Agent

26名Meta員工起訴公司，指控其使用人工智慧系統針對休病假或家庭假的員工進行裁員，違反了保護孕婦、殘疾人和休假員工的法律。Meta否認指控，稱裁員決定由人而非AI做出。

文章討論了金融服務業中代理型AI（Agentic AI）的ROI證明問題，指出傳統監控工具無法處理多代理系統的動態成本結構。透過兩個實際用例——RFP處理流程自動化和反洗錢合規監控，展示瞭如何利用LangChain平臺（含LangSmith和LangGraph）與Pay-i經濟智慧平臺結合，將工程級可觀測性連線到業務價值，從而向領導層證明AI投資回報。

Amazon Quick 是一款 AI 銷售助手，幫助銷售人員將更多時間用於銷售，減少行政工作。它覆蓋整個銷售週期，從潛在客戶評分、個性化外聯、會議準備到 CRM 自動化，提升銷售效率。

本文作者Scott Galloway認為，當前人工智慧領域的投資熱潮與1999年的網際網路泡沫有諸多相似之處，但結局可能不同。他警告AI泡沫正在破裂，並分析了從B2C到基礎設施的連鎖反應，最終指出AI創造的價值可能更多流向使用者而非股東。

BlockscopeChat 是一款 AI 調查員，專注於加密貨幣領域的調查與研究。

Simon Willison提出的“AI致命三重奏”指三種能力的組合：訪問私人資料、接觸不可信內容和資料外洩能力。這三種能力單獨無害，但結合使用可導致嚴重安全風險。作者構建了一個免費謎題遊戲，模擬這些攻擊概念，最終關卡需要利用全部三種能力。

教練視角（Coach's Corner）是一款基於Databricks平臺的應用，能將每秒25幀的比賽追蹤資料轉化為亞秒級的2D/3D戰術板，集回放、事件分析、球探聊天和對手檔案代理於一體。透過Lakeflow管道、DBSQL和Lakebase實現資料的高效處理與快速查詢，並利用Genie、向量搜尋和代理技術提供基於治理資料的AI洞察，解決了高頻資料在決策中的可用性鴻溝。

本文從高層次概述了Smartsheet遠端MCP架構，重點介紹了其背後的AWS基礎設施，包括安全性、治理、擴充套件和部署，以及Smartsheet在AWS上構建的AI特定最佳化。

Startup Factory 是一個開源框架，可將專案管理工具（如 Jira、Linear、GitHub Issues、Markdown）轉化為由 AI 代理驅動的受控交付系統。它提供分層安全邊界、確定性排程和多模型支援。

本文探討AI記憶可移植性問題，指出記憶正成為新供應商鎖定機制，現有匯出功能無法實現真正的可移植性。文章分析行為、上下文和關係三種鎖定型別，介紹Cognee和ByteRover等早期嘗試，並呼籲建立中立記憶交換標準。

Bunkerhill Health 完成5500萬美元B輪融資，用於擴充套件其代理型AI平臺 Carebricks。該平臺已在美國多家醫療系統執行，包括克利夫蘭診所、得克薩斯大學醫學分部（UTMB）等。UTMB 已部署超過20個AI代理，在臨床、運營和管理方面取得初步成效，如降低專家等待時間、提高隨訪率等。

在特朗普指責中國竊取美國選舉資料的同時，習近平在上海人工智慧峰會上強調中國希望引領全球AI發展，並倡導AI為全球公共產品。中美在AI領域的競爭日益激烈，雙方在技術、安全規則和國際影響力上展開博弈。

NVIDIA Vera Rubin平臺透過極致協同設計降低每token成本，實現更頻繁高效的後訓練，最大化智慧體AI時代的每美元智慧。Nemotron 3 Ultra模型在SWE-bench驗證中得分71.7%，展示了後訓練的有效性。

DoorDash釋出了一個命令列介面（dd-cli），使AI智慧體無需人類批准即可在其平臺上直接下單。此舉雖然讓開發者受益，但也引發了關於去中介化及DoorDash商業模式的爭議。專家警告，如果智慧體主導下單成為常態，拒絕提供這樣的API可能會帶來更大風險。

企業不再僅僅滿足於部署AI，而是更關注可衡量的商業價值、工作流程再造以及成功擴充套件AI所需的治理。

專家警告，AI代理將顛覆企業軟體收入模式，但SaaS末日論被誇大。供應商透過強化核心能力來應對去中介化風險。

BrowserAct是一個瀏覽器自動化CLI，專為AI代理設計，能夠突破反爬蟲封鎖、支援人工接管、並行任務無干擾，並隔離多個賬號。它透過環境層、執行層和人工層三層機制突破封鎖，提供三種瀏覽器模式，並針對LLM推理最佳化輸出格式。

作者分享了自己從AI懷疑論者轉變為愛好者的經歷，在此過程中構建了一個由LLM驅動的MMO遊戲（SAO：Slop Art Online），並遇到了延遲問題。他設計了一種混合NPC AI方法，結合了行為樹和LLM決策，這啟發他創造了SLOP——一個用於智慧體與應用互動的協議，強調上下文動作和狀態投影。

本文介紹了五個免費的智慧體AI學習資源，涵蓋從入門到理論、從實踐到評估的各個方面，幫助學習者深入理解並有效構建智慧體。

Superglue 推出了一款可自定義的 SAP MCP 伺服器，為 SAP 實施顧問提供 AI 副駕駛，可直接查詢客戶 S/4HANA 資料，支援一鍵安裝並整合到 Claude、Cursor 等 MCP 客戶端。

本文探討了在代理開發中規格說明的必要性，指出零規格和過度規格都有成本，最佳平衡點取決於任務型別，並強調了規格驗證和可執行測試的重要性。

OpenTSLM是一種多模態大語言模型，將時間序列作為原生模態處理，能夠與文本一起對原始多變數訊號進行推理。它在時間序列問答、活動識別、睡眠階段分類和ECG問答任務上優於基線方法，包括GPT-4o。模型支援擴充套件到多個超長時間序列，記憶體消耗幾乎恆定。ECG推理經7位心臟病專家驗證，正確率97%。所有程式碼、資料集和模型均開源。

GPT-5.6 Sol在Design Arena的網頁設計排行榜上排名第一，比其前身GPT-5.5高出18位。它主動避免常見的AI設計反模式，結合了強大的模板與高度的個性化，並且比競爭對手更快、更便宜。

一個名為 Reaper-MCP 的新開源專案透過模型上下文協議讓 AI 助手能夠直接控制 Reaper DAW，涵蓋作曲、編輯、混音等音樂製作全流程。

本文詳細介紹瞭如何將MCP（模型上下文協議）伺服器連線到Claude桌面版和Claude Code，使Claude能夠與外部工具、檔案、資料庫等互動。包括兩種桌面版配置方法（一鍵擴充套件和JSON配置）以及Claude Code的CLI命令配置，還提供了常見錯誤修復和推薦伺服器列表。

文章探討了AI輔助開發如何導致'單一模式倦怠'，透過壓縮規劃、實施和整合三種認知模式，使開發者儘管效率提高卻更加疲憊。

本文總結了五項最近關於AI在軟體工程領域的研究論文，這些論文共同揭示了AI正在壓縮軟體工程的上游工作，但下游瓶頸隨之出現。主要發現包括：GitHub Copilot使PR吞吐量增加約40%，且呈劑量反應關係；AI在程式碼生成階段的增益（高達+180%）在交付過程中大幅衰減（最終僅+30%的釋出量）；生產力與開發者體驗出現脫鉤；開發者希望AI更多用於驗證任務而非程式碼生成；以及“認知債務”和“意圖債務”正在成為新的軟體健康問題。

JetBrains 研究團隊探討了 AI 與擴充套件現實（XR）結合如何為技術創作者帶來新的互動正規化。透過專家訪談，他們總結了五個主題：人類如何向 AI-XR 系統傳達意圖、AI 如何使 XR 環境理解並適應個人、阻礙 XR-AI 主流化的因素、AI-XR 如何改變創作方式，以及隱私和倫理風險。研究指出，XR 硬體和 AI 的融合將徹底改變技術創作，但面臨技術、認知和組織上的挑戰。

NVIDIA釋出Nemotron 3 Embed，包含三個開源檢查點：8B BF16、1B BF16和1B NVFP4。其中8B模型在RTEB基準上以78.46平均NDCG@10排名第一。1B模型透過NAS剪枝和蒸餾從8B教師模型得到。NVFP4在Blackwell上保持99%+的檢索精度，吞吐量提升2倍。所有模型支援32,768 token輸入，採用OpenMDW-1.1許可。

作者利用AI編碼助手（Codex CLI、Gemini CLI、Claude Code）將Python的epub閱讀器epy移植到Rust，開發了終端閱讀器repy。專案從2025年11月開始，2026年2月釋出，但僅獲得少量關注。文章反思了AI時代軟體過剩的現象，並探討了創作的意義。

中國晶片設計公司摩爾線程和紫光資訊預測上半年收入大幅增長，得益於國內AI計算需求激增。摩爾線程預計收入增長135%-149%，紫光資訊預計增長55.6%-70.2%。這凸顯了中國在AI基礎設施上的強勁需求，以及在美國出口限制下國產晶片的崛起。

Lightport 是一個輕量級的 AI 閘道器，專注於讓各種 LLM 提供商相容 OpenAI API。它源自 Portkey AI Gateway，但去掉了重試、快取等高階功能，僅保留請求/響應轉換層。支援 77 個提供商，包括 OpenAI、Anthropic、Azure OpenAI 等。可直接透過 pnpx lightport 快速啟動。

歐盟釋出兩項新規，要求谷歌共享搜尋資料並開放安卓系統，以便競爭對手AI公司能公平接入。此舉旨在打破科技巨頭的數字壟斷，促進創新，但谷歌警告可能會危及使用者隱私和資料安全。

本文介紹了一個名為voidguard的新工具，它能夠檢測出程式碼庫中那些看似有效但實際上並未驗證任何內容的“空心”測試、型別檢查和CI門禁。作者透過對一個倉庫的掃描，發現了七個這樣的空心守衛，並由此開發了這個通用工具。文章詳細說明了voidguard能檢測的四類空洞以及無法檢測的三類，強調了驗證驗證手段本身的重要性。

OpenAI在其Codex命令列介面中引入了多代理v2訊息加密，隱藏了代理間傳遞的指令，導致開發者無法除錯和審計代理行為，引發了社群對可觀測性喪失的擔憂。

本文探索了利用功能性近紅外光譜（fNIRS）腦訊號來調節機器人強化學習的可行性。研究比較了被動（觀察）和主動（演示）互動任務中的智慧體訓練，並測試了多種增強RL演算法的方法，重點關注引數增強而非替換。結果表明，該框架有效：腦訊號在增強軌跡優先順序和狀態-動作Q值時改善了學習。此外，該框架能成功從離線資料中學習，為即時腦機介面設定不實用或資料有限的情況提供了實用替代方案。

一項來自arXiv的新研究提出了一種隨機過濾協議（ANTk），用於採用匿名通訊的機器人群體中的群體感應。該協議減輕了匿名協議中常見的重複計數偏差，提高了估計穩定性，但增加了錯誤恢復時間。研究將ANTk與基線和隨機變體進行了比較，揭示了準確性、速度和穩定性之間的權衡。

MonteRET是一種區域感知的檢索增強框架，用於自動生成胸部CT報告。它整合全域性和區域性CT特徵，檢索相關醫學知識，並透過知識引導的報告重寫智慧體最佳化初始報告。在RadGenome-ChestCT資料集和外部醫院資料上，MonteRET在報告質量、語義相似性和臨床效果上均優於現有方法。

提出首個關鍵幀條件影片生成基準KeyFrame-Compass，包含386個精心策劃的樣本，覆蓋多種設定，並引入自動化評估框架，在9個系統上實驗揭示忠實執行與自然合成之間的權衡。

本文提出了一種新的量化指標——工具效率，用於評估LLM智慧體軌跡中有用工具呼叫的比率。為了精確定義工具效率，作者還引入了邊際工具效用，該指標判斷每次工具呼叫的有用性，以及能否在不影響準確性的情況下從工具套件中移除，從而提高效率。研究使用LLM作為裁判來確定軌跡中每次工具呼叫的邊際工具效用符號。這項工作直接量化效率，為未來基準設計和精簡工具套件最佳化提供基礎。

新研究表明，大型語言模型代理在透過文本通訊時會丟失資訊。使用稀疏自動編碼器特徵分析，研究者發現潛在空間通訊雖然在某些壓縮率下保留更多資訊，但丟失的特徵主要編碼表面形式而非任務相關語義，從而對潛在通訊的優勢提出質疑。

提出分支策略最佳化（BPO），利用沙盒的確定性、可快照和可恢復特性，透過共享字首的樹形 rollout 拓撲降低策略梯度方差，在多個基準上較 GRPO 和 RLOO 提升 3.6-6.1 個絕對百分點。

本文提出了一種可解釋的、全球可部署的機器學習框架，用於從開放地理空間資料預測代表雜波高度（RCH）。該模型使用LiDAR衍生的標籤進行訓練，並採用LightGBM迴歸器，平均絕對誤差為1.79米，R²=0.765，相比ITU基線誤差降低超過60%。SHAP分析顯示樹冠覆蓋、土地覆蓋語義和光譜反射率是最重要的預測因子。該工作被IEEE CASE 2026接收。

儘管可解釋人工智慧（XAI）技術層出不窮，從特徵歸因到稀疏自編碼器，但解釋很少影響實際工作流程。本文認為，機器學習社群必須從臨時性的XAI方法轉向解決基礎性和結構性的挑戰，包括不明確的問題表述、不充分的評估目標以及缺乏解釋驅動反饋的流程。透過對近期ICML、NeurIPS和ICLR論文的分析及對XAI從業者的調查，作者揭示了限制累積進展的常見問題，並提出了一個實用清單，旨在將XAI轉向更以人為中心、面向行動的模式。

最新研究將小型語言模型（SLM）與知識圖譜結合，透過神經符號智慧體框架提升其推理能力。在CLUTRR親屬關係基準測試中，使用Gemma 3和Llama 3.2模型的實驗表明，RGCN提供的專家提示可使效能提升1.5-2倍，但存在提取瓶頸和順序推理脆弱性問題。

本文針對工具增強型大語言模型智慧體在擴充套件工具集時面臨的行為慣性問題，提出透過注入反事實錨定上下文來打破慣性，恢復失敗軌跡。ToolAnchor框架利用教師模型假設反事實上下文，經學生回滾驗證後，透過智慧體後訓練內化成功干預，在GAIA、BrowseComp和VDR-Bench等任務中表現優異，為動態工具適應開闢了新路徑。

研究人員提出了一種利用大型語言模型（LLM）構建貝葉斯信念網路（BBN）的新方法，該方法透過一組AI代理基於特定角色和上下文估計機率，並採用修剪均值規則去除噪聲，從而彌合專家意見與資料驅動學習之間的差距。研究以替代醫療系統中患者就醫意向為案例，發現自我效能的影響實際較小，而主觀規範的影響更強，最有效的策略是同時提升自信和社群規範。

一種名為LLM-T1D的新方法將強化學習與大語言模型相結合，建立了一種可解釋的胰島素泵控制器，用於1型糖尿病，實現了73.5%的時間在目標血糖範圍內，同時提供清晰的解釋。

RegNetAgents是一個基於AI的多智慧體框架，能夠跨異質性基因調控網路進行結構化的調控候選識別。該框架整合了TCGA和GREmLN專案的大規模網路，對焦點基因進行雙網路分類、癌症基因過濾和作用模式分配。在乳腺癌和結直腸癌的測試中，識別出的候選調控因子顯著富集於OncoKB註釋的癌症基因，且在管家基因中無富集，表明其特異性。框架還包含評估致癌潛力、可成藥性等擴充套件模組。

一篇新論文提出了一種三級分層學習架構，用於執行搜尋與救援任務的自主無人機群，整合了赫布神經可塑性、基於圖神經網路和行為樹的多智慧體強化學習，以及帶BDI推理和數字孿生的元學習。該框架提供形式化保證，並引入群體元認知。