办公Agent的“最后一公里”，不在模型，在环境
从一个很具体的时刻说起。晚上十点，人已经离开工位，电脑合上了。两小时前派出去的一项行业信息扫描任务，如果是在云电脑环境里跑的，此时结果已经保存在云端，第二天通勤路上打开手机端就能查看，当天的选题方向基本就有了轮廓。
微软 UCSB 让 Agent 读论文改代码 · 自我进化
同一周，三条自进化路径10 月下旬，一个方向密集冒头：让 AI 改进 AI 本身。三条路径同时出现，验证方式完全不同。路径一：论文驱动（微软 + UCSB）。 研究让 AI Agent 像研究人员一样工作——自主阅读 preprint（预印本论文）、改进自身代码并迭代能力。
蒸馏一个Agent，到底要蒸什么？首篇「系统级综述」来了
本文约3000字，建议阅读5分钟从模型蒸馏到Agent蒸馏。Agent 的任务求解能力来自模型、可复用资源与执行控制的共同作用，知识蒸馏也因此需要从模型层面扩展到完整智能体系统。
仙人掌论文Agent文献线索的使用方法与核验边界
当前AI论文辅助工具赛道已经进入快速普及阶段，用户对文稿处理效率的要求不断提升，但大部分细分工具的功能边界非常清晰，很难覆盖全流程需求。
AgentGarten：当AI智能体开始在"代码写的世界"里反复练习
2019年，OpenAI做过一个很出名的实验，让两群AI在一个简单的物理环境里玩捉迷藏。躲的一方和找的一方互相博弈，久而久之，躲的那方学会了搬箱子筑围墙挡住入口，找的那方学会了拖来斜坡爬过围墙。
同一个 Agent，加 400 行代码，成功率从 70% 到 95%
8 月 6 日，推上那篇讲 Graph Engineering 的长文在 AI 圈刷了一圈。它开头一句话很扎心：单个 Agent 在循环里能规划、能写代码、能测试、能评审，可任务一复杂就卡死——上下文塞满，推理掉线，最后你又回到椅子上，自己一行一行读。
只训练一个agent，为什么整个workflow还是跑不好？
你有没有想过这样一件事：如果一个团队里只有一个人在不断学习进步，其他人原地踏步，这个团队的整体表现能提升多少？大概率不会太多。因为短板效应会卡住整体水平。可偏偏在AI多智能体系统的训练上,这几年大家一直在做这件"训练一个人,放着其他人不管"的事。
蒸馏一个Agent，到底要蒸什么？首篇「系统级综述」来了
本文约3000字，建议阅读5分钟从模型蒸馏到Agent蒸馏。Agent 的任务求解能力来自模型、可复用资源与执行控制的共同作用，知识蒸馏也因此需要从模型层面扩展到完整智能体系统。