inclusionAI 发布 Ling-3.0-flash,124B 总参数 5.1B 激活
inclusionAI 发布新一代原生混合推理模型 Ling-3.0-flash,总参数 124B、激活参数 5.1B,在关键基准上追平或超过上一代 1T 级旗舰 Ring-2.6-1T。
推荐理由:模型卡给出混合线性注意力架构与多精度量化对比,读者可据此评估长上下文智能体任务的部署成本。
模型连接外部世界的协议与实践:MCP 生态、function calling、工具链集成的动态。
当前仅显示精选新闻inclusionAI 发布新一代原生混合推理模型 Ling-3.0-flash,总参数 124B、激活参数 5.1B,在关键基准上追平或超过上一代 1T 级旗舰 Ring-2.6-1T。
推荐理由:模型卡给出混合线性注意力架构与多精度量化对比,读者可据此评估长上下文智能体任务的部署成本。
DeepSeek Harness 已发布,底层框架 Cordis 只管插件加载和依赖,模型、工具、策略、存储、上下文、UI 都以插件形态存在,以 MIT 协议开源并已获 10K+ star。
推荐理由:原文列出 Harness 的插件化架构与 PTC 工具调用模式,可据此判断它对 Agent 工作流的影响。
DeepSeek 开源了开发者预览版智能体框架 DeepSeek Harness,它是一套用来构建、运行和扩展智能体的 SDK 与应用框架,默认可连接 DeepSeek 模型,开源地址在 GitHub。
推荐理由:作者以提前内测的第三方身份跑通游戏与 3D 动画案例,展示了这套插件化智能体框架的组装方式与能力边界。
Cursor 推出 builds 功能,在后台预先准备可直接使用的开发环境副本,让云端智能体启动最高快 3 倍;Cursor 内部环境启动快了 10 倍,首个 token 生成快了 3 倍。builds 默认每小时创建一次,智能体始终基于最新的成功构建启动,构建失败时继续沿用上一次成功构建,工作不中断。8 月 17 日起,所有新建和现有环境将默认使用 builds,且不额外收费。
推荐理由:Cursor 公布云端智能体启动变快 3 倍的后台预构建机制,并说明迁移与调试方式。
Claude 语音模式现已运行在 Claude Opus、Sonnet 和 Haiku 上,可调用 Gmail、Slack 等已连接工具,并新增法语、德语、印地语、日语、韩语等多种语言。
推荐理由:语音模式此前只跑 Haiku,如今接入 Opus 和 Sonnet 并打通已连接工具,让口头推演能直接落到执行。
Sierra 分享为内部 agent 搭建 MCP Gateway 的七条经验,包括抓住所有权减少协调、用 mcp-gateway.md 提升编码 agent 一次成功率、多阶段流程防止跨客户数据访问,以及优先用 gh CLI 等 agent 熟悉的工具。目前 89% 的 Sierra 员工通过它连接 45 个服务,近三分之二提交来自社区。
推荐理由:Sierra 工程师复盘 MCP Gateway 建设全程,给出协作机制、权限审计和工具取舍七条可迁移经验。
Claude 官方博客发布 Claude Code 循环工程入门指南,把智能体循环分为回合制、目标驱动、时间驱动和主动式四类,并说明各自的触发方式、停止条件与适用场景。
推荐理由:面向 Claude Code 的四类循环原语入门,给出各自的停止条件与 token 控制建议,方便按现有任务挑选合适的循环。
Anthropic 在博客中提出多人智能体(multiplayer agents)概念,指能同时与多名人类协作的 AI 模型,它们拥有独立凭证、记忆和技能,并常驻 Slack 等团队协作工具。
推荐理由:Anthropic 基于内部实践归纳了四条人机协作规范,读者可对照自家团队的上下文与权限设计。
IBM 开源了 CUGA(Configurable Generalist Agent)智能体框架,并发布 cuga-apps 项目,内含 24 个单文件 FastAPI 智能体应用示例。
推荐理由:原文给出可直接克隆的 24 个单文件智能体应用模板,并拆解工具与提示词的复用写法。
Anthropic 发布 Claude Tag,让 Claude 作为团队成员加入 Slack 频道,频道内任何人可 @Claude 分派任务,功能今日起面向 Claude Enterprise 和 Team 客户开放 beta。
推荐理由:Claude Tag 把 Claude 以团队成员身份接入 Slack,给出多人共享、异步委派的产品形态与权限隔离方式。
Anthropic 在 Claude 上线 MCP 连接器的企业托管授权,管理员可通过身份提供商为整个组织统一配置连接器,用户首次登录即自动获得访问权限,无需逐人授权。
推荐理由:原文给出企业托管授权的接入路径与首批支持方,读者可据此了解 MCP 连接器的企业部署方式。
Anthropic 更新 Claude Design,使其可跨项目沿用同一设计系统,并可通过 /design-sync 与 Claude Code 在设计与代码之间同步衔接。
推荐理由:原文给出设计系统导入与 /design-sync 衔接 Claude Code 的具体做法,可据此判断设计与代码之间的工作流变化。
Hugging Face 发布了由 Microsoft、Google、GoDaddy、Hugging Face 等贡献者参与开发的 Agentic Resource Discovery(ARD)草案规范,以及参考实现 Discover Tool,让智能体在运行时用自然语言搜索发现 MCP 工具、Skills 和 A2A 智能体,而不必预先安装。
推荐理由:原文给出了 ARD 规范的落地形态与可调用的搜索入口,读者能据此理解智能体按需发现能力的路径。
Linear 发布 coding sessions、自动化 triage 和 Diffs,Linear Agent 可以从 issue 直接触达实现:阅读 issue 与讨论、调查代码库、提出方案、写代码并开 PR,全程在云端用 Claude Code 或 Codex 等模型与 harness 完成。
推荐理由:Linear 官方给出从 issue 到 PR 的完整执行闭环细节,并附自用数据与 Ramp、Coinbase 案例,读者可评估其对工程流程的影响。
Anthropic 发布 Claude Managed Agents,一套用于构建和部署生产级智能体的可组合 API,把调用 Claude 的 harness 与执行代码的沙箱解耦,用 session 连接两者。
推荐理由:Anthropic 在文中给出大脑与执行沙箱解耦的架构和时延数据,读者可据此判断托管智能体的落地方式。
一个编码智能体通过读取 Hugging Face Spaces 的 agents.md,串联图像生成 Space ideogram-ai/ideogram4 与单图 3D 重建 Space VAST-AI/TripoSplat,自动搭建出展示巴黎地标 3D Gaussian splat 的静态网站。
推荐理由:原文记录了用 agents.md 让编码智能体串联图像与 3D 重建两个 Space 的完整流程,方法可直接复用。
Anthropic 为 Claude Managed Agents 新增定时部署和 Vault 两项功能,均已在 Claude Platform 进入公测。定时部署按 cron 调度运行智能体,每次触发启动新会话完成任务,无需自建调度器,部署上线后可随时暂停、恢复、归档或按需触发额外运行。
推荐理由:官方给出定时部署与 Vault 两项能力的开放入口和客户实践,读者可据此判断智能体运维方式的变化。
OpenEnv 宣布由 Meta-PyTorch、Reflection、Unsloth、Modal、Prime Intellect、Nvidia、Mercor、Fleet AI、Microsoft、Hugging Face 和 RadixArk 组成的委员会共同协调,项目地址迁移至 huggingface/OpenEnv。
推荐理由:OpenEnv 由多家机构组成的委员会共同协调,并明确为 RL 环境的互操作层,读者可了解开源智能体训练的协作与协议设计。
Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities - Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas - MiniMax Sparse Attention scales context to 1M - Natively Multimodal from Step Zero API: platform.minimax.io Token Plan: platform.minimax.io/subscrib… 🚀New! MiniMax Code: code.minimax.io Weights & Tech Report in ~10 Days
推荐理由:引用的发布信息列出 M3 在编码、智能体与 1M 上下文上的基准成绩,可供判断这款开源权重模型的能力组合。
Anthropic 在官方博客中介绍,其内部 95% 的业务分析查询已交由 Claude 自动完成,整体准确率约 95%。文章给出智能体分析栈的四层结构,即数据基础、真相来源、技能和验证,并归纳出概念与实体歧义、数据陈旧、检索失败三类主要错误来源。Anthropic 称未加技能时 Claude 回答分析问题的准确率不足 21%,加上技能后稳定超过 95%,部分领域可达约 99%。
推荐理由:原文详解 Anthropic 把业务分析交给 Claude 的方法,归纳三类失败模式与分层治理思路,可迁移到其他数据团队。