技术方向
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。
22 条精选近 30 天 21 条共收录 115 条
GitHub Copilot 提供了 Agentic Engineering 工作流的实践指南，涵盖 Plan、Build、Verify 和 Observe 四个阶段。开发者可利用 Copilot 在 Slack/Teams 中整合分散上下文、创建 GitHub Issues、使用 Plan Mode 制定计划，并利用 Session continuity 跨设备持续工作。
推荐理由：文章阐述了 Agentic Engineering 工作流的四个阶段，帮助开发者将精力从重复劳动转移到决策制定上。
Greenlight Financial 利用 Amazon Bedrock AgentCore 构建了 Luna 自主 SOC 解决方案，每月无需人工干预解决超过 90% 的 3,000-4,000 个安全和风险案例。该系统采用分层多智能体架构，包含超过 30 个专业 Agent，并利用 Episodic Memory 实现持续学习，将平均例行案例的分类时间缩短至秒级。
推荐理由：Greenlight Financial 利用 Amazon Bedrock AgentCore 构建了自主 SOC 解决方案，实现了超过 90% 的安全风险案例的自动化处理。
Microsoft Research 发布 PDD Kit 工具包，用于形式化验证 Agent 编写的全栈 Web 应用，以 Pet Store 的 Rust 前端和后端登录逻辑为例。PDD Kit 将用户意图转化为 Verus 形式化规范，自动生成证明和高质量测试，开发者只需审查意图而非逐行代码。
推荐理由：PDD Kit 帮助将意图转化为形式化规范，并使用 Verus 证明 Agent 生成的代码满足该规范，将软件审查重点从代码转向意图。
AI领域出现人才变动，包括Cat Wu从Anthropic加入OpenAI，Sharon Zhou从AMD加入Anthropic；OpenAI报告其自主管道发现了948个Linux内核LPE漏洞。
推荐理由：内容汇集了行业人才变动、OpenAI安全研究、多款开源模型发布及企业应用实践等多个前沿观察。
生产级 AI 智能体在数据分析和报告生成中常因上下文管理成为瓶颈，本文基于 Deep Insight（基于 Strands Agents SDK 和 Amazon Bedrock AgentCore）阐述了四层上下文工程实践：架构级隔离、提示词控制、文件系统外部化和独立验证。通过单次写并执行工具，可将脚本对上下文的 token 消耗减少约 95%，按需加载技能可使系统提示缩减约 97%。
推荐理由：文章系统性地阐述了四层上下文工程实践，帮助生产级 AI 智能体有效管理 LLM 的有限上下文窗口。
Google Antigravity 搭载新的 Cheminformatics Skills 加速药物发现工作流，使用肺癌治疗案例，智能体在一小时内搜索数千化合物并提出新型刚性大环分子及其合成路线。该技能支持从文献数据提取、分子分析到预测模型构建和新分子设计，并提供 6 个月免费试用名额给 10,000 名科学家。
推荐理由：Google Antigravity 结合 Cheminformatics Skills 加速药物发现流程，将数日工作缩短至一小时，支持从文献提取到新分子设计的全流程。
Amazon Bedrock 现在支持 Kimi K3 在印度本地推理，通过 in.moonshotai.kimi-k3 推理配置文件，满足严格的数据驻留要求。客户 Ultrahuman 报告使用该功能后，通过提示词缓存将 LLM 成本降低了 80%，多轮聊天速度提升了 85%。文章提供了 OCR 和理解 Indic-language 文档的示例代码，并介绍了跨区域推理选项和成本优化策略。
推荐理由：AWS 介绍了 Kimi K3 在 Amazon Bedrock 上支持印度本地推理，满足严格数据驻留要求，并提供了 OCR 和 Indic-language 文档理解的实践代码。
Legora CTO Jacob Lauritzen 讨论了为律师构建 AI 智能体所需条件，该公司已实现 $100M ARR 且拥有超过 1,800 个客户。Legora 采用模拟 RL 环境进行评估，而非直接读取客户数据，所有基础设施运行在 Azure 以满足数据隐私要求。
推荐理由：Legora 的实践展示了 AI 智能体在法律领域的应用路径，强调了数据隐私和模拟环境评估的重要性。
该方案展示了如何使用 Amazon Bedrock AgentCore、Amazon Nova Multimodal Embeddings 和 Strands Agents SDK 构建多智能体工程助手，以自动化部件替代的证据收集。系统通过规划器路由至 Catalog、Evaluation 和 Knowledge 三个专家智能体，结合确定性代码进行规格匹配，并确保工程师始终是最终决策者。
推荐理由：该方案展示了如何结合多模态嵌入和多智能体系统，自动化工程部件替代的证据收集与文档起草。
通过序列级知识蒸馏 (SeqKD)，将前沿教师模型（如 GLM-5.3 on Amazon Bedrock）的行为迁移到小型学生模型（如 Qwen3.5-4B），实现高效智能体。该方法仅需教师的文本输出，无需访问 logits，可在 SageMaker AI 上使用服务器less SFT 进行微调，最终 4B 学生模型实现了接近教师模型的任务质量，显著降低了生产规模的调用成本。
推荐理由：文章展示了如何利用 SeqKD 将前沿教师模型的行为迁移到小型学生模型，实现成本和效率的平衡。
Amazon Bedrock AgentCore runtime 的 Session endpoints 允许用户通过浏览器实时预览编码智能体构建的 Web 应用，无需等待部署。本教程部署了一个使用 Vite 网站的编码智能体，通过本地端点和 Session endpoint 在浏览器中实时查看和交互，例如将网站切换为深色主题。
推荐理由：该教程展示了如何通过 Session endpoints 实现编码智能体构建的 Web 应用实时预览和交互体验。
Kiro是一个集成AI的IDE，通过一个可复用的引擎将PHP到Java的迁移从一次性尝试转变为可衡量、可重复的过程。该引擎基于共享方法论、机械发现扫描器和八阶段工作流，以原始PHP应用为规范，直到校验套件验证后才判定Java端口正确。该流程可通过Kiro交互式驱动或通过AWS Transform在投资组合规模上自主运行。
推荐理由：该引擎将PHP到Java的迁移过程转化为可衡量、可重复的流程，核心在于先发现后翻译和先构建判断器。
OpenAI、Anthropic、Google 和 Meta 等公司均出现 AI 智能体越权和脱轨事件，现有安全措施依赖运气和事后分析。研究发现当前主流 Agent 框架缺乏持久 Agent ID 和人类干预记录等关键可观测性信号。解决之道在于利用 OpenTelemetry 捕获“发生了什么”和“如何决策”的记录，并需行业、企业和监管机构共同构建安全生态。
推荐理由：研究发现当前主流 Agent 框架缺乏关键可观测性记录，阻碍了实时安全监控和责任追溯。
该文章介绍了基于Amazon Bedrock AgentCore构建企业级Agentic AI平台的架构和参考实现，旨在解决生产环境中Agent部署的治理、成本和安全瓶颈。该平台采用联邦运营模型，由中央Platform控制平面和可重复的Workstream单元组成，通过推理和工具网关、部署运行时评估等机制实现端到端治理和生命周期管理。
推荐理由：该蓝图展示了如何在多账户AWS环境中构建受治理的企业级Agentic AI平台，平衡了平台控制与业务团队自治。
Anthropic 强调了智能体大脑与执行手部的分离架构，这在 Opus 5.5 发布中体现，提升了安全性和可靠性。新模型成本更低，并增强了防止模型推理被蒸馏的保护，同时 Claude Managed Agents 提供了更便捷的 Agent 编程入口。
推荐理由：Anthropic 区分了智能体的大脑与手部的架构，提升了安全性和可靠性，是设计 Agent 运行时的参考视角。
Property Finder 发现 96.8% 的评估标签源自单一模型预测而非人工验证，导致模型比较存在评估偏差。团队通过构建无偏的专家标注基准，并应用进化式提示词优化，最终选择 Llama 4 Maverick 17B Instruct，在 356 张图像评估集上达到 Micro F1 0.80，成本降低 86%。
推荐理由：文章分享了如何识别评估偏差、构建无偏基准并应用进化式提示词优化以提升模型性能和降低成本。
Anthropic 发现具备按需上下文的单智能体在质量成本和延迟上优于多智能体设置，并发布了迁移工具包供团队评估。Opus 4.5、Opus 5.5 和 Fable 5.1 等新模型可直接管理复杂计划，单智能体架构运行速度比多智能体设置快约两倍。
推荐理由：Anthropic 发现单智能体在质量成本和延迟上优于多智能体设置，并发布了迁移工具包供团队评估。
本文介绍了在 Amazon Bedrock 上使用 OpenAI 模型时，如何通过提示缓存模式让 AI 代理记住上下文，从而降低成本并提升响应一致性。文章演示了显式与隐式缓存的使用方法、缓存边界设置、工具列表变更处理以及多代理协作的热身策略，并给出了 GPT‑6 Astra 在六轮对话中的成本节省数据。
推荐理由：本文展示了在 Amazon Bedrock 上使用 OpenAI 模型的提示缓存模式，帮助读者显著降低成本并提升代理响应效率。
该方案使用 AWS CDK 构建了基于托管 Amazon Bedrock 知识库的企业级智能体检索系统，支持多知识库语义路由和推理智能体。系统内置了七层可观测性（如 CloudWatch 仪表板）以及按需和连续的评估机制，所有组件均可通过单条 cdk deploy 命令部署。
推荐理由：该方案展示了如何利用托管知识库构建企业级智能体检索，并内置了七层可观测性和评估能力。
本文介绍 Bayer Crop Science 如何在 Amazon Bedrock AgentCore 上构建 Agentic 决策引擎（ADE），并与 AWS Unified Operations 合作完成设计、部署与运维。
推荐理由：文章详细阐述了如何在 Amazon Bedrock AgentCore 上构建多代理决策引擎，并给出关键设计决策与运维经验，帮助读者快速落地类似系统。