LangSmith 是管理和查看 AI 智能体运行记录（trace）的工具，每条记录包含用户说了什么、智能体怎么回应、调用了哪些工具。以前想找“用户是否不满”或“有没有泄露隐私信息”这类记录，只能靠关键词搜索或事先写好评测脚本，因为这些问题对应不上标签或元数据。现在 LangSmith 新增 AI Search：用大白话描述你想找的行为，系统用一个快速决策模型逐条阅读轨迹并返回命中的记录，还借助统一的轨迹视图压缩重复内容让搜索更快。对团队来说，找评测样本、排查问题或挖掘用户反馈都会省力很多。该功能现已推出，可与现有筛选条件一起使用。
展开详情收起详情：在 LangSmith 中用 AI Search 按行为搜索智能体轨迹⌄
LangChain Blog
原文发布：2026-10-13 22:01收录：2026-10-14
LangChain 把 ScaleDown 的专用小模型接进了 Deep Agents 和 LangChain 智能体框架里。原来长时间运行的智能体上下文会越堆越满，而用通用大模型去摘要历史、压缩工具结果又慢又贵。现在换成专门做单一任务的 ScaleDown 模型（摘要、压缩、抽取、分类），官方称这些窄任务上比前沿模型快 200 倍、便宜 467 倍，单次最多能读 100 万 token，还能直接处理图片和扫描 PDF。做智能体的开发者可以借此降低每次决策的成本和延迟，也可通过 LangSmith LLM Gateway 追踪调用和用量。
文中可用工具
- ScaleDown一组专做摘要、压缩、抽取、分类等单一任务的模型，用来更快更便宜地管理智能体上下文
- Deep Agents用于构建长时间运行智能体的框架，可挂载摘要与工具结果压缩中间件
- LangChain搭建智能体的开发框架，支持 create_agent 并接入 ScaleDown 中间件
- langchain-scaledown把 ScaleDown 模型接入 LangChain 与 Deep Agents 的集成包，自带三种中间件
- ScaledownSummarizationMiddleware替换 Deep Agents 自带的摘要中间件，用 ScaleDown 生成历史摘要
- ScaledownToolCompressionMiddleware在工具结果进入模型前，只保留与查询相关的部分
- LangSmith LLM Gateway已支持 ScaleDown，可追踪调用并计入消费和速率限制
- Jev文中用来对比的决策模型，只接受文本、每题最多 32K token 状态
展开详情收起详情：用 ScaleDown 与 Deep Agents 构建长时间运行的智能体⌄
LangChain Blog
原文发布：2026-10-13 22:01收录：2026-10-14
几家大公司（Stripe、Ramp、Coinbase）各自做了内部的编程 AI 助手，虽然独立开发，但做法却惊人地相似：都在云端隔离沙箱里跑、只用少量精选工具、从 Slack 里召唤、开工前先把任务上下文拉全。现在有人把这些共同经验打包成开源框架 Open SWE，基于 Deep Agents 和 LangGraph 搭建，代码可定制，不用从零造轮子。对想给团队部署内部编程智能体的公司来说，它可以直接当起点。不过文章只发了框架，没说更多落地数据。
文中可用工具
- Open SWE开源框架，提供内部编程智能体的核心架构组件，可定制
- Deep AgentsOpen SWE 所基于的智能体框架，提供任务规划、文件式上下文管理、子智能体生成等能力
- LangGraphOpen SWE 所基于的底层编排框架
- MinionsStripe 开发的内部编程智能体
- InspectRamp 开发的内部编程智能体，基于 OpenCode 构建
- CloudbotCoinbase 开发的内部编程智能体
- Slack作为主要调用入口，开发者可在聊天中召唤智能体
- Linear作为任务来源和更新渠道，智能体可读取工单并回帖
- GitHub作为代码协作平台，智能体可提交代码并开草稿 PR
- OpenCodeRamp 构建 Inspect 时所用的基础框架
- AGENTS.md仓库根目录的说明文件，用来注入团队约定、测试要求等上下文
展开详情收起详情：Open SWE：面向内部编程智能体的开源框架⌄
LangChain Blog
原文发布：2026-10-14 03:56收录：2026-10-14
LangChain 给自家的编程智能体 Deep Agents CLI 换了一套围绕模型的“外骨架”（系统提示、工具和中间件），用来引导模型的能力。原来的做法缺少测试和验证，智能体常写完代码、自己看一遍就停下，导致成绩只有 52.8 分，排在 Terminal Bench 2.0 榜单 30 名开外。这次他们加了强制自检清单、注入目录与工具环境信息、以及时间预算提醒，还用追踪数据自动分析失败原因，成绩提升 13.7 分到 66.5 分，进入前五。对读者的意义是：不改模型本身，靠工程化外围设计也能明显提升智能体表现；不过其追踪分析技能尚未发布，仍在测试中。
文中可用工具
- Deep Agents CLILangChain 的编程智能体，本次改进的对象
- Terminal Bench 2.0评估智能体编程能力的基准测试，共 89 个任务
- Harbor用于编排测试运行的框架
- Daytona提供沙箱环境运行测试
- LangSmith存储智能体每步操作及延迟、token 数、成本等指标
- GPT-5.2-Codex本次实验中固定使用的模型
- PreCompletionChecklistMiddleware在智能体退出前拦截，提醒其对照任务要求做验证
- LocalContextMiddleware启动时扫描工作目录和工具环境，把上下文注入给智能体
展开详情收起详情：通过 harness 工程改进 Deep Agents⌄
LangChain Blog
原文发布：2026-10-14 03:56收录：2026-10-14
LangChain 团队开源的 Deep Agents SDK 是一个帮开发者搭建 AI 智能体的工具包，这类智能体可以自己规划任务、派生子智能体、读写文件，去完成耗时很长的工作。问题是任务一长，对话内容就会超出模型能记住的容量，导致 AI「忘事」、表现变差。为此它用三招省内存：工具返回内容超过 2 万 token 就存到文件系统里，只留一个路径和前 10 行预览；上下文用到 85% 时，把旧的写文件操作替换成文件路径，不再重复占位置；再不够就把整段对话压缩成一份摘要，同时把原始记录完整存进文件系统，需要时再查回来。这样开发者能让 AI 长时间干活而不容易「失忆」。
文中可用工具
- Deep Agents SDKLangChain 开源的智能体开发工具包，内置任务规划、子智能体和文件系统能力
- LangChain model profiles在底层提供某个模型上下文窗口的 token 阈值，用于判断何时压缩上下文
- read_file读取之前被移出上下文、存到文件系统的消息内容
- terminal-bench用于跑真实任务、观察上下文压缩效果的基准测试
展开详情收起详情：Deep Agents 的上下文管理机制⌄
LangChain Blog
原文发布：2026-10-14 03:56收录：2026-10-14
LangChain 团队用 Deep Agents 测试框架跑了一批开放权重模型，发现 GLM-5 和 MiniMax M2.7 在文件操作、工具调用、指令遵循这些智能体核心任务上，已经和 Claude Opus 4.6、GPT-5.4 等闭源顶级模型打得差不多。过去用闭源大模型跑智能体，又贵又慢：每天输出 1000 万 token，Opus 4.6 大约要 250 美元，MiniMax M2.7 只要约 12 美元，一年差出近 8.7 万美元。开源模型还能跑在 Groq、Baseten 这类专门优化的推理服务上，延迟和吞吐都更好。不过这还只是早期评测结果，团队正在继续扩充测试集；普通用户暂时用不上，主要意义是给要做智能体产品的开发者一个更便宜、更快的选择。
文中可用工具
- Deep AgentsLangChain 的智能体测试与运行框架，用来统一跑评测和部署智能体
- GLM-5z.ai 推出的开放权重模型，本次评测中表现接近闭源顶级模型
- MiniMax M2.7MiniMax 推出的开放权重模型，成本最低，本次评测中表现接近闭源顶级模型
- Ollama本地运行模型的工具，可跑私有化开源模型
- vLLM高性能推理引擎，用于自行部署开源模型
- Baseten模型托管推理服务，本次用于跑 GLM-5
- OpenRouter模型调用聚合平台，提供 MiniMax M2.7 等模型的调用
- Groq专注低延迟高吞吐的推理服务商
- Fireworks面向生产场景的模型推理服务商
- SWE-Rebench软件工程类公开评测基准
- Terminal Bench 2.0终端操作类公开评测基准
- LangSmithLangChain 的评测与可观测平台，公开分享本次评测运行结果
展开详情收起详情：开源模型已跨过临界点⌄
LangChain Blog
原文发布：2026-10-14 03:56收录：2026-10-14
LangChain 今天发布了 Deep Agents Deploy 的测试版，它能让开发者用一条命令把自定义 AI 智能体部署到生产环境。此前，部署一个智能体需要自己搭建可扩展的服务器、为每次会话创建沙箱、再接通各种接口，步骤繁琐。这次它把这些打包成 `deepagents deploy`，你只需指定模型、指令文件、技能和工具配置即可上线，而且底层用的是开源、不绑定任何模型厂商的框架，所以智能体的记忆存在你自己的数据库里，换模型或换平台时不用从零开始。目前是 beta 测试版，记忆格式用 AGENTS.md 等标准文件保存，支持通过 API 直接查询。
文中可用工具
- Deep Agents开源、不绑定模型厂商的智能体框架，用来搭建自定义智能体
- Deep Agents deploy一条命令把智能体部署到生产环境的工具，当前为 beta 版
- LangSmith Deployment生产级、可横向扩展的服务器，Deep Agents deploy 底层用它来托管智能体
- AGENTS.md存放智能体核心指令的开放标准文件
- Agent Skills通过 markdown 文件提供专门知识、通过脚本执行动作的开放标准
- MCP一种让智能体调用工具的协议，也用于把部署的智能体当作工具调用
- A2A一种让多个智能体互相调用的协议，用于多智能体协作场景
- Agent Protocol一套接口标准，方便开发者写界面与部署的智能体交互
- Daytona沙箱服务商，让智能体在隔离环境中运行代码和技能
- Runloop沙箱服务商，让智能体在隔离环境中运行代码和技能
- Modal沙箱服务商，让智能体在隔离环境中运行代码和技能
- LangSmith Sandboxes沙箱服务，让智能体在隔离环境中运行代码和技能
展开详情收起详情：Deep Agents Deploy：Claude Managed Agents 的开源替代方案⌄
LangChain Blog
原文发布：2026-10-14 03:56收录：2026-10-14
LangChain 团队把文档里的示例代码变成 CI 可自动测试的代码，方法是用 Deep Agents CLI 这个命令行智能体，配上预先写好的技能（类似给同事的步骤说明），让智能体自动把文档里的内联代码抽成独立文件、补全可运行的环境、加标记、跑测试，再嵌回文档。原来这些示例是静态的，API 或依赖一变就悄悄失效，而手动改造又太费工，所以很多团队干脆不做。现在只需在文档仓库里对智能体说一句“把某个文件里的内联代码迁移成可测试的示例”，它就会照技能执行，再配合 GitHub Action 定期跑测试并在失败时开单。这一做法目前是 LangChain 团队自用的示例，Deep Agents CLI 可查看官方文档试用，技能脚本需自己在仓库中配置，并非开箱即用的成品服务。
文中可用工具
- Deep Agents CLI一个命令行智能体，可用对话方式让它按技能说明自动完成文档代码迁移等任务
- Skills可复用的步骤说明文件，智能体在任务匹配时加载并照做
- Bluehawk根据标记从代码中抽取片段的工具，生成可嵌入文档的代码片段
- Mintlify文档平台，接收生成的代码片段作为文档内嵌内容
- GitHub Action定期自动运行代码示例测试，并在失败时创建工单
展开详情收起详情：我们如何让文档自己测试自己⌄
LangChain Blog
原文发布：2026-10-14 03:56收录：2026-10-14
LangChain 把 MCP 支持搬进了主包，现在放在 langchain.mcp 里，不再需要单独安装 langchain-mcp-adapters。MCP 是一种让 AI 智能体调用外部工具的通用协议，过去每次调用都要先开一个会话、记住会话编号，服务器一重新部署，正在进行的会话就断了，运维起来很麻烦。新版 MCP 规范改成了“无状态”，所以 LangChain 顺势支持了工具列表缓存，以及 elicitation（工具执行中途反过来问用户问题，比如确认删除或补充缺失参数），并用 LangGraph 的 interrupt 来实现这种暂停和恢复。底层用的是 FastMCP，新旧两版协议的服务器都能连，旧的 MultiServerMCPClient 收敛成单个 MCPAdapter 类。对开发者来说，装个 langchain[mcp] 就能用，不过迁移细节和 elicitation 后续示例在文中被截断了，这部分信息未完整给出。
文中可用工具
- langchain.mcpLangChain 主包里的 MCP 支持模块，用来连接智能体和 MCP 工具服务器
- FastMCP提供连接、认证、缓存和协议协商的底层客户端，兼容新旧两版 MCP 规范
- MCPAdapter替代旧的 MultiServerMCPClient，用来接入一个或多个 MCP 服务器
- ClientGroup给每个 MCP 服务器单独配置连接、认证和协议版本
- LangGraph用其中的 interrupt 机制实现 elicitation 的暂停与恢复
- create_deep_agent创建可直接使用 MCP 工具的智能体
- langchain-mcp-adapters旧的独立安装包，现已并入 langchain 主包
展开详情收起详情：LangChain 中的 MCP：无状态协议、elicitation 等更新⌄
LangChain Blog
原文发布：2026-10-14 03:56收录：2026-10-14
欧洲大型电信公司 Orange 的 B2B 部门 Orange Business 搭建了一个叫 Live Intelligence 的企业级 AI 平台，让公司内部和客户能在受管控的前提下开发和使用 AI 智能体。原来他们想自己从零造一套编排、部署、监控系统，但光基础设施就要花一年多，于是转而选用了开源框架 LangChain 和评估观测工具 LangSmith。现在平台上已有约 12 万名 Orange 员工在用，法国和欧洲有 150 多家客户采用；团队还能在改动上线前跑回归测试、逐条查看智能体执行过程，快速定位问题出在检索、提示词、模型还是工具调用上。
文中可用工具
- LangChain开源框架，用来搭建和编排 AI 智能体，好处是不绑定某一家模型厂商
- LangSmith用来做智能体评估、运行追踪和效果监控的工具
- Live Intelligence Studio给 AI 工程师设计跨系统复杂工作流的环境，含模型目录、智能体构建和 MCP 支持
- Live Intelligence Portal给业务人员直接使用的界面，可创建简单智能体、部署 Studio 里搭好的工作流
- Live Intelligence Console给企业管理员的控制台，查看用量、性能和落实安全合规策略
- Agent Registry集中管理智能体和提示词，支持发现、复用、版本控制与治理
- MCP Registry集中登记可信工具和连接器，让智能体安全访问企业系统
- LangSmith Fleet原文仅提到它是 Studio 中驱动智能体构建器的组件，未说明具体用途
- LangSmith Context Hub管理不同环境的提示词版本，可在不改代码的前提下先测试再上线
- MCP让智能体以统一方式连接外部工具和企业系统的协议
展开详情收起详情：Orange Business 如何用 LangChain 和 LangSmith 构建 Live Intelligence⌄
LangChain Blog
原文发布：2026-10-14 03:56收录：2026-10-14
Dynatrace 宣布其面向美国联邦机构的平台已进入 FedRAMP Class D（High）认证流程的“初始实施”阶段，并出现在 FedRAMP Marketplace 上。此前 Dynatrace 只有 FedRAMP Class C（Moderate）认证，满足不了对高敏感级别有要求的机构。这次进展意味着认证还在进行中，但联邦机构可以据此提前规划未来的可观测性、日志管理和自动化需求。注意，这只是规划依据，不代表已获认证，也不能用于 Class D（High）环境部署；现有 Class C（Moderate）服务仍照常可用。
文中可用工具
- OneAgent自动发现并为应用、基础设施、微服务及其依赖关系插桩
- Smartscape映射上述组件之间的关系
- Grail把日志、指标、追踪、事件及业务数据放在同一上下文中
- FedRAMP Marketplace展示 Dynatrace 平台处于初始实施阶段的官方列表
展开详情收起详情：Dynatrace 达到 FedRAMP Class D（High）初始实施状态⌄
Dynatrace Blog
原文发布：2026-10-12 20:53收录：2026-10-13
Dynatrace 宣布其 Snowflake 可观测性功能正式可用。此前，企业用 Snowflake 做数据分析、数据管线和 AI 工作负载时，成本、性能、安全、运维和数据质量的信息分散在不同工具里，出问题常要人工在 Snowflake、监控工具和表格之间来回切换拼凑原因。现在，团队通过 Dynatrace 的 Data Observability 应用就能统一查看这五方面情况：它带引导式接入、自动采集遥测，并预置 14 个仪表盘，接上就能用，不用从空白画布搭起。对读者的用处是：更容易在用户抱怨前发现性能瓶颈、在账单飙升前发现仓库消耗异常、在数据变旧或结构被改时及早察觉，从而减少依赖这些数据的 AI 应用出错。该功能由开源项目 Dynatrace Snowflake Observability Agent 支撑，偏好自行部署的团队仍可用开源版本。
文中可用工具
- Dynatrace Snowflake Observability统一查看 Snowflake 的成本、性能、安全、运维和数据质量
- Dynatrace Data Observability app提供引导式接入和预置仪表盘的入口应用
- Dynatrace Snowflake Observability Agent (DSOA)开源代理，负责采集 Snowflake 遥测数据并支撑仪表盘
展开详情收起详情：Dynatrace 正式发布端到端 Snowflake 可观测性功能⌄
Dynatrace Blog
原文发布：2026-10-12 21:30收录：2026-10-13
Andrej Karpathy（OpenAI 创始成员，今年 5 月加入 Anthropic）在 X 上发帖估算：约 60 亿人几乎没用过大语言模型，10 至 20 亿人只是随便用用聊天机器人，约 2000 万人在数学和编程工作中专业使用前沿模型，而真正在实验室内部接触前沿系统的只有约 5000 人。他认为 AI 的普及才刚开始，大多数人只把 AI 当作聊天机器人，而少数开发者看到的能力提升速度惊人。Box CEO Aaron Levie 也认同这一差距，并指出企业落地还面临成本、多智能体管理工具不成熟、数据打通和安全合规等障碍。对读者来说，这意味着现在熟悉 AI 的进阶用法（如让智能体长时间跑任务、自我测试改进）仍有明显先发优势。
文中可用工具
- Box Automate把 AI 自动化接入文档密集的业务流程
- Codex能花一小时重构整个代码库的高端编程模型
- AutoResearch在一张 GPU 上整夜自动跑实验、记录评分并提交改进的智能体项目
展开详情收起详情：Andrej Karpathy 称仅 5000 人见识过 AI 的真正能力⌄
The New Stack
原文发布：2026-10-12 23:54收录：2026-10-13
Octopus 调查了 379 名平台工程从业者，想看看团队在“自己造还是买现成”上的选择能不能反映出他们的策略水平。结果是：主要靠自己从零开发的团队，报告平台缺乏清晰策略的比例约为 57.9%，而主要用模板或现成工具的团队只有约 15.6% 和 16.7%，差了约 3.5 倍。原因在于 AI 编码智能体虽然让写代码变快，一个内部工具可能一天就能搭出来，但后续的维护、升级和治理并不会消失。对读者的意义是：当开发成本下降时，先想清楚哪些该自建、哪些该买，比以往更重要。
展开详情收起详情：编码智能体让构建变容易了：从零自建的平台团队，缺少明确策略的可能性高出 3.5 倍⌄
The New Stack
原文发布：2026-10-13 03:28收录：2026-10-13
一位安全研究员在谷歌开发者文档平台 DevSite 中发现了一个严重漏洞。DevSite 把 OAuth 客户端密钥同时当作登录签名的钥匙，还把这段数据放进用户能看到的 Cookie 里；由于服务器反序列化数据的方式不安全，任何人拿到密钥就能伪造登录凭证，并在谷歌服务器上运行自己的代码，无需账号也无需受害者操作。谷歌将漏洞评为最高级别 S0，向研究员支付了 9 万美元奖金，但从 8 月 6 日报告到 10 月 7 日才部署修复，中间空窗两个月。报道未说明谷歌是否做了临时缓解、密钥是否全部轮换、旧会话是否失效，也未证实漏洞是否曾被真实利用。对使用谷歌开发者文档的普通用户来说，风险在于若被利用，文档中的安装命令或下载链接可能被替换成恶意版本，但目前尚无证据表明发生过这种情况。
展开详情收起详情：谷歌为这个漏洞支付了9万美元，却等了两个月才修复⌄
The New Stack
原文发布：2026-10-13 04:47收录：2026-10-13
这篇文章讲的是在 Kubernetes 上跑 GPU 工作负载时，资源计量和分摊几乎全得自己搭。CPU 和内存由内核自动按容器统计，看 Grafana 面板就够；但 GPU 默认没有按 Pod 的用量数据，NVIDIA 的 DCGM exporter 按物理卡汇报，一旦多个 Pod 共用一张卡，每个 Pod 都会显示占满全卡，加起来能变成 300%，数字好看却是错的。文章还指出 GPU 只能按整数张申请、没有超卖和右调空间，共享时算力分配在现有工具下也无法准确归属，因此建议按显存计费、把算力利用率只当参考信号。文章没有给出具体解决方案或发布时间，具体细节原文未完全说明。
文中可用工具
- Kubernetes管理和调度容器化工作负载的平台
- Grafana做资源用量可视化的仪表盘工具
- DCGM exporterNVIDIA 的 GPU 指标导出工具，默认按物理卡汇报数据
- NVIDIA_VISIBLE_DEVICES环境变量，决定容器能看到哪些 GPU
- MPSNVIDIA 的多进程服务，用于让多个任务共用一张 GPU
- MIGNVIDIA 的多实例 GPU 技术，把一张卡切成多个隔离实例
- NVMLNVIDIA 的管理库，可按进程查看显存占用
- nvidia-smi查看 GPU 状态和按进程采样的命令行工具
- vLLM推理框架，启动时会先占用大部分显存
展开详情收起详情：Kubernetes 上的 GPU 是自带一切，先从账单开始⌄
The New Stack
原文发布：2026-10-13 04:48收录：2026-10-13
OpenCode 是一个开源的 AI 编程助手，背后的公司 Anomaly 今天正式发布了 2.0 版本。此前它有三个多月处于公测阶段，更新一直在发但缺少说明，开发者搞不清它到底算不算稳定版。这次 2.0 把终端、桌面和网页三种界面接到同一个后台服务上，也就是说你可以先在终端里开始一个会话，再换到桌面或网页应用继续，自己写的脚本也能连上同一个服务；同时重写了 API，并新增了一个可嵌入的 SDK。对使用者的好处是切换界面不用重开会话，也更容易把它嵌进自己的工具里。需要注意的是，SDK 官方表示仍在开发中。
文中可用工具
- OpenCode开源 AI 编程助手，可在终端、桌面和网页中使用
- @opencode/client用于通过程序访问新版 API 的 JavaScript 包
- @opencode/sdk可嵌入的 SDK，把 OpenCode 集成进自己的应用（官方称仍在开发中）
- Model Context Protocol让智能体调用外部工具的协议标准
展开详情收起详情：“一次重大重构”：OpenCode 2.0 将终端、桌面和网页应用统一到一个共享服务上⌄
The New Stack
原文发布：2026-10-13 05:11收录：2026-10-13
GitHub 官方博客介绍了让 Copilot 更懂你项目的四种自定义方式。原来每次让 Copilot 改代码，都得反复解释项目的命名规范、测试脚本和目录结构，新来的 Copilot 完全不了解这些“家规”。现在可以把这些知识直接写进仓库：用自定义指令说明通用规范，用 Agent 技能打包重复流程（如跑测试和 lint），用自定义 Agent 处理无障碍审查这类跨文件任务，还能通过 MCP 服务器接入 Playwright 等外部工具让 Copilot 在浏览器里实际操作验证界面。这样 Copilot 就能自动读取项目规则，减少重复说明，按团队既定流程干活。文章还推荐了社区分享的 Awesome Copilot 资源库，并建议先从一个常被重复解释的规范开始，写进 .github/copilot-instructions.md 试起。
文中可用工具
- GitHub CopilotAI 编程助手，可根据项目上下文帮开发者改代码
- Playwright通过 MCP 服务器让 Copilot 打开浏览器并手动测试应用界面
- MCP servers把 Copilot 连接到外部工具、数据源和服务，扩展其能力
- Awesome Copilot社区分享的现成自定义指令、技能和 Agent 等资源集合
展开详情收起详情：GitHub Copilot 入门指南：如何让 Copilot 了解你的代码库⌄
GitHub Blog
原文发布：2026-10-13 01:43收录：2026-10-13
这是 2026 年 10 月 5 日那一周的 Java 生态更新汇总。OpenJDK 方面，有 JEP 被提议纳入 JDK 28，Lazy Constants 特性升到 Candidate 状态。正式版方面，Apache Grails 8.0 和 Open Liberty 20.0.0.10 发布；TornadoVM、Infinispan、LangChain4j 和 Spock 各自推出小版本更新；GlassFish 发布维护版本。对 Java 开发者来说，可以据此了解各框架和工具的版本变化，是否需要跟进升级。信息来自摘要，具体更新内容和改进点原文未说明。
文中可用工具
- Grails 8.0基于 Groovy 的 Web 应用开发框架，本次发布正式版
- Open Liberty 20.0.0.10轻量级 Java 应用服务器，本次发布正式版
- GlassFishJava EE/Jakarta EE 应用服务器，本次发布维护版本
- Infinispan分布式内存数据网格/缓存，本次发布小版本更新
- LangChain4jJava 语言的 LLM 应用开发库，本次发布小版本更新
- SpockJava/Groovy 测试框架，本次发布小版本更新
- TornadoVM让 Java 程序跑在 GPU 等异构硬件上的工具，本次发布小版本更新
- OpenJDKJava 标准开源实现，本次有 JEP 进入 JDK 28 提议阶段
展开详情收起详情：Java 新闻周报：Grails 8、Open Liberty、GlassFish、Infinispan、LangChain4j、Spock⌄
InfoQ Architecture & Design
原文发布：2026-10-12 18:10收录：2026-10-13
Erik Peterson 在一场演讲中指出，AI 开销正在超过云账单，给软件工程带来一场成本危机。他谈到“tokenmaxxing”（无节制地消耗 token）、单位经济学，以及开发者被迫升职等现象。他还预测，到 2028 年，完全自主的 AI 将能编写、部署并治理代码。原文只是一个演讲预告，没有说明具体是哪场活动、何时发布，也没有给出这些判断的详细依据。
展开详情收起详情：演讲：你无法信任你的 AI 账单，我也一样⌄
InfoQ Architecture & Design
原文发布：2026-10-12 19:00收录：2026-10-13