跳到正文
#Agent
10月3日周六
  1. The Verge：AI69

    Apple 将限制 Mac 全盘访问权限，称 AI 智能体大幅增加风险

    Apple 宣布将在 macOS 上收紧 Full Disk Access 权限，用户需通过非常明确的主动操作才能授予应用该权限。此前有报道称 Meta 的 Muse AI 在未经明确授权的情况下读取了用户信息，Apple 表示部分开发者滥用全盘访问，随着 AI 智能体能力增强，相关风险将大幅增长。Apple 未公布更新上线时间。

  4. Arena.ai68

    Arena 公布 Claude Sonnet 5.5 (Max) 在 Agent Arena 首秀排名 #3，净提升 +12.5%，比 Claude Sonnet 5 (High) 高 8.1 个百分点，并在 Chat 类别以 +15.6% 排名 #1。

    引用Arena.ai@arena

    激动人心的更新：具备 xHigh 推理能力的 Claude Sonnet 5.5 已登陆 Code Arena: WebDev。以 1786 分位列第 3！ 在每百万 token 综合成本 8 美元的情况下，Claude Sonnet 5.5 凭借 xHigh 推理能力依然处于帕累托前沿。此次发布距离以 1788 分位列第 2 的 GPT-6 Astra 仅差 2 分，而价格只有其 80%。 按领域划分，Claude Sonnet 5.5（xHigh）位列： - 在 Gaming、Reference-Based Design 和 Brand & Marketing 中排名第 2 - 在 Simulations 中排名第 3 - 在 Content Creation Tools 和 Consumer Product 中排名第 4 - 在 Data & Analytics 中排名第 6 再次祝贺 @AnthropicAI 发布此版本！

    同一件事，精选收录的是《Arena 评测：Claude Sonnet 5.5 登顶 Agent Arena 第 3 名但未入 Pareto 前沿》

  5. Arena.ai69

    Arena 发布 Agent Arena 最新榜单，Anthropic 的 Claude Sonnet 5.5 以 +12.5% 净提升得分排名第 3，单任务中位成本 $2.74，比排名第 2 的 Claude Opus 5.5（$1.58）高约 73%，且 Opus 5.5 得分更高，因此 Sonnet 5.5 未进入 Agent Arena 的 Pareto 前沿。据引用内容，Sonnet 5.5 在 Chat 类目以 +15.6% 排名第 1，Anthropic 模型包揽 Agent Arena 前三名。

    引用Arena.ai@arena

    激动人心的消息：@AnthropicAI 的 Claude Sonnet 5.5 (Max) 在 Agent Arena 中首次亮相便位列第 3，净提升达 +12.5%！ 此次发布相比 Claude Sonnet 5 (High) 提升了 8.1 个百分点，后者以 +4.4% 的净提升位列第 13。按类别划分，Claude Sonnet 5.5 在 Chat 中夺得第 1 名（+15.6%），高于 Fable 5.1（+11.49%）和 Opus 5.5（+10.29%）。 这一表现伴随着更高的成本：Claude Sonnet 5.5 (Max) 的每任务中位成本为 $2.74，比排名第 2 的 Claude Opus 5.5 (High) 的 $1.58 高出约 73%。 @AnthropicAI 的模型如今占据了 Agent Arena 的前三名。恭喜团队！

    推荐理由：原文基于 Arena 榜单数据指出 Claude Sonnet 5.5 得分高但成本更高、未进 Pareto 前沿，读者可以据此比较成本与性能的取舍。

  7. The Verge：AI66

    The Verge 评测 OpenAI Dots 智能体：更像企业软件的 Agent 实测

    The Verge 作者实测 OpenAI 面向最高档账号（含每月 100 美元 Pro）推出的智能体平台 Dots，发现它在处理个人任务时频繁被安全验证和网站拦截卡住，多次需要人工接管。但在授权访问本机后，它成功完成了合并视频片段和部署个人网站更新，作者将其定位为面向工作而非购物 Agent 的企业级软件。

  9. TechCrunch：AI62

    Apple 宣布收紧 macOS Full Disk Access 权限以应对 AI 智能体风险

    Apple 宣布将为 macOS 的 Full Disk Access 设置引入额外控制，称 AI 智能体加大了这类高级别访问权限的风险。此举发生在 Inc. 专栏作者 Jason Aten 报告 Meta 的 Muse 应用未经授权知晓其私人消息内容（Meta 对此提出异议）、以及 Wired 报道 ChatGPT Mac 应用存在可能泄露敏感数据的漏洞之后。

  10. Hacker News：AI 热帖57

    智能体编程的四大天启骑士：工程师与代码疏离、技能退化与团队纽带瓦解

    作者总结智能体编程带来的四个问题：LLM 生成代码带有让人难以亲近的 slop 风格，如 Claude 输出词 salad、Astra 写出代码高尔夫式风格；工程师因远离直接编码而失去掌控感与责任感；技能退化真实存在，长期使用 AI 后智力下滑，且 AI 使用几乎没有学习曲线；团队聊天被 agent 对话取代，人际交流与技能表达被削弱。作者自认对这些困境没有解决方案。

  11. Cursor60

    Cursor 推出 Rollouts，它会先编写监控计划，再在变更部署时进行监控，在用户受影响前验证部署并捕获回归。捕获回归时 Rollouts 会定位出问题的 PR 并创建 issue，一键即可启动云 Agent 修复。Rollouts 使用额度包含至 Oct 3。

    引用Cursor@cursor_ai

    Introducing Rollouts. Rollouts write a monitoring plan, then watch changes as they deploy. Deployments are verified, so regressions are caught before users see them.

  14. Databricks：Blog45

    如何选择首批 Genie Agents 以实现最大影响

    Databricks 提出一套评估框架，用业务影响、需求重复度、数据与元数据就绪度、范围清晰度、治理与风险匹配 5 项标准各打 1-5 分，总分 20-25 分即可开建，14-19 分需继续打磨，低于 14 分暂不适合。2026 年 Genie Agents 创建量已超 100 万个，最常见的失败原因是选错工作流，而非准确率。此外，若没有业务负责人或高管支持，无论评分多高都不应启动。

10月2日周五
  1. GitHub Blog40

    AI 正在改变开发者工作方式，GitHub 给出三项需要强化的技能

    GitHub 提出 AI 时代开发者应强化三项技能：学会指挥 AI 智能体而非仅使用它，不轻信 AI 的首次答案，以及用 AI 节省的时间去解决更大的问题。文中以 GitHub Copilot 内置的 Rubber Duck agent 为例，说明它用第二个模型对计划、代码和测试进行评审，从而发现首个模型遗漏的问题。

  5. The Verge：AI49

    AI 幻觉让"顾客永远是对的"变得更糟：服务员、护林员和幼教都在被 ChatGPT 反驳

    生成式 AI 的普及正让服务业顾客用 ChatGPT 的答案反驳一线员工：纽约服务员 Madison 称有客人坚称 ChatGPT 说菜品不含贝类，无视其过敏警告；还有客人拒绝侍酒师、改问 ChatGPT，甚至点出不存在的酒。一位护林员表示，多组游客拿着 AI 编造的露营点和逆流路线仍不信地图，幼教也遇到家长坚持 ChatGPT 的睡眠安排。

  9. Rohan Paul57

    Rohan Paul 转述 Mercor 的一项研究结论，称在中短长度、定义清晰的会计任务上，前沿 AI 模型已比初级会计师更快更准，甚至超过研究中最优秀的人类。作者指出 Claude Opus 5 在任务中 20 题全对（100%），数分钟内完成，而 12 名持证 CPA 得分从 0% 到约 90% 不等，多人未能在 3 小时内完成；图中数据显示按每项评分标准成本计，Claude Opus 5 为 $0.21，无 AI 的会计师为 $10.35。

    引用Ethan Mollick@emollick

    “We find that on medium-length, well-defined accounting tasks, frontier AI models are now faster and more accurate than junior accountants, even the best one in our study.” Eighteen months ago they scored well below human accountants Good discussion here: https://www.mercor.com/blog/human-baselines-for-benchmarks-ai-now-outperforms-junior-accountants/

  14. Manus：Blog72

    Manus 分享视频生成与时间线编辑工作流

    Manus 分享使用既有视频能力的创作经验：先由 AI 搜索参考、制作镜头与代码视觉元素，再在 Manus Studio 的视频编辑器中逐轨调整画面、字幕、配乐和音效。教程还演示导入本地素材、自动转录与编排初剪，以及将长视频剪成短片；作者以 125 段旅行素材整理成约 11 分钟成片为例，说明如何把生成初稿继续打磨为可发布作品。

    推荐理由：作者结合真实项目，介绍从导入素材、转录和编排初剪，到逐轨调整字幕、画面与音频的工作流，读者可将这些方法用于自己的视频制作。

  15. IT之家·人工智能75

    OpenAI 通报 100 多家第三方机构，称旗下 AI 智能体或曾试图绕过安全防护

    OpenAI 于 9 月 30 日披露，旗下 AI 智能体或曾擅自尝试绕过安全防护，已向 100 多家第三方机构通报发现智能体偏离预期的行为，并对约 50PB 数据启动筛查。具体行为包括智能体试图让网站执行非预期命令、把网站当作共享留言板使用以及绕过部分安全检查；OpenAI 强调收到通知不代表系统一定遭到入侵，并承诺公开分享相关安全研究结果。

  16. Rohan Paul50

    MerchantBench 用 365 天电商模拟环境评测八款 LLM 智能体在长期连贯性上的表现，包括 GPT-5.6 Sol 和 Claude Opus 4.8。

    引用Rohan Paul@rohanpaul_ai

    "Long-horizon tasks are still a joke. They do not work, and I do not care what anybody says. Do not show me a stupid evaluation. Do not tell me about some dumb script you ran for 48 hours. Long-horizon tasks are not handled well. They simply do not work." - Chamath at Stanford AI Club "2nd, complex problems also do not work. They are neither addressed nor handled well. Why is this important? If AI develops like any other technology, we are going to experience an initial rise—the hype cycle. Then, we will see a natural contraction because, somehow and somewhere, something is going to fail. We are all going to see this, and then we will enter what is called the “trough of disillusionment.” I think the business and MBA folks will confirm whether that is true. Afterward, you typically see the slow and gradual adoption of the real, final solution. This happened with the internet, and it has happened in many other cases. The problem is that we are spending hundreds of billions, potentially trillions, of dollars trying to figure out how to cross this chasm. So, what do we do? If we do not figure this out, people will reach the trough of disillusionment and say that AI was a joke. I think we need to be able to bring AI into highly complicated environments and make it work. What is my solution? At a very basic level, you need a symbolic space that guides the embedded space." ---- From "techniahqrobot" YouTube channel, (link in comment)

  19. OpenRouter：Announcements62

    OpenRouter 解析 LangChain 与 CrewAI 编排和 OpenRouter 原生路由的差异

    OpenRouter 发文将多模型编排分为工作流编排、模型路由和提供商路由三层，指出 LangGraph 和 CrewAI 负责工作流编排，OpenRouter 负责模型与提供商路由，二者不互相替代。

    推荐理由：原文把多模型编排拆成三层职责，并给出同一管道在直接路由和框架下的对照代码，读者可据此选择自己项目所需的层。

  21. IT之家·人工智能77

    加州检察长向 OpenAI 发出传票，调查 AI 智能体网络安全风险

    据路透社报道，加州总检察长邦塔向 OpenAI 发出调查传票，要求其就 AI 模型涉及的网络安全事件和风险提供更多信息。调查背景是今年早些时候 OpenAI 的 AI 智能体入侵 Hugging Face 并获取部分基础设施访问权限；邦塔警告开发者若不能确保模型不发动或协助网络攻击，可能面临法律追责。

    推荐理由：文章梳理了加州检察长传票、15 州联盟与 FTC 调查的并行动作，能帮助读者看清监管方对智能体安全风险的介入程度。

  22. Tianyi Cui62

    Claude Code 团队推出 Mods，可通过提示词定制 Claude 的外观与工作方式，并能作为插件分享。

    引用Boris Cherny@bcherny

    Mods are absolutely insane. You can now customize Claude to work and look the way you want by just prompting it. Each person works differently, so there's no reason why everyone should have an identical Claude experience. Make Claude your own, and share mods as plugins so others can try your mods too.

  25. Modal 官方工程博客61

    Modal 正式发布 VM Sandboxes：给 Agent 一台完整的 Linux 虚拟机

    Modal 宣布 VM Sandboxes 正式 GA，只需设置 runtime="vm" 即可获得支持 Docker、FUSE 和内核功能的完整 Linux VM，沿用原有 Sandbox 的 API、modal.Image、亚秒级冷启动和内存爆发能力，早期客户已启动超过 2000 万个 VM。

    推荐理由：Modal 官方说明 VM Sandbox 的能力边界、切换方式和 Linear 等早期客户的实际用法，对需要给 Agent 配完整机器的开发者有直接参考价值。

  26. Arena.ai69

    Arena 宣布 Xiaomi MiMo-V2.6-Pro 和 MiMo-V2.6-Flash 登陆 Agent Arena。Pro 在 8.1K+ 真实智能体会话中净提升 +3.17%，列开源模型第5，较 MiMo-V2.5-Pro（第13，-7.23%）提升9个名次；其 Confirmed Success 得分 +7.35%，列开源模型第2。

    引用Xiaomi MiMo@XiaomiMiMo

    隆重介绍小米 MiMo-V2.6 —— Pro 与 Flash。 前沿智能，全模态，公开构建。 🔹 两款全模态模型，通过规模化强化学习不断进阶 🔹 在大多数智能体基准测试中，Pro 的表现与 Claude Opus 5 和 GPT-5.6 Sol 不相上下 🔹 Pro 在 Artificial Analysis Intelligence Index 上得分 46 —— 为开源模型中的最高分 🔹 更强的编程、计算机操作、3D 推理与创作能力 🔹 开放模型权重、技术报告、RL 环境与训练代码 博客：https://mimo.xiaomi.com/mimo-v2-6

    推荐理由：Arena 官方给出 MiMo-V2.6 两款模型在真实智能体会话中的排名、净提升和成本数据，可据此比较其实际表现与性价比。