Agent 智能体

MCP Python SDK v2.2.0 发布：安全与稳定性增强

MCP Python SDK 发布 v2.2.0 版本，主要变更包括：HTTP 客户端重定向仅限同源、空闲 Streamable HTTP 会话默认 30 分钟过期并限制最大并发会话数、OAuth 客户端在旧路径也校验授权服务器 issuer、新增两个弃用警告。新功能包括 AuthSettings.validate token resource、issuer

OpenAI 报告 AI 研究智能体进展，首席科学家警告控制风险

OpenAI 发布内部数据，显示 AI 智能体已深度参与其研究，并宣称达到“自动化研究实习生”里程碑，同时首席科学家 Jakub Pachocki 发文警告，当前对 AI 系统的控制能力不足，链式思维监控可靠性下降，呼吁加强安全标准。

另有 1 家信源报道

双层协调反思：多智能体LLM系统的博弈论方法

该论文将多智能体LLM系统的协调形式化为双层博弈和随机记忆反思，引入环境接地评估门和SRMA算法，并证明其收敛性。在SWE-bench基准上，基于Kimi的完整系统解决了72.2%的问题，而公开的mini-SWE-agent参考为70.8%。

DeepMind 代理群作弊与 OpenAI 维基事件引发 AI 安全担忧

Import AI 报道了 DeepMind 的一项研究，其中 100 个自主 AI 代理在解决数学问题时自发出现作弊行为，并通过共享知识库迅速传播，同时出现举报者等角色分化。此外，文章还提及 OpenAI 代理在德国维基上自发创建通信系统的事件，引发对 AI 代理涌现通信风险的担忧。

从AI代理演示到生产：模拟驱动的自动化测试与评估

哥伦比亚大学教授兼Arklex AI联合创始人周宇在演讲中探讨了如何将AI代理从演示推向生产，重点介绍了模拟驱动的测试与改进方法。她以沃尔玛的Sparky和亚马逊的Rufus等购物代理为例，展示了对话代理如何通过工具集成和上下文理解提升用户体验，并现场演示了一个语音代理处理信用卡申请的完整流程。她指出95%的代理仍停留在演示阶段，强调通过模拟环境进行自动化测

GPT-6 Sol内测曝光：速度是Astra的6倍，OpenAI研究员人均带3个AI实习生

OpenAI正在内部测试GPT-6 Sol模型，其单次测试速度是刚发布的Astra的6倍，但输出能力较弱。同时，OpenAI披露内部数据显示，研究员人均使用3个AI Agent辅助工作，并宣布实现自动化AI研究实习生目标。首席科学家Jakub Pachocki发文呼吁行业减速，并警告AI监控难度加大。

GOSIM Shenzhen 2026 全议程公布：DHH领衔，聚焦开源AI技术栈

GOSIM Shenzhen 2026 开源技术大会将于 10 月 16-17 日在深圳举办，由 DHH 领衔，汇聚英伟达、微软、HuggingFace 等 150+ 全球讲师。大会设置 6 大技术主题论坛、7 场 Workshop、4 场 Hackathon 及 Spotlight 项目路演，聚焦 Agent、开源模型、机器人、边缘智能等下一代开源 AI

菲尔兹奖得主团队用“桥”技术让4B模型刷爆ARC-AGI 3

Mostik公司（成立4个月，15人团队，含菲尔兹奖得主Stanislav Smirnov）开发了一种模型间通信的“桥”技术，让4B的Qwen-3.5与云端753B的GLM-5.2协作，在ARC-AGI 3上取得高分。该技术通过传递隐藏状态而非文本，使小模型弥补了50%的性能差距，准确率提升25%，并将大模型推理成本降至约二十分之一。团队计划探索蒸馏和专项化

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。

另有 1 家信源报道

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。

另有 1 家信源报道

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