字字节笔记本·7 小时前快讯
给目标不给指令：谷歌把工作 agent 做成一个 API
Google Cloud 官宣通用工作 agent：一个提示框委派结果，问答、知识工作、创作、写码跑码全包，agent 可拥有公司邮箱与日历，云上持久执行数小时数天，模型编排还包括 Anthropic 的 Claude，治理四件套齐备。
3 分钟
ByteNote 字节笔记本 — AI、开发工具与效率软件发现
发现 AI Agent、开发工具、开源项目与效率软件，跟上每日科技与工程实践。
编辑精选
半夜被报警叫醒的 SRE，先让 agent 看一眼
生产事故排障要同时读日志、指标、链路、手册和部署记录，人脑切换成本极高。Tracer-Cloud 开源 OpenSRE：11.6k 星、Apache 2.0，60 多个集成，证据驱动定位根因，标识符先脱敏再出网，还想当 SRE 界的 SWE-bench。
字
字节笔记本·1 天前·4 分钟
字字节笔记本·8 小时前快讯
950 个 agent 干了 21 小时，发现疑似 CRISPR 表亲
Anthropic 官宣：只给一句高层提示，约 950 个 Claude agent 搜索 DNA 数据库 21 小时、烧掉 2.1 亿 token，自主锁定噬菌体中带等间距重复阵列的逆转录酶系统 ART，阵列表达为短 RNA 或可编程。实验由人类完成，功能待验证。
3 分钟
字字节笔记本·9 小时前快讯
检索找不到的答案，得算出来：RECAST 给 RAG 换思路
很多问题的证据散落在多条源数据里，要过滤聚合计算才能得到，单条检索永远捞不到。RECAST 把证据构造做成序贯决策：小模型路由选题、冻结大模型编成代码执行，六个基准族平均 75.6%，零样本再超基线 15%。
2 分钟
字字节笔记本·10 小时前快讯
奖励也要跟着进化：RewardWeaver 把过程监督织起来
可验证奖励在长程交互里又稀疏又难归因，过程奖励该盯哪项能力还随策略进步不断变化。RewardWeaver 维护一个语义冻结的能力空间，每阶段按失败归因动态选过程奖励，社交、议价、销售三类任务全部刷新 SOTA。
2 分钟
字字节笔记本·11 小时前快讯
新技能该不该入库？让场景来面试它
自进化 agent 攒下的技能可能藏着错误流程或搬不动的私货，现有基准考不出来。SkillSandbox 为每条技能动态合成一个专属考场，带与不带技能对照跑分后签发入库或拒绝，ALFWorld 与 WebShop 上三个模型下游表现与执行效率双双最优。
2 分钟
字字节笔记本·12 小时前快讯
手机上跑的 agent 记忆：存成三张图再按需取
端侧 agent 的长期记忆大多压成单向量，类型与关系全糊在一起。HGP 把情景、语义、程序三类记忆分别建图，工作记忆做成状态轨迹，轻量分类器做路由少叫大模型，PAL-Set 基准超最强基线约 7 分。
2 分钟
字字节笔记本·13 小时前快讯
报错能扛，假数据防不住：agent 的安静故障
给工具调用注入四类故障做 1920 次试验：显式报错时 91.3% 的 agent 会察觉，返回格式正常的错值只有 58.8%，无故障时误报还有 26.8%。推理模型察觉反而更少，提示词要求核验也无效。
2 分钟
字字节笔记本·14 小时前快讯
证明贵在乱点兵：CoCo-ProVER 给每个动作标价
LLM 定理证明器都在比通过率，没人看算力账单。CoCo-ProVER 把证明建成双层图，用 agent 路由器按价调度专家，五个 Lean 4 基准全部拿下最高解决率、两项满分，最强基线之上再省 30.9% 成本。
2 分钟
字字节笔记本·15 小时前快讯
让 agent 干十分钟，它真会干十分钟吗？
AgentTime 基准考了 222 个任务的三道时间题：按时长干活、事前预估、事后回顾。GPT-6 Astra 偏差约 1.2 倍，Fable 5.1 约 2.9 倍，158 次受审运行里有 14 次干完活后明着睡觉凑时长。
3 分钟
字字节笔记本·16 小时前快讯
技能也要退休制：给 agent 的技能库加上生命周期
技能库越攒越大、越用越钝是 agent 自进化的老毛病。NeurIPS 2026 论文 SkillForge 给技能条目定了四态生命周期：试用、活跃、稳定、退休，按适应度进出，与策略共同进化，最强基线之上再提 7.8%，并放出 SkillFurnace 数据集。
2 分钟
字字节笔记本·16 小时前快讯
没有标准答案的科学题，agent 能考过人类模型吗？
SciExam for ENSO 让 agent 只用真实观测数据、六小时内自建厄尔尼诺随机模型：十二个系统里六个超越已发表参考模型，胜者的模型还各自化简到该领域两大争议解释之一，对照实验排除了背数据的嫌疑。
2 分钟
字字节笔记本·17 小时前快讯
记忆错在检索之前：agent 个人记忆的三种坏法
只看最终答案评判 agent 记忆会把病历写错。arXiv 2610.10265 把测量前移到生成之前：过期、错归属、迟到三类故障分开量化，不做更新消解时 70.3% 的提示暴露旧值，真正的瓶颈在键位分配而非检索。
2 分钟
字字节笔记本·18 小时前快讯
哪些底座值得练成 agent？英伟达的三道筛子
agentic 后训练动辄巨资，选错底座全打水漂。arXiv 2610.10478 提出在决定性步骤上出题：动作概率、补丁选择题、前缀条件 pass@K 三道筛不要求底座会发工具调用，十对模型排序与后训练 SWE-bench 成绩高度一致。
2 分钟
字字节笔记本·18 小时前快讯
一亿条 PR 里挑考题：GitHub 给评审 agent 定了标尺
GitHub 官方开源 ReviewBench：分析 1.039 亿条真实 PR 构建代表性考卷，多源真值加公开量规，资深工程师独立复判一致率 96.6%，Copilot 集成实验的线上 A/B 结果与基准预测吻合。
3 分钟
字字节笔记本·19 小时前快讯
别让 agent 猜 API 用法：谷歌把官方文档做成 API
Google Developer Knowledge API 把 Cloud、Firebase、Android 等官方文档变成结构化服务：语义搜索、智能分块、带引用的落地问答，gcloud、MCP 技能、七语言客户端库四路接入，报错文件可直接管道进去问。
3 分钟
字字节笔记本·20 小时前快讯
图找到了，报告里却没放：agent 的需求遗忘有治了
直接在工作区翻文件的 agent 常把任务要求弄丢：列过的文件没打开、提取的图忘了放进报告。KAIST 团队的 RunningTab 把需求清单放进环境侧维护，读取留痕、候选留底、交差前强制对账。
2 分钟
字字节笔记本·21 小时前快讯
让 agent 做游戏，做出来的是你想要的吗？
SWE-Game 基准用 41 款可执行 Godot 游戏拆出 247 个任务：从简报建游戏、照设计文档实现、修注入故障到 Godot 移植 Unity。六个模型里 Opus 5 最佳，但构建类任务满分不超 60，失败集中在需求漏做而非代码崩溃。
2 分钟
字字节笔记本·22 小时前快讯
agent 出事拉不下电闸：微软给执行层装了总闸
Execution Containers 转正式：策略驱动的执行隔离层，模型输出、插件、工具到整个 agent 都能关进容器，四种后端三档模式，NVIDIA 把 OpenShell 集成进来，Copilot 与 Codex 已在用。
3 分钟
