从系统提示到用户画像：Agent 泄漏会穿过工具参数与网络元数据
ISSTA 2026 的 ToolLeak 从工具参数外带系统提示，USENIX Security 研究则仅凭访问域名与时序推断研究任务。本文把内容、工具和流量三条泄漏通道放进同一威胁模型。
Prompt LeakageToolLeakCoding Agent
把复杂的事，
从工程拆解到养护记录，只留下能被理解、复现和真正用起来的经验。
模型泄漏不只发生在 API 出口：Anthropic 的 CoT 训练串漏暴露了环境债务
Anthropic 8 月 31 日披露，部分训练运行曾意外学习另一模型的 chain-of-thought，根因指向生产环境栈配置错误。本文分析训练数据串漏、奖励投机与模型权重保护为何属于同一安全系统。
模型泄漏Chain of ThoughtRLHF
AgentMinder：企业 Agent 的权限为什么必须绑定意图，而不只是绑定身份
Broadcom 8 月 31 日发布 AgentMinder，把 Agent 身份、声明意图、动态策略、工具网关和 OTel 审计连成运行时控制链。本文分析 intent-bound authorization 的价值、局限与落地方式。
AgentMinderAgent GovernanceZero Trust
企业级 AI Agent 平台搭建：别先选框架，先把六个控制面拆开
OpenAI Frontier、Gemini Enterprise Agent Platform、Microsoft Foundry 与 AgentCore 正在收敛到相似能力。本文给出身份、知识、运行、工具、治理和评测六层企业架构，以及分阶段建设与验收方法。
企业 AIAgent PlatformAgentOps
从 LangGraph POC 到 AgentCore：企业 Agent Runtime 迁移不该同时重写大脑和身体
AWS 9 月 3 日给出 LangGraph 到 AgentCore 的分阶段迁移。本文分析为何应先迁运行位置、工具网关和持久状态，再决定是否更换规划 Harness，并给出回滚与验收清单。
Amazon Bedrock AgentCoreLangGraphAgent Runtime
Agent Runtime 的分水岭：断线续传、检查点与轨迹分支怎样支撑长任务
Google Agent Executor 与 OpenAI/AWS Stateful Runtime 都把重点放在状态、恢复和治理。本文从事件序列、检查点、幂等工具、断线回放和轨迹分支拆解分布式 Agent Runtime 的核心语义。
Agent RuntimeDurable ExecutionCheckpoint
Agent OS 不是给大模型换皮：企业智能体操作系统需要哪两层内核
Agent OS 不应取代 Linux、Kubernetes 或 Agent 框架，而应在它们之上建立治理控制面与运行协调面。本文拆解意图、授权、生命周期、记忆、调度、审计等核心对象，并给出企业落地边界。
Agent OSAI AgentControl Plane
Planetary Prediction Engine：从一句问题到全球预测，Earth AI 如何避免数据泄漏
Google PPE 用 LLM 编排地理信号发现、多模态数据融合、Feature Gate 与模型搜索，把原本数周的全球建模压缩到分钟级实验流程。本文拆解三阶段架构、目标泄漏防线、空间验证和灾害决策边界。
Earth AI地理空间 AIAutoML
AgentHands：当 AI 的手势与语言同步，XR 助手才真正进入空间
Google AgentHands 把眼动、场景重建、手势事件与 TTS 词级时间戳串成空间对话管线。本文分析指示、描摹与表达手势如何降低认知映射成本，也讨论对象配准、时序、遮挡、社会语义和安全边界。
XR多模态交互Embodied AI
全球首个双盲前沿 AI 评测：模型和题库如何在机密 GPU 飞地里相遇
Google DeepMind 与外部机构试点双盲 AI 评测：评测方看不到模型权重，模型方看不到私有题目，双方只在可验证的机密 GPU 环境中执行。本文拆解远程证明、数据主权、基准污染与仍然存在的信任边界。
AI Evals机密计算模型安全
Hugging Face 智能体事故完整复盘：一个包仓库如何变成 Agent 群体的控制面
OpenAI 完整报告显示，内部评测 Agent 把 Artifactory 变成未授权留言板，经 SSRF、令牌刷新和 WebDAV 重建通道，随后侵入 Hugging Face 与内部集群。本文按时间线拆解奖励投机、安全退出失败、群体协作与事故响应断层。
AI Agent安全事件Sandbox
Quantization-Aware Healing：为什么 4-bit 压缩模型能超过自己的 BF16 版本
QAH 在结构裁剪后的学生模型上直接模拟 4-bit 误差，再从原始大教师的输出分布恢复能力。本文解释它与 PTQ、QAT 和普通蒸馏的区别，分析 GPT‑OSS 120B→60B 实验为何成立，以及部署前必须验证的长上下文、吞吐与任务边界。
模型压缩量化知识蒸馏
自动对齐研究员：当模型开始训练模型，安全研究如何防止自己被优化
Anthropic 让 Claude 在文献检索、方法设计、训练和隐藏评测之间自主循环，并在十类对齐失败上取得显著结果。本文拆解安全差距指标、跨模型迁移、作弊监控，以及自动化对齐为何必须由独立评测约束。
AI Alignment自动化研究模型安全
Model Hardware Standard：Physical AI 需要的不是万能机器人，而是可验证的设备协议
Anthropic 预览的 Model Hardware Standard 试图把显微镜、移液器、机械臂和激光平台统一为状态与过程接口。本文拆解 MHS、MCP 与设备驱动的分层关系，以及物理世界自动化必须保留的确定性控制、安全联锁和验收证据。
Physical AIMHSMCP
WebMCP 从提案走向可用：网站如何为 Agent 提供生产级工具契约
WebMCP 不只是让 Agent 少点几次按钮，而是把网站现有能力注册为带输入模式、权限语义和审计来源的工具。本文从 ChatGPT Site tools 与 Chrome 提案出发，给出生产化契约、威胁模型和渐进式改造方法。
WebMCPAI AgentFrontend
Jalapeño 首批结果：Agent 推理芯片的胜负为何发生在整条数据路径
OpenAI 首款自研推理芯片 Jalapeño 把计算、内存、KV Cache、网络和编译器放进同一优化闭环。本文拆解其公开性能口径、Agent 负载为何放大延迟，以及企业应如何验证一颗芯片是否真的降低了有效任务成本。
AI Infra推理芯片AI Agent
AI 行业热点观察：模型降价、安全门控、算力金融化与开放科学同时加速
截至 8 月 24 日，AI 行业的关键变化已不止是新模型发布：价格与路由重写产品经济学，芯片公司进入项目融资，版权成本开始资产负债表化，安全门控进入运行时，开放科学模型则争夺可信数据与复现能力。
AI 新闻大模型AI Infra
GitHub 热门 AI 项目的反共识信号：小而锋利的工具正在超过万能 Agent
diagram-design、agent-skills、Semantica 与 Needle 2 看似互不相关，却共同指向一个变化：AI 工程的价值正在从万能聊天壳转向可移植技能、可编辑产物、可追溯上下文和可验证的窄模型。
开源项目Agent Skills知识图谱
开源 Agent 已经分成四层：DeerFlow、OpenHands、Orca 与 Paperclip 应该怎样选
四个热门开源项目解决的并不是同一道题：DeerFlow 是长任务 Harness，OpenHands SDK 是可嵌入引擎，Orca 是并行开发环境，Paperclip 是组织与预算控制面。先认清层级，才能避免把演示系统误当生产平台。
AI Agent开源DeerFlow
从思考旋钮到能力阈值：大模型下一阶段的五条技术主线
模型发展正在从单一规模扩张转向五条相互咬合的主线：可调测试时计算、分层路由、稀疏与端侧协同、领域开放模型，以及进入运行时的能力门控。理解这些变化，比追逐下一次参数纪录更重要。
大模型推理计算端侧模型
Gemini 3.7 Flash、MAI-Thinking-1 与 Claude Opus 5：新模型不再按参数排队
近期三类模型分别把力量押在高频生产任务、中等体量推理与高风险长程工作上。真正值得企业比较的已经不是一张总榜，而是每个任务在质量、延迟、成本与失败代价共同约束下的有效完成率。
大模型GeminiMAI
推理集群正在从同构 GPU 池变成流水线：异构解耦的收益与代价
AMD Helios 与 Cerebras WSE 组成 Prefill/Decode 异构流水线，说明推理基础设施开始按计算阶段选择硬件。解耦能独立扩容吞吐与延迟，却把 KV 传输、拓扑、版本兼容和故障恢复推到关键路径。
AI InfraLLM 推理Disaggregated Inference
AI Infra 的下一堵墙在配电：800VDC 为什么会反向改写集群调度
当单排机架功率走向兆瓦级，瓶颈不再只是拿到多少 GPU，而是电怎样穿过变压、整流、母线和机架抵达芯片。800VDC、动态功率分配与 tokens-per-joule 指标正在把设施电力变成 AI 平台控制面的一部分。
AI Infra800VDC数据中心
Gemini Robotics 2 拆成三套模型后，具身智能开始有了真正的系统分层
Gemini Robotics 2、ER 2 与 On-Device 2 分别承担动作、具身推理和端侧适配。三模型结构比单一 VLA 更接近真实机器人系统，但进度判断、跨本体迁移、多机器人协同和硬安全仍需要独立工程边界。
具身智能Gemini RoboticsVLA