Agent 工作流

托管式深度 Agent 中的浏览器使用

LangSmith 的 Managed Deep Agents 现在能替你的 Agent 运行浏览器，让 Agent 像人一样点击、滚动和填表，去做那些没有 API 可用的网页操作，比如订机票或提交理赔。原来 Agent 只能抓网页源码，Java渲染出来的内容和按钮它都碰不到。这次提供了几种配套工具，还能在需要登录时把浏览器交给你本人操作，登录状态可以沿用。对读者来说，以后让 Agent 代办网页事务会更顺手，也不必把密码交给模型。

Legora 正在打造法律工作的智能体操作系统

Legora 是一家做法律 AI 的公司，它利用 OpenAI 的模型、ChatGPT 和 Codex 来加速法律工作流程。原来律师处理合同分析等工作费时费力，现在可以由 AI 帮忙做合同分析，把律师从重复劳动里解放出来，让他们专注更有价值的工作。不过材料只说明了用途，没有交代具体效果数据、可用范围或发布时间。

Nebius 将 rollout 收集时间缩短 66.9%——改变了什么

Nebius 的 AI 训练团队在 Terminal-Bench 类负载上做了一次实验：把一次 256 条轨迹的批次收集时间减少了 66.9%。原来在智能体强化学习训练中，模型要先完成任务、拿到结果才能学习，但任务长短不一，慢的几条会让整批训练卡住，昂贵的 GPU 常常在等便宜的沙箱和代码执行。做法是把推理引擎当成训练优化器的一部分：按整组完成而不是启动顺序来组批，让生成和训练部分重叠、缓存对话历史避免重复预填，并把基础设施故障和模型自身失败分开计分。这只是一个实验中的批次收集测量，不含训练器本身的前向反向计算，不等于完整训练提速。对读者来说，这提供了一个思路：智能体训练慢，瓶颈往往不在 GPU 算力，而在任务执行和调度这些配套环节。

Replit CEO 称 1937 年的一个想法可能让组织架构图过时

Replit 的 CEO 兼联合创始人 Amjad Masad 在 X 上发帖说，未来公司会变成“自动驾驶公司”：人负责判断，AI 代理负责执行大部分日常工作。他用经济学家科斯 1937 年的观点解释原因——公司之所以存在，是因为在公司内部协调工作比在市场上协调更省钱；而 AI 代理能大幅压低管理、开会、汇报这些内部协调成本，所以他预言到 2030 年底，财富 500 强公司都会变成这种形态。为此 Replit 推出面向企业的 Replit for Business，让代理在权限和审批约束下接触公司系统，并称之为“Agent Habitat”；周二还发布了 Cloud Agents，让员工不用搭开发环境就能改公司代码，工程师保留最终上线决定权。目前 Cloud Agents 已对 Pro 和 Enterprise 客户正式开放；代理从代码审查中学习、更新共享“技能”的功能还在早期体验阶段，更大的 Agent Habitat 构想也仍只是蓝图，Replit 尚未公布完整技术细节，其成本下降 51% 等数据也缺少可独立验证的信息。

Anthropic 如何为 AI 驱动开发重新设计源代码管理

Anthropic 最近公开介绍了它把公司的大型代码仓库从 Git 迁到自研的 Scion 系统的过程。原来用 Git 时，代码操作主要在各人本地完成，而 AI 代理和 CI 这类程序化任务需要频繁访问仓库，本地模式对它们不太友好。Scion 的做法是把仓库操作搬到服务器端，用内容寻址存储和分层缓存来服务 AI 代理和 CI 工作负载。代价是放弃离线独立使用权，换来本地数据更少、基础设施共享。不过原文没有说明这套系统是否对外可用、性能数据以及具体迁移时间。

DigitalOcean 推出托管智能体，为 AI 智能体带来托管云基础设施

DigitalOcean 最近上线了 DigitalOcean Managed Agents，目前处于公开预览阶段。过去要让 AI 智能体在云端跑起来，往往得自己搭服务器、管权限、配推理环境，比较麻烦；这次它把这些打包成托管服务，用隔离的微虚拟机运行智能体，对工具访问做统一管控，并提供免运维的 AI 推理。对开发者来说，可以少操心底层设施，把精力放在智能体本身的功能上。

智能体时代的工程生产系统：QCon 旧金山 2026

InfoQ 的编辑 Artenisa Chatziou 发布消息：QCon 旧金山 2026 大会将邀请 Airbnb、OpenAI、Netflix、Honeycomb 等公司的工程实践者，分享他们如何在 AI 智能体承担越来越多工作的情况下，构建、运维和演进自己的生产系统。目前这只是一则预告，具体议题、日程和举办时间等细节原文未说明，因此还无法确认哪些内容会公开或开放观看。对读者来说，这提供了一个了解大公司真实工程经验的机会，但暂时没有可以直接上手使用的工具或方案。

Askimo：本地优先的多模型 AI 桌面工作台

askimo-ai/askimo · AI desktop app for chat, RAG, Skills, MCP tools, and agents. Support multiple LLMs (Anthropic, OpenAI, VertexAI, vLLM, Nvidia NIM, Gemini, OpenRouter)

Askimo 是一款基于 Kotlin/Compose Multiplatform 的桌面应用，将多家 LLM 对话、本地文件 RAG 检索、联网搜索、多步骤 AI 工作流、MCP 工具接入以及自主编码 Agent CLI 委托整合在同一界面中。它强调隐私设计，文件、RAG 索引、会话历史与用量统计均保存在本机，支持语音输入输出与多语言界面。

Strands Decider：面向智能体工作流的快速决策模型

strands-labs/strands-decider · A small, fast decision model, or system one model, for agentic workflows. Pick between options or rate on a scale faster than an LLM, with a calibrated confidence on every decision.

Strands Decider 是一类“系统一”决策模型，不生成自由文本，而是在给定选项之间做选择或对内容按量表打分。它基于 Qwen3.5-2B 主干，去掉语言建模头并替换为约百万参数的指针头，单次前向即可输出答案及置信度，适合智能体工作流中模型路由、工具选择、参数校验、分流和护栏等快速判断场景。项目提供 CLI 与 HTTP 服务两种使用方式，并公开了架构、评测和训练等相关文档。

AI 安全领域，防守者心态没有立足之地

这篇文章讨论的是网络安全该怎么应对 AI 攻击。简单说：攻击者用 AI 能更快、更大范围地找漏洞、发起攻击，而传统的“加固防御、等出事再补”的做法已经跟不上。作者认为安全团队要改用“攻击者思维”：主动巡查自己的系统、提前找洞。具体做法有两条：一是别把工具绑死在某个 AI 模型或供应商上，必要时能自己部署；二是把 AI 任务拆得小而具体，并给它足够准确的上下文。文中的工程化重构、自动化安全 Agent 等属于作者经验与主张，文章未说明这些做法的实际落地效果。

AWS 推出本地决策模型，对标 TypeSafe 的 Jev

AWS 发布了一个叫 Strands Decider 2B 的小模型，专门用来替 AI 做选择题式的判断：它不写长篇回答，而是从开发者给出的几个选项里挑一个，或者打个分数。原来这类决策模型（比如 TypeSafe 的 Jev）各有方案，AWS 这次基于开放的 Qwen3.5-2B 改造，去掉了生成文字的“嘴”，换成一个只给候选答案打分的小模块，还连带公开了训练数据和脚本。它能在本地跑，例如在 RTX 3090 上决策不到 100 毫秒，M3 MacBook 上小任务中位数约 150 毫秒。对开发者来说，好处是能让 Agent 在调用工具前先检查“该不该做、信息够不够”，并把决定权交给自己；限制是答案被圈死在给定选项里，而且目前还是本地下载版，云端托管版尚未推出。

“没人想看数十亿条追踪数据”：Dynatrace 收购 Arize，因为 Agent 需要新型可观测性

Dynatrace 是一家做应用性能监控的老牌公司，Arize 是一家专门帮企业追踪和调试 AI 模型及 Agent 行为的创业公司。过去的问题是：传统监控只能看到服务器和软件运行得好不好，但看不出 AI Agent 有没有答错话、调错工具或没完成任务；反过来，Arize 能看出 Agent 出错，却不了解底层软件哪里出了毛病。现在 Dynatrace 以 9.15 亿美元收购 Arize 并已完成交易，把上下两层监控打通，开发者就能一次查到问题出在 AI 还是底层程序。两位 CPO 还说，以后可观测性不只给人看仪表盘，更要让 Agent 自己读数据、自己采取行动，因为数据量太大，人根本看不过来。

Norma AI Agent Platform：连接文档知识库与自动化 Agent 工作流

marthiram4878/norma-ai-agent-platform · Build agentic workflows with long-term memory and RAG to convert data into action.

Norma 是一个可在 Windows 本地运行的 AI Agent 平台，用于把用户保存的文档、笔记和目标连接成自动化数字工作流。它通过 RAG 从本地文件中检索信息、以长期记忆记录偏好，并由 Agentic 工作流把大目标拆解为可执行步骤并自动完成。适用于文档摘要、清单生成等知识驱动任务的自动化。

ai-pm-toolkit：为 Claude Code 与 Codex 提供产品管理工作流、技能与项目记忆

lukesw55/ai-pm-toolkit · A product management toolkit for Claude Code and Codex, with reusable workflows, skills, hooks, and project memory.

该项目是面向产品经理与产品构建者的产品管理工具箱，让编码 Agent（Claude Code 或 Codex）按可复用的方法完成问题框定、机会排序、PRD 撰写、实验规划与发布准备。它提供 Umberto 编排入口（SKILL.md），把工作分为 Discover、Define、Develop、Deliver 四个阶段，并映射到从发现优先级到交付的八个环节；阶段技能可与干系人、分析、文档与沟通技能，以及 AI、企业、增长、平台等视角组合。项目记忆存放在文件系统中，会话开始时注入活跃项目指针，提示时注入当前阶段，可在会话之间保留项目上下文、证据缺口与决策；同时通过四个阻塞式 hook 对写入与发布做约束检查，并为每个技能提供 evals 清单与评估协议。仓库使用 MIT 许可证。

Shipwright：面向产品经理的 Claude Code 技能与工作流框架集

EdgeCaser/shipwright · A collection of PM frameworks, agents, and workflows for Claude Code. 40+ skills covering discovery through launch, 6 specialized agents, and an orchestrator that routes work so you don't have to memorize what's inside.

Shipwright 为产品经理提供一套基于 Claude Code 的产品工作操作系统，包含 46 个技能、7 个代理（6 个专家代理加 1 个编排器）、17 条链式工作流以及一个决策分析系统。技能以纯 Markdown 文件形式提供，可用于任何能读取技能文件的 AI 编码工具（如 Cursor、Codex、Gemini CLI）；代理、命令和 `/shipwright`、`/start`、`/shipwright-help` 为 Claude Code 专用，仓库还包含一个通过 AGENTS.md 接入的 Codex 原生桥接。其核心承诺是证据优先输出、显式决策、通过/失败门控、确定性恢复路径，以及对高风险产物的对抗式评审。

Product AI Public：面向 AI 辅助产品管理的提示词、技能与 Agent 合集

rianvdm/product-ai-public · Curated skills, commands, and agents for AI-assisted product management (and life)

该项目是由产品经理 Rian van der Merwe 整理并公开的个人「第二大脑」子集，收录了用于 AI 辅助产品管理的提示词、上下文文件、命令、技能与 Agent。内容涵盖产品哲学与写作风格等上下文文件、PRD/OKR/规格评审与方案辩论等产品管理提示词、开发构思提示词，以及 pm-thinking、交互式讲解、高管简历撰写、Discord 机器人等技能；还包括代码评审、盲验证、挑战者、可行性评估、编辑等子 Agent，以及会议纪要整理、文档评审、会话起止等斜杠命令。此外附有跨会话记忆与多 Agent 调研文档，以及音乐收藏与 Spotify 歌单等个人兴趣技能。多数文件是可直接粘贴到任意 LLM 对话中的系统提示词或提示模板，部分为 OpenCode 专用格式。

BossConsole：面向 AI Agent 的多平台操作台，统一管理模型与桌面工具

kerachm/BossConsole · Manage AI agents with a multi-platform operator console featuring live hot-reload, secure tool integration, and enterprise-grade scalability on the JVM.

BossConsole 是一个运行在 JVM 上的 AI Agent 操作控制台，把终端、代码编辑器、内置浏览器等工具集中到一个原生应用中，方便用户在同一界面里运行和研究 AI 模型。它支持 Claude、Gemini、OpenCode 等模型，可切换不同 Agent，并提供热重载、MCP 工具集成、RBAC 权限管理、多线程任务执行以及本地保存凭据等能力。

AutoGen：构建多智能体 AI 应用的编程框架

microsoft/autogen · A programming framework for agentic AI

AutoGen 是微软研究团队开创的编程框架，用于创建可自主行动或与人类协作的多智能体 AI 应用。框架采用分层可扩展设计，包含提供消息传递与事件驱动运行时的 Core API、面向快速原型与常见多智能体模式的 AgentChat API，以及扩展 LLM 客户端和代码执行等能力的 Extensions API，同时提供无代码 GUI（AutoGen Studio）和智能体基准测试套件（AutoGen Bench）。项目目前已进入维护模式，不再新增功能，建议新用户转向 Microsoft Agent Framework。

什么是 Agentic AppSec？

这篇文章介绍了一种叫 Agentic AppSec 的新做法：让一组 AI 安全智能体来承担整个应用安全工作。背景是 AI 写代码的速度远超人工安全审核的速度，发现的问题远多于修掉的问题——据 Snyk 2026 年 6 月的数据，每修复 1 个漏洞，大约新增 6 个漏洞。做法是把安全工作拆成六个连续循环的步骤：理解应用、建立威胁模型、找出真正重要的漏洞、决定先修哪些、生成并验证修复、再独立证明修复真的有效；每个智能体只负责一件有明确触发条件和输入输出的任务。文章强调三个前提：智能体要基于共享的应用上下文模型（Snyk 称为 application-context graph），任务要有边界，验证必须由产出结果之外的东西来做，因为 LLM 单独找漏洞的结果很不稳定。对读者的意义是：这是 Snyk 提出的方法论介绍，不是可直接使用的现成产品。

“把它看作Agent的Kubernetes”：OpenClaw携OpenAI、Nvidia和Red Hat进军企业市场

OpenClaw 最初是奥地利开发者 Peter Steinberger 在 2025 年底做的一个周末项目，后来迅速走红，GitHub 星标超过 10 万，连 OpenAI 都把他招了进来。问题是，企业 IT 部门看到这种能访问代码、凭证和内部系统的 Agent 平台，第一反应往往是直接禁掉，因为权限太大、没法集中管。于是 OpenClaw 推出企业版 OCE——一个开源、不绑定厂商的管理平台，核心是一个“控制平面”，让管理员集中部署 Agent、隔离命名空间、管理配置和权限，思路类似用 Kubernetes 管容器那样管 Agent。目前 OCE 还在 1.0 发布前的开发阶段，只适合内部试点，代码已在 GitHub 上公开，可自托管且免费。