Skip to content
Agientry
←返回能力前沿雷达

SOTA · 智能体与运行时

Agent

多步工具调用、网页/操作系统任务、长程自主执行

Agent 是最核心的域,因为它量的不是模型会什么,而是模型能不能自己把一件事做完:读环境、选工具、多步执行、出错后恢复。它与 AGI 的关系最直接——AGI 的可操作定义之一就是「在没有人类逐步介入的情况下完成有经济价值的任务」。判断这个域要用两把尺子,缺一把就会被误导。第一把是任务完成度:已同步的 Arena Agent 榜(2026-09-22)量的是净改进,榜首 Claude Fable 5.1 为 13.71、GPT-6 Astra 为 11.54,并且给出 praise 与 confirmed_success 两个分项(Fable 5.1 为 31.83 / 19.83),confirmed_success 比 praise 重要,它区分了「看起来有用」和「确实把事做成了」。第二把是骨架:同一个模型换 harness 结果差异巨大,SWE-bench Verified 榜首是 Sonar Foundation Agent + Claude 4.5 Opus 的 79.2%,榜上 live-SWE-agent 配同一模型同为 79.2%,而 TRAE + Doubao-Seed-Code 达 78.8%——这说明「哪个组合最好」是一个工程问题,不是模型问题。agent 与 harness 因此分成两个域:这个域收「把任务做完的东西」,harness 域收「agent 跑在什么上面」。

尺子WebArena、OSWorld、GAIA、多步工具任务

SOTA 阶梯

13
数学科研梯顶B

AlphaEvolve:让模型去优化「有客观评分函数」的问题

Google DeepMind 的编码代理式进化搜索:Gemini Flash 出量、Gemini Pro 出质地提出候选,自动评估器打分,高分候选留进种群当下一轮上下文,本质是 LLM 当变异算子的进化搜索;它只做有自动评估器的优化问题,因此归到 math 与 agents 两域。进化出的调度启发式已在 Google 数据中心(Borg)生产运行超过一年,持续回收 Google 全球算力的 0.7%(口径是 Google 全球算力,不是全人类算力),卡片读数取自它:全部结果里唯一经长期生产验证的一条。另有 matmul kernel 特定规模提速 23%;数学侧在 50 多个开放问题上约 20% 给出改进,含 4x4 复矩阵乘法用 48 次标量乘改进 Strassen 1969 年的 49 次记录。可验证性与证明器不同:Lean 通过是数学意义上的对,「提速 23%」是特定硬件下的经验读数。可用性接近零:无公开权重、Early Access 只有登记表,前提是你写得出便宜、快速、可信的评估器。置信度 B(有争议):Borg 那条经一年生产验证,未复现任何一条。

0.7%Google 全球算力回收(生产验证)有争议 · 2025-05
数学Agent科研
生产Google DeepMind官网
AlphaEvolve:让模型去优化「有客观评分函数」的问题
多模态理解文档与演示梯顶C

Gamma:把「一份长材料」直接变成「一份能讲的演示」的编排型工具

Gamma 做的不是「写提示词出一页幻灯片」,而是把一份既有材料重新组织成一份可讲的演示:吃进长文档、PDF、粘贴的文本或一个网址,输出带大纲、分页、配图与版式的整套 deck,并且以「卡片式」结构让每一页都能单独重排、重写、换图。它代表文档与演示领域真正有用的那一类 AI——价值在编排与信息取舍,不在生成质量。它的天花板也同样清楚:输出是它自己的排版系统,导出到 pptx 之后样式还原度会掉一层,而这恰好是多数组织的硬性要求。

网页 / pptx / pdf输出形态厂商宣称 · 2025-01
多模态理解Agent文档与演示
产品Gamma Tech官网
Gamma:把「一份长材料」直接变成「一份能讲的演示」的编排型工具
Agent文档与演示C

WorkBuddy:腾讯的全场景 AI 办公工作台

腾讯出品的办公 agent:说出要求后自主规划、调用工具、生成文件,过程和结果都留给你审核;打通腾讯办公 IM/文档/邮箱/会议/知识库。

15 分钟深度调研交付(厂商宣称)厂商宣称 · 2026-10
Agent文档与演示
产品腾讯官网
WorkBuddy:腾讯的全场景 AI 办公工作台
Agent文档与演示C

Muse:Meta 的长时任务个人 agent

Meta 2026-09-08 在美区发布的个人 AI agent:iOS/Android/Web,跑在云端 VM 上,用 chat 下目标、能看着它操作浏览器,Sentinel 权限把读写分开。

美区 · iOS / Android / Web首发平台(Meta 官方)厂商宣称 · 2026-09
Agent多模态理解文档与演示
产品Meta官网
Muse:Meta 的长时任务个人 agent
Agent

Hermes Agent:把「自我改进」做成闭环学习回路的开源 agent

Nous Research 的自我改进型 agent(24.8 万+ star)。闭环学习回路五个机制:周期性记忆 nudge、任务后自主创建技能、技能在使用中自我改进、FTS5 会话检索 + LLM 摘要、Honcho 用户建模。一个 TUI,七个终端后端(local/Docker/SSH/Singularity/Modal/Daytona/Vercel Sandbox),六个聊天平台由单个 gateway 提供。模型不锁定。同时是轨迹数据生产装置。「自我改进」是可证伪主张,受控实验尚未做过,记为待复现。

248kGitHub Star 数
Agent智能体运行时
官网Repo
Hermes Agent:把「自我改进」做成闭环学习回路的开源 agent
Agent

DeerFlow 2.0:字节的 super agent harness

字节跳动开源的 super agent harness(8.2 万+ star)。2.0 是彻底重写,与 1.x 不共享代码:子 agent、可扩展 skill、沙箱与文件系统、长期记忆、会话目标,外加把上下文压缩做成手动的 Manual Context Compaction。定位从「深度研究框架」抬到「承载任意任务的运行时」。基准复现尚未做过,记为待复现。

83kGitHub Star 数
Agent智能体运行时
官网Repo
DeerFlow 2.0:字节的 super agent harness
Agent

Paperclip:用 AI agent 团队经营一家公司

开源的 AI agent 团队编排系统:Node.js 服务端 + React 界面,自带 agent、定目标,在同一个仪表盘上追踪工作与成本。看着像任务管理器,底下是组织架构、预算、治理、目标对齐与 agent 协同——管的是业务目标,不是 pull request。MIT 协议,自托管。

81kGitHub Star 数
Agent
官网Repo
Paperclip:用 AI agent 团队经营一家公司
Agent

Orca:把并行 agent 落在 git worktree 上的 ADE

Orca 自称 ADE(Agentic Development Environment),「给 100x builder 的 AI 编排器」(7.5 万+ star,MIT/TypeScript,YC 支持)。核心机制:一个提示词扇出到 Codex、Claude Code、OpenCode、Pi 等多个 agent,每个隔离在自己的 git worktree 里,再比较结果、合并赢家。另有 WebGL 终端、Design Mode(点选页面元素把 HTML/CSS/截图送进 prompt)、GitHub 与 Linear 原生集成、diff 批注回传、SSH worktree、移动端通知。未做基准复现,记为待复现。

76kGitHub Star 数
AgentAI 编程
官网Repo
Orca:把并行 agent 落在 git worktree 上的 ADE
Agent

Multica:会上看板的 AI 编码 agent

开源自托管的 agent 工作区:像给同事派活一样把 issue 指派给 AI 编码 agent,它自己接单、在你自己的 runtime 上执行、全程留评论,最后交回 review。支持 26 个 agent CLI,意图/运行/决策/diff 全挂在同一个 issue 上,代码不出你的机器。

51kGitHub Star 数
AgentAI 编程
官网Repo
Multica:会上看板的 AI 编码 agent
Agent

LangGraph:把 agent 当成必须可持久、可中断、可恢复的长运行进程

LangChain 出品的底层状态图编排框架,MIT,Python 与 JS/TS 双实现,README 点名的生产用户有 Klarna、Replit、Elastic。它的血统写在致谢里:灵感来自 Google Pregel 与 Apache Beam,接口借鉴 NetworkX——把 BSP 图计算模型搬到 agent 上,得到「节点 = 一次模型调用或工具执行,边 = 控制流,状态 = 显式对象」。真正的价值不在「循环调模型 + 工具」那一层,而在四项运行时能力:持久化执行(崩了能从中断处精确续跑)、人在环中 interrupt(审批可以挂几小时到几天)、短期与长期两套记忆、以及 LangSmith 执行路径追踪。它的实际主张是「agent 的可靠性问题在运行时,不在模型」。可脱离 LangChain 单独使用;任何编译出的 CompiledStateGraph 都能作为子智能体交给上层 Deep Agents。42.1k★。未跑过;持久化恢复的一致性尚未验证,记为待复现。

42kGitHub Star 数
Agent智能体运行时+1
官网Repo
LangGraph:把 agent 当成必须可持久、可中断、可恢复的长运行进程
Agent

DeepTutor

DeepTutor 是香港大学数据智能实验室（HKUDS）开源的「终身个性化辅导」平台（Apache-2.0，Python 3.11+ / Next.js 16，arXiv 2604.26962，40.6k stars）：把聊天、多引擎 RAG 知识库、活书（living book）、写作与练习整合进一个学习工作区。核心能力：①Subagents & Partners——在聊天中直接调用本机的 Claude Code、Codex、Grok CLI、Kimi、opencode、Hermes、DeepSeek 等真实 agent harness 并把其工作流式导入对话，还能挂常驻 IM 伴侣；②多引擎知识库——LlamaIndex、PageIndex、GraphRAG、LightRAG（含远程 Server）、自托管 WeKnora、腾讯 IMA、MarginNote 4、Kiwix ZIM 离线档案、Obsidian 库皆可接入，文档解析可插拔（MinerU/Docling/Tika/markitdown/PyMuPDF4LLM/LiteParse），知识库可跟踪 GitHub 仓库与文档站（哈希差分 24h 自动同步）；③Book 把资料编译成可编辑的「类型化块」活书（文本/测验/抽认卡/时间线/概念图/交互 HTML），导出 Markdown，长任务可暂停续跑；④个性化学习（Mastery Path、沉浸阅读、带可验证引用的朗读/测验/翻译）、Co-Writer 分屏 Markdown 写作（KaTeX+图示实时预览）；⑤办公技能代码沙箱——运行模型生成代码处理 docx/pdf/pptx/xlsx；⑥Agent 原生 CLI——SKILL.md 开放格式可被 Claude Code/Codex 自动拾取，deeptutor run 可包进 LangChain/AutoGen 循环。项目由 Bingxi Zhao 主导，完全开源迭代、无任何付费在线产品。

41kGitHub Star 数
AgentLLM
官网Repo
DeepTutor

最新演示

60
Mika：安卓手机后台智能体
0:46

Mika：安卓手机后台智能体

@wangzan101 · 99次播放 · 2026-10-31
Mobile AgentAndroid Automation
HeyPCB 用代理生成PCB设计
0:22

HeyPCB 用代理生成PCB设计

@justinplaygame · 44次播放 · 2026-10-31
HeyPCBPCBDesign
Autopilot：自动试玩并查找游戏缺陷
0:52

Autopilot：自动试玩并查找游戏缺陷

@Aura_Assistant · 69次播放 · 2026-10-30
Game TestingComputer Use
斯坦福 After42：用尝试解题筛选值得研究的问题
0:25

斯坦福 After42：用尝试解题筛选值得研究的问题

@aigclink · 99次播放 · 2026-10-29
AI for ScienceResearch Agents
SOMA：用编码 Agent 写参数化 CAD 模型
0:52

SOMA：用编码 Agent 写参数化 CAD 模型

@GitHub_Daily · 147次播放 · 2026-10-26
Parametric CADCadQuery
S-Agent 2.0把视觉证据接入编码智能体
0:15

S-Agent 2.0把视觉证据接入编码智能体

@HuggingPapers · 137次播放 · 2026-10-21
空间推理Coding Agent
S-Agent 2.0用代码完成空间推理
2:04

S-Agent 2.0用代码完成空间推理

@liuziwei7 · 129次播放 · 2026-10-21
空间推理Coding Agent
WildAWM:合成环境训练计算机使用智能体
0:46

WildAWM:合成环境训练计算机使用智能体

@zhaoywang_CS · 150次播放 · 2026-10-20
世界模型Agent Training
ORA：开放权重模型零样本控机械臂
0:53

ORA：开放权重模型零样本控机械臂

@haoailab · 229次播放 · 2026-10-16
ORAOpen Robot-Use Agents
Codex 用 MCP 建模胶片相机
0:56

Codex 用 MCP 建模胶片相机

@heecheee · 195次播放 · 2026-10-16
SolidCraftMCP
HeyPCB 让 Agent 设计真实 PCB
0:20

HeyPCB 让 Agent 设计真实 PCB

@justinplaygame · 211次播放 · 2026-10-16
HeyPCBMCP
Sakana 智能体科学家：协同发现

Sakana 智能体科学家：协同发现

@SakanaAILabs · 174次播放 · 2026-10-15
Sakana AIAgentic Scientist
Robo Use:给智能体的物理世界 API
0:27

Robo Use:给智能体的物理世界 API

@xdotli · 263次播放 · 2026-10-13
Embodied AgentAgent API
nanoMuse:手机遥控电脑的开源代理
1:14

nanoMuse:手机遥控电脑的开源代理

@Sn0wbrave · 333次播放 · 2026-10-09
AI智能体开源
SEAR：LLM智能体在机器人上自我进化的基准与框架
0:21

SEAR：LLM智能体在机器人上自我进化的基准与框架

@BangzhengL · 1153次播放 · 2026-10-07
大语言模型机器人控制
LCU：把 Codex 电脑操控拆给任意 Agent
0:30

LCU：把 Codex 电脑操控拆给任意 Agent

@dotey · 700次播放 · 2026-10-05
Computer UseGUI Agent
text-to-cad 的 Codex 插件正式上线：一句话出 STEP/STL/3MF/GLB，DFM 审查后直连 Bambu 打印与 SendCutSend 切割，全流程开源免费本地跑
0:28

text-to-cad 的 Codex 插件正式上线：一句话出 STEP/STL/3MF/GLB，DFM 审查后直连 Bambu 打印与 SendCutSend 切割，全流程开源免费本地跑

@earthtojake · 842次播放 · 2026-10-02
pmndrs 之父发布 ClassCAD：AI 驱动的可嵌入 CAD——自然语言描述零件，Agent 写程序跑出「可验证」的几何模型
0:30

pmndrs 之父发布 ClassCAD：AI 驱动的可嵌入 CAD——自然语言描述零件，Agent 写程序跑出「可验证」的几何模型

@0xca0a · 813次播放 · 2026-10-01
ClassCADCAD
AutoTrust 开源 JEV-27B-VL：首个开放权重近 SOTA 多模态「决策模型」，看 Mario 画面自己决定跳不跳
0:25

AutoTrust 开源 JEV-27B-VL：首个开放权重近 SOTA 多模态「决策模型」，看 Mario 画面自己决定跳不跳

@AutoTrustAI · 1247次播放 · 2026-10-01
大语言模型决策模型
Taiga-S1：仅 120 万参数的小模型在 FreeCAD 里搭完整 CAD 零件——每次决策约 1ms、纯 CPU 本地跑，你的 Agent 负责规划、它负责执行
0:08

Taiga-S1：仅 120 万参数的小模型在 FreeCAD 里搭完整 CAD 零件——每次决策约 1ms、纯 CPU 本地跑，你的 Agent 负责规划、它负责执行

@RoundtableSpace · 995次播放 · 2026-10-01
DesignCAD
Open Dots 正式发布：Composio 开源版 Dot 常驻 Agent，1/10 成本跑在你的 Mac 上
0:15

Open Dots 正式发布：Composio 开源版 Dot 常驻 Agent，1/10 成本跑在你的 Mac 上

@KaranVaidya6 · 769次播放 · 2026-09-30
Harness常驻Agent
Nav Arena「Can Jev Nav?」：133 环境 / 2000+ 任务实测 System-1 语言模型开机器人，Jev 输入改写让完成率 40%→90%
0:23

Nav Arena「Can Jev Nav?」：133 环境 / 2000+ 任务实测 System-1 语言模型开机器人，Jev 输入改写让完成率 40%→90%

@stash_pomichter · 781次播放 · 2026-09-30
导航导航基准
浙大北大开源 Easel：社媒运营 Agent 工作台，发现→策划→创作→发布→复盘全链路，一键发 7 平台
2:00

浙大北大开源 Easel：社媒运营 Agent 工作台，发现→策划→创作→发布→复盘全链路，一键发 7 平台

@denziideng · 1352次播放 · 2026-09-30
Harness社媒运营
Dyna-2.1 发布：首个能可靠完成超长程全身自主的「Physical Agent」，一气呵成跑完整整一小时洗衣房流程
10:43

Dyna-2.1 发布：首个能可靠完成超长程全身自主的「Physical Agent」，一气呵成跑完整整一小时洗衣房流程

@DynaRobotics · 1108次播放 · 2026-09-29
DYNA RoboticsDyna-2.1

论文与深读

71
CUA-Master：开放世界递归改进框架2026-11-02CUA-Master：开放世界递归改进框架CUA-Master 用嵌套双环递归改进框架，从教学视频重建真实工作流并合成可验证任务，结合快照回滚重试采集轨迹；其 27B 模型在 OSWorld Verified 上达到 80.2。
FORCA：面向接触丰富机器人操作的力感知编程智能体2026-10-22FORCA：面向接触丰富机器人操作的力感知编程智能体FORCA 让代码智能体结合语言、RGB-D 观测和腕部力/力矩记录编写并修订机器人 Python 程序：执行中用接触探测修正几何，以 100 Hz 力反馈调节笛卡尔运动；执行后把力曲线、机器人状态与图像对齐，继续改写动作参数和接触控制逻辑。它无需示范、任务专用训练或仿真，在五类真实机器人任务上提升了透明抽屉、门把手、擦拭和削皮等接触丰富操作的成功率与精度，并降低持续接触中的失联和过力。
Shopify 给 AI 智能体做了一套移动端远程开发环境2026-10-22Shopify 给 AI 智能体做了一套移动端远程开发环境Shopify 用 Remote Dev 把 iOS/Android 构建、模拟器和验证流程移到远端，让 River 智能体并行处理移动端任务，合并 PR 占比从 6% 升至 61%。
AgenticRoboRL：将编码智能体后训练引入机器人智能体2026-10-20AgenticRoboRL：将编码智能体后训练引入机器人智能体机器人智能体通常由大模型规划器与执行框架协作完成操作任务，但已有系统多依赖强力的闭源模型，并未真正提升规划器自身能力。AgenticRoboRL 研究能否把编码智能体的后训练方法迁移到机器人规划器，并兼容调用视觉语言动作技能与生成控制代码两类执行机制。方法先用成功教师轨迹做监督微调，再通过记录代理保存多轮交互中的上下文、词元与对数概率，并由执行框架适配器关联任务结局，用任务成功作为终局奖励执行强化学习。仅训练规划器、冻结底层执行组件。基于 9B 规划器的实验在 LIBERO-PRO 上把成功率从 18.1% 提升到 71.0%，在 LIBERO-Plus 上从 19.2% 提升到 72.2%；在生成控制代码的 CaP-X 执行框架中由 2.7% 提升到 28.5%。
训练智能体的后训练课程：从 SFT、蒸馏到 GRPO 与异步环境2026-10-20训练智能体的后训练课程：从 SFT、蒸馏到 GRPO 与异步环境Hugging Face 用五步课程串起智能体后训练：SFT 学轨迹，蒸馏传概率，GRPO 优化结果，环境承接多回合行动，异步 harness 让训练接近真实部署。
OpenVLHarness：真实世界视觉智能体工具调用与多模态记忆2026-10-19OpenVLHarness：真实世界视觉智能体工具调用与多模态记忆多模态大语言模型（MLLM）在视觉推理上进步迅速，但许多任务所需的证据无法仅靠内部推理获得：作者在 22 个基准上的对照实验显示，单纯提高基础模型的推理预算只能带来有限提升。这类任务需要接地感知、外部知识与数值测量，且来自异构工具的输出必须被模型读懂、并在多轮推理之间保留。本文提出 OpenVLHarness，一个围绕「能力层」与「持久多模态记忆」组织起来的多模态推理 harness。能力层把任务级工具接口与证据渲染结合在一起，为异构后端提供一致的访问方式，并把它们的输出转换成模型可读的观察；持久多模态记忆在整条查询过程中，把相应的图像、结构化数据与网页引用保存为可寻址工件；编码接口则在已存数据上执行生成的程序，实现跨工具结果的组合计算。三者共同支撑「获取—检视—组合」多模态证据的迭代过程。在 22 个基准、8 个开源与闭源骨干上的评测中，OpenVLHarness 相对同配置无工具基线平均提升 9.7–12.6 分，其中 Qwen3-VL-8B 提升 11.2 分、Kimi K3 提升 9.7 分、GPT-6 Astra 提升 9.9 分；GPT-6 Luna 在中等推理预算下，OpenVLHarness 比最大推理预算下的基础模型、Codex 与 Visual Sketchpad 高 7.7–8.5 分，而模型 token 开销最多只有它们的 37%。
WildAWM：为计算机使用智能体合成可执行世界与长程任务2026-10-19WildAWM：为计算机使用智能体合成可执行世界与长程任务WildAWM 针对的痛点很具体：计算机使用智能体不缺模型，缺的是能让它反复试错的环境。在真实系统上直接做交互式学习既慢又有副作用，而现有合成环境的状态规模只有千级 token、任务也偏短。这篇工作把环境合成拆成两段：先由人格与日程驱动，生成 640 个可执行状态、中位 52.4K token 的世界（对照 CUA-Gym 的 1.1K），并配 83 个技能与 17.16 万条数据库记录；再用五道门禁（裁判一致性、初始未满足、可解性、难度、反事实探针）筛出 341 个长程任务，其中 273 个困难、68 个中等，平均 4.2 个子任务、3.1 次界面切换，74.5% 的任务需要重访同一界面。训练侧用 18 个模型-框架组合跑出每题 6 条轨迹，SFT 预热后接带自适应 rollout 与清单式奖励的 GRPO：4B 平均提升 8.21 分、35B 提升 10.58 分，而 GPT-6-Astra 在这套题上也只有约 60% 通过率。代价同样写得很清楚：单题合成约 6980 万输入 token（p90 1.309 亿），而按题目难度分箱后，最难的那四分之一（多为 OS-2 / ALE 上的超长任务）对所有变体都几乎没有增益，说明这套流水线抬高了中位难度，天花板还没顶开。
DiscoveryRSI:递归学习发现有价值假说2026-10-16DiscoveryRSI:递归学习发现有价值假说科学发现的难点不在生成想法，而在把值得做的假说发展成可执行的调查，并从这一过程中学习。本文先给出「有价值且可检验的研究假说」的操作性定义：有据可依的主张 + 可行的调查计划 + 明确的判定标准 + 替代解释。DiscoveryRSI 用多智能体进化搜索生长假说树，把选中的调查编译成可执行的 Harbor 任务，并通过三条互相咬合的机制递归自改进：假说信用优化把科学评估按文档化贡献归因成有界监督信号，harness 回放在冻结模型权重的前提下改进研究工作流，rediscovery 把被接受的更新放回新问题继续积累经验。配套的 DFM-Bench 在假说、修订、发展路径、研究轮与跨提案贡献五个层次评估质量与累积进展。四个生命科学域上，假说质量从基座模型的 4.86 升至两轮自改进后的 5.39，增益集中在可证伪性与数据可解性；专家盲评中 DiscoveryRSI-27B 在重要性与「主张可信且有证据边界」两项上高于 GPT-6 Luna；与模型 cutoff 之后发表研究的对应率为 6.3%，高于 GPT-6 的 2.5% 与 Claude Opus 5 的 2.3%。代码、27B 模型与基准均已开源。
Terminal-RSI:递归自改进终端智能体2026-10-15Terminal-RSI:递归自改进终端智能体递归自重写验证轨迹并继承评论家做策略精炼,配 TB-GAE 与成功优先奖励,27B 模型 Terminal-Bench 4.0 达 19.84%。
手把手教你用 Opus 5.5 / Astra + Tripo 制作 3D 游戏2026-10-15手把手教你用 Opus 5.5 / Astra + Tripo 制作 3D 游戏Image 2.5 参考图、Tripo 3D 资产、Opus 5.5 操控 Blender 建模、Astra 修 bug——16 天把《小王子》做成可探索 3D 游戏，全网近 300w 浏览。
智能体科学家：编排编码智能体实现自动化科学（协同）发现2026-10-13智能体科学家：编排编码智能体实现自动化科学（协同）发现现代编码智能体正在重塑计算研究中人类的角色：它们写代码、发起 in-silico 实验、分析结果，并在越来越长的时间跨度上自主运转。但完全自主的研究智能体有两个硬伤——想法半径太窄，搜索动力学是短视的爬山。Sakana AI 提出 The Agentic Scientist：一条端到端的分布式流水线，让人类研究者与编码智能体并肩做计算研究。系统把研究拆解为任务起草、想法生成、规划、沙箱实验、结果聚合、基线与消融构建、事后分析与报告撰写，每一步都由下一代编码智能体驱动并自带智能体自校验；上层由一个元控制器管理并行的研究智能体，并在每个阶段强制 rubric 校验，因此同一套编排层能跨不同执行环境、编码 harness 与评价指标复用。系统的自主性是一条连续光谱：既可当协同科学家工具，也能端到端独立完成科研。在协同模式下，其开发版本参与完成的一篇论文已被 ALIFE 2026 接收；在全自主模式下，它攻克了若干机器学习开放问题，例如把 Doc-to-LoRA 的精确匹配准确率从 51.7% 推到 98.0%，并让元训练出的进化策略在 7 个未见过的 Brax 控制任务中的 5 个上匹配或超过 CMA-ES。消融进一步显示：可靠的科学自主性不只取决于基座模型能力，更取决于跨智能体的编排层。
RSI-Anything：用世界模型驱动递归自我改进2026-10-09RSI-Anything：用世界模型驱动递归自我改进RSI-Anything 把世界模型接进递归自我改进的闭环：预测决定哪些候选动作值得花掉稀缺的外部反馈，反馈再回头驱动策略学习或工作流改写，并在可靠性检查判定预测器已经漂移时触发有条件的世界模型自适应，最后由组件门与配对门决定哪一版策略-模型对被保留下来指导下一轮。底座是 JEPA-Anything 的正交预测分解。固定 coder 时，200 道 CodeContests 的隐藏测试通过率从静态验证器的 26.3% 升到固定世界模型的 29.2%、自适应后的 31.2%，在线测试用量几乎不变；GUI 评测里平均动作数降 39.4%；实验室规划的五个连续策略版本把 LabHorizon F200 从 21.80% 抬到 46.01%；同样的 40 次实验预算下，Suzuki 流动筛选的最佳观测产率 96.15%，贝叶斯优化 82.16%。
LongHarness：用状态化证据管理推进亿级 Token 语料上的智能体推理2026-10-09LongHarness：用状态化证据管理推进亿级 Token 语料上的智能体推理面对超出上下文窗口的文档语料，现有智能体框架把检索到的证据与推理结论混在不断增长的交互历史中，导致无界探索与证据状态漂移。LongHarness 将证据与结论的共演化过程显式化：用未解决的结论引导检索，用新证据强化或修正结论，并持续维护证据的时效与可追溯性。论文在 OfficeQA Pro V1/V2、AA-LCR 与 LongBench v2 上验证，GLM-5.3-Flash 在 OfficeQA Pro V2 上的精确匹配率从 4.4% 提升到 61.1%，超过 Codex 18.9 个百分点。
SuperNav：面向任意任务与任意场景的智能体导航系统2026-10-08SuperNav：面向任意任务与任意场景的智能体导航系统SuperNav 给一个预训练多模态大模型套上专用 agent harness，全程不做导航微调：MLLM 只负责解读请求、理解场景与做决定，移动交给可替换的运动后端（几何执行器 / 学习执行器），两者由统一的视觉点接口连接——模型直接在观测图像中点出目的地，并从执行反馈中修正决定。harness 另提供 Navigation Skills、面向 agent 的工具、任务进度记录与上下文管理，以支撑长程交互。在 Habitat-GS 单目标 / 有序多目标 / 需求驱动任务上成功率达 78.00% / 34.00% / 59.50%（最强基线分别为 34.00% / 4.00% / 37.50%），HM3D-OVON 120 集 val-unseen 上 1 m 阈值取得 73.33% SR / 0.4105 SPL，并在 Unitree Go2 四足真机上完成搜索与多目标拜访演示。
Uber 法律修订代理诞生记:四轮迭代磨出律师信任的 AI2026-10-08Uber 法律修订代理诞生记:四轮迭代磨出律师信任的 AIUber 把合同修订代理做进 Word:四轮迭代(RAG→反馈→语气→代理式修改)后审阅时间降 20%+、AI 决策准确率 91%,提示词归律师所有。
nanoMuse：面向个人设备的开源智能体2026-10-06nanoMuse：面向个人设备的开源智能体nanoMuse 将完整智能体放入每台个人设备，以 Sentinel 审查每次动作，支持可选同步中继、可读记忆、模型自选与 GPL-3.0 自托管。
Recursive Game Creator：面向玩家体验的递归游戏开发框架2026-10-06Recursive Game Creator：面向玩家体验的递归游戏开发框架Recursive Game Creator 把「游戏能跑」与「游戏好玩」拆成两个必须分别验证的命题，用 Designer、Builder、Player、Reviewer 四个角色组成递归闭环。Player 不靠 GUI 逐帧点击，而是编写可复用的代码策略批量收集 gameplay 轨迹，动作循环内一次模型都不调；Reviewer 把轨迹、截图与用户偏好合成共享信号（成功率、游玩时长）与游戏专属 rubric，并以匿名双顺序 A/B 判定决定哪一版被保留。模型参数全程固定，被优化的是游戏工件本身。同一底座下 GameCraft-Bench 总分三轮从 72.70 升到 77.89，比同模型 baseline 的 71.26 高 6.63 分；GameASG-Bench 严格任务成功率从 9/47 提升到 25/47（+34.1 个百分点），L2 均值 93.4% 与扩展特性 P2 的 93.9% 为全场最高。专家评分中操作 2 到 8、可玩性 1 到 7，平均游玩时长 1.50 到 12.41 分钟。代码已以 MIT 协议开源。
IdeaScientist：科研构思智能体编排2026-10-02IdeaScientist：科研构思智能体编排自动科研系统大多把提出想法与实现、实验、写作耦合在一起，难以判断成功究竟来自想法还是执行。IdeaScientist 把科研构思剥离为独立任务：给定问题定义与当前方案未满足的挑战，产出有据的研究提案。系统由 orchestrator 协调三个子智能体——gap finder 在同问题先前工作中定位方法论缺口，innovator 到其他领域寻找解决过同类挑战的机制并迁移，report writer 把存活的直觉写成完整提案；每个角色用异步 GRPO 与参考锚定的 rubric 奖励单独训练。为支撑跨域检索与时间可控评测，作者构建 Svalbard Idea Vault：从 470 万篇 arXiv 论文中分解出 277 万条（问题、挑战、缺口、直觉、提案）五元组，并以 2026-01-01 为截止线，用截止后 14,977 篇方法论文中的 277 篇做留出测试。在 Qwen3.6-27B 上，IdeaScientist 总分 74.6%，比最强开源 autoresearch 基线高 14.0%，优势主要来自新颖性；在同一开放骨干上还超过 Claude Code SDK（Claude-4.8-Opus）5.9%、Codex SDK（GPT-5.4）5.1%。
阿里 68 页《AI Native 研发实践》手册精读：编码只占研发链路不到 1%，主战场在别处2026-10-01阿里 68 页《AI Native 研发实践》手册精读：编码只占研发链路不到 1%，主战场在别处阿里 2026 Handbook 精读：三个真实案例（AIDC 数字投手、千问用增 Agent、万有无界）、五大挑战与四层企业级 Agent 基础设施。核心数据：编码仅占研发链路 <1%（1 小时编码 vs 3 周上线）、交付周期减半、缺陷率降 70%、变更失败率降 90%+；「云上 Scrum」组织形态、Session→Commit→Change→Workitem 度量归因、Guardrail 三态门控（UNKNOWN 永不视作 PASS）、以及「把自己蒸馏完就没位置了」的组织代价反思。
ASENA：面向具身导航的自演化智能体2026-09-30ASENA：面向具身导航的自演化智能体ASENA 是一套让人形机器人成为通用编码智能体可编程环境的具身智能体系统：智能体读取传感器、编写并执行程序、对照录制的执行证据修复失败，并在模型权重保持不变的前提下，把可复用的笔记与可执行技能沉淀进持久工作区。论文同时提出可选工具 ASENA-VLN，一个 4B 单目导航策略，基于路线指令、视觉问答与新构建的几何原子导航任务训练，可预测本体坐标系轨迹。独立评测中 ASENA-VLN 在 R2R 与 RxR 上分别取得 68.7% 与 70.2% 的成功率；与编码智能体结合后，学习型导航在两个 agentic 基准上各提升 11 个百分点成功率并缩短执行时间。持久工作区演化在十轮重复任务子集上把 R2R 成功率从 72% 提升到 98%、RxR 从 65% 提升到 89%。在具身问答上 ASENA 以更少交互步数取得最先进准确率，并在 Unitree G1 上无预建地图地演示了搜索、视觉检查、空间推理、合成手势与包含拾取、搬运、递交的移动操作。

开源项目

36
vercel-labs/agent-desktopApache-2.0

agent-desktop：给桌面智能体一条可验证的操作链

一套跨平台桌面无障碍控制层，通过快照限定引用、实时严格重识别和明确的交付证据，让智能体可靠操作办公软件。

Desktop AutomationComputer Use
Rust7.4k53713
milind-soni/OpenMausBotApache-2.0

OpenMausBot：本地多智能体与电脑操作控制平面

一个本地优先的多智能体控制平面，统一接入多种代理引擎，持久管理任务委派、审批、隔离浏览器、远程访问和无界面运行。

Multi-Agent SystemsComputer Use
TypeScript9.6k1.3k27
livekit/agentsApache-2.0

LiveKit Agents：把实时语音 AI 智能体做成可编程参与者

LiveKit Agents 是开源的实时语音 AI 智能体框架（Apache-2.0，15.0k star）：智能体以服务器端「可编程参与者」身份加入 WebRTC 房间，能听、能看、能说。Agent、AgentSession、entrypoint、AgentServer 四层抽象之上，是 83 个可插拔 STT/LLM/TTS/Realtime 插件与 LiveKit Inference 统一模型字符串；轮转检测 transformer、自适应打断与 AMD 答机检测把对话稳健性做进框架；原生 MCP、多智能体交接、pytest 事件流断言加 LLM 评委，console/dev/start 三种运行模式直通生产调度与电话栈。

Voice AIReal-time Audio
Python15k4.0k102
ZSeven-W/openpencilMIT

OpenPencil:Rust 重写的开源 AI 原生矢量设计工具,设计即代码

OpenPencil 把设计稿存成可读、可 diff、可进 Git 的 .op JSON,用 op-orchestrator 编排器与 Agent Teams 把一句提示词变成多屏可编辑设计,再经 MCP、CLI 与 codegen 导出 React、Flutter 等代码;Rust 重写后桌面端是 55.5 MB 单二进制,万节点画布无 panic,wasm 仅 2.18 MB gzip。

AI-Native DesignVector Graphics
Rust6.8k59045
NVlabs/ASPIREApache-2.0

ASPIRE：把机器人「训练」变成技能库生长的 Agentic 发现系统

ASPIRE 是 NVIDIA 联合密歇根大学、UIUC、伯克利与 CMU 开源的持续学习系统（论文 arXiv:2607.00272，Apache-2.0）。它不做梯度下降：编码智能体在闭环执行引擎里反复写、跑、修机器人控制程序（code-as-policy），把被验证的修复沉淀进可复用技能库，再用进化搜索跳出单轨迹修补。在 LIBERO-Pro 全部 80 个任务上，Claude Opus 5.5 驱动时平均成功率 99%，Robosuite 与 BEHAVIOR-1K 代表任务 100%；扰动操作任务最高提升 77%，未见长程任务零样本 31% 对基线 4%。真机侧，仿真发现的技能跨本体迁移到真实双臂站，在线学习甚至让机器人学会解魔方。

Code-as-PolicySkill Library
Python884784
refactoringhq/tolariaAGPL-3.0

Tolaria：Git 优先、AI 原生的 Markdown 知识库桌面应用

Tolaria 是三大桌面的 markdown 知识库应用：文件优先、vault 即 git 仓库、约定优于配置，内置 8 个 CLI 智能体适配器与 MCP server，让第二大脑成为 AI 可直接读写的上下文。

Knowledge ManagementMarkdown
TypeScript20k1.4k56
earthtojake/text-to-cadMIT

Text-to-CAD:给编码代理装 CAD 超能力的开源插件与技能套件

text-to-cad 把参数化 CAD 变成代理的本地技能:自然语言或图片生成 STEP 模型并导出 STL/3MF/GLB,附 DFM 审查、工程图纸、URDF/SRDF/SDF 机器人描述与 3D 打印、钣金、CNC 对接;内核 build123d/OCP,形态是 12 个技能 + cadgen 引擎 + 本地 CAD Viewer。MIT,约 2.06 万星。

CADAgent Skills
Python21k2.0k100
web-infra-dev/midsceneMIT

Midscene.js：视觉界面智能体与端到端测试框架

字节跳动 Web Infra 团队开源的视觉界面智能体与端到端测试框架。它用截图而非选择器定位元素，同一套接口覆盖 Web、安卓、iOS、鸿蒙与桌面，并提供 YAML 用例、TypeScript 节点、可回放报告与面向编程智能体的命令行技能。定位为智能体运行时层，而非 AI 编程工具。

智能体运行时GUI Agent
TypeScript15k1.2k70
lightningpixel/modlyNOASSERTION

Modly：在自己 GPU 上把一张图变成 3D 网格的开源桌面应用

Modly 是 Lightning Pixel 开源的图生 3D 网格桌面应用（Windows / Linux / Apple Silicon macOS，v0.4.3，MIT 加署名条款），用你自己 GPU 上的开源模型把一张照片变成可用网格，推理全程不出机器。架构是 Electron 壳托管绑定 127.0.0.1:8765 的 Python FastAPI 后端；默认模型 TripoSR（约 2.4GB），Hunyuan3D 2 Mini、TripoSG、Trellis2 GGUF 等以「GitHub 仓库 + manifest.json」的扩展形式安装，manifest 里声明多源权重 model_sources、共享权重 weight_groups，以及带 size_gb / vram_gb 的可分别安装量化档 weight_variants。生成流程用节点图工作流表达（Image → Generate Mesh → Add to Scene），场景走 modly.scene-manifest.v1 契约，导出支持 glb/stl/obj/ply，并为 OrcaSlicer 单开一条带毫米缩放的 stl/obj 打印路径。对外还给了三条 agent 通路：stdlib-only 的 JSON-first CLI（仓库自带 SKILL.md）、暴露 9 个 modly_* 工具的 MCP server、以及可跑本地 llama.cpp GGUF 池或外部模型端点的应用内工具调用 agent。AMD ROCm 自动检测、Apple Silicon 内存预算串行工作流与 Jetson headless 运行都附有实测数据的文档。

Image-to-3D3D 生成
TypeScript8.1k75755
morluto/reaMIT

REA：把逆向工程接进编程智能体的一个 MCP 与 CLI

MIT 开源的逆向工程 MCP 服务与 CLI。一条 npx rea-agents setup 就把 Hopper/Ghidra/IDA、pwntools、JADX、Binwalk、CDP 等引擎收进统一的工具契约，注册进 Claude Code、Codex、Cursor 等编程智能体，覆盖原生二进制、JS/Electron、.NET、Android、固件、EVM 字节码与网站共 12 类目标。它的立场是证据优先：观测与推断分开标注，缺失的证据一律报 unknown 而不是 empty 或 false，提供方绑定不可变、失败不静默换引擎，绝不杀自己无法证明拥有的进程。

Reverse EngineeringMCP
TypeScript27k3.0k85
hugohe3/ppt-masterMIT

PPT Master:把文档生成原生 PowerPoint(不是套模板)

把 PDF/DOCX/网页或一句主题交给任意 agent 工具,在本机生成原生可编辑的 PPTX:真幻灯片母版、原生形状、数据图表与可编辑公式,还能填充已有 pptx 的设计。

PowerPointPPTX
Python58k4.6k114
getpaseo/paseoNOASSERTION

Paseo：把 Claude Code / Codex / Copilot 等 coding agent 装进同一个自托管驾驶舱

自托管的多编码 Agent 编排平台（20.9k stars）：Claude Code、Codex、Copilot、OpenCode、Pi、Antigravity、Muse Code 走同一界面，跑在你自己的机器与完整 dev 环境里；本地 daemon（WebSocket + 33 个 MCP 工具）统一编排，Electron 桌面 / Expo iOS·Android / Web / CLI 四端接入，git worktree 并行隔离、语音默认本地 ONNX、端到端加密 relay 远程跟进；monorepo 含 plugin registry、skills 与 Hub 生态，Apache-2.0。

AI CodingCoding Agent
TypeScript21k2.5k56

现在就能用的资产

obra/superpowersanthropics/skillsComposioHQ/awesome-claude-skillstradermonty/claude-trading-skills199-biotechnologies/claude-deep-research-skillSushegaad/Claude-Skills-Governance-Risk-and-CompliancezLanqing/codex-claude-academic-skillsmattpocock/skills

消费它的领域

科研70知识管理3制造与工业2设计与前端9安全1教育1影音创作1开发71营销与增长1法律与金融2文档与演示4游戏制作5

边界与失败模式

这个域的失败几乎全是静默的,所以要一条条点明。一是完成率随步数指数衰减:单步 95% 正确率,20 步只剩 36%,Terminal-Bench 榜首 58.18% 的准确率对应 pass@5 0.7121,意味着相当比例的成功要靠重试堆出来;真实长任务不是「难一点」,是另一个量级。二是确认信号不可靠:praise 与 confirmed_success 的巨大差值(Fable 5.1 是 31.83 对 19.83)说明用户满意与任务真做完是两件事,agent 会交出格式漂亮但没解决问题的结果。三是副作用不可逆:代码可以 git 回滚,发消息、下单、删数据、改生产配置不能;当前绝大多数 agent 没有事务边界,也没有「先预演再提交」的机制,这是它在生产里最大的风险,而不是准确率。四是环境与工具的错误会传染:API 返回一段 HTML 而不是 JSON、一个超时、一次限流,agent 常常把它当成事实继续推理,错误就此固化进后续步骤。五是权限与审计缺口:agent 拿到的是人的凭证,越权操作在日志里看起来和人操作一样,责任归属无法从系统上区分。成本与延迟:一个长任务的真实成本是 token 乘以重试次数再乘以工具调用延迟,SWE-bench 榜上 mini-SWE-agent + Claude 4.5 Opus 一行明码 $376.95 换 76.8%,是目前唯一公开可比的单任务价格锚点;多数生产 agent 的账要按这个量级估,不是按单次对话估。

作为亚马逊联盟会员,我们可能从符合条件的购买中获得佣金。