附定价表和多组转录、TTS 对比基准，想搭建语音代理的读者可据此估算成本并权衡 API 与自部署。
Cursor Changelog精选AI 评分7070 Cursor 发布 Agent SDK，Agent 以代码文件夹定义并评测后部署到 Cursor 或自有基础设施
Cursor 宣布 Agent SDK 正式可用，开发者可将 Agent 定义为一个代码文件夹，用 evals 测试后部署到 Cursor 或自有基础设施。
推荐理由：原文给出从初始化、评测到部署的完整命令链，开发者可以照此在本地与 CI 里跑通一个 Agent 项目。
MiniMax Research Blog精选AI 评分6868 MiniMax 发布 M3.1 Flash，在线推理提速近三倍、使用成本降 70%
MiniMax 正式发布新一代 Flash 模型 M3.1 Flash，此前匿名运行并处理超 200 万亿 token 的 Space Bunny 是其早期版本。
推荐理由：原文同时给出多组基准分数和百万 token 定价，读者可以据此衡量这款模型在智能体任务上能力与成本的平衡。
Google Developers Blog精选AI 评分7171 Google ADK 教程：构建永不沉默的语音智能体
Google 开发者博客发布 ADK 教程，讲解用流式工具、非阻塞 FunctionTool 和 response_scheduling 构建慢工具运行期间不冷场的语音智能体。
推荐理由：原文提供流式工具和后台执行两种模式，让语音智能体在慢查询运行时保持对话不断线，方法可直接迁移复用。
Google Research 博客精选AI 评分6464 Google Research 让 AI 智能体落地湿实验室，三项研究打通自主分子设计闭环
Google Research 展示三项研究，将 AI 智能体接入湿实验室机器人运行闭环分子设计，并发现个位数纳摩尔亲和力的 FAP 蛋白结合剂。
推荐理由：原文给出智能体操作真实湿实验室的框架与闭环设计结果，可看到实验反馈如何跟上计算设计的步伐。
Anthropic · Claude.dev 开发者博客精选AI 评分8080 Claude Code 团队如何做代码审查
Anthropic Claude Code 团队公开其代码审查流程，把大部分代码阅读交给机器，按变更风险决定人工审批人数，目标是在回退和事故率不上升的前提下压缩人工审查时间。
推荐理由：原文拆解 Claude Code 团队把大部分代码阅读交给机器、按风险分层安排人工审批的完整流程，文末给出其他团队可直接照做的落地步骤。
Google Developers Blog精选AI 评分6363 Google 详解如何用 agent-eval 工具包系统评估 AI 智能体
Google Developers Blog 发布 AI 智能体评估实操指南，主张用可复现的评估流程取代手动 vibe check，并配套开源 agent-eval 工具包。
推荐理由：原文把智能体评估拆成 Day 0 到 Day 2 的渐进落地路径，并总结了四个常见测试陷阱，可以对照自查现有评估流程。