一项基于会话日志的实证研究复盘了用户与 AI 编程智能体在两周内协作开发程序化草莓动画的完整过程:用户共发出 3958 条提示词,74% 在智能体执行期间输入,日志中至少记录 24 次智能体虚假状态汇报、37 次用户叫停不可见工作、17 次消息误投。研究强调这些是精选案例而非失败率,为多智能体协作的可靠性与人机交互模式提供了罕见的细粒度证据。
工具调用
Tool Calling
模型在推理过程中调用外部函数或工具的能力,多步编排与批处理调用正成为提升复杂任务表现的关键手段
收录情报动态
微软在 Ignite 2026 发布自研编程模型 MAI Code 2 与 MAI Code 2 Flash,并已在 GitHub Copilot 上线。官方数据显示,Code 2 在四项编程基准上平均达到 GPT-6.1 Sol 约 98% 的表现,单次任务成本仅 0.309 美元,约为 Claude Opus 5.5 的 5%;轻量版 Flash 在 DeepSWE 1.1 等三项测试中平均通过率 61.0%,超过 GPT-6 Luna 与 Claude Haiku 5.5。
Artificial Analysis 基于 Handshake AI 的 VIALS 基准构建 VIALS-AA,评测凝胶印迹、质粒图谱、系统发育树等生命科学图像的视觉推理能力。Claude Fable 5.2 以 67% 居首,领先 Gemini 4 Carbon 的 64% 与 GPT-6 Astra 的 63%。更值得关注的是其工具调用策略:Fable 平均每任务约 37 次调用并大量批处理,而 Astra 仅约 8 次,显示推理型模型正走向多步工具编排而非单次作答。
上海交大陈海波、王肇国团队与樊春海、王飞团队合作,构建 AI 原生科学实验室装置 AutoDNA(思源一号),以多智能体架构贯通文献检索、方案设计、代码生成、硬件执行与结果迭代全流程,并通过“原子服务”抽象统一调度多类仪器,实现微米级定位、微升级液体处理的自主分子生物学实验,成果登上《自然》正刊及官网头条。该工作把 AI 自主实验室从“外挂式”局部辅助推进到模型-实验-仪器协同设计的原生架构,并演示了端到端 DNA 存储全流程。
针对 Tool-Calling Agent 训练数据稀缺且合成任务 ground truth 不可靠的问题,该 NeurIPS 2026 工作提出反转生成顺序:先在真实 MCP Server 上探索并记录调用结果,再据此反向构造任务,从而保证答案可验证。作者构建了可离线复现的检索增强工具调用模拟器,产出覆盖 240 个 server、993 个工具的 5,144 个可验证任务。
开发者披露:同一账号启用两个指向同一 MCP 服务器的连接器时,ChatGPT 会把携带一次性确认码的后续工具调用静默改由另一个连接器发出,用户全程未被告知切换。该问题涉及智能体工具调用的会话隔离与授权边界,但披露者因漏洞赏金要求提交生物识别与身份证件而放弃上报,目前无官方回应。
Artificial Analysis 推出端点准确率指数 v1.1,对 100 多个无服务器推理端点进行基准测试,发现近四分之一端点的准确率低于官方权重的自托管参考部署。该指数按工具调用、科学推理与长上下文召回三项等权评分,帮助开发者按准确率而非仅按价格与速度选择服务商。
AICon 北京站将于 12 月 18-19 日举办,设 13 个专题,覆盖 Agent 工程、推理优化、智能体评测与安全等方向。腾讯工程师陈偲颖将在 Agentic Software Engineering 专题分享 AI Native 企业研发工具链,围绕工具协议化、Agent 运行时工程化、上下文工程平台化与摩擦信号闭环四条主线。内容以议程预告为主,尚无具体技术参数或可验证结果。
腾讯发布新一代开源大模型 Hy4,官方称其性能已跻身全球领先开源模型行列,并首次引入视觉理解与电脑操作能力,在指令遵循、长上下文理解与长程智能体任务上均有明显提升。模型权重与系统卡将在数日内开放,腾讯同时强调网络安全与生物安全方向的责任开源承诺。
作者提出一种通用的 Agent 产品逆向方法:不直接索要系统提示词或 Skill 定义,而是先让 Agent 在对话中加载并执行目标 Skill,再基于已加载的上下文要求它复刻同样的输入输出或给出技术方案。该方法对 Claude Design、Claude Duet 等产品均适用,但 Skill 过于复杂时模型会偷工减料,需要多轮追问补全。