System One 模型推动自定义 Agent Harness 新浪潮

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。

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。

Elvis Saravia 推荐一份关于 typesafe 与编码智能体结合的笔记文档，认为其中给出了在 agent harness 中放置 Jev 的实用思路。他提到文档涵盖审批门、MCP/工具调用路由、模型路由、动态子智能体模式和结构化技能等此前分享过的想法。他建议把文档喂给自己的智能体来探索。

Anthropic 为 Claude Code 加入 AGENTS.md 支持，自 2.1.277 版本起，文件夹中没有 CLAUDE.md 时 Claude 会检查并使用 AGENTS.md。该行为可在 /config 中切换。作者转发引用了这一官方公告并表示认可。

Pocket FM 发布长篇连载小说创作 AI Sherpa，宣称帮助其 ARR 从 2.5 亿美元增至 5 亿美元，一年内内容产出提升 1200%。