阿里妹导读用一个强 Agent 构建评测 Harness，系统性评测一群业务 Agent（文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。）一、背景与问题1.1 业务场景某业务系统的内容生成链路由多个子 Agent ...

知名安全研究员Kasra Rahjerdi自费1500美元测试多款主流大模型的自主渗透能力，结果显示GPT-5.5以70%的成功率遥遥领先，成为唯一具备较强实战漏洞挖掘能力的模型。DeepSeek V4 Pro虽成功率仅30%，但成本优势突出；Claude、Gemini等多数模型受安全护栏、推理偏差或API稳定性限制表现不佳，5款模型全部颗粒无收。

当大语言模型从对话交互迈向智能体应用，搜索技术正经历前所未有的范式转变。传统搜索引擎巨头已悄然调整结果展示逻辑，AI生成的摘要内容取代网页链接占据首屏位置，这种变化背后折射出技术架构的深层迭代——搜索服务的主要对象正从人类用户转向智能体系统。

这项由谷歌DeepMind、谷歌研究院与南加州大学联合开展的研究发表于2026年5月31日，论文编号为arXiv:2606.01057v1，有兴趣深入了解的读者可以通过该编号在arXiv平台查询完整论文。 --- 一、当AI遇上3D建模：一场意义重大的相遇 ...

一个 prompt 级别的指令是建议——Claude 可以参考，也可以忽略。一个结构良好的 Skill，如果里面定义了明确的阶段门槛（「红灯测试必须失败之后才能进下一步」「计划必须输出 Markdown 文件后才能开始编码」），Claude 更倾向于照执行。 Skill 生态上线六个月，我 ...

来自 Northwestern University、O2 AI Lab、Stanford、All hands AI、密歇根大学、康奈尔大学等机构的研究团队，把这个能力正式提了出来，命名为"预算意识"(budget ...