Agent 智能体

n8n 发布 2.38.4 版本，修复多项核心问题

n8n 发布 2.38.4 版本，主要修复了多个核心问题，包括限制任务运行器超时时间以匹配优雅关闭窗口、保持外部密钥提供者活跃、防止 Anthropic 代理线程永久中断并保留运行错误可见性、停止 npm audit 阻塞实例 AI 沙箱设置，以及确保关闭时先停止任务代理再停止任务运行器进程。

Seed2.1正式发布：推动AI生产力提升

字节跳动旗下Seed研究团队正式发布Seed2.1模型家族，该系列面向智能体场景，旨在提升真实生产力。Seed2.1在通用智能体能力、端到端编码和多模态基础能力上均有增强，并在多个基准测试中表现优异。目前，豆包和火山引擎用户已可开始使用Doubao Seed 2.1。

EdgeBench：衡量真实环境学习并发现新扩展定律

字节跳动Seed Research发布了EdgeBench，一个超长时程基准，用于衡量智能体在真实环境中的持续学习能力，包含134个任务，每个任务支持至少12小时交互。研究发现，智能体的环境学习性能遵循log-sigmoid曲线，拟合优度R²=0.998，且前沿模型的学习速度约每三个月翻倍。EdgeBench已开源51个任务和完整评估框架，以促进社区研究。

国内首份办公Agent用户行为报告发布：北京居首，海外用户超12%

国内首份《中国办公Agent用户行为不完全报告》于9月7日在北京发布，基于LobsterAI的真实用户数据。报告显示北京用户量全国居首，海外用户占比超12%，前20%用户消耗87.4%算力，单次任务规模5个月增长3.1倍，非办公时间token消耗近60%，DeepSeek V4 Flash最受欢迎。该报告揭示了办公Agent正从对话走向深度工作，成为通用AI

AI人才三波大迁徙：从百度到六小虎再到腾讯

国内AI人才经历三波大迁徙：从百度等大厂流向AI六小虎和字节等，再到百川智能、零一万物等战略收缩后人才流向腾讯等。深层原因包括股价、战略导向和组织架构。当前趋势是人才流动加速，AI Infra和数据人才受追捧，预训练需求下滑。

千问办公推出业内首个多人工作台

阿里巴巴旗下Agent产品“千问办公”推出业内首个“多人工作台”，用户可通过自然语言生成并发布支持百人同时在线协作的网页，具备角色权限、云端数据库、管理后台和在线发布能力，适用于活动组织、家校协同和企业协作等场景。该功能旨在解决SaaS采购和定制开发成本高、周期长的问题，推动AI从个人提效走向组织提效。

千问办公推出业内首个多人工作台，支持百人协作

阿里巴巴旗下Agent产品“千问办公”推出业内首个“多人工作台”，用户可通过自然语言生成并发布支持百人协作的网页，具备角色权限、云端数据库、管理后台和在线发布能力。该功能适用于活动组织、家校协同和企业协作等场景，旨在降低SaaS采购和定制开发成本。产品上线一个月用户数突破3000万，企业用户过半，推动AI从个人提效走向组织提效。

另有 1 家信源报道

Iris：攀登搜索前沿的端到端搜索智能体方法

本文提出了一种构建、训练和评估搜索智能体的端到端方法，并发布了Iris-mini和Iris-pro系统。该系统通过自动构造多跳任务、过滤训练数据、结合监督微调和强化学习进行迭代优化，在BrowseComp、DeepSearchQA等基准上取得了开源搜索智能体的最佳性能。研究还强调了上下文管理对搜索性能的重要影响，并提供了可测量的对比评估。

AI招聘系统综述：从匹配模型到招聘代理的评估与治理

这篇系统化综述梳理了AI招聘系统从匹配模型到智能招聘代理的演变，分析了从相似性匹配到互惠适配、从单一模型到复合工作流、从离线预测到证据与生产力对齐评估的三重转变。综述指出当前评估存在行为标签混淆、数据外部有效性有限、最终输出掩盖流程失败等问题，并提出分阶段映射评估证据与可辩护结论的框架，强调未来系统应具备证据基础、可审计性和成本风险约束。

多维偏好建模中的多维偏差：评估合成代理替代人类参与者的能力

该研究通过复现已发表的联合分析实验，评估了合成代理（LLM）在再现多维人类偏好方面的能力。结果显示，合成代理在边际分布和方向一致性上表现尚可，但在联合分布、个体选择对齐和效应量精确度上表现不佳，表明其有效性依赖于具体声明且具有层级性，不能作为人类样本的可靠替代。

EvoHarnessBench：评估智能体在演化 harness 下的适应能力

EvoHarnessBench 是一个新基准，用于评估 LLM 智能体在工具、技能和智能体三个维度上不断演化的外部 harness 下的表现。它包含 17 个多阶段流、802 个任务、520 个工具、42 个技能和 62 个智能体，并区分部署评估和自进化适应评估。研究发现，harness 扩展会导致智能体在已解决任务上性能下降，即 harness 诱导的遗忘

Abstraction Agent：用大语言模型零样本构建信息抽象

arXiv 论文提出 Abstraction Agent，一种零样本流水线，利用大语言模型从自然语言游戏描述中发现连续战略特征，对私有状态打分并聚类，无需游戏专用评估器或博弈树遍历。在 HUNL turn endgames 上相比期望手牌强度基线将利用度降低 62%，并成功迁移到多种扑克变体和麻将。该方法将 LLM 参数中的隐性战略知识转化为显式数值特征，代

大语言模型中的证据整合机制研究

该研究提出了一种关于大语言模型（LLM）如何整合外部证据的分布理论，认为证据会通过接收者先验权重和候选证据倾斜来改变模型的初始答案分布。基于超过一千万次试验、十二个模型和八个领域的验证，研究发现模型更易接受自身倾向的候选，且相同证据可能提升弱模型而损害强模型。因果干预表明候选整合发生在网络后期，而验证表征对最终答案几乎没有因果影响。

AI写代码，人类还债：代理生成代码可持续性与演变的实证研究

南丹麦大学、奥卢大学和夏威夷大学的研究人员发布了一项注册报告，计划通过大规模挖掘软件仓库（使用SQuaD数据集和628k个问题票据）来研究AI编程代理生成代码对软件质量和技术债务的长期影响。研究将比较代理生成的修复与开发者实际提交，评估问题定位准确性、技术债务引入及其随时间的演变。预期结果将提供代理开发权衡的经验证据，并促进代理在软件开发中的负责任采用。

Harbor Adapters与Harbor-Index：大规模智能体评估基础设施与精选元数据集

Harbor Adapters 和 Harbor-Index 项目为大规模智能体评估提供了统一基础设施和精选元数据集。他们开发了适配器，将超过80个基准测试移植到Harbor框架，并对8个模型在54个基准上进行了大规模评估。Harbor-Index包含82个高质量任务，旨在保持挑战性的同时降低成本。所有代码、结果和数据集均已开源。

等推理成本下多智能体结构未超越单一冻结智能体

该研究在固定总推理调用数的条件下，比较了多智能体团队与单一智能体的性能。作者提出MA-Evolve方法，在冻结的7B模型上进化Planner-Executor-Critic团队的角色提示词。实验表明，在ALFWorld任务中，团队虽达到最高平均成功率，但与单一智能体无显著差异，且额外调用未带来收益。价值分解显示所有提升均来自执行者角色，规划者和批评者提示词退

Iris：攀登搜索前沿的代理模型

Hugging Face 论文页面介绍了 Iris-mini 和 Iris-pro 两个搜索代理，分别基于 35B-A3B 和 397B-A17B 规模训练。它们通过结合监督微调和强化学习的多阶段流程，在 BrowseComp、DeepSearchQA 等基准上取得了开源搜索代理中的领先成绩。论文计划发布模型权重及完整训练配方。

另有 1 家信源报道

AFAC2026总决赛：AI金融的看见与被看见

2026年AFAC金融智能创新大赛总决赛落幕，46支队伍入围，24支挑战组和6支初创组获奖。大赛通过“会、展、赛”形式连接政策、学术、产业与资本，旨在让AI金融创业项目“被看见”。论坛上专家认为大模型能力持续攀升，但金融场景落地仍面临准确性、合规性等挑战，投资风向转向商业验证和硬核技术。

OpenAI内部视角：研究加速与递归自我改进

OpenAI在2026年9月6日举办了关于递归自我改进（RSI）的内部活动，被视为其迈向AGI的新进展。文章提到OpenAI研究团队广泛使用编码代理，并展示了研究人员人均AI支出在7月底显著加速的图表，推测这与内部员工提前使用GPT-6 Astra模型有关。

另有 1 家信源报道

Claude Code 2.0.14 发布：修复 MCP 切换与权限检查

Claude Code 发布 2.0.14 版本更新，修复了 MCP 服务器提及切换、bash 内联环境变量权限检查、ultrathink 与思考切换等问题，并减少了不必要的登录，改进了渲染效果和插件界面。