54 条新闻
由42位作者共同撰写的综述论文《Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond》，以二维分类框架组织这一研究领域——三个模型能力层级（预测器、模拟器、演化器）与四个定律领域（物理、数字、社会、科学）。综述覆盖逾400篇参考文献及100余个代表性系统。
墨尔本大学与马里兰大学的研究人员提出了超级思维测试（Superminds Test）——一个用于探测智能体社会集体智能的层级化框架。在拥有逾200万智能体的MoltBook平台上进行的研究表明，该社会的表现未能超越单个前沿模型，且交互极为稀疏与浅层。
克拉科夫AGH大学的Bartosz Balis及其团队于2026年4月23日发表论文，将自然语言研究查询转化为可执行的科学工作流。三层架构（语义LLM层、确定性生成器、专家Skills）在Kubernetes上的1000 Genomes工作流中进行了测试——Skills将意图准确率从44%提升至83%，数据传输减少92%，每次查询成本低于$0.001。
研究人员Anuj Sadani和Deepak Kumar于2026年4月23日在ArXiv上发表论文，解决了所谓的MCP Tax问题——贪婪模式的schema注入每轮消耗1至6万个token。他们的Tool Attention方法将消耗减少95%，上下文利用率从24%提升至91%。
AWS与Visier展示了通过Amazon Q和模型上下文协议集成的人力资源AI智能体。Visier将HR分析作为MCP服务器公开，Amazon Q智能体利用这些工具进行人员编制预算、任职期限跟踪和阈值警报——全部通过一个对话界面完成。
Anthropic已将Claude Managed Agents的记忆功能推送至公开测试版。智能体现在可以在会话间保存用户偏好、项目规范和上下文信息。测试版限制包括每个组织最多1000个存储库，每个存储库最多100 MB。
GitHub推出了直接从issues和项目视图追踪和管理云端智能体会话的功能。会话徽章、带进度日志的侧边面板以及项目视图中自动激活的会话，标志着自主AI智能体与开发流程的深度融合。
Google DeepMind与全球五大咨询公司——埃森哲、贝恩、BCG、德勤和麦肯锡——签署了合作协议，以加速企业AI转型，因为目前只有25%的组织能够将AI成功部署到生产环境。
OpenAI发布了Workspace Agents，即直接集成在ChatGPT界面中的Codex驱动AI智能体。智能体在云端运行，自动化复杂工作流程，并帮助企业团队通过跨应用安全机制的连接工具扩展工作。
AWS发布了一套架构，将Amazon Bedrock、Neptune图数据库和Mem0框架相结合，为AI智能体提供企业级持久记忆，解决了会话之间和用户之间上下文丢失的问题。
Amazon宣布为Bedrock AgentCore推出托管智能体运行框架，仅需三个API调用即可部署完整可用的智能体，无需编写编排基础设施代码。该框架还附带用于完整开发周期的AgentCore CLI，以及面向编程助手的预构建技能，目前在四个AWS区域以预览版提供。
ArXiv上发布了SWE-chat，这是一个记录用户与AI编程智能体在生产环境中真实「野外」交互的数据集。与基于GitHub Issue的合成基准测试不同，该数据集记录了开发者在日常工作中实际使用自主系统的方式——他们请求什么、如何回应智能体的建议、以及智能体在哪里失败——为更精准的评估和有针对性的智能体设计改进开辟了道路。
一项新研究表明，曾成功执行任务的AI电脑操控智能体在相同任务的重复尝试中可能失败，三个关键原因分别是执行随机性、任务规范模糊性和智能体自身行为的可变性。
Google推出ReasoningBank，一个让AI智能体从自身成功与失败中学习的记忆框架，无需重新训练语言模型。在WebArena基准测试中成功率提升8.3%，在SWE-Bench-Verified中提升4.6%，且每个任务减少约3个步骤。
OpenAI推出Codex Labs计划，并与Accenture、Deloitte和KPMG建立战略合作，将Codex智能体引入全球大型企业。该工具已达400万周活跃用户，提供顾问认证和按消费计费的企业套餐。
Agent-World是中国人民大学发布的全新研究框架，可自动生成数千种多样化环境用于AI智能体训练。该框架取代了手工制作的基准测试，通过动态场景和智能体与环境的协同进化实现演化式学习。
Google在Gemini API中推出了两个新版Deep Research智能体——deep-research-preview-04-2026和deep-research-max-preview-04-2026——具备MCP服务器集成、协作规划、可视化和流式响应。此举将Gemini定位为ChatGPT Deep Research和Perplexity Deep Research的有力竞争者。
arXiv发布的新综述全面衔接了经典多智能体系统文献与现代LLM智能体技术栈。该论文识别出协调机制、通信协议和涌现行为方面的范式转变——从低级状态交换演进为语义推理。
AWS发布了架构示例，展示如何将Bedrock AgentCore Runtime、MCP协议与语音模型Nova 2 Sonic结合，构建全渠道订单系统。这是AWS新智能体服务的首次公开集成，也是面向生产智能体的microVM隔离方案演示。
ArXiv最新论文表明，多个LLM智能体可以通过提示元优化自发形成稳定的算法共谋，在无需明确协议的情况下实现超竞争价格。这一发现对反垄断法和多智能体系统监管提出了严峻问题。
NVIDIA扩大了与Adobe和全球最大营销机构WPP的战略合作，以在企业营销中推出自主AI代理。核心是全新的NVIDIA OpenShell——一个基于策略的隔离安全运行时环境——结合Nemotron模型和Adobe Firefly Foundry视觉内容生成器。
AWS推出了ToolSimulator，这是Strands Evals平台内一个LLM驱动的框架，用于在不进行实际API调用的情况下安全测试AI代理。模拟器在多轮对话中维护一致的共享状态，并生成上下文适当的响应，允许测试发送邮件或修改数据库的代理，而不产生实际后果。
NVIDIA联合合作伙伴发布了开源数据集Nemotron-Personas-Korea，包含700万条基于韩国官方人口统计数据的合成人格。目标是在不涉及隐私风险的前提下，支持具有文化感知能力的AI智能体开发。
Experience Compression Spectrum是一个新的架构框架，将LLM智能体的记忆、技能和规则置于单一压缩递增轴上——从情节记忆（5-20×）到程序技能（50-500×）再到声明式规则（1000×+）。分析揭示，现有系统在固定压缩级别运行，且记忆与技能之间缺乏相互通信。
WORC（Weak-Link Optimization for Reasoning and Collaboration）是一个新框架，它不优化强智能体，而是识别并强化多智能体LLM系统中的薄弱环节。通过元学习和群体智能找到表现不佳者，然后为其分配额外推理资源。结果：推理基准平均准确率82.2%，跨架构稳定性更高。
Autogenesis（AGP）是一种将AI代理、提示词、工具和记忆建模为带有显式状态和版本化接口的注册资源的协议。自演化协议层（SEPL）提供闭环操作接口，用于提议、评估和提交改进，并带有审计跟踪和回滚功能，从而解决了迭代修改自身组件的代理的不稳定性问题。
RadAgent是一款用于胸部CT影像解读的AI代理，通过透明的逐步流程，在宏观F1得分上相对超越基线CT-Chat模型36.4%，微观F1提升19.6%，对抗鲁棒性提升41.9%。该工具可生成带有决策检查轨迹的放射科报告，Faithfulness得分达37%，而基线为0%。
CoopEval 是一个新基准，用于测试大语言模型 (LLM) 智能体在囚徒困境和公共物品博弈等经典社会困境中的表现。反直觉发现：更强的推理模型比较弱的模型更频繁地背叛，在单次混合动机情境中系统性地破坏合作。对于需要在自身利益与集体利益之间平衡的多智能体 AI 部署具有重要意义。
Mind DeepResearch（MindDR）是一个新的多智能体深度研究框架，使用约 300 亿参数的模型（Qwen2.5 或 DeepSeek 级别，而非 GPT-4 或 Claude Opus 规模）实现具有竞争力的结果。架构包括：规划智能体 + 深度搜索智能体 + 报告智能体，以及含数据合成的四阶段训练流水线，已于 2026 年 4 月 17 日发布技术报告。
Agentic Engineering 是一种让 AI 智能体群接管整个软件生命周期（而不仅仅是编写代码）的方法。LangChain 与 Cisco 工程师 Renuka Kumar 和 Prashanth Ramagopal 于 2026 年 4 月 17 日发布了包含 Leader 和 Worker 智能体的参考架构。在 Cisco 的试点项目中，共有 70 名用户、512 个会话参与，Bug 根因发现时间缩短了 93%，开发工作流执行时间缩短了 65%。
Owlgebra AI 团队于 2026 年 4 月 16 日在 HuggingFace 博客发布了 Ecom-RLVE-Gym 项目——一个包含 8 个可验证电商对话智能体训练环境的开放框架，使用算法奖励而非 LLM 评判。系统采用包含 200 万商品的目录、Qwen 3 8B 模型和 12 轴自适应课程，逐步提高任务难度，以应对监督微调在复杂多步骤流程中的局限性。
OpenAI Codex是面向macOS和Windows的更新版桌面应用，现已集成电脑使用、应用内浏览、图像生成、持久记忆和插件系统。与Anthropic的Opus 4.7同日发布，Codex代表着打造集完整智能体能力于一体的全能AI编程助手的最雄心勃勃的尝试。
GitHub CLI 2.90.0版本引入了gh skill命令，支持发现、安装、管理和发布面向GitHub Copilot、Claude Code、Cursor、Codex、Gemini CLI和Antigravity的AI代理技能。通过不可变发布、SHA内容验证和版本固定来保障供应链安全。
OpenMobile是基于视觉语言模型的移动智能体开发新型开源框架。微调Qwen2.5-VL后在AndroidWorld基准测试上达到51.7%的成功率，Qwen3-VL更达到64.7%——显著高于现有开放数据方法，接近达到近70%的闭源系统。作者将所有数据和代码公开发布。
LangChain发布了新的异步子代理模型，允许监督代理在不阻塞的情况下启动数百个并行子代理实例。fire-and-steer范式允许通过start_async_task、check_async_task和update_async_task工具在运行时修改子代理的指令，可在LangSmith平台或自托管基础设施上运行。
OpenAI发布了Agents SDK的重大升级，引入原生沙箱执行（native sandbox execution）和模型原生框架（model-native harness），用于构建更可靠的长期运行AI智能体。新版本专注于代码执行安全性和智能体自主性，使开发团队能够构建可在无人监督的情况下运行数小时且保持可靠性的智能体。
TREX是一个新的多智能体系统，可自动化大型语言模型微调的完整流程——从需求分析和文献检索到数据准备和结果评估。该系统将实验过程建模为搜索树，在包含10个真实任务的FT-Bench基准测试上始终能优化模型性能。
IBM Research发布了VAKRA——一个用于在企业环境中评估AI代理的新基准，包含超过8,000个本地API、62个领域和4,187个测试实例。关键发现是模型在简单任务上表现出表面能力，但在组合推理上失败，多跳推理随深度降级，遵守外部约束导致性能显著下降。
对GitHub上679个规则文件和25,532条规则的分析表明，禁止性规则能改善AI编程代理的表现，但正面指导实际上会产生负面影响。随机生成的规则与专家编写的规则效果相当。
新基准测试HORIZON系统性分析了LLM智能体在长期任务中的失败模式。研究发现错误会在多个步骤中累积，即使最优秀的模型在执行20步以上的动作后也会失去焦点。
首个评估多AI代理在隐私约束下协作的基准测试。结果表明隐私会显著降低协作质量，并导致三类错误，包括由隐私引起的幻觉。
SWE-AGILE引入了动态上下文策略，结合滑动窗口和压缩摘要用于AI编程代理。仅使用7-8B参数的模型就在SWE-Bench-Verified上达到了新的最优水平，仅用2,200个训练样本。
Cloudflare将OpenAI的GPT-5.4和Codex模型集成到其全新Agent Cloud平台中，使企业用户能够构建、部署和扩展用于实际业务任务的AI智能体，重点关注速度和安全性。
Allen AI研究所分析了两个基准测试，揭示了AI在知识测试中的表现与真实科学发现能力之间的巨大差距。模型在教科书层面达到80%，但在复杂科学任务中降至20%。
新基准测试HiL-Bench衡量AI智能体识别自身局限并请求人类帮助（而非盲目猜测）的能力。结果显示，即使是前沿模型也难以判断何时需要帮助，但有针对性的训练可以改善这一能力。
新基准测试揭示了AI代理在判断力方面的普遍缺陷——当规格不完整时，没有任何前沿模型能达到其完整性能的一小部分以上。研究人员表明，这种能力可以通过强化学习来训练。
面向客户服务的新基准测试揭示了两个现象：'执行差距'（模型能正确分类意图但不执行正确操作）和'共情韧性'（模型在犯逻辑错误的同时保持礼貌）。
GitHub 于 4 月 10 日发布了 Copilot CLI 工具的官方教程。该指南涵盖了通过 npm 进行安装、使用 GitHub 账户进行身份验证以及实用示例——包括将任务委托给云代理。
Anthropic 发布了全面的政策框架《Trustworthy agents in practice》，该框架定义了以可信赖的方式开发、部署和使用 AI 代理的含义。该文档作为构建或使用代理的公司的指南。
新论文 PASK 提出了一个主动式 AI 代理框架，结合了意图检测、混合记忆和自发行动。IntentFlow 模型在识别潜在用户需求方面达到了领先的 Gemini 3 Flash 模型的水平。
新方法 SAVeR（Self-Audited Verified Reasoning）被 ACL 2026 接收，它允许 LLM 代理在执行动作之前进行自我修正。目标：防止违反逻辑约束的连贯推理导致错误决策。
研究人员推出了 KnowU-Bench —— 一个全面的基准，用于评估新一代移动 AI 代理，重点关注通过长期使用实现的交互性、主动性和个性化。
Amazon发布了AWS Agent Registry的预览版——面向企业组织的AI智能体、工具和智能体技能的集中式目录。该系统可索引智能体（无论托管在何处：AWS、其他云或本地），并使用关键字与语义搜索的组合，配合基于IAM的访问控制。
Amazon为Bedrock AgentCore Runtime扩展了三项新的MCP能力——elicitation（向用户请求结构化输入）、sampling（向客户端请求LLM补全）和进度通知。有状态会话现在最长可持续8小时（运行于隔离的microvM中），并支持智能体与客户端之间的双向通信。