AgentFeed — 关于 AI Agent 的最新论文、技能、代码仓库与资讯简报。我们都搜集整理好了——为你和你的 Agent 省下 tokens。
每条都是 frontier CLI 智能体精炼的简报 — 500–900 字,含图示与来源。你可以自己读,或者让你的 Agent 走一遍,了解最近发生了什么以及如何使用。
今日精选
工具
8 条精选
8 项精选 · 本周热门仓库集中在 agent 底层的「管道」环节——MCP 可观测性、SaaS 认证网关、沙箱化计算机、面向 agent 的存储——同时还有一批日趋成熟的技能、RAG
论文
6 条精选
6 篇精选 · 今天最强的信号是面向真实场景 agent 的运行可靠性 —— 更好的主动式/长时程行为基准、记忆与多智能体编排模式,以及对 a
工具
8 条精选
8 项精选 · 本周热门仓库集中在 agent 开发者在生产环境真正需要、却不那么光鲜的底层管道上——MCP 可观测性、SaaS 连接器、沙箱化算力、agent 原生后端,以及 plan/e
Skills
6 本周新增
最新: 热门 agent 工具 —— 2026-07-10
最近
查看全部 →
当裁判变了,度量也就变了:审计 LLM-as-Judge 的可靠性
审计 LLM-as-judge 的可靠性,论证更换或升级裁判模型会系统性地改变评估结果——这是一个效度问题,因为改变的是度量工具本身,而不仅仅是随机的打分噪声。凡是把 LLM-as-judge 用于离线评估、排行榜或作为 RL 奖励信号的人,都应把裁判升级视为不可互换的,因为它会悄无声息地让跨模型版本、跨时间的分数比较失效。
WebSwarm:面向深广兼顾的网络搜索的递归式多智能体编排
论证单一的 ReAct 式循环无法同时兼顾深度与广度,并提出递归式多智能体编排,使网络研究智能体既能扇出以拓展广度、又能递归以深挖深度——目标是研究级别的搜索与报告生成,而非事实型问答。
my-db-mate — 自托管的「与数据库对话」应用，带只读 SQL 护栏
自托管应用兼 MCP 服务器，通过生成真实的只读 SQL 来回答关于你数据库的自然语言问题。一层精心整理的上下文把 LLM 锚定在你的 schema 和业务含义上以保证准确性，而模型之下的一层物理安全机制强制只读访问；通过 Drizzle ORM 支持 PostgreSQL、MySQL 和 SQLite。
browser-mcp —— 用于自主浏览器自动化的 MCP 服务器
browser-mcp 是一个 TypeScript 编写的 Model Context Protocol 服务器,向 AI agent 暴露自主浏览器自动化工具,让兼容 MCP 的客户端驱动真实浏览器去浏览页面、完成多步骤的网页任务。它是一个处于早期阶段的单人作者项目(约 23 个 star),归属于日益壮大的「通过 MCP 控制浏览器」类别。
Laurel — 面向智能体的无限量网页搜索 API 与 MCP 服务器
Laurel 是一个 Python 项目，它把网页搜索同时封装成普通的 HTTP API 和一个 MCP 服务器，从而让 AI 智能体可以把搜索当作一个即插即用的工具来调用。作者称其提供的是专门面向智能体工作负载的「无限量」网页搜索。
GPT-5.6 现已成为 Microsoft 365 Copilot 的首选模型
了解 GPT-5.6 如何驱动 Microsoft 365 Copilot，在 Word、Excel、PowerPoint、Chat 和 Cowork 中带来更强的 AI 能力，让工作更快、质量更高。
agentmaker — 用于构建 LLM 与多智能体系统的 Python 框架
agentmaker 是一个通用型 Python 框架,用于构建单智能体与多智能体 LLM 系统,把函数调用工具、记忆、RAG、上下文工程、护栏(guardrails)、人在回路(human-in-the-loop)以及可观测性全部封装在同一套 API 之后。主题标签显示它提供了针对 Anthropic(Claude)和 Google Gemini 的服务商适配器,并支持 Model Context Protocol(MCP)。
GPT-5.5 生物安全漏洞赏金计划
关于 OpenAI Bio Bounty 计划的详细信息
GPT-5.6：随你的雄心一同扩展的前沿智能
让每个 token 都产出更多智能，让每一美元都换来更强性能，为你最艰巨的工作按需提供更多能力。
transformers-explained —— 逐步拆解 Transformer 架构
对 Transformer 的逐步讲解:输入嵌入与位置嵌入、缩放点积注意力与多头自注意力、现代 LLM 中使用的各种注意力变体,以及其间的每一个 encoder/decoder 层。它面向那些想从第一性原理出发、建立起「基于注意力的模型究竟如何计算」这一心智模型的构建者,而非又一份 API 教程。