AI Agent News
实时追踪 AI Agent 赛道的重大事件、融资动向、模型发布和技术突破
最新行业资讯
实时追踪 AI Agent 赛道的重大事件、融资动向、模型发布和技术突破
重大事件时间线
OpenClaw GitHub 爆发
OpenClaw 10 天冲上 GitHub 全球 Top 10，超越 Linux 内核 Star 增速
Meta 20亿收购 Manus
Meta 以 20 亿美元收购 Manus AI，通用 Agent 赛道正式被巨头锁定
DeepSeek-V3 开源
性价比之王，成本仅 GPT-4 的 5%
Manus 一夜爆火
全球首款通用 AI Agent 在国内社交平台引发空前关注
OpenAI Deep Research
OpenAI 推出深度研究 Agent，一键生成专业研究报告
MCP Server 破 500
MCP 生态爆发，3 个月构建 500+ Server
DeepSeek-R1 震惊全球
开源推理模型，成本仅 OpenAI 的 3%，引发全球 AI 格局震动
MCP 协议诞生
Anthropic 发布 Model Context Protocol，成为 Agent 接口事实标准
Claude Computer Use
Anthropic 让 AI 首次直接操控电脑屏幕，开创计算机使用新范式
Replit Agent 全栈自动化
自然语言到上线产品，面向非工程师
Cursor ARR 破亿
史上增长最快 SaaS，AI 编程工具新王者
Claude 3.5 登顶 SWE-bench
最强编程 AI，Bug 修复能力达到初级工程师水平
Devin 发布
全球首个自主 AI 软件工程师，能独立完成完整编程任务
小米发布 HarnessX：面向 AI 智能体的可组合、自适应、可进化运行框架
小米 Darwin Agent Team 于 2026 年 6 月在 arXiv 发表论文，提出 HarnessX——一款面向 AI 智能体的可组合、自适应、可演进运行框架（Harness）生成系统。HarnessX 旨在解决传统智能体框架手工搭建、架构耦合、无法与模型协同优化的痛点，通过三大核心模块实现自动化框架优化： - **组件化组合架构**：将 Harness 抽象为标准化处理器与八大生命周期钩子，划分九大优化维度（模型选择、上下文组装、记忆管理、工具生态、执行环境、评估与奖励、控制与安全、可观测性、训练桥接），依托类型约束实现组件自由插拔与安全复用。 - **AEGIS 自适应演进引擎**：将框架演进映射为符号空间强化学习，通过解析、规划、演化、评判四阶段流水线，针对性解决奖励欺骗、灾难性遗忘、探索不足三大问题，并采用变体隔离策略适配异构任务场景。 - **框架-模型协同进化机制**：搭建共享轨迹缓冲区，结合跨框架 GRPO 算法同步优化框架与模型，突破单一优化路径的能力天花板。 实验在 GAIA、ALFWorld、WebShop、τ³-Bench、SWE-bench Verified 五大主流智能体基准上，搭配 Claude Sonnet 4.6、GPT-5.4、Qwen3.5-9B 三款不同能力的大模型进行评测。结果显示： - HarnessX 平均带来 **14.5%** 的性能提升，最高达 **44.0%**，且模型基线越弱收益越显著； - 框架与模型协同进化可在此基础上再增收 **4.7%**； - 变体隔离策略有效避免性能退化，并减少约 **18%** 的 Token 消耗。 该研究证明，优化运行框架是模型缩放之外提升智能体能力的高效路径，整套方案兼顾自动化、稳定性与可审计性。论文后续将开源完整代码，为自进化智能体工程化提供新范式。
清华团队提出OpenRath：以Session为核心的多智能体运行时框架
清华大学、中山大学和香港中文大学的Rath Team开源了OpenRath，一个以Session（会话）为核心的多智能体运行时框架。该框架主张将Session作为一等公民，而非Agent，以解决多智能体系统中状态管理混乱、调试困难等问题。OpenRath借鉴PyTorch的设计理念，将Session映射为Tensor，Agent映射为Layer，Sandbox/Memory映射为Device/Parameter，实现了模块化、可组合的Agent集群。框架支持多Agent多会话（MAMS）模式，提供Session分叉、合并、复用等能力，并内置了文件、Shell、代码执行等工具。目前OpenRath已在PyPI发布v1.2.1，采用BSD-3-Clause协议。 ## 背景：多智能体系统的状态管理困境 随着Agent数量增加，传统以Agent为中心的设计暴露出严重问题：每个Agent维护独立上下文，任务分叉后难以追踪，工具调用、记忆、沙箱等状态分散。当系统扩展到几十上百个Agent时，调试、复现和编排变得极其困难。现有框架如AutoGen、CrewAI、LangGraph主要解决Agent间的通信，但未深入处理会话状态的持久化和路由。 ## 核心设计：Session作为一等公民 OpenRath提出将Session作为状态和证据的载体，而非简单的聊天历史。Session记录完整的执行轨迹，包括工具调用参数与结果、文件变更、沙箱身份、失败路径、审批信号等。Agent被设计为Session上的变换层，遵循`forward(session) -> session`接口，可像神经网络层一样堆叠和嵌套。Workflow对应PyTorch的Module，可串联多个Agent、分叉Session、压缩上下文等。 ## 关键特性：MAMS与可插拔后端 - **多Agent多会话（MAMS）**：支持Agent数量×Session数量的四象限模式，真正需要分叉、合并、复用的是Session数据流。 - **可插拔后端**：Sandbox（如沙箱环境）和Memory（如长期记忆）作为可替换后端，与计算逻辑解耦，类似PyTorch的device概念。 - **工具抽象**：FlowToolCall统一了工具的定义与执行，内置文件、Shell、代码执行工具，并支持MCP协议适配。 ## 与现有框架对比 | 框架 | 核心抽象 | 状态管理 | 适用场景 | |------|----------|----------|----------| | AutoGen | 多Agent对话 | 消息列表 | 群聊式协作 | | LangGraph | 图状态+Supervisor | 图状态 | 路由与控制 | | OpenRath | Session+Workflow | 持久化Session | 生产级Agent集群 | OpenRath强调Agent集群不是群聊，而是建立在持久Session状态之上的运行时控制平面。 ## 开源与生态 - **版本**：v1.2.1（PyPI） - **安装**：`pip install openrath` - **协议**：BSD-3-Clause - **资源**：官网(openrath.com)、文档(docs.openrath.com)、博客(blog.openrath.com)、GitHub(github.com/Rath-Team/OpenRath)
腾讯混元开源UniRL：统一多模态强化学习训练框架
腾讯混元团队于2025年6月17日正式开源UniRL，一个面向多模态生成模型的分布式强化学习（RL）后训练框架。该框架由庞天宇团队主导，旨在解决当前AIGC领域多模态RL训练“各自为战”的碎片化问题——图像扩散模型、视频生成、VLM和LLM各有独立技术栈，导致工程重复、算法创新受阻。 ## 背景：多模态RL的“孤岛困境” 随着Stable Diffusion、FLUX、Wan、HunyuanVideo等模型快速发展，AIGC能力边界不断拓展，但RL训练基础设施严重滞后。与LLM的RL训练相比，多模态生成RL面临四大挑战： - **生成过程本质不同**：LLM处理离散token，图像/视频生成涉及连续潜空间去噪轨迹；统一多模态模型混合token生成与latent去噪，credit assignment和策略更新更复杂。 - **系统闭环不稳定**：rollout、log-prob replay与策略更新跨越多个模型和后端，训练侧必须严格复现采样侧条件，否则产生Training-Inference Mismatch，引入策略梯度bias。 - **奖励系统更重**：多模态RL的reward依赖VLM、OCR、美学模型、视频理解模型等多模态评估链路，成本高。 - **轨迹存储与显存压力大**：中间产物为高维latent、噪声、时间步等，视频生成中随分辨率、帧数和去噪步数快速放大。 这些挑战导致行业内“一个模型一套训练代码”，开发者大量时间花在重复工程实现上。 ## UniRL核心设计：统一抽象与可复用骨架 UniRL不绑定单一模型族、算法或训练栈，以Ray worker group、Hydra flat recipe、可组合训练后端和可插拔rollout engine为核心，抽象出多模态RL闭环契约：rollout → reward → advantage → train → weight-sync。 框架通过类型化rollout数据模型（track）表示不同阶段生成轨迹：AR阶段为TextSegment，图像生成阶段为LatentSegment，不同track通过parent-child关系连接，自然支持Bagel、HunyuanImage 3.0等先AR文本思考再DiT图像生成的链式流程。 ## 支持的模型与算法 UniRL覆盖主流多模态生成模型： - **图像生成**：SD3/3.5、Qwen-Image、Z-Image、FLUX.2-Klein - **视频生成**：HunyuanVideo 1.0&1.5、WAN系列 - **大语言模型**：Qwen3系列 - **多模态理解模型**：Qwen-VL系列 - **原生统一多模态模型**：HunyuanImage 3.0、Bagel - **组合式模型**：LLM/VLM + Diffusion的Prompt-Enhancer架构 内置多种RL算法： - Policy-gradient家族：FlowGRPO、DanceGRPO、MixGRPO、LLM/VLM GRPO - Forward-process家族：DiffusionNFT - 腾讯混元自研算法：Flow-DPPO（针对flow/diffusion模型，用逐步KL散度近端约束替代PPO ratio clipping）和DRPO（用advantage加权的平滑策略偏移正则项替代硬裁剪/掩码） 奖励组件集成CLIPScore、GOT-OCR-2.0、PickScore、HPSv2/v3、ImageReward、UnifiedReward、GenEval2、WISE、VideoPickScore、VideoAlign等。 ## 影响与意义 UniRL将多模态RL训练中重复、易错、极难复用的系统工程问题沉到框架底层，使开发者不必反复重写rollout、reward、轨迹传输和训练对齐逻辑。框架仍处于活跃迭代阶段，后续将完善核心训练闭环、扩展rollout engine支持、优化大规模训练性能。
MCP 发布授权规范 1.1：企业级安全 Agent 部署成为可能
MCP 工作组正式发布 Authorization Spec 1.1，引入 OAuth 2.0 集成、细粒度权限控制（per-tool scopes）、审计日志和 Token 撤销机制。这一更新解决了企业在部署 Agent 时最担心的「AI 权限失控」问题：现在管理员可以精确控制每个 Agent 能调用哪些工具、访问哪些数据，并留有完整操作记录。Salesforce、Atlassian、GitHub 已宣布其 MCP Server 升级到新规范，企业级 Agent 采购潮被分析师预测将在 2025 年 Q3 爆发。
Google 发布 ADK：让任何开发者都能构建多 Agent 系统
Google 正式开源 Agent Development Kit（ADK），这是一个 Python 框架，专为构建、测试和部署多 Agent 工作流设计。ADK 原生支持 Gemini 模型，内置工具调用、状态管理、Agent 间通信机制，并与 Google Cloud Vertex AI 深度集成，支持一键部署到生产环境。不同于 LangChain 的通用设计，ADK 的 Agent 编排以「对话树」为核心，更接近真实业务流程的建模方式。发布后首周 GitHub Star 突破 8000。
MCP 生态爆发：社区已发布超过 500 个 Server
MCP 协议发布仅 3 个月，社区贡献的 MCP Server 数量已突破 500 个，涵盖数据库、浏览器、代码工具、SaaS 平台等各类场景。Cursor、Windsurf 等主流 AI 编辑器相继宣布支持 MCP，Claude Desktop 成为最受欢迎的 MCP 客户端，用户数超过 200 万。
Dify 开源 LLMOps 平台 GitHub Star 突破 5 万
开源 AI 应用开发平台 Dify 在 GitHub 上的 Star 数突破 5 万，成为最受欢迎的 AI 应用构建工具之一。Dify 支持可视化工作流编排、RAG 知识库、Agent 搭建，并提供完整的 LLMOps 能力。超过 10 万个 AI 应用已基于 Dify 构建。
MCP（Model Context Protocol）正式发布，成为 Agent 接口新标准
Anthropic 发布开放协议 MCP（Model Context Protocol），旨在标准化 AI 模型与外部工具、数据源的交互方式。发布后迅速获得 OpenAI、Google、Microsoft 等主流厂商支持，成为 AI Agent 生态的事实标准，已有超过 500 个 MCP Server 实现。
CrewAI 获 1800 万美元融资，多 Agent 协作框架崛起
AI 开发框架公司 CrewAI 宣布完成 1800 万美元 A 轮融资，其多 Agent 协作框架在过去一年内 GitHub Star 突破 2 万，被数千家企业用于构建自动化工作流。CrewAI 通过角色分工模型让多个 AI Agent 像团队一样协作，解决单一 Agent 的能力瓶颈。