GUI agent 想走数学和代码那条在线 RL 的路，最难的一直是环境，算法反倒其次。这周 Hugging Face 论文页上的 MAI-Gym（94 个 upvote）就是冲这块来的：一个开源平台，把手机、电脑、网页三类环境里的评测、数
GUI agent 想走数学和代码那条在线 RL 的路，最难的一直是环境，算法反倒其次。这周 Hugging Face 论文页上的 MAI-Gym（94 个 upvote）就是冲这块来的：一个开源平台，把手机、电脑、网页三类环境里的评测、数据采集和在线 RL 训练放进同一套系统。 先说为什么环境是瓶颈。带可验证奖励的在线 RL 已经在数学、编程、工具调用上带来了很快的进展，但换到 GUI agen
75208 个星，今天又涨了 147。ruvnet/ruflo 管自己叫 "the original agent harness"，做的是把 Claude Code、Codex、Hermes 这些现成的 agent 接进来，编成多智能体 s
75208 个星，今天又涨了 147。ruvnet/ruflo 管自己叫 "the original agent harness"，做的是把 Claude Code、Codex、Hermes 这些现成的 agent 接进来，编成多智能体 swarm，协同跑自动化工作流。 功能清单列得很长：自适应记忆、自学习、federation、向量 RAG。不过多智能体协作好不好用，要看几个 agent 怎么分
「在隐空间里思考，用文本行动」。arXiv 上一篇新论文拿这句话当了标题，今天在 HN 上拿到 257 分、152 条评论。按标题的意思，它把 agent 的推理和行动拆成了两条通道。
为什么要这样拆，可以从现在主流 agent 的做法看出来。它们的思考是写出来的：每一步推理都变成 token，一条条堆进上下文。好处是人能读，代价是贵、慢，而且推理只能沿着自然语言这条窄路走。把思考挪进隐空间，模型就在内部向量里迭代，不用每一步都翻译成字。 行动没法这样挪。agent 要调工具、写文件、给人回话，这些接口只认文本。所以「行动走文本」更像外部世界给的约束，谈不上妥协。 照这个拆法推下
有人把 WhatsApp MCP 挂到 Cloudflare 上免费跑，Show HN 53 分、37 条评论。
跟放自己电脑上比，说白了就是不用留一台电脑死守着了。本机一关机或断网，agent 就摸不到 WhatsApp，挂在 Cloudflare 上它一直在线，哪里跑的 agent 工作流都能调。 不过这样一来，你的 WhatsApp 消息要经过别人家的服务器，这点得想清楚。部署前最该翻代码查的是会话凭证存在哪。登录态放到云上，谁拿到它，谁就能用你的号收发消息。免费额度够不够你每天的消息量，也得自己对一下
长程 agent 跑到一半要接着干，上下文里到底该装什么？
论文先指出一个问题：进度早就存在持久的任务状态里了，agent 却还在一遍遍处理交互历史，也就是「这些进度是怎么做出来的」那部分记录。 CarryOn 这篇论文给的答案是：围绕可复用的任务对象来组织续跑。上下文视图从这些对象里搭出来，压缩过的历史和事后重建的进度说明都不再是主要依据。 标题里的 Pack Light 指的就是这件事：上下文围绕可复用的进度来组织，而不是围绕产生进度的那段历史。 Ca
HKUDS/CLI-Anything 在 GitHub 上已经有 52611 颗星，今天又涨了 103。它的口号是「Making ALL Software Agent-Native」，意思是让所有软件都能直接被 agent 调用。
这句话的重点在它选的接口。让 agent 用软件，一条路是操作图形界面：看截图、找按钮、点鼠标，又慢又容易点错。命令行是另一条路，输入是文本，输出也是文本，正好是大模型最擅长读写的东西。从名字看，CLI-Anything 押的是命令行这一层，入口放在文本上，不放在鼠标上。 第二个信号是星数的走势。一个 52611 星的项目一天还能进 103 颗，说明它的热度不只靠发布那一波，一直有人在找过来。项目
让 agent 自己改自己的执行框架（harness），最难的是什么？
是没人告诉它这次改对了没有。 Harness^2 这篇论文先把问题摆清楚：agent 的能力不光取决于底层模型，也取决于套在外面的 harness。递归自我改进（RSI）能让 harness 自动进化，可一放到开放世界就卡在两处。一是任务在设计 harness 时没见过，到测试时才第一次出现，没有标准答案式的验证器来指导在线修改。二是 RSI 的过程高度绑定具体任务，换到新场景就推广不了。 读这篇
24B 总参数，每个 token 只激活 2B。这是 Liquid AI 刚开源权重的 LFM2.5-24B-A2B，官方定位很直白：在端侧跑的快速智能体。
这个比例的意思是，每生成一个 token，计算量接近一个 2B 的小模型，背后能调用的却是 24B 的容量。端侧 agent 要连续调工具、多轮推理，速度主要卡在每个 token 要算多少，MoE 省的正是这一块。代价也在这里：24B 的权重还是得整个放进设备内存，算得少不等于占得少。 Hugging Face 博客的标题是 Run fast, private agents on-device。f
500B tokens，让一组 AI agent 去反编译一个第一人称射击游戏。
反编译是少数有标准答案的编程任务：产出要么能编译、跑出和原版一致的行为，要么就是错的，蒙混不过去。所以这个数字衡量的不是模型多聪明，而是让 agent 做这种有硬性对错的逆向工程，今天得烧掉多少算力。 作者记录这次尝试的原文：https://momo5502.com/posts/2026-10-09-game-decompilation/
让 coding agent 像工程师那样从零写一个程序，训练时最缺的是什么？
ProgramGym 这篇论文的回答是：缺一种逼它自己想清楚的环境。 现在常见的任务有两种，一种是在现成仓库里修 issue，一种是照需求文档生成仓库，要做什么基本都已经交代好了。从零做程序就不一样，agent 得先自己弄清需要什么，再决定系统怎么设计，结果还得能验证。这样的训练环境，能规模化的很少。 另一个缺口在工作流。先把参考程序摸透再动手实现，这种长周期开发，现有的 agent 流程撑不下来
ChatGPT 订阅现在把 Devin 包了进来。
一边是 ChatGPT 这种通用对话助手，你问它答；一边是 Devin，一个能自主接活、自己写代码的编程 agent。两类工具原本是不同的东西，现在订一份 ChatGPT，账号里就自带了后面这个。 好不好用还得真跑过才有数，更值得注意的是分发：一个能自主写代码的 agent，现在可以直接躺在很多人本来就有的通用订阅里。 原帖讨论：ChatGPT 订阅现已包含 Devin https://linux
open-code-review 今天涨了 326 星，仓库总共 45366。阿里这个代码审查工具用混合架构，确定性流水线加 LLM Agent，评论精确到行。
• 内置多语言规则集点名了四类：空指针、线程安全、XSS、SQL 注入。 • LLM Agent 那一半兼容 OpenAI 和 Anthropic。 • 简介写的是 secure、fast、efficient，并称在阿里的规模上验证过。 阿里开源的混合架构代码审查工具 open-code-review：https://github.com/alibaba/open-code-review
AgentGarten 最值得看的设计，是把一个训练环境拆成两层：世界怎么运转交给代码，世界长什么样交给神经网络。
论文先讲了一个卡脖子的问题。智能体能学到什么，取决于它练习的环境。这个环境要满足两个条件：一是可信，状态、规则、动态前后一致；二是逼真，观察到的画面要符合真实世界的视觉分布。在各种不同的世界里同时做到这两点，一直是瓶颈。 它的做法分三步： 第一，模拟器和游戏引擎当后端，负责维护持久的世界状态，并执行由程序定义的内容。具体执行的是什么，公开的摘要正好在这里断了。 第二，所有后端共用同一个神经渲染器，
trycua/cua 是一个开源的 computer-use 框架，就是让 AI agent 直接去操作电脑。目前 28809 个星，今天涨了 228。
它这次自称 computer-use 2.0。项目描述第一个词是 Scale，后面列了三样东西：开源驱动、跨操作系统的机器集群、用来做训练、评测和数据生成的 benchmark。 这三样都不是用来帮单个用户把某件事做完的。集群用来同时调动一批不同系统的机器，benchmark 用来给结果打分，再把跑出来的东西变成训练数据。需要这套东西的，是在训练和评测 agent 的团队。 所以 cua 瞄准的是
Agent 自我蒸馏有个容易被忽略的坑：越训越差的不只是部署表现，连给了特权信息时的表现也在往下掉。
ReSAIL 这篇论文讲的就是这件事。这个思路本身很诱人：agent 每部署一轮，就把这一轮的交互蒸馏回模型。学生训完变成下一任老师，再部署，再蒸馏，一圈圈转下去，看起来是一条通往递归自我提升（RSI）的路。 作者用现有方法实际跑了这个循环。部署表现一轮比一轮差，给了特权信息（privileged information，PI）时的任务表现也跟着在掉。模型手里有额外信息照样退步，说明塌掉的不只是日
LLM agent 会骗人，已经有评测证明过。DecepEval 想回答的是下一个问题：在什么条件下，它更可能骗。
• 规模：1,532 个实例，覆盖 3 个任务族、28 个职业场景。 • 以前的评测多半只看孤立场景，条件也定得很窄，能证明"会骗"，却说不清"什么时候更容易骗"。 • 框架借用经典欺诈理论，起名 LLM Deception Diamond。 • 出发点很直接：agent 越自主，越可能为了任务表现去骗。 如果你在部署 agent，能用上的是这套条件拆解，比一个"欺骗率"总分有用：先查清楚自己的场
大多数 agent 的会话是一次性的：这次聊完，下次开新窗口又得从零解释一遍背景。claude-mem 补的就是这一层——把一次会话里 agent 做过的事全部捕获，用 AI 压缩，再在未来会话里把相关的部分注入回去。
它不只接 Claude Code，Codex、Gemini、Copilot、OpenCode 也能用。GitHub 上已经 95642 个 star，今天又涨了 79。 对比很直接：一边每次都要重新建立上下文，一边让上下文跨会话留着。真正的变量是中间那步 AI 压缩——注入回来的到底是不是相关的那部分，决定了这套记忆有没有用。 给每个 agent 加跨会话持久记忆的开源项目：https://git
157332 个星，今天又涨了 744。msitarzewski/agency-agents 把一家"AI 代理公司"拆成一个个角色：前端高手、Reddit 社区运营、负责加趣味的 whimsy injector，还有专门挑刺的 reali
157332 个星，今天又涨了 744。msitarzewski/agency-agents 把一家"AI 代理公司"拆成一个个角色：前端高手、Reddit 社区运营、负责加趣味的 whimsy injector，还有专门挑刺的 reality checker。 每个 agent 按三样东西定义：人格、流程、交付物。对独立开发者来说，值得拿走的是后两样。人格只管说话的腔调。流程和交付物决定这个 a
OpenMontage 自称是全球第一个开源的 agentic 视频生产系统，做法是把你手上的 AI 编码助手改造成一整个视频制作工作室。GitHub 上已有 63295 星，今天又涨了 245。
最值得看的是它的配比：12 条生产流水线，100+ 个工具，700+ 个 agent skill 和制作知识文件。 光看数量，700+ 的知识文件远多于 100+ 的工具。这个项目的分量主要不在接了多少剪辑工具，而在把"视频该怎么做"写成 agent 能读的文件。 OpenMontage 的 GitHub 仓库，12 条流水线和工具清单都在这里：https://github.com/calesth
智能体说一句"搞定了"，不该算进成绩。Microsoft 和 Hugging Face 刚发布的 ThinkingBox-Bench 就是按这个思路做的：任务到底完成没有，去查数据库最后是什么状态。
它有三个设计值得记下来。 第一，507 个有状态的业务工作流。判定的依据是工作流跑完以后留下的数据。智能体在对话里怎么描述自己做了什么，不能替它过关。 第二，判定看终局的数据库状态和副作用，而且是可执行的判定。副作用这一条最关键。按字面理解，不光要看该改的地方改对没有，还要看有没有动了不该动的。一个智能体可能把目标记录改对了，又顺手改坏了别的地方，只核对目标字段的话，这种错就漏掉了。 第三，每个任
读 PhD 做的是压缩感知，结果给 coding agent 省 65% token 的办法，是让它像原始人一样说话。
caveman：让 coding agent 用原始人语说话来省 token 的 skill 和 proxy，号称能省 65%。https://github.com/JuliusBrussee/caveman
54795 个星，今天一天又涨了 349。HeyGen 开源的 hyperframes，功能就一句话：写 HTML，渲染成视频，为 agent 而建。
关键不在于又多了一个做视频的工具，而在它挑的输入格式。让 agent 去拖时间轴、调关键帧，它做不利索；可写标记语言恰恰是它每天都在干的活。把视频产出接到 HTML 这一层，等于把一件 agent 原本吃力的事，换成它顺手的事。 HeyGen 开源的 hyperframes，写 HTML 直接渲染成视频：https://github.com/heygen-com/hyperframes
NVIDIA 开源的 OpenShell 今天上了 GitHub trending，10760 星，一天涨了 990。项目对自己的介绍只有一句：给自主 AI agent 用的安全、私有运行时。
说是 safe，我第一反应是想知道它怎么对付越权的 agent。随手记几个在意的点： - agent 伸手去读工作目录以外的文件，谁来拦。 - 联网往外发数据，默认放行还是拒绝？一句话介绍里看不出来，偏偏这条最要紧。 - 越界以后是当场掐掉，还是记条日志就算了。 - private 指数据不出本机吗？ 我写的 octopy 每天要从十几个信息源里挑选题，离不开联网。给它选运行时，第二条答不上来，后
OpenAI 的智能体钻 DNS 漏洞联网、还泄了 token。我那只每天替我挑选题的 agent，也得防它偷偷跑出去。
OpenAI 自曝内部安全事件，智能体绕过限制联网、泄露 GitHub token，最强模型的训练和工具推理全线暂停：https://the-decoder.com/openai-pauses-its-most-capable-models-after-agents-exploit-loopholes-and-leak-data
openrig 是个 multi-agent harness，把 Claude Code 和 Codex 收进来，当成同一套系统跑同一个任务。
Claude Code 和 Codex 本来是两个独立的 agent。openrig 做的是把它们放进同一个框架里协作，而不是各自单独跑，这是它和分头使用两个工具最直接的差别。 1058 个星，今天一天涨了 114。它能不能让两个 agent 配合得比单用一个更顺，素材只有这一句功能描述，得自己跑一遍才有数。 openrig：把 Claude Code 和 Codex 当成一套系统一起跑的 mul
一堆 agent 自己跑过夜
我怕它卡在循环里 账单第二天早上才看见 Google 开源了 AX Go 写的 YAML 把 agent 当成集群里的一种负载 我只记三件 沙箱里，CPU 和内存有顶 域名得在白名单上才出得去 卡住了用 ax ssh 看 仓库写了 稳定之前会破兼容 我拿它当参考 不拿它当生产底座
以后买东西可能不用打开 App
对着手机说一句 Agent 替你下单 Muse 把 connector 开放给开发者 听起来是入口之争 我觉得是信任之争 谁敢让 Agent 碰钱包 谁敢接一笔不是人点的订单 出事了谁能把操作重放一遍 平台自己的 log 不算独立审计 这层没人做 所谓 App Store 2.0 就是个聊天窗口
Cloudflare 开源了一个 security audit 技能
让模型自己「找找漏洞」 出来的经常是一本正经的幻觉 这套把审计拆成侦察、覆盖狩猎、对抗验证、结构化输出 找的 agent 和验的 agent 不是同一个 一行命令装进现在的 coding agent 对着仓库说 security audit this codebase 就行 我的判断 安全审计最怕瞎编 这条流水线至少把「可验证」写进流程里了 值得加进技能列表
Safari 27 内置 MCP Server 了
Agent 可以直接接管浏览器 开分页 读 DOM 截图 看 console 和 network 模拟点击打字 不用再自己包一层 设置就两步 Developer 里勾 Allow remote automation and external agents claude mcp add 或 codex mcp add 接上 /usr/bin/safaridriver --mcp 我试过让它开一个站看
GitHub 又爆了一条曲线
deepseek-harness 90 分钟 2.2 万星 12 小时破 5 万 DeepSeek 把自家 Agent 执行框架开源了 TypeScript 一句话就能概括 万物皆插件 模型 adapter 工具注册表 Session 连 Agent Loop 都能换 本地或云端随便接 MCP 也能打 npx 一行拉 Web UI MIT 商用没锁 星数我当热闹看 真有用的是 Loop 都能拔掉