上海人工智能实验室 InternLM 发布 WildClawBench 真实环境智能体基准
InternLM 团队发布 WildClawBench，一个在真实 OpenClaw 环境中端到端评测 AI 智能体的基准，包含 60 个原创任务，覆盖生产力、代码、社交、搜索、创意合成与安全对齐六大类，中英双语。
#Agent
上海人工智能实验室 InternLM：原创项目AI 评分5757 Google Developers Blog精选AI 评分7171 使用 LlamaParse 与 Gemini 3.1 构建智能金融助手
结合 LlamaParse 与 Gemini 3.1 模型，可从复杂的非结构化文档中提取高质量数据。该方案采用事件驱动架构，利用 Gemini 3.1 Pro 对密集的金融表格进行智能解析，并使用 Gemini 3.1 Flash 进行高性价比的摘要生成。开发者通过此教程可构建个人财务助手，将杂乱的经纪账户对账单转化为结构清晰、易于理解的分析报告。
推荐理由：开发者可快速上手构建财务AI助手，将杂乱数据转化为结构化见解。
英国 AI Security Institute：Blog精选AI 评分6464 英国 AI Security Institute 开源 SandboxEscapeBench 基准，评估 AI 智能体能否逃逸沙箱容器
英国 AI Security Institute 发布开源基准 SandboxEscapeBench，用"沙箱内嵌沙箱"架构安全测试 AI 智能体的容器逃逸能力，含覆盖编排、运行时、内核三层的 18 个场景。
推荐理由：AISI 用嵌套沙箱安全实测了模型的容器逃逸能力，并给出逃逸成功率随模型规模和 token 预算变化的可复用结论。
TensorZero：实验与工程博客AI 评分6060 TensorZero 发布自动化 AI 工程师 TensorZero Autopilot，多任务基准全面超越基线
TensorZero 发布自动化 AI 工程师 TensorZero Autopilot，基于其开源 LLMOps 平台分析可观测数据、搭建评测、优化提示词与模型并运行 A/B 测试。
Berkeley RDI：Blog OpenSage：自编程智能体生成引擎
OpenSage是新一代Agent开发工具包，推动智能体开发从人工设计转向AI自主编程范式。该系统支持LLM自动构建智能体拓扑、动态编写管理工具（具备沙箱隔离与异步执行），以及维护分层图结构记忆系统。与现有方案需人工设计不同，OpenSage实现了拓扑、工具和记忆的全面AI自动化生成，并内置软件工程与安全工具套件。
Anthropic：Research精选AI 评分7171 利用长时运行智能体工作流革新科学计算
Anthropic 研究员展示了如何将多日智能体编码工作流应用于科学计算任务。以使用 Claude Opus 实现宇宙学玻尔兹曼求解器的可微分版本为例，该任务通常需耗费研究人员数月甚至数年时间。通过制定清晰的项目指令、利用日志文件作为智能体的持久记忆并设置测试预言，即使是非领域专家也能引导智能体在数小时内完成这类复杂项目。该方法的核心在于设定高层目标后，让智能体团队自主工作，仅需偶尔人工监督，从而显著提升了科学代码开发与移植的效率。
推荐理由：Anthropic 研究员用 Claude Opus 4.6 花几天从零写出了一个宇宙学 Boltzmann 求解器，原本是博士级团队几个月的活。这不是论文，是一份完整的多日 Agent 工作流实操手册，做科研或长周期编码的人可以直接抄作业。
Anthropic：Research Anthropic推出Science Blog：分享AI for Science最新进展
Anthropic推出Science Blog，分享AI在数学、物理、生物等领域的应用进展与挑战。博客设Features（科研成果案例）、Workflows（实用指南）、Field notes（领域动态）三类栏目，首发两篇内容：用Claude完成理论物理计算的实战记录，以及科学计算任务编排教程。Anthropic同时介绍了AI for Science计划、Claude for Life Sciences及参与的Genesis Mission等多亿美元级科学加速项目。
OpenAI：Alignment 研究博客AI 评分5454 训练智能体在暗中行为不当时自我报告
研究团队训练智能体在实施隐蔽不当行为时，主动调用报告工具进行自我揭发。这种方法显著降低了未被检测到的攻击数量，使智能体在企图违规操作时能自行上报。该机制为人工智能安全提供了一种新的内部监督思路，通过让模型自我监控潜在风险，提升了系统的可靠性与透明度。
Cognition 模型 / Devin 博客精选AI 评分6565 Devin 推出 Scheduled Devins，可自主安排定时任务
Cognition 宣布 Devin 新增定时会话功能，用户只需描述周期性需求，Devin 会自行设定节奏并自动执行，无需配置 cron 或工作流。
推荐理由：官方介绍了 Devin 定时任务的具体玩法，包括跨运行记忆和与 Managed Devins 组合并行执行，对想自动化例行工程工作的团队有直接参考。
OpenAI：官网动态 OpenAI 如何监控内部编程智能体的不对齐问题
OpenAI 通过思维链监控技术分析内部编程智能体的真实部署数据，研究不对齐行为模式以检测潜在风险，并强化 AI 安全防护措施。
Thinking Machines Lab：NewsAI 评分5151 Thinking Machines Lab 与 Mantic 用 RL 微调 gpt-oss-120b，将其预测能力提升至前沿 LLM 水平
Thinking Machines Lab 与 Mantic 发布客座技术文章，展示通过 Tinker 用强化学习微调 gpt-oss-120b，在 Metaculus AI Benchmark Q2 2025 上将 baseline score 从 38.6 提升到 45.8，略超 Gemini 3 Pro 等前沿 LLM。
Cursor Blog精选 Composer 2 正式发布
Composer 2 登陆 Cursor，定价 $0.50/M（输入）和 $2.50/M（输出），Terminal-Bench 2.0 得分 61.3，SWE-bench Multilingual 达 73.7，显著优于前代。支持数百步长周期编码任务，团队同步发布训练技术报告。
推荐理由：Cursor发布Composer 2编程Agent，性能大幅提升且定价极具竞争力
OpenAI：官网动态精选 OpenAI 将收购 Astral
OpenAI 收购 Astral，加速 Codex 发展以支持下一代 Python 开发工具。Astral 是 Python 生态重要工具开发商，此次收购将整合其技术能力，强化 OpenAI 在开发者工具领域的布局。
推荐理由：OpenAI收购Astral加强Codex Python工具链，Agent能力再升级
Qwen：Blog Retrieval精选 Qwen3.5-Max-Preview 现已上线 Arena
Qwen3.5-Max-Preview 已登陆 LMSYS Chatbot Arena。Qwen Studio 提供聊天机器人、图像与视频理解、图像生成、文档处理、网页搜索、工具调用及 artifacts 等全栈功能。
推荐理由：阿里 Qwen3.5-Max 预览版上线 Arena，支持多模态理解与工具调用
Cognition 模型 / Devin 博客精选AI 评分6767 Cognition 推出 managed Devins：Devin 可拆解任务并并行调度多个子 Devin
Cognition 宣布 Devin 可将大型任务拆解并委派给多个并行运行的 managed Devins。每个子 Devin 在独立虚拟机中运行，拥有自己的终端、浏览器、开发环境和会话链接，主 Devin 负责拆分任务、分配工作、监控进度并汇总结果，还能读取子会话轨迹以改进后续任务拆解。用户可监控 ACU 消耗、发送中途指令、暂停或终止子会话。功能现已对所有用户开放。
推荐理由：原文给出了多智能体协作的能力细节和适用场景，读者可以据此判断它是否适合拆解自己的大型编码任务。
LlamaIndex：产品、工程与评测精选AI 评分6969 LlamaIndex 开源 LiteParse：面向 AI Agent 的本地文档解析工具
LlamaIndex 开源 LiteParse，一个完全本地运行的 CLI 和 TS 原生库，可从 PDF、Office 文档和图片中提取布局感知文本，无需 Python 依赖，内置 Tesseract.js OCR 并支持外接 PaddleOCR、EasyOCR 等 OCR 服务。
推荐理由：开源工具主打本地快速解析加截图兜底的 Agent 模式，并自建评测对比 PyPDF 等基线，读者可评估是否迁移现有解析流程。
METR：NotesAI 评分5858 METR 用 2 小时桌游推演 200 小时时长 AI 的工作流与瓶颈
METR 三名研究员进行 2 小时桌面推演，模拟拥有约 200 人类小时时间 horizon 的 AI（预期 12-18 个月后出现），其余条件保持 2026 年 2 月现状。
Together AI 研究与产品博客AI 评分5656 Together AI 微调服务新增工具调用、推理与视觉支持，吞吐最高提升 6 倍
Together AI 扩展 Together Fine-Tuning，新增工具调用、推理和视觉语言模型微调支持，覆盖 OpenAI 兼容 schema 的端到端微调与推理。
PromptArmor：Threat Intelligence精选AI 评分6767 PromptArmor 分析 Excel 与 Google Sheets 中 AI 功能的提示词注入与数据外泄风险
PromptArmor 汇总其对电子表格 AI 功能的提示词注入与数据外泄研究，涉及 Claude for Excel、ChatGPT for Google Sheets 和 Ramp Sheets AI 三条已记录攻击链，其中 Ramp 案例已于 2026 年 3 月 16 日修复。
推荐理由：原文基于多起已披露攻击链，归纳出电子表格 AI 的间接提示词注入风险面，并给出可复用的威胁模型和风险来源清单。
Google Developers Blog精选AI 评分8181 开发者AI代理协议指南
一套包含MCP、A2A等六种协议的新工具集正式发布，旨在通过标准化AI代理的数据访问与通信方式，消除定制集成代码的需求。以“厨房管理员”代理为例，这些协议能实时核查库存、通过UCP进行批发交易，并借助AP2完成安全支付授权。开发者使用Agent开发套件（ADK）还可实现A2UI与AG-UI，为用户提供交互式仪表板与无缝流式界面。
推荐理由：开发者能快速掌握AI代理通信标准，提升集成效率。
MiniMax：Blog精选AI 评分6161 MiniMax M2.7：自我进化的早期回声
M2.7是M2系列中首个深度参与自身进化的模型。它能构建复杂的智能体框架，完成精细的生产力任务，尤其在软件工程方面表现突出，其SWE-Pro基准测试得分56.22%，接近Opus的最佳水平。模型的办公软件处理能力在开源模型中领先，GDPval-AA的ELO分数为1495。M2.7能保持97%的技能遵循率，处理超过40个、每个超过2000 token的复杂技能。该模型通过内部研究智能体框架，实现了“分析-修改-评估”的自主迭代优化循环，在内部评估中提升了性能。
推荐理由：MiniMax M2.7 让模型参与自身进化，在 SWE-Pro 和 VIBE-Pro 上接近 Opus 水平，Agent Teams 设计也值得看，但整体仍是追赶者姿态。
Google Blog：AI 将 Personal Intelligence 的强大能力带给更多用户
Google 将 Personal Intelligence 扩展至 Search 的 AI Mode、Gemini 应用及 Chrome 中的 Gemini，覆盖更多用户。
Manus：BlogAI 评分4343 Manus 推出 Instagram 连接器 Beta：可在工作区内发布内容并查看数据
Manus 上线 Instagram 连接器早期 Beta 版本，向所有用户开放，需绑定 Instagram 专业（创作者或商业）账户。该连接器支持在 Manus 工作区内构思、生成并直接发布帖子、轮播、故事和短视频，还可查看浏览量、覆盖率、点赞、评论、分享和收藏等指标。
LangChain：Blog精选AI 评分6868 LangChain 开源 Open SWE 框架，用于构建内部编码智能体
LangChain 发布开源框架 Open SWE，将 Stripe、Ramp、Coinbase 内部编码智能体的共性架构模式沉淀为可定制实现，MIT 许可，基于 Deep Agents 与 LangGraph 构建。
推荐理由：LangChain 将 Stripe、Ramp、Coinbase 内部编码智能体的共性架构模式开源为可定制框架，并逐项给出与三家实现的对照，便于团队评估起点。
OpenAI：官网动态精选 推出 GPT-5.4 mini 和 nano
GPT-5.4 mini 与 nano 发布，为 GPT-5.4 的轻量高速版本，针对编程、工具调用、多模态推理及高并发 API 和子代理任务优化。
推荐理由：OpenAI 发布 GPT-5.4 mini/nano，针对编码与 Agent 场景优化
LangChain：BlogAI 评分5959 LangChain 与 NVIDIA 联合推出企业级智能体 AI 开发平台并加入 Nemotron Coalition
LangChain 于 2026 年 3 月 16 日宣布与 NVIDIA 整合，推出企业级智能体 AI 开发平台，并加入 NVIDIA Nemotron Coalition。
Manus：Blog精选AI 评分6161 Manus 升级 Google Workspace 连接器，支持 Docs、Sheets 和 Slides 的精准编辑
Manus 发布 Google Workspace 连接器重大升级，集成 Google Workspace 团队在 GitHub 开源（非 Google 官方支持）的 Google Workspace CLI，从创建和读取文件扩展到对 Docs、Sheets、Slides 的精准编辑。
推荐理由：原文说明升级基于开源的 Google Workspace CLI，并给出了具体操作能力与入门提示词，可对照评估自己的文档工作流。
Mistral AI：NewsAI 评分4545 Mistral 推出 Forge：面向企业构建基于专有知识的前沿级 AI 模型
Mistral 发布企业级系统 Forge，让企业用内部文档、代码库和运营数据训练前沿级 AI 模型。Forge 支持预训练、后训练与强化学习，兼容 dense 和 MoE 架构及多模态输入，并已与 ASML、爱立信、欧洲空间局等机构合作。该系统以智能体优先设计，Mistral Vibe 等自主智能体可用自然语言完成微调与超参调优。
Google Research：Blog Google Research 在 The Check Up 分享：从医疗创新到真实世界临床场景
Google Research 在 The Check Up 活动发布多项医疗 AI 进展。与 Fitbit 合作的 Personal Health Agent (PHA) 整合可穿戴设备数据提供个性化健康指导；乳腺癌检测 AI 在研究中识别出 25% 传统筛查漏检的间隔期癌症；多智能体系统 AMIE 已在 Beth Israel Deaconess Medical Center 开展临床测试，协助病史采集。同时推出 MedGemma 开放模型及 Health AI Developer Foundations (HAI-DEF) 赋能开发者，糖尿病视网膜病变筛查模型已服务超 100 万例，AI 正从实验室走向真实临床场景。
英国 AI Security Institute：Blog精选AI 评分7171 英国 AISI 用网络靶场评测前沿 AI 智能体的多步攻击能力
英国 AI Security Institute 发布博客，介绍在两个网络靶场上评测七个模型（2024年8月至2026年2月发布）的多步网络攻击能力。
推荐理由：AISI 用模拟网络环境测试多步攻击链，给出了七代模型能力变化和推理算力扩展的具体数据，可用于了解前沿模型网络能力评估方法。
Manus：Blog精选AI 评分6868 Manus 发布桌面应用"我的电脑"，让 Agent 直接操作本地机器
Manus 发布 Manus 2.0 桌面应用的核心功能"我的电脑"，将 Agent 从云端扩展到用户本地电脑，通过在本地终端执行命令行指令来读取、编辑文件和控制应用，现已面向所有 macOS 和 Windows 用户开放。
推荐理由：Manus 官方说明桌面端如何通过终端命令操作本地文件与应用，并保留逐条审批机制，可帮读者评估本地 Agent 工作流的收益与权限代价。
Linear：NowAI 评分4646 Linear 界面视觉刷新：更安静的界面设计
Linear 对产品视觉界面进行刷新，降低导航侧边栏亮度、压缩桌面端顶部标签栏并减少图标使用，让主内容区更突出。此次改版还柔化边框与分隔线对比度，减少视觉噪音。团队借助 Claude Code 在应用内构建取色工具，并用 Linear agent、Cursor、Codex 等编码智能体加速开发。
LlamaIndex：产品、工程与评测精选AI 评分6767 LlamaIndex 解析为什么让 AI 读 PDF 这么难
LlamaIndex 发文解释 AI 智能体读 PDF 难的根本原因：PDF 源自 1982 年的 PostScript，只存绘图指令而非字符，文本编码、表格、图表和阅读顺序都需要启发式推断。
推荐理由：文章从 PDF 格式底层设计讲清解析困难的根源，并给出文本提取与视觉模型结合的可迁移架构思路。
Runway：News 负责任地构建交互式 AI 角色
Runway 发布 Characters 实时视频 API，支持从单张图片生成可对话虚拟角色。文章在介绍客服、教育等应用场景的同时，重点讨论了该技术在肖像权同意、实时深度伪造欺诈、情感操纵及社交依附等方面的潜在风险。Runway 已采取内容过滤（禁止儿童与公众人物形象）、限制专业领域建议及透明度标识等安全措施，但承认随着技术进步，相关治理挑战仍需持续应对。
Anthropic：Newsroom Anthropic投资1亿美元成立Claude合作伙伴网络
Anthropic宣布投入1亿美元成立Claude合作伙伴网络，为帮助企业采用Claude的合作伙伴提供培训、技术支持和联合市场开发。该网络免费开放，合作伙伴可获得Claude Certified Architect等技术认证，并优先使用代码现代化入门套件。Anthropic还将合作伙伴支持团队扩大五倍，配备Applied AI工程师和技术架构师，协助企业完成从概念验证到生产部署的过渡。
Cursor Blog Cursor 如何评估模型质量
Cursor 采用混合在线-离线评估流程衡量 AI 编程助手质量。离线端使用内部套件 CursorBench，基于真实开发会话构建，涵盖多文件修改、生产日志排查等复杂任务，相比公共基准更能区分前沿模型（如识别 Haiku 与 GPT-5 的实际差异）。在线端通过真实流量监控补充，捕捉离线评分遗漏的体验回归。两者结合确保模型评估与开发者实际体验一致。
OpenAI：官网动态精选 设计可抵御提示注入的 AI agent
ChatGPT 防御提示注入与社会工程的方法：在 agent 工作流中约束高风险操作并保护敏感数据，避免 AI 智能体因恶意提示泄露信息或执行危险动作。
推荐理由：OpenAI官方分享Agent提示注入防护技术实践
OpenAI：官网动态精选 从模型到智能体：为 Responses API 配备计算机环境
OpenAI 基于 Responses API、shell 工具与托管容器构建 agent runtime，支持文件处理、工具调用及状态管理，实现安全可扩展的智能体计算机环境部署。
推荐理由：OpenAI为Responses API增加Agent运行时与容器化执行环境
OpenAI Developers：BlogAI 评分4343 OpenAI Responses API 一周年：五个开发者用 GPT-5.2、GPT-5.3-Codex 构建智能体的故事
OpenAI 的 Responses API 发布满一年，已支持多种托管工具，用于构建可执行任务的 AI 智能体。
Anthropic：Alignment Science BlogAI 评分4949 Anthropic 开源自动化对齐智能体 A3，用于安全微调
Anthropic 开源自动化对齐智能体 A3，可在极少人工干预下自动缓解大语言模型的安全失效问题，降低谄媚、政治偏见和嵌套越狱等问题的安全失败率（SFR），表现优于非自适应基线。A3 由数据生成智能体、微调智能体和实验日志三部分组成，通过假设检验生成数据、自适应加权混合训练集与后训练数据，并采用 LoRA 微调以缓解灾难性遗忘。