智能体资讯
追踪 AI Agent 与编程智能体的前沿进展、技术拆解、选型指南与商业动向
WorkBuddy 走进企业微信通讯录：智能体开始领「工号」了
10 月 14 日腾讯宣布企业微信与 WorkBuddy 联合发布新版本：企业微信 5.0.12 中 WorkBuddy 以可对话机器人进入企业联系人列表，5.8.0 版支持企微账号登录并在授权范围内打通消息、文档、会议、网盘等十大能力权限，双方共用一套账号体系。管理员可统一配置机器人、做账号分配、用量管理与算力采购，按组织身份设权限。目前面向已认证企业开放限免体验，欧莱雅、麦当劳、比亚迪等在探索落地。
PersonalAgentBench：个人智能体开始考两门课——事办成了没有，敢不敢托付
micro1 于 10 月 6 日上线个人智能体基准 PersonalAgentBench，把评测拆成任务完成与信任完成两张卡：一张算活办没办成，一张算办成的方式能不能放心。初步覆盖 Instinct、Muse、Grok Bot、Gemini Spark 四款产品，10 月 12 日更新加入 Hark 与 OpenAI Dots 并扩充任务集。基准暴露的典型问题是智能体在找到正确信息的同时过度分享或擅自行动——这类失败在纯任务完成率里完全看不见。
GraphTok：智能体把同一段上下文反复重发，卡住服务的居然是分词器
10 月 9 日提交 arXiv 的 GraphTok（编号 2610.13325）指出：智能体负载反复重发长上下文，前缀缓存跳过预填充后，每次请求仍要完整分词——这个一向被忽略的 CPU 阶段成了首 token 延迟的最大项，前端节点甚至限制整个 GPU 集群的吞吐。GraphTok 把整条编码流水线录成一段可重放的 CUDA 图搬上 GPU，五种分词器上输出与参考实现逐位一致；一个 Dynamo 前端在 2 秒 P99 下维持 518 req/s，约为默认分词器的 28 倍。
Thinking Inertia：让模型「别想了」，它照样在想
10 月 8 日提交 arXiv 的 Thinking Inertia（编号 2610.11765，NeurIPS 2026 接收）给「不思考」这个开关做了系统测量：用空思考率、问题—前答案相关性、显式推断率三层指标，在 6 个模型、6 种提示干预、3 类问题上的实验显示，显式的别想了控制并不能可靠消除可见推断，且答案空间越开放惯性越明显；开放问答上「只想输出答案」与准确率难以兼得。对按步计费的智能体，这直接冲击「关思考=零成本」的假设。
SEPM：多智能体协作的经验，不该只存「做过什么」，还要存「怎么配合的」
10 月 10 日提交 arXiv 的 SEPM（编号 2610.14515）用任务依赖图作为多智能体协调与程序性记忆演化的共同表示：执行时靠共享黑板检测目标、计划、世界状态三类偏差并循证对齐，执行后把验证过的动作与依赖蒸馏成程序，程序池经创建、精修、专化、退役四种操作持续演化。在 AutoGen 与 DyLAN 两种框架、三个基准共六项设置中任务得分均为最优，AutoGen 下相对无记忆基线最高提升 29.85 个百分点。
SOAR：搜索智能体爱「懒得查、直接编」，把知识来源拆成两条流来治
10 月 9 日提交 arXiv 的 SOAR（编号 2610.13157，浙江大学与微软等机构）针对搜索智能体的「证据编造」毛病：该检索时不检索，凭内部知识直接编答案。论文认为根源是推理轨迹不透明导致信用分配失准，于是用源感知工作流把外部证据与内部知识拆成两条可观测的流，再以源一致性奖励引导策略。3B 与 7B 骨干上性能分别提升 7.3% 与 5.4%，证据编造率下降 74.8%。
TerminalHorizon：合成训练数据时，最怕把智能体该走的路先走完
10 月 9 日提交 arXiv 的 TerminalHorizon（编号 2610.13166）是一台全自动的长程终端智能体数据合成引擎：先用独立执行找出环境构造时被省略的关键工作，再用证据重建环境，并按同一目标渐进扩展任务。引擎产出 1.5K 个任务环境，监督微调 Qwen3.5-27B 后在 12 项基准上全部取得提升；多个 12 小时预算的案例研究显示模型能在初始方案后继续实验、按反馈改方法。
Google 开源 AQuA：给上线后的智能体配一个不关机的诊断同事
10 月 8 日 Google 在开发者博客开源 AQuA（Ambient Quality Agent）参考实现，作为智能体质量工程的上线后外循环：按调度或每次部署后，从 Cloud Trace、Cloud Logging 或 BigQuery 随机抽最多 1000 条会话，经九项故障清单评审、问题簇聚类、换模型核验、insight 跟踪四道工序，根因分析再按需锚定部署时刻的不可变源码快照给出行号区间。官方口径：96 条会话单智能体排查合计 0.70 美元（约 0.007 美元每会话），每条待查 insight 的根因分析 0.33 到 2.47 美元。
丰田金融把 IT 变更管理交给智能体：制造体系如何谈 AI 治理
10 月 14 日，Kyndryl、丰田系统与丰田金融宣布合作改造丰田金融的 IT 运维运营，用智能体读取 IT 环境、运行手册与运维排班等客户特定规则与知识，识别变更中的一致性问题与潜在风险并做影响分析。丰田系统负责人用 jidoka（带人味的自动化）解释定位：让工程师把注意力转向新挑战，智能体承担重复核对，放行权仍在人手里。官方未给出量化收益与自主程度边界。
HCLTech × Anthropic：把 Claude 接进人肉交付体系意味着什么
HCLTech 与 Anthropic 签署全球 premier 级伙伴关系，同日 HCLSoftware 成为 Anthropic 的独立软件厂商伙伴。三条接入路径同时铺开：设专门业务单元与卓越中心并由 FDE 提供安全沙箱、把 Claude 嵌进 HCL BigFix 与 HCL AppScan 等企业产品、把 Claude 与 Claude Code 接入自研智能体软件工程平台 AI Force 的 IT 支持与代码修复流程。官方未披露部署时间表、财务条款与具体客户名单。
219 万次技能拷贝：Agent Skill 的影子供应链，星标找不到真正源头
10 月 8 日提交 arXiv 的 Skill Constellations（编号 2610.11169）从 GitSkills 语料里每个 SKILL.md 的 git 历史重建带时间戳的拷贝网络，覆盖 2,193,119 次技能采纳。少数仓库是几乎全部拷贝的源头，而 GitHub 星标识别不出它们；拷贝几乎从不随源头变化，源头修的安全问题很少传到下游。按模型排名审查前 100 个仓库可拦下后续高危采纳的 14.9%，按星标排名只拦下 0.5%。
SWE-Critix：没有测试可跑时，怎么训出一个会解释的裁判
10 月 9 日提交 arXiv 的 SWE-Critix（编号 2610.13356）针对「编码智能体跑几百步却没有现成判分标准」这个空缺，用教师模型对比成功与失败轨迹造数据，再以 SFT 加强化学习训出 30B 量级通用验证器。留出测试集 4.3 万余条长轨迹上，基线 Qwen3-30B-A3B 分类准确率 57%，SFT 后 66%，强化学习后 78%；输出除完成标签外还带一段自然语言分析。
T²Mem：记忆不是提前建好的库，是推理时现场拼出来的
10 月 9 日提交 arXiv 的 T²Mem（编号 2610.13348，东北大学联合清华、阿里巴巴）把记忆构建推迟到推理时刻：离线只抽轻量情景元数据卡片并保留指向原文的回链，测试时靠 SearchMeta 与 ReadRaw 两个工具边推理边补证据。LoCoMo 上 Qwen3.5-27B 骨干平均 71.69 分，LongMemEval 平均 84.80 分、比 LightMem 高 7.4 分，全程 token 8.8k 反而低于对比方。
QwenGyre：让算力跟着任务进度走，超长程 Agent 训练的 1.78 倍账
10 月 12 日阿里千问发布在线强化学习框架 QwenGyre，面向单次执行数小时、单条 rollout 约 70 万 token 的长程智能体任务。三个机制：GPU 切成可动态调整的计算单元做弹性调度、Token-in Token-out 轨迹按共享前缀组织成树、Partial Scoring 让超时但部分完成的任务也贡献反馈。NL2RepoBench 上 48 步训练通过率 52.5% 提升到 58.5%，相同 GPU 预算下相对 Async 实现 1.78 倍端到端加速。
当工业 Agent 开始接管能源账本：羚羊 3.5 的三个智能体
9 月 21 日世界制造业大会羚羊专场，羚羊工业大模型 3.5 发布，算电协同、电力交易、零碳园区三个智能体同步亮相。试点口径为综合电价降低 5% 到 8%、储能收益提升 20%；底座侧的工业时序基础模型最大参数量仅 100M、可直接部署在边缘与设备端，电价预测平均准确率突破 85%——这让能源智能体不必回云端算力中心。
出入境通关交给智能体集群：Intellivisa 获 300 万美元种子轮
10 月 13 日披露，Intellivisa 完成 300 万美元 pre-seed 轮融资，由 Mu Ventures 与 Incisive Ventures 领投，United Airlines Ventures 参与。公司把自己定位为通关执行引擎，嵌入航司与差旅公司订票之后的环节，用并行智能体核验证件、筛查欺诈、填表并把签证与旅行授权直接递交至政府系统。官方口径：支持 195 国、50 多种证件类型，多数申请 10 到 12 小时内出结果，通过率高于 99%。
千问 Go 的办事清单：几十块钱的小事，和一条新出现的能力边界
10 月 13 日多家媒体同日报道，阿里千问 Personal Agent 升级版「千问 Go」即将发布。披露的案例包括：自助查订单与航班动态并联系客服，把代金券赔偿谈成 70 元现金；找到淘宝价保入口并遍历订单退回 52 元差价；此外还有致电询价预约汽车保养、预订运动场地、计入补贴与旧机回收费用后比价。官方措辞为「即将发布」，正式版能力范围目前暂未披露更多细节。
司机不看屏幕，于是车载 Agent 改用打电话
10 月 13 日，Samsara 发布 Agent Studio，一个面向物理运营的无代码智能体平台，同时支持对话与语音。官方称自 6 月起平台智能体采用加速约 7 倍，语音智能体上线四周内交互量超过对话智能体。披露的三个客户口径：巡检合规报告生成时间降 99%、合规风险提前三小时预警使每周人工复核时间降 84%、两个月减少 500 小时未指派驾驶时间。
训一个会操作电脑的智能体，卡点可能不在模型而在没有环境
10 月 8 日，arXiv 2610.12611 提出 SoftwareGym，用自动化多智能体流水线合成 182 个可运行 GUI 应用、覆盖 12 类软件，平均 GUI 任务通过率 91.5%。仅用这些合成环境收集的轨迹训练，域外 OSWorld Pass@3 从 41.39% 提升到 56.97%（+15.58 个百分点），且训练过程完全不使用 OSWorld 的应用、任务与轨迹。
多智能体挂了别急着换模型：先从日志里读通信拓扑
10 月 7 日，arXiv 2610.10126 提出 MAScope，从异构执行日志里把消息往来还原成通信拓扑图，再据此分类失效模式。通信拓扑与失效类型的关联卡方统计量达 409.9；851 条轨迹上，小模型宏平均 F1 从 0.173 升到 0.350（用预测拓扑仍有 0.346），逼近强模型纯看轨迹的 0.372；1000 条轨迹的总花费约为反复调用强模型诊断的 6%。
给 Agent 配上专用工具之后，生物设计风险不降反升
10 月 9 日，arXiv 2610.13116 提出 DRYLAB-Bench，用 187,695 条实验实测突变数据当隐藏答案，为 15 个前沿模型打生物安全风险分。结果是：不给工具时 67.6% 的提案突变强于实测均值、21.4% 落入最高风险十分位；接上生物设计工具并允许多轮迭代后，合并风险分上升 ΔBRS +0.116，其中工具接入贡献 +0.048、额外自适应轮次贡献 +0.068。
财新《抢占办公室》：AI 办公三巨头从「嵌入 AI」转向「接管工作」
《财新周刊》2026 年第 39 期封面报道：字节、腾讯、阿里把 AI 推进全流程办公，但三条路几乎不重叠——千问办公走私有化整体项目，豆包工作走轻量 SaaS 混合部署，WorkBuddy 向行业软件开放底座。赛道体量露出一个背离：7 月月活 1.02 亿同比 +8.2%，总使用次数却同比 +112.4%。
按结果收费的岔路口：fileAI 退掉按页计价，业界只有约 10% 走到这一步
fileAI 宣布平台停止按页计费，改为按 Agent Flow 实际完成的结果收费，技术失败、自己造成的重复与自己触发的重跑均不收费，token 与模型调用全部留在内部成本项。官方引 Bain 对近 200 家 B2B SaaS 的 2026 年 6 月调查：仅约 10% 的 AI 原生与混合厂商已转向结果定价。
Cresta 把智能体放到挂断之后：跨对话、跨数周的后台流程账
10 月 13 日，Cresta 发布 Deputy Agent，接手客服对话之后真正决定结果的那段后台流程——退款、交易争议、保险理赔申诉常常要跨系统核对、等资料、等审批，历时数天到数周。流程进度可持久化续跑，集成断裂时自检标记，而自主边界由业务方逐条配置。