搜索
现在的 AI Agent 动辄需要处理超长上下文，既要看系统提示词、工具说明，又要翻阅历史对话和检索文档。为了省钱、省算力并降低延迟，很多开发者会给系统加上 “提示词压缩”（Prompt Compression）模块，把冗长的上下文浓缩后再喂给大模型。
刚刚，DeepSeek 在官方 API 文档里给出了一个 thinking mode 和 tool call 结合使用的样例。表面上看，这只是一个常规的工具调用演示：用户提出问题，模型判断需要调用工具，工具返回结果后，模型再继续生成答案。
Greg Isenberg 最近在他自己的播客 The Startup Ideas Podcast 里讲的一个判断，他说了一句很直白的话，building agents is the new SaaS，做 agent 就是新时代的 SaaS。
两个月的时间，混元 3 正式版上线。结合了用户对预览版的反馈以及对模型稳定性和可用性的提升，Hy3 在 Agent 和 Coding 能力上有了实质的提升。我们做了多个前端网页的生成测试，大多数都包含复杂的 3D 网页模拟、严格的游戏逻辑，以及需要调用不同的框架和库文件，Hy3 交付的内容要比预览版好上一个等级。
来自南京大学 NLP 实验室的 ICML 2026 论文 Recognize Your Orchestrator: An Entropy Dynamics Perspective for LLM Multi-Agent Systems 指出：在当前主流的 Orchestrator-Executor 多智能体架构中，系统失败往往并不首先来自某个执行器不会干活，
据DeepSeek官方API文档及GitHub仓库信息，一款名为Deep Code的第三方开源AI编程助手近日被收录进DeepSeek Agent工具。该工具面向DeepSeek-V4系列模型做了适配，支持深度思考、推理强度控制、Agent Skills以及MCP集成。截至发稿，Deep Code GitHub仓库显示，该工具收获超1500星、127 fork。
今天想和大家分享一种业务建模方法：Agent Ontology，Agent 本体论 Ontology 是我在研究 Palantir 时不断出现的一个词，仔细研究后觉得很有必要单独拿出来，和大家分享。 首先，Ontology 不是单纯的方法论，也不是单独一个工具。
如果是小白第一次上手，我会更建议从 Kimi 开始。Kimi 的中文理解、长文本处理、Coding、多模态综合能力都很强，是最适合 Codex 的国产模型。今天这篇内容，手把手教大家如何将第三方大模型接入 Codex 搞定日常任务。
vLLM 社区推出的 Semantic Router 除了专注上面三个方向，正在更进一步：我们认为：router 不只是选择模型，还可以提升模型能力。用户不用改权重，也不用让每个 Agent 团队都自己搭一套 Graph，而是在一次普通 Model API 调用的内部，组织出一支有边界、有预算、有验证、有回退的 “小队”。
中国人民大学的研究团队提出 CoDA-Bench，联合评估 Agent 的 Code Intelligence + Data Intelligence。该基准首次把 Code Agent 放进包含 1000 + 数据文件的复杂环境下，要求模型先自主探索文件系统、找到相关数据，再编写代码完成分析。实验显示，即使当前表现最好的系统，在 CoDA-Bench 上执行准确率也只有 61.1%；