🔬 智能体研究院

深度技术解构 · 架构与原理剖析 · 基准评测 · 洞悉智能体时代的底层技术范式

共 257 篇研究 · 第 1 / 22 页
技术解构 2026-11-16 27 分钟 进阶

把 Harness 11 月这两次发布读成「又一家厂商给智能体加了入口」,会漏掉它们真正改动的对象。2026 年 11 月 5 日,Harness 发布重构后的平台体验,把构建、部署、安全、基础设施与 agentic 工作收进同一套 pipeline 模型,并把 Worker Agents 定义成流水线里受既有审批、策略与审计约束的一级步骤;11 月 12 日,三个基础设施 Agent 宣布 GA,组成从发现云浪费到开 IaC 拉取请求的闭环。这两次发布之间隔着 7 天,也隔着两种时态:前者是需申请、按能力逐步放开的早访体验,后者是特定 Agent 的正式可用。本文按官方博客与官方新闻稿逐层还原七项更新、统一 Delegate 的职责变化、版本钉住与 OPA 的迁移代价,并挑出三处容易读错的地方:「Agent 作为主界面」与「受治理的 Worker Agents」是两类角色;Dashboards 的指标一致性仍在逐版本验证、旧面板不自动迁移;1–10 风险分是序数刻度而非概率。文章另给出与本站 Harness 旧文的层级对照、六组原创折算,以及一份可证伪边界清单。

harness-efficiency-loop harness-by-autonomous claude-code cursor
阅读全文 →
能力评测 2026-11-16

98.2% 一致不等于 56.2% 正确:三份 11 月论文的评分器审计

把一次评测读成「模型得了多少分」,默认了一个前提:给分的那套机制本身没问题。2026 年 11 月的三份预印本分别从三个方向动摇这个前提。2611.14581 在 tau2-bench 的航空与零售域跑了 2,160 回合,同一批回合用原生评分、LLM 裁判、带政策文档的裁判与一条不含模型调用的提交边界检查各判一次:裁判重复自己结论的比例是 98.2%,与原生评分一致的比例只有 56.2%;11 次被禁止的数据库写入里,裁判放过了 10 到 11 次,能力更高的裁判仍放过 6 次,而那条极简规则检查 11 次全抓到。2611.16485 把评测工具链本身摊开:三项筛选时高出基线 1.0 到 6.2 个点的改动,在冻结判定规则、换新任务各测一次后无一得到确认,未改动的基线在同一批 128 道题上重跑还漂移了 1.17 个点。2611.11796 则说明基准怎么造也会改写结论:121 道任务里,头部 Agent 在 80% 的任务上匹配或超过 16 个基线方法,常用的是相当简单的启发式。本文给出三把尺子(判定者、判定边界、判定复现)、十一张量化表、六组原创折算与读榜六问,并把每组数字的分母单独列出。

agentforce-360 decagon swe-2 gemini-cli
行业报告 2026-11-16

29 倍、50 倍与两套 Harvey:Agent 公司估值与 ARR 的口径分歧

2026 年 11 月两份公开汇编摆在一起,会出现一个不太好解释的现象:同一家法律智能体公司 Harvey,一份材料写 50 亿美元估值与 1 亿美元以上 ARR,另一份写 156 亿美元估值与 4 亿美元 ARR。估值相差约 3.12 倍,ARR 相差约 4 倍,两处都没有给出审计口径或公司披露链接。这不是要挑谁的错,而是说明「Agent 行业规模与商业化读数」目前大量依赖二手汇编,引用前需要先确认分子分母。本文以一份英文行业汇编与三份中文报告汇编为素材,逐项拆开:估值/ARR 倍数从 UiPath 约 4.67 到 Sierra 100 的跨度为何不能直接排序;Cursor 的 24 个月与 Devin 的 9 个月为何不是同一个速度指标;29,000 笔交易、10,000 家客户、4,700 家律所与 2,800 家企业客户为何不能相加;G2 对 1,019 位决策者的三个百分数为何不能相乘;中国企业级 212 到 449 亿元与全球 109 到 121 亿美元为何是两套量纲。文中所有公司数字均按汇编口径引用并标注来源性质,不给未经披露的结论,另附八组原创折算与引用前五问。

cursor agentforce-360 decagon workbuddy
实战案例 2026-11-16

337 小时记在谁的账上:两类 ROI 与一条审批门的落地复盘

企业 Agent 的 ROI 争议,多半不是「有没有省时间」,而是「省下的时间记在谁的账上、按什么分母算、有没有落到具名工作」。本轮复盘三组材料:LangChain 官方博客公开内部 GTM Agent 的 12 周运营数据,1,540 份销售物料、每周超过 100 份、送达客户的物料累计节省 337 小时、发送过物料的交易有 47% 推进到后续阶段而匹配交易为 16%;Greg Kihlstrom 11 月 3 日的一篇分析给出一个明确标注为假设的家庭服务公司算例,只改「谁默认决定」,年度 ROI 从负 64% 变为正 80%;Harness 11 月 12 日宣布 GA 的基础设施效率闭环则提供一条四阶段流程骨架,其中只有第三阶段写明工程师审阅合并。三者时态并不相同:已运营、教学推演、产品能力。本文逐格复算 2,584 小时与 31,000 小时的来历,指出 337 小时只覆盖被送达的物料子集、47% 对 16% 是匹配交易对比而非随机实验、26% 是报告口径而非实测节省,并给出四列 ROI 记账、可复现六步路径、三条红线与两条可证伪检验。

langchain-managed-deep-agents agentforce-360 harness-efficiency-loop decagon
技术解构 2026-11-15

事件不是新循环:Qwen Code 1.0 把 Harness 换成状态推进之后

把 Qwen Code 1.0 读成「又一个编程工具升级」,会漏掉这次发布真正动过的地方。2026 年 11 月 11 日,阿里把在 Qoder 中打磨的 Harness 能力融入 Qwen Code 并开源,定位是给开发者一套可嵌入自身产品的 Agent 运行基础。Harness 不是模型,而是衔接模型、工具与执行过程的那层运行时:它负责组织上下文、权限与执行反馈。1.0 的变化在于让这套执行组织本身也以事件运转——外部输入经适配器转为事件,按会话标识路由,会话结合当前状态决定下一步,结果再以事件反馈。模型推理、工具执行与结果验证这三步 Agentic Loop 没有变,变的是闭环被谁驱动、以及如何与「需求改了」「工具返回意外结果」这类外部变化协作。本文按官方公众号长文、GitHub 仓库标注与多家转述逐层还原架构,并挑出三处容易读错的地方:从进程内内存事件总线「向分布式演进」是演进方向而非已交付的多节点实现;「手脑分离」说的是推理编排与工具执行独立管理,不是能力拆分;四项集中治理(处理单元、模型接入、沙箱、MCP)全部是「减少重复对接与分散维护」的定性表述,没有一项给出成本下降或吞吐数字。文章另给出六组原创折算、与 Codex AppServer 及本站旧文的层级对照,以及一份可证伪边界清单。

qoder codex-cli deepseek-harness openclaw
能力评测 2026-11-15

25%、0.08、46/168:三份 11 月基准把「一次运行」读成三种分数

「跑一次」在智能体评测里从来不是同一个单位。2026 年 11 月三份预印本把这个差别摆到了台面上:Salesforce 的 AgentScript-Eval 用 100 个企业 DSL 任务、630 个可执行测试用例,让五个模型零样本作答,成绩靠前的 Claude Opus 4.8 只有 25.0% pass@3,而全部模型在「从规格新建」这一类上是 0%;参数规模 31B 的开源权重 Gemma-4 31B IT 拿到该批居首的 48.0% 编译率,却在通过率上只有 15.0%。同一篇论文里,把指导材料从静态文档换成可执行插件反而从 28% 掉到 14%,只重写其中一个 skill 又回到 37%。第二份 Cached Traces 关心的是「用一次随机执行预测整套基准分数」,报的是平均误差幅度(MAE)从 0.13 降至 0.08;第三份 FrontierPhysics 关心的是「一段研究是否可发表」,22 个模型 26 种配置里没有一种在 168 次 rollout 中通过超过 46 次。本文用八张量化表把三份读数拆到各自的判定对象、计数单位与分母上,指出 0.08 是误差不是准确率、168 是 rollout 不是任务数、编译率与通过率不可互相印证,并提出「先问这把尺子量的是什么」的读榜六问。

agentforce-360 salesforce-ai-harness openai-agents-api codex-cli
行业报告 2026-11-15

六项标准、八条自律、20 家发起单位:互联基础设施的名单与分母

2026 年 11 月 4 日乌镇峰会期间,20 家单位联合发布《智能体发展自律公约》,围绕信任体系、互联基础设施、互操作、安全防护、治理机制、用户权益与产业应用提出八条自律措施,并列出六项要发展的技术与标准。这份材料值得逐字读,原因有三。其一,不同权威稿件点名的发起单位并不一致:科技日报版列 6 家,证券时报与中证网版列 7 家,去重后共 9 家、只重合 4 家,「等 20 家单位」里的那个「等」字必须读出来。其二,公约自己把跨主体、跨平台互联的现状写成「还处于技术验证阶段」,六项标准用的是「发展」而非「已发布」,因此它不是一份已生效的互操作规范,而是一份建设清单。其三,同期流传的市场规模、采纳率、付费意愿与试点失败率读数是四套不同口径:3259 亿元与 449 亿元统计边界不同,40.3% 采纳率、80% 应用嵌入与 31% 生产运行分母不同,G2 的 9% 与 57% 是两道题,信通院 90%、Forrester 88%、麦肯锡 95% 与世界银行不足 5% 定义各不相同。本文按科技日报、证券时报、中证网、中国金融网与两份行业汇编逐项核对,给出六项标准的四层栈拆解、八组原创折算与引用前五问。

tencent-agent-gateway huawei-agentarts aliyun-openagent agent-interface
实战案例 2026-11-15

审批门留在哪一步:四组 11 月落地的可复现骨架与工时账

四组 11 月公开的落地材料,看起来都是「智能体省了多少工时」,实际是三种不同时态的读数混在一起。Heimstaden 的官方案例给出荷兰虚拟样板间图像单张成本从约 50 欧元降到不足 0.10 欧元、年节省潜力 13 万欧元,以及非技术背景分析师用 Codex 评估 20,112 项资产、生成超 600 万行数据、把预估交付需求从 5 人一年降到 2 人两个月;比利时一家鱼子酱厂商用两个基于 Copilot Studio 与 Claude 的智能体经 Business Central MCP server 处理订单,人工确认发生在订单创建之前;欧洲六家中等企业公布在产读数,自动化率超 90%、时间节省 25% 至 50%、12 周进生产;而 Ashling 与 UiPath 那份 4,000 笔未匹配付款、每月释放 500 小时以上的材料,全文用的是「准备上线」「预计」「上线后」——是尚未实现的预期值。本文把四组材料按披露主体、时态、分母与可迁移条件拆成四列 ROI 记账,反推 13 万欧元对应的年图像量、60 人月到 4 人月的估计性质、4,000 乘 7 分钟与 500 小时之间约 33 小时的缺口,并提炼出「审批门分三层」的可复现骨架、六步实施路径、三条红线与两条可证伪检验。

microsoft-copilot codex-cli agentforce-360 servicenow-autonomous-crm
技术解构 2026-11-14

不换模型,换路由:NVIDIA NeMo Switchyard 的模型编排层解构

把智能体的每一步都交给能力更强的模型,成本与延迟会一起上去;全部交给小模型,复杂任务的质量又守不住。NVIDIA 在 2026 年 11 月放出开源路由库 NeMo Switchyard,试图把「选模型」从应用代码里抽出来,变成一层可替换的编排合约。本文按官方开发者博客与发布稿逐层还原架构:provider 无关的 switchyard-libsy SDK、以语义名映射端点的做法、可跨会话携带的 routing state,以及接受 OpenAI、Anthropic、Responses 三种请求格式的参考网关。更值得拆的是三组被并列引用的降本数字:LangChain 在 145 个多轮任务上五次运行报出 74% 成本下降,代价是约 6 个百分点准确率;Cognition 在 FrontierCode Main 上报出约 28% 的平均成本下降;官方发布稿用的是「成本降至 Opus 4.8 单独使用的近三分之一」。三者基准、模型对与统计口径都不同,不能互换也不能平均。文章另给出六组原创折算、路由自身开销的缺口,以及会话亲和与逐轮升级这两种方向相反的决策策略。

nemotron-3-5-lightning langchain-managed-deep-agents codex-cli aws-bedrock-agentcore-v2
能力评测 2026-11-14

0.835 与 0.700、53.4% 与 53.5%:五份 11 月基准的版本与转述口径核对

五份在 2026 年 11 月被集中讨论的智能体预印本,把评分单位从一次回答换成一段会变化的经营、交互或操作过程:30 至 45 个模拟日的服装店经营、带时间戳的购物建议、闭环的视觉交互场景、不可重置的机器人任务,以及从引擎状态自动判定的游戏任务。这个方向本身值得记录,但把 arXiv 摘要页与一篇 11 月 12 日的汇编稿并排时,出现了更该先处理的问题:StoreBench 在汇编稿里是 Claude Fable 5.2 得 0.835 综合分、89% 通过率,在 arXiv:2610.10942v2 摘要里却是 7 个模型均未超过脚本化分诊策略、成绩居前的 DeepSeek-V4-Pro 仅通过 49% 的任务—种子单元,人类专家综合分 0.708 对模型 0.700;Interactive Visual Gym 的 v1 镜像与 v2 摘要则把完成率写成 53.4% 与 53.5%,并把榜首模型从 Gemini 4 Argon 换成 Claude Opus 5.5。本文不判定哪套读数正确,而是把两套读数、五个提交日期与八张量化表分列,说明引用一份基准前应该先核对版本、分母与转述层级。

claude-code codex-cli gpt-6-astra gemini-cli
行业报告 2026-11-14

64% 在扩展、37% 编排、7% 优化:300 位 CIO 调研的三级分母

一份覆盖 16 个国家、300 位技术领导者的 2026 年 11 月 CIO 调研,把企业智能体的状态写成三个数字:64% 的 CIO 正在扩展 AI 部署,37% 用智能体做端到端工作流编排,7% 在企业规模上完成优化。同期另有几组读数值得放在一起看:97% 的受访组织 token 消费上升、平均增幅 47%,Menlo Ventures 估算截至 2026 年 9 月企业 AI 支出 1768 亿美元,Gartner 十月 CIO 调研却只有 13% 报出显著或转型性价值。本文不把这些百分比排成一条转化漏斗,而是逐个问分母:前三者同源但问的是不同动作,第四个来自另一份调研的另一样本,金额与比例更是两种量纲。文章进一步把 Wipro 的 750 万月度 prompts、25 万季度 FTE 天与 2.9 万个自建智能体按员工数折算,指出跨时间窗的读数不能直接对账,并给出四列记账模板与引用前五问。

microsoft-copilot agentforce-360 github-copilot gemini-enterprise-agent-platform
实战案例 2026-11-14

11–17% 记在谁的账上:三类部署的归因边界与 ROI 记账

2026 年 11 月 9 日前后,AWS 与多家媒体集中披露了一批企业智能体落地读数。把它们并排会发现一个比百分比大小更要紧的问题:这些数字各自记在谁的账上。CrossnoKaye 的 ATLAS 平台覆盖 100 多家工业设施、1.3 万台受控资产、超过 22 万亿条机器数据点,报出生产吞吐提升 11% 至 17% 与总能耗平均下降 21%;但同一份材料说明,这两项效果来自平台上已运行的一千多个先进过程控制应用,AURA 智能体的作用更窄——在隔离的 microVM 沙箱里跑 Python,让模型规划排查而不在提示词里编造对百万级读数的统计。DoorDash 的 300 万美元同比节省对应客服链路的转人工与首解指标,Orion Health 的日省约 50 工时对应记录检索,Wipro 的 25 万 FTE 天则是采用侧的折算量。本文按归因范围把四类读数分开记账,核对同一篇材料里两组效果读数的不同归因,给出四列记账模板、可复现六步路径与三条红线。

aws-bedrock-agentcore-v2 microsoft-copilot claude-code openclaw