Elvis Saravia 呼吁更多以人为本的 AI 智能体

Jev 现以 typesafe/jev-router 形式打包上线，OpenRouter 会为每个请求自动选择模型和推理力度。作者用 Pi SDK 构建的支持智能体测试，同一 8 个案例对比固定 GPT-6 Sol 基线共 32 次真实调用，两者全部答对，路由成本低一半以上（$0.008 vs $0.018），中位响应时间也更短（1.5s vs 1.9s）。

花数小时研究微软的崛起。 5 分钟把研究喂给 Pexo。 10-15 分钟后，一条完成的 30 秒视频。 真正让我惊讶的是拼贴效果。Pexo 拿过研究内容，围绕它构建了整套视觉处理--抠图、贴纸、辅助图像，全部都有。没有任何东西像是随机加进去的。一切都跟着故事走。而且这还是第一次尝试。 如果你做历史或解说类内容，我觉得工作流刚刚变了。@Pexoai_offical

DSPy 3.4.0 发布，原生支持 Jev 和 System One 模型，并新增专为置信度校准输出设计的优化器 ReAnchor。Elvis Saravia 称用 Jev 构建自定义 harness 在 guardrails、路由和验证器上效果良好，并看好其在技能结构化、工具调用、动态工作流与上下文工程中的应用。

DAIR.AI 的 Elvis Saravia 指出，System One 模型正将自定义 agent harness 推向新高度，Jev 之后又出现 Contrastive Language Model（CLM），CLM 比 Jev 快 9 倍，在长周期任务上验证表现更优。

微软等机构提出 Taste-Bench，衡量前沿智能体在长任务决策点能否选对方向，最佳模型正确率仅 59.7%。该基准从工程与研究运行中的并行尝试和绕路自动挖掘分叉点，越依赖轨迹后段证据的分叉越难，加大推理预算也无法提升准确率。作者将教师模型对结果的判断蒸馏进学生模型，在留出的 SWE-bench Pro 任务上提升了端到端成功率。

一项研究用200道题（仅为完整基准的38.5%）复现了生产级分析智能体的完整评分，误差在1.03分以内。作者基于574次历史基准运行，对比了随机采样、缓存结果、固定代表性子集和基于项目反应理论的自适应测试，其中多维2PL自适应测试保真度最高。团队最终部署了难度分层的固定子集，因其更易运行，且无需重新校准即可迁移到五个其他智能体家族，校准窗口短至一天仍保持稳定。

Almanac Health 推出面向医生的协作式 AI 智能体 Almanac，可跨 EHR 和工作区帮医生委派行政与研究工作。该智能体每项任务在独立沙箱中运行，调用专科医学知识，并在执行前请求授权。公司已累计融资 1200 万美元，包括 General Catalyst 领投的 200 万美元 pre-seed 和 FPrime Capital 领投的 1000 万美元种子轮。

客服电话是 AI 智能体面临的硬核真实世界测试。 当智能体无法解决问题时，接手的人工客服需要完整的上下文。Cresta 将其传递过去，这样谁都不用从头开始。 另外，Marshawn 进入 Beast Mode 太炸了 😂

DigitalOcean 宣布 Managed Agents 进入公开预览，可运行 Claude Code、Codex 或自己的 LangGraph 智能体，空闲时暂停、仅按活跃时间计费。

Agent Memory Challenge 2026 第二轮现已开放，设 Textual、Coding、Multimodal 三条赛道，面向开源方法与商业产品，符合资格的开源团队可分享超 USD 22，000 奖金池。