PromptArmor 研究：Claude 与 ChatGPT 连接器持续变更带来治理风险
PromptArmor 自 5 月中旬至 6 月底追踪 Claude 和 ChatGPT 的第三方连接器，发现 2517 个连接器中 931 个发生了能力或权限变更，新工具、权限范围、注入指令等在审批后持续漂移且缺乏重新确认机制。
推荐理由：研究用一手监测数据量化了连接器审批后的能力漂移，读者可据此重新评估组织的连接器治理流程。
#Agent
PromptArmor：Threat Intelligence精选AI 评分6464 Claude：BlogAI 评分4646 Cognition 如何信任 Claude Fable 5 通宵工作
Cognition 研究高级副总裁 Silas Alberti 表示，其 AI 软件工程师 Devin 测试了几乎所有 Claude 模型，Claude Fable 5 是首个能信任其通宵运行的模型。在 Cognition 自建的 Frontier Code 基准测试最难子集上，此前 Opus 模型得分约 10%，Claude Fable 5 得分约 30%。Alberti 称最大变化在于任务执行时长：模型可连续工作 8 小时并取得实际进展，能正确使用内部调试工具，在混乱上下文中保持清晰思路，并主动说明未知信息以重建信任。
GitHub BlogAI 评分5151 GitHub Copilot 代码审查改用共享工具后性能下降，通过重写指令实现 20% 成本降低
GitHub 在 Copilot 代码审查中尝试用 Copilot CLI 的共享代码探索工具（grep、glob、view）替换原有专用工具，结果导致审查成本上升、有效评论数量下降。分析 trace 发现，问题不在工具本身，而在于指令让智能体像通用编程助手一样大范围浏览仓库，而非像审查者一样从 diff 出发进行定向搜索。重写指令后，审查平均成本降低约 20%，同时保持相同审查质量。
PromptArmor：Threat Intelligence精选AI 评分6161 PromptArmor 分析：约五分之二 Claude Connectors 会调用外部 AI 服务
PromptArmor 审查了当时可用的 487 个 Claude Connectors 共 7517 个工具，发现其中 189 个（约五分之二）的 386 个工具很可能在下游调用其他 AI 服务。
推荐理由：原文给出了 Claude Connectors 二次调用外部 AI 的实测比例、工具分类和具体风险，读者可据此评估企业数据流合规。
Meta AI：BlogAI 评分7878 Meta 发布 Muse Spark 1.1 多模态推理模型
Meta Superintelligence Labs 今日推出 Muse Spark 1.1，专为智能体任务设计，在工具使用、计算机使用、编程和多模态理解方面显著提升。模型支持 100 万 token 上下文窗口，提供“Thinking”模式，并通过 Meta Model API 公开预览。在智能体任务中可零样本泛化至新工具、MCP 服务器与自定义技能；计算机使用可自动编写脚本或生成批量操作；编程性能在 Meta Internal Coding Bench 上优于前代。多模态能力涵盖视觉到代码生成、图像视频描述。安全性评估显示模型在化学生物、网络安全、失控等风险类别中处于安全边际内。
OpenAI：官网动态精选AI 评分8080 OpenAI 推出 ChatGPT Work：可跨应用自主工作的 AI 智能体
OpenAI 发布 ChatGPT Work，一个能跨应用和文件收集信息、将复杂项目分解为小步骤独立完成并持续工作数小时的 AI 智能体。它内置 Codex 技术，目前每周超 500 万用户使用 Codex，其中超 100 万用于非软件开发场景。ChatGPT Work 由今天同步推出的最新前沿模型 GPT‑5.6 驱动，具备多步骤推理和按模板生成材料的能力。该功能今天起面向 Pro、Enterprise 和 Edu 计划推出，未来几天扩展至 Plus 和 Business 计划。桌面版 ChatGPT 在所有计划（含免费版）中提供 Chat、Work 和 Codex 模式，且 Codex 应用已合并至新的桌面应用。
推荐理由：ChatGPT Work 把代理能力真正派发给了普通用户，配合插件、定时任务和电脑控制，这是 ChatGPT 从问答工具迈向自主完成复杂工作的关键一步。但我更关心 GPT-5.6 的推理提升到底多大，案例里没给数字。
Prime Intellect精选AI 评分6161 Prime Intellect 发布 verifiers 0.2.0 预览版，将智能体 RL 环境解耦为 Taskset、Harness 与 Runtime
Prime Intellect 发布 verifiers 0.2.0，预览重写后的 v1 核心，将环境解耦为 taskset、harness 和 runtime，任意 taskset 可在任意兼容 harness 下运行。
推荐理由：原文给出任务集、执行框架与运行时三层解耦的设计细节和训练案例，读者可以据此评估这套抽象是否适配自己的智能体训练流程。
Amazon ScienceAI 评分5252 Amazon 发布开源代理 Turnstile，在智能体交互中捕获 token ID 以改进强化学习训练
Amazon Science 发布 Rust 编写的开源代理 Turnstile，它位于智能体 harness 与推理后端之间，在生成时刻精确记录 token ID、对数概率、loss mask 及权重版本边界，导出框架无关的训练轨迹。
Meta AI：Research Blog精选AI 评分7474 Meta 发布 Muse Spark 1.1 多模态推理模型并开放 Meta Model API 公测
Meta Superintelligence Labs 发布 Muse Spark 1.1，定位面向智能体任务的多模态推理模型，在工具与计算机使用、编码、多模态理解上较 Muse Spark 有明显提升，支持 1M token 上下文窗口。
推荐理由：官方博客给出模型在智能体、编码、多模态上的能力细节和百万 token 上下文，并开放 Meta Model API 公测，可对照现有工作流评估。
LangChain：Blog精选AI 评分6464 LangChain 与 NVIDIA 发布 NemoClaw Deep Agents 蓝图
LangChain 与 NVIDIA 发布 NemoClaw for LangChain Deep Agents 蓝图，组合 LangChain Deep Agents Code、NVIDIA Nemotron 3 Ultra 和 NVIDIA OpenShell 运行时，帮助企业构建可控的开源智能体系统。
推荐理由：原文给出评测数字和分层架构细节，读者可以据此评估开源智能体栈在成本与治理上的取舍。
LangChain：BlogAI 评分5050 LangChain：改进 AI 智能体本质是一个数据挖掘问题
LangChain 通过挖掘智能体运行轨迹（traces）来定位失败模式，并利用这些数据微调评估模型（judge models），其成本低于前沿大语言模型。该方法结合评估（evals）进行性能爬山（hill-climb），以系统化方式提升智能体表现。
Claude Code：GitHub ReleasesAI 评分5151 Claude Code v2.1.205 发布
Claude Code v2.1.205 修复多项 bug，包括 `--json-schema` 在 schema 无效时静默输出非结构化结果、Windows 下工作树删除误删文件、以及目录被删除/锁定导致的崩溃。改进自动模式，执行 `rm -rf` 前先确认变量可解析；自动更新二进制改为流式写入，峰值内存降低约 400 MB。智能体视图新增状态词和标题，替换原始工具调用文本。`/doctor` 升级为完整设置检查命令（别名 `/checkup`）。后台任务通知明确标注无人输入，防止伪造批准。保留“Claude Browser” MCP 服务器名。
Claude：BlogAI 评分5454 Anthropic 市场运营团队用 Claude Cowork 自动化报告与活动构建
Anthropic 市场运营团队的 Ian Chan 和 Annabel Custer 利用 Claude Cowork 将手动工作从多天压缩至数小时。Ian 此前每周花 1—2 天整合营销指标报告，现在通过 Claude Cowork 的定时任务（每周日自动读取上周报告、会议记录、Slack 和数据仓库）生成初始报告，经他审核后由 Claude 扩展细节并产出领导层幻灯片，流程缩至最多 2 小时。Annabel 曾手动在 Salesforce、HubSpot、Swoogo 等平台逐一搭建活动，现由 Claude Cowork 的派遣技能每小时读取请求频道，分发给五个专业技能自动处理最复杂的事件构建。人类验证已成为工作流核心环节。
xAI：News精选AI 评分7878 xAI 发布 Grok 4.5，主打编码、智能体任务与知识工作
xAI 于 7 月 16 日发布 Grok 4.5，称其为最强模型，主打编码、智能体任务和知识工作，训练与 Cursor 合作完成。
推荐理由：官方公布了多项工程基准数据、token 效率和价格，读者可以据此比较它在编码和智能体任务上的实际表现。
Manus：BlogAI 评分5555 Manus 推出 Branch 功能：一份上下文可开多条并行会话
Manus 推出 Branch 功能，点击对话中任意消息下方的分支图标，即可创建一个继承该节点之前指令、文件和对话历史的并行会话，原始会话保持不变。每个分支拥有独立上下文副本，互不干扰，可从同一消息多次分支，也支持从分支再分支；该功能面向所有用户开放，暂不支持 Web Builder 会话。
Microsoft Research 博客AI 评分5757 Microsoft Research 开源可视化中间语言 Flint，让 AI 智能体用简洁规范生成精美图表
Microsoft Research 发布开源可视化中间语言 Flint，AI 智能体只需编写简洁、可人工编辑的图表规范，编译器即可根据语义类型自动推导标度、轴、格式、配色和布局，生成精美图表。
Fireworks AIAI 评分5252 Fireworks 上线 NVIDIA Nemotron 3 Ultra，LangChain Deep Agents 完成适配
Fireworks 宣布 NVIDIA Nemotron 3 Ultra 上线并提供首日支持，LangChain 针对该模型调优了 Deep Agents harness，仅调整提示词、工具和中间件，未做模型再训练。
OpenClaw：Blog精选AI 评分7676 OpenClaw 成立 501(c)(3) 非营利基金会，OpenAI、NVIDIA、微软等三十多家机构加入合作
OpenClaw 宣布正式成立美国 501(c)(3) 非营利基金会，目标是把项目作为开放、独立、社区驱动的开源项目长期托管，保持 MIT 许可。目前每周新增 450 万个 claw，是 GitHub 历史上增长最快的仓库之一，团队首次聘请全职员工并开放多个岗位。
推荐理由：官方宣布成立基金会并给出治理结构、员工与合作伙伴名单，读者可以据此了解 OpenClaw 的开放独立承诺如何落地。
BAIR：Berkeley AI Research Blog精选AI 评分6262 智能免费，然后呢？——Data Systems for, of, and by Agents
AI推理成本急剧下降。GPT-4级能力从2023年初每百万token约30美元降至今天不到1美元，部分供应商已低于0.10美元。推理价格每年下降9至900倍，中位数约50倍。知识工作级智能即将近乎免费。这给数据系统带来三重变革：面向智能体的数据系统需支持智能体推测式探索——单个
推荐理由：当推理成本趋近免费，数据系统将经历从服务人到服务智能体的根本变革，这篇文章把'为智能体设计系统、用智能体运行系统、让智能体构建系统'三大挑战梳理得很清晰，做数据和 agent 基础设施的人应该读。
Google Blog：AI精选AI 评分6969 Gemini API Managed Agents 新增后台执行、远程 MCP 与自定义函数等能力
Google 为 Gemini API 的 Managed Agents 新增后台执行、远程 MCP 服务器集成、自定义函数调用与凭证刷新功能。后台执行通过传入 `background: true` 异步运行任务，立即返回 ID 供轮询状态或流式获取进度。Managed Agents 可直接连接远程 MCP 服务器，无需自定义代理中间件，并能与内置沙箱工具（如 Google 搜索、代码执行）混合使用。自定义函数调用支持本地执行业务逻辑，内置工具自动在服务端运行。凭证刷新通过传递现有环境 ID 和新网络配置完成，沙箱内文件系统、已安装包和仓库保持不变。这些更新旨在帮助开发者构建可靠的生产级 AI 智能体。
推荐理由：Managed Agents 这次更新解决了异步执行和远程工具调用的痛点，让 Gemini 代理能真正跑在后台，对已经在用 Gemini API 做产品的开发者属于必读更新。
Claude：Blog精选AI 评分7171 Claude Cowork 向移动端和网页端开放
Claude Cowork 正在向移动端和网页端开放，让会话和文件跨设备同步。Beta 版将在未来几周内首先面向 Max 用户推出。Cowork 可让 Claude 跨文件、日历、邮件、即时通讯等工具完成复杂任务，其中超过 90% 的使用场景并非软件开发，而是日常知识工作（业务运营和内容创作）。工作可跨设备跟随用户：在桌面端开始任务，从手机查看进度；关闭笔记本后 Claude 可继续后台运行，支持定时任务（如周一 6 点自动准备客户简报）。当需要用户决策时，Claude 会将问题推送到手机。桌面端保留完整 Cowork 体验，支持无法安装桌面应用的用户。聊天和 Cowork 已在网页端和桌面端合并。为庆祝上线，双倍 Cowork 使用额度延长至 8 月 5 日。
推荐理由：Claude Cowork 把它从桌面解放到手机和浏览器，90% 的日常知识工作被它接住了，跨设备、后台运行让 AI 助手真正能替你干活，不是聊天。
Prime IntellectAI 评分5858 Prime Intellect 完成 1.3 亿美元 A 轮融资，打造开放超级智能栈
Prime Intellect 宣布完成 1.3 亿美元 A 轮融资，由 Radical Ventures 领投，NVIDIA Ventures、Intel Capital、Dell Technologies Capital 参投，总融资超过 1.5 亿美元，用于构建开放超级智能栈。
Cognition 模型 / Devin 博客精选AI 评分6767 Cognition 发布 SWE-1.7 模型并详解 RL 训练方法
Cognition 发布 SWE-1.7，称其以更低成本达到前沿智能水平。模型基于 Kimi K2.7 底座训练，FrontierCode 1.1 Main 通过率 42.3%，Terminal-Bench 2.1 为 81.5%，已在 Devin（Web、Desktop 和 CLI）中经 Cerebras 以 1000 TPS 提供。
推荐理由：官方既公布基准成绩也详解训练方法，读者可以了解多集群 RL 训练、熵稳定和自压缩等具体做法。
Apple Machine Learning Research精选AI 评分5656 Weblica：面向视觉网页智能体的可扩展可复现训练环境
苹果研究团队提出Weblica框架，通过HTTP级缓存保存网页稳定视觉状态并保留交互行为，结合大语言模型基于真实网站与核心导航技能合成环境，构建可复现、可扩展的训练环境。该框架将强化学习训练扩展到数千个多样化的环境和任务。最佳模型Weblica-8B在多个网页导航基准上超越同等规模的开源模型，推理步骤更少，测试时计算扩展性良好，性能与API模型相当。
推荐理由：Apple 的研究把 web agent 训练从零散数据中解放出来，可复现环境是规模化 RL 的关键一步，做 web 自动化的值得关注。
BAIR：Berkeley AI Research BlogAI 评分4545 智能免费之后怎么办？面向智能体、由智能体运行、由智能体构建的数据系统
伯克利 AI 研究博客提出，随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不到 $1、部分厂商低于 $0.10，数据系统面临三大新挑战：为智能体设计（Data Systems For Agents）、由智能体运行（Of Agents）、由智能体构建（By Agents）。
字节 Seed：Research Papers精选AI 评分7474 EdgeBench：从真实世界环境中揭示学习缩放定律
字节跳动Seed团队发布EdgeBench，包含134个真实世界任务，覆盖科学发现、软件工程等6个领域，每任务支持至少12小时连续智能体运行。基于约38,000小时交互数据，发现总体性能与环境交互时间呈精确对数S形缩放定律（R²=0.998），且智能体学习速度约每三个月翻倍。已公开51个任务及完整评估框架。
推荐理由：这篇论文首次量化了智能体在134个长周期真实任务中从环境学习的性能曲线，发现log-sigmoid缩放定律精确度极高，且学习速度约每三个月翻倍。对于正在设计长期自主agent的团队，这是一份必须看的底层规律报告。
蚂蚁 inclusionAI：GitHub 新仓库AI 评分5656 蚂蚁 inclusionAI 开源多智能体协作基础设施 Avernet（社区版 V0.1）
蚂蚁 inclusionAI 在 GitHub 开源多智能体协作基础设施 Avernet，当前为社区 V0.1，Apache License 2.0 协议。
字节 Seed：Research FeedAI 评分5555 字节 Seed 发布 EdgeBench：衡量真实世界环境学习，发现新 Scaling Law
字节 Seed 发布超长程评测集 EdgeBench，含 134 个真实任务（覆盖六大领域），每个任务支持 Agent 持续工作至少 12 小时。基于约 38000 小时交互数据，发现 Agent 环境学习表现遵循高精度 log-sigmoid 曲线（平均 R²=0.998）；自 2025 年 9 月至 2026 年 5 月，前沿模型学习速度约每三个月翻一倍。EdgeBench 已开源 51 个任务及完整评测框架。
Claude Code：GitHub Releases精选AI 评分6767 Claude Code v2.1.202 发布
Claude Code v2.1.202 在 `/config` 中新增“Dynamic workflow size”设置，可控制动态工作流的 agent 数量规模（小/中/大），作为指导性建议而非硬性上限。工作流派生的 agent 现在会发射 `workflow.run_id` 和 `workflow.name` 的 OpenTelemetry 属性。修复了 mTLS 握手失败、远程控制发送命令失败、移动端发送无说明图片被静默丢弃、语音听写在麦克风故障时无限重试（改为暂停输入）、重载已有技能导致重复指令等问题。改进了工作流 agent 列表布局，MCP 错误消息更清晰。`/review <pr>` 恢复为快速单次审查，多 agent 审查请使用 `/code-review`。
推荐理由：这波修复让远程控制和工作流终于稳了，以前被 silent drop 的文件和无线重试的 bug 都治好了，Claude Code 重度用户升级后体验会好一个档次。
英国 AI Security Institute：Blog精选AI 评分7272 英国 AISI 用前沿 AI 模型查找云环境配置错误的案例研究
英国 AI Security Institute 在两周期限内用多种前沿模型和编码 agent 检查内部研发平台的 staging 环境，发现并修复了此前未知的配置错误、提权路径和供应链弱点，一个多步攻击链让普通用户无需受害者交互即可横向访问他人数据。
推荐理由：英国 AISI 以自身云环境实测前沿模型的攻防价值，给出三种方法的人力成本与检测效果对比，防御方可参考其经验。
Claude：Blog精选AI 评分7070 Claude Fable实地指南：发现你的未知
Claude Fable是第一款要求用户主动澄清未知才能获得高质量工作的模型。与Claude Fable协作是一个在实现前后迭代发现未知的过程。通过将问题分解为已知的已知、已知的未知、未知的已知和未知的未知四类，用户可以借助Claude Fable和Claude Code进行盲点检查、头脑风暴、原型设计、实现笔记记录以及答辩解释，从而高效挖掘并解决深藏于代码库和设计与实现中的潜在问题。
推荐理由：Anthropic 官方分享的 Claude Fable 协作方法论，把「发现未知」拆成盲点扫描、原型、面试等可操作步骤，如果你用 Claude Code 但常觉得代理跑偏，这篇是必读实践指南。
Tessl：产品与工程博客精选AI 评分6767 微软实测 Claude Sonnet 4.6 对比 Sonnet 5：单价更便宜，实际成本可能更高
微软团队在 VS Code 的 GitHub Copilot Chat 中用 15 个场景共 150 个 agent 任务对比 Claude Sonnet 4.6 与 Sonnet 5。
推荐理由：微软实测显示 Sonnet 5 单价更低但 token 消耗更高，升级后不同任务表现互有胜负，结论是先用真实任务测量再决定升级。
ARC Prize：官方博客AI 评分5959 ARC Prize 2026 公布 ARC-AGI-3 里程碑奖 #1 前三名方案
ARC Prize 公布 ARC-AGI-3 里程碑奖 #1 结果，总奖金 $37.5K：Tufa Labs 的 The Duck 以 agent 写代码的 REPL 方案夺冠（本地跑 Qwen 3.6 27B FP8），Reki 的 Gemma-4-31B 视觉 JSON 动作方案获第二，Md Boktiar Mahbub Murad 的 forge 框架获第三。
Apple Machine Learning Research精选AI 评分7272 多智能体团队阻碍专家发挥
在自我组织的多智能体LLM系统中，团队无法有效利用专家成员的专业知识。在多个基准测试中，即使明确告知专家身份，团队表现仍落后于最佳成员（专家智能体）的独立能力，性能损失最高达41.1%。失败主因是未能有效利用专家意见，而非识别专家。对话分析显示，团队倾向于“整合性妥协”——平均化专家与非专家观点，随团队规模增大而加剧，且与表现负相关。这种寻求共识的行为同时提升了对抗恶意智能体的鲁棒性，揭示了协同对齐与专业利用之间的根本性权衡。
推荐理由：这篇研究给多智能体热浇了盆冷水，自组织团队反而拖累专家，瓶颈不在认不认识专家而在会不会用专家，做 Agent 系统的都知道这有多反直觉。如果你是做多智能体的值得看看。
腾讯混元：Research精选AI 评分6969 腾讯混元正式发布Hy3模型
腾讯混元于7月6日正式发布Hy3模型。相比preview版，任务解决率从72%升至90%，平均耗时缩短34%；幻觉率从12.5%降至5.4%，常识错误率从25.4%降至12.7%，多轮问题率从17.4%降至7.9%，长对话基准MRCR从42.9%升至75.1%。在270位专家盲测中均分2.67/4，优于GLM5.1的2.51/4。API价格为输入1元/百万tokens、输出4元、缓存命中0.25元。模型已基于Apache 2.0协议开源。
推荐理由：腾讯混元重建后的正式版，幻觉率砍半，工具调用稳定性大幅提升，内部盲测压过GLM5.1。做Agent和内部工具的团队值得重新评估这个高性价比选项。
PromptArmor：Threat Intelligence精选AI 评分6666 PromptArmor 披露 Microsoft Copilot Cowork Skill 可绕过管理员设置调用 DeepSeek
PromptArmor 披露，即使组织未加入 DeepSeek Preview，Microsoft Copilot Cowork 的 Skill 也能通过 agent 自身的访问路径调用 DeepSeek（Mistral 亦验证可行），且无需 API key，认证由用户的 Cowork 会话自动授予。
推荐理由：原文实测展示了 Copilot Cowork Skill 如何绕过组织级模型封锁调用 DeepSeek，并给出管理员目前唯一可用的关闭路径。
英国 AI Security Institute：Blog精选AI 评分7070 AISI 研究：智能体评测需计入 test-time compute，固定预算会低估能力
英国 AI Security Institute 发文指出，智能体能力不是单一分数，而是随 test-time compute 变化的曲线，固定预算评测会系统性低估前沿智能体能力，尤其对新模型。
推荐理由：AISI 用多预算扫描实验说明固定 token 预算会系统性低估前沿智能体能力，对评测方法和政策判断都有参考价值。
Claude Code：GitHub Releases精选AI 评分6464 Claude Code v2.1.198 发布
Claude Code v2.1.198 更新。Claude in Chrome 现已全面可用。为 claude agents 新增后台智能体通知（agent_needs_input / agent_completed）。新增 /dataviz 技能，提供图表与仪表盘设计指导及配色验证器。Gateway 增加 AWS 上的 Claude Platform 作为上游提供商。后台智能体在 worktree 中完成代码后自动提交、推送并创建草稿 PR。内置 Explore 智能体现继承主会话模型（上限 opus）。修复网络短暂断开导致响应中断、后台任务卡在“Running”状态、智能体团队队友因 API 错误失败等问题。
推荐理由：如果你是Claude Code用户，这次更新很实在，Chrome版终于正式可用，背景agent的自动提PR和通知功能能省不少事，/dataviz也能辅助可视化。