搜索
中国人民大学的研究团队提出 CoDA-Bench，联合评估 Agent 的 Code Intelligence + Data Intelligence。该基准首次把 Code Agent 放进包含 1000 + 数据文件的复杂环境下，要求模型先自主探索文件系统、找到相关数据，再编写代码完成分析。实验显示，即使当前表现最好的系统，在 CoDA-Bench 上执行准确率也只有 61.1%；
三星大模型团队联合北京大学、香港城市大学、香港科技大学等科研机构，共同发布了面向 AI Agent 的基准测试 LiveClawBench。它关注的并不是「谁的 Agent 更强」，而是一个更基础、也更关键的问题：为什么同一个 AI Agent，在一些任务中已经接近可用，而在另一些任务中却会突然失稳？
今晚，我在旧金山 Howard Street 的 Inngest 总部，参加了一场叫做 {AI} in Production 的小型聚会。主办方是 Inngest，Cursor、Arcade、Vapi 联合参与。清一色是在一线真正跑 AI agent 的工程师和创始人，一群人坐在一起，讲他们把 AI 部署进生产环境之后遇到的真实问题。
最近这段时间，国内外模型更新得很快。
最近，flowith 团队发布了一款叫 Matrix 的产品，要帮你解决这个问题：主打用 Agent 开一家「无人公司」。说白了，就是你当老板设个目标，剩下的调研、生产、发布、获客，交给一整套 AI 员工去跑。它想干的事，听起来有点狂：让每个人都能开一家不需要员工的公司，然后这家公司真的能赚钱。
当 Agent 从演示视频中的炫技片段开始走进真实工作流与生产环境，下一阶段的「何去何从」成为业界关注的焦点。
当大模型应用进入深水区，决定一个 Agent 体验上限的，早已不只是 "答得对不对", 而是 "能不能持续记住同一个人"。
本篇文章根据我在本月 43 Talks 线下活动中的分享整理而成。主理人李继刚邀请我时，给的主题词只有一个：Context。我想从 Agent 的视角出发，讨论一个判断：随着模型和 Harness 逐步趋同，真正决定 Agent 能力边界的，会越来越是 Context。
微信和企业微信的 Agent，同时出牌。
AI高考志愿填报，数据只是最基础的一环。