早间简报 · 08:00
智能体的舞台：应用与专业工具
AI智能体的工作场所正从独立的聊天窗口转移到人们已经在使用的应用和专业工具之中。今天，多家公司同时发布了智能体在药物研发、硬件设计、游戏引擎等专业工具中工作的案例。操作系统的语音助手也开始直接操控外部应用。与此同时，单独管理连接智能体与应用的“连接件”的动向也开始出现。
进入专业工具的智能体
今天最明确的信号是，智能体开始在各领域的专业软件中工作。Google DeepMind在Google Antigravity中加入了化学信息学专用Skills（特定任务所需的指令和工具包），并介绍了借此用智能体处理药物研发工作的方法10。所介绍的示例不止于化合物检索，还包括提出结构更刚性的新型大环（macrocycle）候选化合物。OpenAI则发文整理了工程师如何利用ChatGPT和Codex快速完成硬件开发工作，涉及CAD、PCB设计、仿真等9。
中国也出现了方向相同的发布。Kimi推出了将K3.1模型与Kimi Code、Kimi Work智能体打包的游戏开发方案。该智能体可直接编辑Unity、Unreal Engine和Blender项目，并展示了在无人干预下连续运行20小时的案例6。三个案例领域不同，但有共同点：不另造新工具，而是把智能体接入一线从业者已经在用的程序和工作文件，再通过Skills或专用配置叠加领域知识。可以说，在编程智能体中打磨成熟的方式正在扩展到化学、机械与电子设计以及游戏制作。
蔓延到日常应用与企业连接层
在专业工具中看到的趋势，在普通用户的智能手机和企业系统中同样可见。据The Verge报道，Apple周二开始推送的iOS 27.3更新允许开发者将Siri AI的新功能集成到任意应用中1。Siri能够理解用户的个人情境和屏幕内容，并根据自然语言请求在第三方应用内执行操作。如今，应用开发商仅设计用户直接打开应用的路径已经不够，还需要同时设计经由操作系统助手进入的路径。DeepSeek Harness团队的“Creator Mode”则从另一个方向做着同样的事。据报道，用户说出想要的功能，AI便编写插件代码，并负责安装和运行验证13。
智能体接入的应用和系统越多，这些连接处就越需要管理。GitHub Dependabot开始支持Agent Package Manager（APM），当仓库所用的智能体Skills、提示词和指令包发布新版本时，会自动创建更新PR11。这意味着智能体配置文件也像代码依赖一样被纳入版本和供应链管理的框架。AWS公开了在Amazon Bedrock AgentCore Gateway中配置Microsoft Entra ID代表（on-behalf-of，OBO，即代表用户进行权限委托）令牌交换的方法22。在这种方式下，智能体不是使用服务账号，而是在保留调用用户身份的前提下调用ServiceNow API。版本管理和以用户为单位的权限，是企业在让智能体触碰实际业务系统之前首先考量的要求。
“工作得久”与“值得信赖”之间的距离
不过，智能体在更多工具中工作更长时间，并不意味着其结果就值得信赖。清华大学Zhou Hongyu教授团队利用真实患者的电子病历分析了大型推理模型的诊断表现。研究团队报告称，推理越长准确率越高，但附加错误诊断、对同一患者给出不同诊断的风险也同步上升12。研究对象仅限医疗这一个领域，但它仍为一种判断提供了依据：在看到以长时间无人值守运行等任务时长为卖点的案例时，需要单独审视准确性和一致性。
用于评估和验证这些方面的工具才刚刚开始补强。Ai2介绍了“StateBench”，用于测试语言模型在长文档中追踪状态变化的能力。同日，基于安全漏洞类型（CWE）的“CWE-bench v2”也发布了提升覆盖范围、质量和透明度的新版本18。这两项基准所覆盖的长上下文追踪和安全代码评估，正是智能体实际应用中被视为薄弱的领域。TechCrunch报道称，Anthropic正在构建名为“FlashProve”的系统2，让任何人都能确认某条AI回复是否确实出自该模型。其技术方式和发布时间尚未公开。但智能体越是在应用和工具之间穿梭，确认“哪个模型做了什么”的机制就越有必要。
今天的消息给从业者的启示是：判断是否采用智能体时，仅看模型性能已经不够。需要决定把智能体接入哪些工具，还要一并考虑Skills和指令的版本管理方式、智能体以谁的权限行事，以及用什么来衡量结果的一致性。接下来值得关注的有三点。首先，要观察实际参与Siri集成的应用会扩展到什么程度。其次，FlashProve采用何种验证方式、是否适用于其他公司的模型，目前尚不清楚。最后，需要确认今后的长时间运行案例是否会连同准确性和一致性指标一起公布。