美团图灵团队公开 Agent 评测实践：从评测体系到长程 Agent 演进
美团图灵 Agent 评测团队将内部博客公开，由浅入深讲解 Agent 评测，涵盖评测是什么、如何建立评测体系，以及长程 Agent 框架带来的变化。文章提出观测加评测等于持续迭代的研发公式，主张评测需覆盖结果、过程、效率、风险四层，并给出把模糊指标下钻为二元化 Rubric、追求人人一致与人机一致的实践方法。
推荐理由：美团图灵团队公开两年 Agent 评测实践，给出从指标下钻到人机对齐的可迁移方法论与落地路径。
#教程/实践
美团技术团队精选AI 评分6262 美团技术团队AI 评分3232 美团搜索3.0：LLM 语义表征在排序模型的探索与应用
美团搜索团队将 LLM 语义表征引入服务零售精排，用 Query、POI、Deal 的语义向量 cosine 相似度分桶后注入排序模型，三期实践均已完成全量上线。
美团技术团队AI 评分3838 美团智播：数字人直播技术创新与实践
美团智播是面向本地生活场景的AI数字人直播解决方案，支持真人1:1复刻与门店实景定制，30秒生成直播素材、3分钟完成开播配置，7×24小时稳定上播。过去一年其月日均GTV同比增长82.12%，月日均观看人次同比增长163.44%，开播场次提升11倍。
美团技术团队AI 评分3838 美团技术团队《Agent 评测白皮书》系列01：Agent 评测全览
美团技术团队发布《Agent 评测白皮书》系列第一篇《评测全览》，提出完备的 Agent 评测体系可概括为四个模块、三种能力、两条 Loop、一套资产。两条 Loop 分别为评测体系迭代 Loop 与 Agent 迭代 Loop，二者共享线上真实样本，通过 Case 挖掘与归因相互咬合。四个模块中离线评测作为变更门控，依赖固定评测集与贴近生产的执行环境。
The DecoderAI 评分6666 开源 harness BootLoops 支持 AI 模型完成精确科学计算
哈佛物理学家 Matthew Schwartz 在 Anthropic 客座文章中介绍开源 harness BootLoops，用于让 Claude 完成精确科学计算，源码已在 GitHub 公开。
机器之心AI 评分6262 Karpathy 分享用 40 年前航空规范 ASD-STE100 让大模型输出更清晰
Karpathy 分享了一组让大模型输出更易读的技巧，核心是把 40 年前欧洲航空业的受控英语规范 ASD-STE100 交给 LLM，其最新 Issue 9 含 53 条写作规则、约 900 个批准基础词和约 1200 个建议避免的词，要求一句指令控制在 20 词以内、一句话只安排一个操作、多用主动语态、同一概念只用同一个名字。
开源中国AI 评分2222 钟毓英语衡水体字帖生成器从 PyQt6 重构到 Electron 的跨平台实战记录
钟毓英语衡水体字帖生成器从 PyQt6 v1.1.1 重构为 Electron v2.0.x，实现 Windows / macOS / Linux 跨平台。项目采用 electron-vite、Canvas 2D、tesseract.js OCR 与 electron-builder，并处理 pickle 兼容与 Bottles 交叉打包等迁移问题。
OpenAI NewsAI 评分3838 GPT-6 系列模型选型指南
OpenAI 发布 GPT-6 系列模型指南，面向初创公司讲解如何选择 GPT-6 模型、调节推理强度、优化提示词与技能、协调工具调用，并为生产环境准备相应工作流。
AWS Machine Learning BlogAI 评分3434 用 Amazon Quick 和 Adjudicated Query 模式批量核查数千份租约合规性
AWS 提出 Adjudicated Query 设计模式，让业务用户在 Amazon Quick 聊天界面提出合规问题，实际判定交由确定性规则引擎完成，模型只负责把自然语言问题翻译为固定类型操作并叙述结果。
AWS Machine Learning BlogAI 评分3434 用 Amazon Bedrock AgentCore 为 Claude Desktop 添加安全 Web Search
Amazon Bedrock AgentCore Gateway 可将 Claude Desktop 接入 Web Search，突破模型训练知识截止限制，查询流量全程留在 AWS 基础设施内，无需外部 API key。
AWS Machine Learning BlogAI 评分5151 在 Amazon SageMaker AI 上用多轮 RL 微调搜索智能体
AWS 团队在 Amazon SageMaker AI 上用多轮强化学习（MTRL）微调 Qwen3.6-27B 搜索智能体，仅调整 max_epochs、global_batch_size、rollout_max_concurrency 三个超参数，其余走默认值。
GitHub Blog · AI & MLAI 评分2222 AI 正在改变开发者工作方式，GitHub 给出三项值得强化的技能
GitHub 提出 AI 时代开发者应强化的三项技能：学会指挥 AI 智能体而非仅使用它、不轻信 AI 的首次答案、用 AI 节省的时间去解决更大问题。文中以 GitHub Copilot 内置的 Rubber Duck agent 为例，说明它用第二个模型对计划、代码和测试进行批判性审查，以发现首个模型遗漏的问题。
机器之心AI 评分2222 将经验存到权重更能帮助 LLM 获得长期记忆吗？清华唐杰团队系统梳理模型内部记忆机制
清华唐杰团队在「Memory For LLM」工作中，从信息保存形式、更新方式、持续时长三个维度系统梳理了 LLM 模型层面的记忆机制。此前 TTT Layers、Titans、MemoryLLM 分别尝试用快速权重、可更新神经记忆模块和固定大小记忆池将历史信息写入模型内部，但信息写入权重后仍可能被新任务覆盖。
AWS Machine Learning BlogAI 评分3434 在 Amazon Bedrock AgentCore 上用智能体 AI 扩展云迁移
AWS Professional Services 用四个智能体组成的模式，把每应用 3 到 4 周的 IaC 开发时间缩短到几分钟，该模式基于 Strands Agents SDK 构建、运行在 Amazon Bedrock AgentCore 上，通过 AgentCore Gateway 暴露的 MCP 工具连接源与目标。
AWS Machine Learning BlogAI 评分3636 用 NVIDIA NeMo Agent Toolkit 和 Amazon S3 Vectors 构建智能体记忆
NVIDIA NeMo Agent Toolkit（NAT）可将 Amazon S3 Vectors 作为自定义持久记忆后端，实现语义检索、强写一致性和单索引最高 20 亿向量的弹性扩展。
AWS Machine Learning BlogAI 评分3333 Amazon Payments 如何用 Amazon SageMaker AI 上的上下文多臂老虎机提升获客漏斗转化
Amazon Payments 在 Amazon SageMaker AI 上用多目标上下文多臂老虎机（LinUCB）做获客漏斗个性化，七周线上 A/B 测试中，一个人群最终漏斗转化率取得高个位数相对提升，另一人群则未见改善。
AWS Machine Learning BlogAI 评分4040 用 Amazon Bedrock AgentCore 构建环境智能体：从事件驱动信号到 human-in-the-loop 工作流
Amazon Bedrock AgentCore 支持构建"环境智能体"（ambient agent）：它监听 Amazon S3 事件通知、EventBridge 规则、Lambda 触发器等事件流并自动执行任务，需要时通过单个 ask_human 工具暂停等待人工审批，再从中断处恢复。
GitHub Blog · AI & MLAI 评分3838 GitHub Copilot 入门：如何用 canvases 构建自定义工作流
GitHub Copilot app 的 canvases 是一种可自定义界面，用户只需在 agent 会话中输入 /create-canvas 并用自然语言描述工作流，agent 即可生成看板、清单或仪表盘等界面。
GitHub Blog · AI & MLAI 评分3636 GitHub Copilot 为什么说聊天框是错的 UI：用 canvas 构建自定义交互界面
GitHub Copilot 提出 canvas 概念：一种运行在 GitHub Copilot app 内、无浏览器外壳的全栈应用，可与 agent 双向通信，也能调用第三方 API 并在本地执行代码。
GitHub Blog · AI & MLAI 评分2222 GitHub Copilot 应用如何渲染超大 pull request
GitHub Copilot 应用重建了 pull request 视图，用一个含 2,200 个文件、超百万行改动和 400 多条行内评论的开源 PR 做压力测试。它把文档高度拆成确定性的代码几何与动态评论块两套体系，评论高度按需测量并锚定到文件、行和侧，避免滚动跳变。
GitHub Blog · AI & ML精选AI 评分7878 GitHub 用 Copilot 把 Copilot 运行时迁移到 Rust
GitHub 用 Copilot 应用和 CLI 把 Copilot 智能体运行时从 TypeScript 完全重写为超过 80 万行生产级 Rust，代码主要由 AI 智能体编写，分布在 128 个 PR 中增量合并，而非一次性切换。
推荐理由：一位工程师复盘用 Copilot 智能体把运行时从 TypeScript 迁到 Rust 的全过程，含并发会话协作与提示缓存数据。
GitHub Blog · AI & MLAI 评分2828 GitHub 如何用 Copilot 把营销活动变成代码：从策划到跟进全自动
GitHub 日韩市场负责人用 GitHub Copilot 把活动营销流程自动化：以 GitHub Issue 为工作单元，Issue forms 收集结构化字段，标签触发 GitHub Actions 工作流，自动完成落地页复制、UTM 链接生成、报名名单清洗与 CRM 导出。
Mistral AIAI 评分5151 Mistral 用 AI 智能体迁移 4 万行 Fortran 77 遗留代码
Mistral 帮助一家欧洲能源运营商把 4 万行 Fortran 77 的油藏模拟器迁移到 C++，该代码库没有测试套件也没有集中文档。团队先搭建数值对齐测试框架，用自定义解析器生成调用树并派出上百个智能体补文档，再以规划、编码、测试、审查加人工检查点的结构化流程逐模块迁移。Mistral 总结出三条经验：先建对齐测试再写迁移代码、先整理文档再交给智能体、结构化工作流加人工审查优于完全自主。