LiveKit 通过同一个 Google 插件，让 Gemini 4 Hydrogen 和 Gemini 3.8 Flash 运行在一个语音旅行礼宾智能体中，并故意让工具调用失败；在 54 份转录中，Hydrogen 的虚假预订报告为 0 次，而 3.8 Flash 为 2 次。在 Hydrogen 设为 high、3.8 Flash 设为默认的情况下，Hydrogen 的第一句话早到 1.2 秒（4.0 秒对 5.2 秒）；两者都设为 low 时，早到 1.7 秒（2.8 秒对 4.6 秒）。作者建议语音智能体使用 medium 或 high 思考级别，并指出 xhigh 的首句延迟中位数为 7.8 秒，最坏情况为 52 秒。
推荐理由：LiveKit 的实测显示，Gemini 4 Hydrogen 会报告每一次被故意破坏的工具调用，并且比 3.8 Flash 更早开始回复，同时提供了语音智能体在各思考级别下的延迟数据。
本文剖析了 Perplexity Decider v1.2——一个基于 Qwen-3.8 27B 构建的开放决策模型，它将仅解码器 LLM 转换为非因果编码器，并通过一个 255 选项的读出头部在单次预填充步骤中回答所有分类问题。文章涵盖 /v1/decisions API 的 yes_no、choice 和 score 问题类型，在 tasksource 等协调数据集上使用合成数据和选项打乱进行训练，以及在温度 T=1.32 下的后验校准。作者认为决策模型相对于自回归 LLM 的主要优势在于 token 效率，并指出 9B Decider Flash 变体使用蒸馏损失进行训练。
Tarik Guney 是 Microsoft Teams 的首席软件工程经理，他把 AI 视为延伸工程师体力和认知极限的工具，而不是一味追逐的能力。他关注文化、目标和工具方面的领先指标与瓶颈，认为仅靠流程变革只会提高认知负荷，而非降低。
本教程展示如何让 AI agent 使用 list_tables 和 query_database 这两个 MCP 工具，在 Railyard 上用自然语言回答关于生产数据库的问题。每个查询都要经过五道防护：写作用域的连接、仅限 admin/owner 的角色上限、始终回滚的只读事务、语句超时，以及标记为已截断的 200 行上限。SQL 文本永远不会写入 MCP 审计条目。
Oath Technologies 的 Mike Dodds 分享了几个月来构建语义、验证器和证明工具链的笔记，其中大部分工作由 AI 智能体完成。该演讲基于这些实践经验，就使用 AI 构建形式化工具提出了初步建议。
一位创客用空饮料纸盒，加上烧烤竹签、纸吸管、绳子和金属螺母作为配重，全部用热熔胶粘合，制作了一台可运行的摆钟“Carton Clock”。其齿轮传动机构可显示秒、分、时，一次上满发条可运行一个多小时。他还用 Claude 编写了一款名为“Cartontick”的定制浏览器工具，用于模拟纸盒擒纵机构，并生成切割模板和可 3D 打印的粘合夹具。
Martin Fowler 提出将测试写成数据而非代码，这样当编码智能体也重构测试时，AI 生成的生产代码仍可验证。该方法结合客户测试、黑盒测试、表格或 YAML 测试用例，以及 AI 生成的测试运行器，测试数据保存在文本文件中，更易于审查并防止意外修改。文章基于 2026 年初对 26 位 Thoughtworks 开发者的访谈，他们表示一旦 AI 重构测试，他们就不再完全信任这些测试；文章还将该方法与变异测试、基于属性的测试和人工探索性测试相结合。
本文汇总了 OpenAI、Anthropic、Google 和 MCP 规范对于为 AI 智能体设计工具的建议，并涵盖了这些指南未涉及的内容。文章主张工具应围绕工作流而非 API 端点来构建，名称、描述和模式构成模型会字面阅读的契约，而响应和错误也是提示词的一部分。
Stanford 的 CS 329Z，Engineering AI Agents，梳理了智能体系统的构成——LLM 核心、推理、记忆、工具与环境——以及复合 AI 系统与真正智能体之间的差距。课程涵盖 RAG 流水线、工具使用与基于 MCP 的函数调用、DSPy 与 LangGraph 编排、MemGPT 等记忆架构，以及多智能体编排模式。课程最后介绍包括 GEPA、PPO 和 GRPO 在内的优化方法，并附有 Terminal-Bench 创作者带来的客座讲座。
AI安全维基是保障企业AI应用的参考指南，以可复用模板页面涵盖治理、风险管理、安全工程、运营监控、供应商评估与保证。它将控制目标、审计证据和测试用例映射到ISO/IEC 42001、NIST AI RMF、NIST SSDF、PCI DSS v4.0.1、FINOS AI治理框架和CERT-In的AI安全审计指南等框架上。它还包含一个682个案例的测试库，取自OWASP清单、MITRE ATLAS和NIST AI 100-2。
Solibra 构建了 Sovereign，一个位于应用与模型提供商之间的路由器，它根据自身已完成工作的评分来学习逐请求的模型选择，无需答案键，也不预先了解各模型。在针对 Claude Opus 5.5 和 Claude Haiku 5.5 运行的八项公开基准测试中，Sovereign 在每项基准上的花费都比 Opus 少 43% 到 81%，在 USACO、LiveCodeBench 和 SATBench 上的准确率与 Opus 持平或更高，并且在所有地方都比 Haiku 更准确，在 USACO 上最多高出 55 个百分点。在 USACO 上，其准确率从最初 25 个任务的 88% 上升到最后的 97.7%，在第 150 个任务左右超过 Opus，其评分器与隐藏答案键的一致率为 95%。
ElevenLabs列出了七项客户服务技能——沟通、问题解决、冲突化解、同理心、适应力、个性化以及产品知识——人类和AI客服人员都需要具备这些技能。它引用了Zendesk的一项研究，该研究发现超过50%的客户在经历一次糟糕体验后会转向竞争对手；还引用了Gartner的预测，即到2028年至少70%的客户将通过AI界面开启他们的旅程。该指南强调在训练期间和部署之后评估对话指标，并强调无缝转接给人类以缓和局势。
Databricks 详细说明了凭证驱动的攻击如何在其平台上展开，以及详细审计日志和 Genie 如何检测在窃取的 PAT、会话 cookie 或服务主体凭证被使用后发生的行为变化。该文章将攻击者活动划分为六个阶段，从初始登录到环境侦察，并涵盖响应步骤以及限制被盗凭证可触及范围的控制措施。
Bright Machines 现在无需开放任何入站访问，即可为客户提供来自气隙隔离工厂的实时、受治理的工厂数据仪表盘。它在边缘侧用 Debezium 捕获 PostgreSQL 变更，将其写为 Apache Iceberg，通过一条可审计的出站路径推送出去，并在 Databricks 中通过 Unity Catalog 联合就地读取。首个客户可见的仪表盘在上线启动约两个月后投入使用，已提交的行可在一到两分钟内查询，仪表盘每十分钟刷新一次。
OpenRouter 在一个 274 题的合成 RAG 数据集上对 11 个重排序器进行了基准测试，发现用 voyageai/rerank-3-lite 对向量检索的前 30 个候选进行重排序，可将 precision@1 从 81.0% 提升到 97.1%，成本约为每 1,000 次查询 0.10 美元。该指南建议检索约 30 个片段，对其进行重排序，只将前 3 个发送给 LLM，在其测试中将答案准确率提升到 99.3%，同时将每 1,000 个问题的回答成本从 0.22 美元降至 0.16 美元。它还指出了失败模式：省略 input_type 参数会损失 7 到 12 个百分点的 precision@1，而 cohere/rerank-v3.5 会静默忽略超出其 4,096 token 限制的内容。
LessonFolk 是一个免费的开源 AI 导师，通过你已在使用的 AI 聊天应用、经由 MCP 连接来教授 AI 主题。它提供 15 门课程，从一小时的 AI 基础课程到面向长时间运行智能体的上下文工程，并配有简短的等级测试和进度跟踪。课程和代码均为开源，用户可以随时下载或删除自己的数据。
一名开发者对支持 Wi-Fi 的 Coway Airmega IconS 空气净化器进行了逆向工程，以减少其对 Coway IoCare 云的依赖，并借助 LLM 辅助搭建了中间人攻击环境。现有的 Home Assistant 集成会冒充 Coway 的手机应用，但频繁失效——服务器封禁、IoCare 更名为 IoCare+、HTML 布局变更以及服务中断——促使了这项工作的开展。2026 年 10 月，证书颁发机构 eMudhra 发生弱密钥事件，为拦截该设备的流量提供了一个可能的切入点。
GitHub 发布了一份关于 agent skills 的实用指南，agent skills 是以 SKILL.md 文件为中心、带版本号的目录，用于描述何时以及如何执行可重复的任务。该指南使用两个示例——用于对 AI 生成代码进行对抗性验证的 Proof Agent 和用于多技能数据管道的 Data Forge——来展示技能如何共享项目清单、复用同一条执行路径，并在每个阶段设置人工审批。它还介绍了一个打包脚本，可从单一 skills 源为 Claude Code、Cursor 和 GitHub Copilot 生成特定于客户端的文件。
Natera 在 Amazon Bedrock AgentCore 上构建了用于实验室运营的智能体 AI 系统 SWARM，将首次响应时间缩短约 130 倍，并自动处理 96.2% 的支持工单。该系统将一个在工程师打开工单前起草诊断报告的 swarm-agent 与一个用于工程师实时交互的 swarm-hive 配对，两者共享同一个技能库。它每天处理三个队列中超过 65 个 Jira 工单，而这些工单此前的首次响应平均需要 17.4 小时。
Databricks 回应了对 LTAP 的四种常见误读。LTAP 是 Lakebase 架构，它让同一份受治理的运营数据副本同时服务于 Postgres 和分析，无需 CDC。文章认为 LTAP 不是复制：湖前端的各层是缓存，而不是一个拥有自己目录的第二个数据库。文章还表示，堆页面和 Parquet 是同一批行的两种无损编码，因此点查询和扫描各自读取对其而言快速的布局。
AWS 展示了如何仅使用原生功能按 IAM 主体跟踪并限制 Amazon Bedrock 生成式 AI 支出：Bedrock 会在每次推理请求时自动记录 IAM 用户或角色，这些标签会成为成本分配标签，可在 Cost Explorer 或 CUR 2.0 导出中读取。一个限定于 Bedrock 并按某个身份或标签值筛选的 AWS Budget 可以附加预算操作，在超过阈值后应用 Deny IAM 策略，常见场景下无需应用代码。
Amazon Bedrock 的缓存时长、服务层级、推理投入和 maxTokens 设置可以在不改变模型或提示词的情况下改变推理成本。在 Claude Sonnet 5 和 Claude Opus 5 上，5 分钟缓存写入的成本是输入费率的 1.25 倍，1 小时写入是 2 倍，缓存读取是 0.1 倍；向不支持的模型发送 Flex 层级请求会以 ValidationException 失败。
Amplitude 的主动式产品智能体 Wave 主要基于 OpenAI 模型构建，可识别需要构建的内容，帮助团队借助编码智能体交付变更，并衡量其影响。这一方案让 Amplitude 能在 1–2 天内交付产品改进。
LangChain 解释了评估驱动开发（EDD），这是构建 AI 智能体的三步流程：定义什么是好的表现、在构建之前先编写评估、每次更改后比较结果。由于智能体具有非确定性，评估会在一组示例数据集上对运行结果打分，并可使用 LLM-as-a-judge，同时以 LangSmith 中真实的智能体运行作为测试输入来源。
Constellation 是美国最大的核电机组运营商，正在 Databricks 上构建一个受治理的企业数据平台，以便为业务提供统一的数据含义。该平台使用 Unity Catalog 实现数据血缘、细粒度访问和单一权限模型，并对关键的可复用实体采用 Data Vault 建模。早期用例包括使用 Databricks Genie 构建的核工程助手以及停堆计划。
Eclipse Aerospace 正在使用 Databricks PySpark 自定义数据源摄取近 20 年的专有飞行数据，超过 3TB，涵盖逾一百万飞行小时，且无需常开专用计算资源。这个由 Rust 支持的 Python 包在基准测试中的性能是基于 PyArrow 的类似纯 Python 数据源的两倍，几乎是不使用 Arrow 的原生 Python 实现的 20 倍。该 API 在 Apache Spark 4.0 中引入，并在 Databricks Runtime 15.4 LTS 中可用，取代了此前的 Lambda-to-Avro 管道。
一个基于 Amazon Bedrock Application Inference Profiles 和运行在 AWS Fargate 上的 LiteLLM 构建的自助式 LLM 网关，通过 OpenAI 兼容 API 对外暴露 Bedrock 基础模型，为开发者提供单一 base URL 和每用户密钥。该方案增加了每用户支出控制、按模型配额隔离以及 CloudWatch RPM/TPM 可观测性，并使用 Langfuse 实现提示词级遥测。自助发放密钥需要 LiteLLM Enterprise，因为免费版仅限五个用户。
这篇 AWS 文章主张，Amazon Bedrock 的支出应按单任务成本而非单 token 成本来衡量，因为分词器效率、输出冗长度、智能体循环次数和推理开销可能使价格更低的模型反而成本更高。一个示例显示，标价高 2 倍的模型单任务成本反而低 65%；文章还补充了缓存、路由和输出约束，以及一个五维评分卡，用于对照人工基线衡量智能体 ROI。
Claude 平台工程师 Jake Dejno 和 Lucca Siaudzionis 解释了 Claude API 如何随每次模型发布而演进，涵盖功能发布决策、模型版本管理与迁移以及成本管理。他们详细介绍了在对话中途更改 effort 而不破坏 prompt caching 的最佳实践，以及 Claude Mythos 和 Fable 如何共享相同的模型权重但采用不同的安全防护措施。Claude Managed Agents 和对话中途 effort 更改目前处于 beta 阶段，Mythos 的访问需通过 Cyber Verification Program。
H6.ai 在客户现有 ERP 之上实现应付账款自动化，为每个客户使用专属的 Lakebase Postgres 数据库作为记录系统。由于发票数据持续变化，团队使用 Lakebase 的写时复制分支来冻结客户数据库快照，并在各自独立的短生命周期分支上运行每项回归测试，因此绝不会写入生产数据库。每次运行由确定性断言以及来自不同模型提供商的 AI 评审团共同评判。
Amazon Bedrock AgentCore Evaluations 现在让团队可以运行 AWS 内置评估器，同时支持托管的 DeepEval 和 AutoEval 指标，以及基于两者衍生的自定义评估器。内置目录涵盖响应质量、目标完成、工具使用、技能和安全性方面的 15 个评估器，并提供三项针对预期工具路径的轨迹检查。DeepEval 增加了 ConversationCompleteness 和 KnowledgeRetention 等多轮指标，而 AutoEval 则贡献了包括安全性在内的专业信号。
Amazon Bedrock AgentCore 中的 Web Search API 现已可用，通过一次 SigV4 签名的 API 调用即可让智能体获取最新的网页结果，该调用由 Amazon 运营的网页索引提供服务。一篇演练文章构建了一个每日依赖监视器，将其作为 LangGraph 图，并行研究 npm、PyPI 和容器基础镜像，并在代码中强制执行日期窗口、黑名单和搜索预算。在测试中，三个分支在 36 秒内完成，而按顺序运行则需要 99 秒。
AWS Quick 推出 AI-PDLC，这是一个由六个专用智能体组成的框架——由 Orchestrator 统领，涵盖 Discovery、Prioritize、Working Backwards、Spec Generator 和 Designer——可将来自 Slack、Jira、Salesforce 和 SharePoint 的分散企业信号转化为可追溯的 prototype_spec.md。每个阶段都需要人工审批，并且该规格可通过开放的 Agent Client Protocol (ACP) 交给 Kiro 或 Claude Code 等编码智能体。
AWS 发布了来自其生成式 AI 创新中心（现隶属于 AWS Frontier AI Engineering & Services）的 23 项生产就绪的开源生成式 AI 资产目录。这些构建模块涵盖 RAG 流水线、文档处理器、智能体脚手架和评估框架，AWS 表示它们可以将开发时间从数月缩短至数周。DoorDash 报告称测试能力提升了 50 倍，Ricoh 报告称基于这些资产构建后吞吐量提升了 7 倍。
DXC Technology 在 Amazon Bedrock 上为其 DXC OASIS IT 运维框架构建了模型底座，通过一个统一托管接口接入 Anthropic Claude、Amazon Nova、Meta Llama 和开放权重模型。Amazon Bedrock Guardrails 对所有模型统一应用内容过滤、PII 脱敏和禁止话题策略，而 AWS PrivateLink 将推理流量保持在客户 VPC 内。DXC OASIS 自 2026 年 3 月起正式可用，在 56 个实测用例中平均将解决时间缩短了 95%。
AWS 推出 Agent 开发生命周期（Agent DLC），这是一个包含一个生命周期、两个循环以及单一明确标准的框架，用于评判每一次 Agent 变更。它针对三个会破坏传统 CI/CD 的 Agent 特性：非确定性、提示词即源代码，以及独立变动的依赖项。一个参考 HR 政策助手显示，在全部三个测试问题上，块级检索精确度为 1.00，而事实级精确度降至 0.09，且其中一个问题的检索覆盖率为 0.00。
AWS 展示了如何通过 AgentCore Gateway 将搜索作为 MCP 工具暴露，从而在 Amazon Bedrock Managed Knowledge Base 上为共享 AI agent 提供按用户划分的文档访问权限。请求拦截器会从 Cognito JWT 中提取已验证的用户邮箱并注入 userContext，ACL 感知机制则只返回该用户有权查看的文档。AgentCore 中的 Cedar 策略以及知识库上的基于资源的策略，为防范伪造或未授权搜索增加了第二道防线。
AWS 发布了一套参考架构：在 Amazon ECS 上基于 LangChain 的企业编排器通过 A2A 协议调用 Amazon Bedrock AgentCore 上基于 Strands Agents 的合规 SaaS 智能体，双方位于不同的 AWS 账户中，且不共享密钥。双方各自使用来自自身 Amazon Cognito 用户池的令牌进行身份验证，SaaS 智能体则回调企业上下文智能体以获取账户元数据，因此这些智能体是作为对等方而非客户端与服务端交互。该系统通过三个 Jupyter notebook 部署，这些 notebook 会创建五个 CloudFormation 堆栈，并运行一次端到端测试以及七项信任边界检查。
AWS 在 Agent Toolkit for AWS 的 amazon-bedrock 技能中新增了知识库迁移指南，让编码代理可以规划从客户托管知识库迁移到 Amazon Bedrock Managed Knowledge Base。代理首先进行只读发现和逐行审查的计划，然后在原始知识库旁创建新的知识库和数据源，或编写迁移后的 IaC 模板。Managed Knowledge Base 将默认配额提高到每个知识库 200 个数据源、每个账户每个区域 10,000 个知识库，并新增了代理式检索、AgentCore Gateway 集成和基于资源的策略。
Anthropic 的指导将每个 Claude 模型匹配到相应规模的工作：Opus 5.5 用于规划和构建完整功能，Fable 5.2 用于最具野心、开放式的技术工作。Sonnet 5.5 覆盖修复 bug 或起草文档等日常任务，而 Haiku 5.5 处理反复进行的较小任务。