阅读

如果模型能从参数记忆里直接给出答案，它就没有理由调用搜索工具。教模型搜索，因此不是训练阶段的事，而是数据设计阶段的事：你必须先构造出那些让搜索成为唯一可行路径的问题。NVIDIA研究科学家Dhruv Nathawani在2026年10月的AI Engineer世界博览会上，用NeMo Data Designer展示了这条从问题设计到训练数据的完整管线。

核心技巧是把Wikidata实体图的随机游走路径变成谜题。例如一条路径连接NVIDIA→Jensen→Oregon State University→Benton County→Thomas Hart Benton，生成的谜题是：'哪家公司由那位就读于以Thomas Hart Benton命名的县内大学的人创立？'答案藏在链式关系里，模型无法一步搜索命中，必须拆解线索、逐步检索、比对约束。Nathawani给出的经验是游走长度控制在四到八跳：太短则答案过于直接，太长则容易漂移到'人类'这类无区分度的通用节点。

管线分三个笔记本递进。第一个用Wikipedia主题CSV作为种子，配合难度采样器和Jinja模板生成问答对，此时还没有搜索行为。第二个通过MCP协议接入Tavily搜索工具，让模型在回答时发出真实查询并保留检索结果，训练材料从孤立答案变成可检查的尝试轨迹。第三个把Wikidata路径作为种子，让模型基于路径中的实体生成谜题，再由搜索代理执行完整的多步工具调用，产出包含查询、返回内容和最终回答的端到端轨迹，用于监督微调。

Nathawani报告了这条管线的产出数字：5万个种子经过生成和过滤后保留7000条高质量端到端SFT记录，训练后模型在BrowseComp基准上从0%移动到30%。他同时指出，这是整条管线的综合效果，无法归因到某一种采样器、某个提示模板或某一层过滤器。在Text-to-SQL任务上，他报告Nemotron Nano在BIRD基准上从26%提升到41%，但明确区分了这是非代理式设置，与代理式系统的SOTA分数不可互换比较。

验证环节是这条管线最诚实的困难。Nathawani举了一个具体例子：一道谜题问'哪个国家拥有美国钢铁公司'，代理回答'美国'，验证器判定正确。他后来搜索后觉得该公司可能已被日本企业收购——他本人用了生成器和验证器共享同一个错误前提，双方一致通过并不意味着答案正确。他进一步指出，一个简单确定性匹配函数只给出约24%的吻合率，但这个低数字本身无法区分是答案确实差、参考标准不合适、还是匹配函数没能识别可接受的回答。

他的应对是把评估拆成多个方向：模型判断负责规模化初筛，人工复核模型判断本身来确认评估标准是否被正确执行，实时信息检索来检查底层事实是否已变化。他强调，通过一百项检查只能证明这一百项问题不存在，不能证明没有其他问题。

对实践者而言，这条管线可迁移的要点不在于具体工具选择（Tavily只是演示，Exa或自建搜索工具均可替换），而在于数据设计思路：多样性优先于数量，用最便宜的正确列类型（采样用Python而非LLM），先过量生成再过滤，在预览阶段检查少量记录后再启动批量，以及把数据生成配方本身当作可版本控制的代码来分享。

这条管线目前仍在NVIDIA内部用于Nemotron系列模型的搜索能力训练。Nathawani也提到强化学习变体：不预先执行每道谜题生成目标轨迹，而是只生成提示数据集，在训练时让模型实时调用工具并由NeMo Gym的奖励函数评分。但他明确表示通用奖励函数的生成仍是未解决问题，团队正在考虑但尚未实现。

日本电子巨头富士通（Fujitsu）在2026年10月13日至16日举行的CEATEC展会上展示了其“社会数字孪生”（Social Digital Twin）技术。该技术通过结合人工智能和行为经济学原理，能够在数字空间中重现城市中每个人的具体行为模式。

展会现场演示了一个基于东宝“哥斯拉”IP的虚构灾难场景：在川崎站周边聚集了包括本地居民、外地游客和不懂日语的外国人在内的约25万人，系统模拟了他们在哥斯拉袭击前一小时内的避难过程。参与者可以选择实施多语言引导、交通管制等策略，观察不同属性人群的流动变化。

据富士通工作人员介绍，该技术的核心在于利用公开数据（如人口普查）和行动统计，为不同属性的人群建立概率模型，从而生成高精度的社会模拟。虽然演示以防灾为主题，但公司表示其主要应用场景是公共交通规划，例如巴士路线重组。

富士通称，目前已在部分自治体进行实证实验，验证了模拟结果与实际人流数据的吻合度。公司计划在2027财年前将该技术应用于交通领域，以应对日本老龄化及劳动力短缺导致的公共交通维持难题。

日本AI代理技能搜索平台cccskills于2026年10月发布了“AI代理安全技能混沌地图2026年10月版”。该地图从cccskills收录的97,647个公开技能中，筛选出名称或描述包含“安全”关键词的6,898个技能（涉及947个仓库、814位作者），并将其归类到漏洞诊断、代码审计、威胁建模、恶意软件分析、云供应链等13个领域中。

这些技能是供Claude Code、OpenAI Codex等AI代理读取的程序文件（SKILL.md），允许代理以同等权限执行命令或修改文件。鉴于2026年初曾发生大量恶意技能在公开注册表中分发的安全事件，该地图特别将NVIDIA SkillSpector、Cisco skill-scanner等用于在运行前检查技能行为的工具列为独立领域，并将OpenAI、Anthropic和Google等公司发布的技能标记为“官方”。

值得注意的是，cccskills网页版显示的安全面评估是基于SKILL.md中的文本描述自动判定的，并非对底层代码进行实际审计的结果。对于希望在工作流中集成安全功能的开发团队而言，该地图提供了快速识别官方来源与第三方检查工具的视角，但在信任具体技能的安全性时仍需保持谨慎。

思科AI可观测性软件团队负责人Al Chen在2026年10月的AI Engineer大会上做了一个类比：他十年级的数学老师Mr. Huff要求答案精确到小数点后第四位，但大部分分数来自证明过程。银行的安全和合规团队像Mr. Huff，只不过手里握着数百万美元的合规预算。Chen的团队把AI可观测性软件部署到全球最大的几家银行，他们发现缩短审查周期的真正杠杆不是让模型更强，而是让每一步都能被检查。

以CVE修复为例。一个平台有多个镜像，每个镜像包含多个CVE，不同银行运行不同版本，使用不同扫描工具，各自有严重性策略和修复时限。常规做法是升级包版本或重建基础Docker镜像，扫描工具（Sysdig、Wiz、Prisma等）确认版本号已变更后即放行。Chen指出这远远不够：版本号变了，不代表那个具体漏洞在应用代码中仍然无法被利用。他的团队用Harbor任务框架构建额外证据——让agent基于旧版本编写exploit，在新版本上尝试，再写测试验证exploit是否仍然成功。Harbor可以并行运行多个容器或沙箱，提供多次试验。Chen同时承认边界：一次失败的尝试是关于那个特定exploit的证据，不是所有可能exploit都不存在的证明。

灾备遵循同一模式。Chen描述ClickHouse部署中，银行必须自行安排跨区恢复，因为该平台没有托管的跨区域故障转移服务。他们用开源项目clickhouse-backup将主区数据库备份到存储桶，再在灾备区执行恢复任务。工具日志能显示任务是否完成，但Chen说这个状态不能说明数据现在是否正确——坏磁盘、节点故障、迁移问题或复制延迟都可能让数据与任务执行时不一致。他追加了表行数检查和区域内副本收敛检查，把验证对象从'任务是否跑完'转向'数据是否正确'。

第三个例子最容易被忽视。SDK层、网关层或中间件的脱敏处理让面向用户的界面看起来干净，但LLM-as-a-judge创造了另一条泄露路径：裁判对agent输出打分并生成解释供人工复核，如果裁判看到的是原始trace，其推理过程可能重现个人身份信息或重大非公开信息。Chen建议检查裁判提示词和trace中的泄露，并提出分离方案：分数始终持久化用于评估，推理经过敏感信息检查后才决定是否展示；如果银行仍需要解释，就运行第二个裁判，输入已经过脱敏处理。代价是同一请求多一次LLM调用。

Chen的结论是：合规速度取决于银行自身的就绪程度——是否已有从镜像仓库拉取镜像的流程、GPU是否到位、安全审查和访问配置是否就绪。这些延迟更多来自组织对齐而非技术。他的团队把客户问题当作自己的问题，分为工程、流程和人员组织三条线，能自动化的尽量自动化。

值得注意的边界：Chen描述的是大型厂商向多家银行部署同一产品的场景，其工程投入（维护Harbor测试框架、运行双裁判、跟踪开源上游依赖）未必能直接迁移到小团队或单一客户的部署。他提到的'从一年缩短到几周'是相对值，实际时间仍取决于银行基础设施和审批流程的成熟度。

编码智能体已经能产出从表情包到 B2B SaaS 应用的任何东西。AgentCraft 创始人、MCP-UI 创建者兼 MCP Apps 联合维护者 Ido Salomon 在 2026 年 AI Engineer 大会上提出了一个反直觉的问题：如果智能体如此强大，为什么没有人人手一支智能体大军？他的诊断是，瓶颈不在模型能力，而在人。每多启动一个智能体，就多一份引导、指挥和审查的需求，这些需求全部落在同一个人的注意力上，直到监督本身令人精疲力竭。

Salomon 认为解决这个瓶颈所需的技能其实早已存在。他拿即时战略游戏做类比：在《魔兽争霸》或《模拟人生》中，玩家同时操控多个单位，靠的不是逐帧检查每个单位的动作，而是空间化的状态感知、需要关注时的快速跳转、以及把任务委托给子单位的能力。AgentCraft 把这套控制语言搬进了编码智能体的工作流——智能体以地图上的单位呈现，文件系统被投影为地形，热力图显示工作正在哪些目录发生，按空格键则跳转到最近一个需要人注意力的事项。

在这个基础之上，Salomon 描述了三层递进：可见性让人知道谁在做什么；自主性通过任务委托（智能体扫描代码库并建议下一步任务，用户点击接受即可）和编排器（用户给出笼统目标，编排器拆解并在本地容器中执行）减少持续监督；审查工具包则把完成的变化打包成文件列表加视觉证据（截图或录屏），让人能快速判断是否接受，甚至并行运行多个实例后挑选最佳实现。最后，共享房间让设计师和工程师可以同时在同一项目中推进各自的部分，而不必等对方停下来。

但 Salomon 自己也对这些机制的适用范围做了限定。他估计大约 90% 的人需要一个更低的入口，并明确说这个数字是近似而非测量结果；他展示的实验性简化模式 Loopers 仍处于非常早期阶段，连名字都尚未确定；他也承认同一界面对某些人惊艳、对另一些人却可能很难，因此把定制化视为尚未完成的探索。不过，整个论证建立在一个产品演示和个人使用经验之上，尚无对照实验证明游戏隐喻确实降低了认知负荷，还是仅仅把一种复杂度替换成了另一种。对于已经习惯终端和 IDE 的开发者来说，这套空间化界面是否真正比列表和日志更高效，仍是一个开放问题。

WorkOS最初搭建的软件工厂，把代码放进Cloudflare沙箱，接入模型路由，喂入提示词，生成PR——结果和工程师在笔记本上跑Claude Code几乎没有区别。产品工程师Ryan Cooke在2026年AI Engineer世界博览会上描述了这个令人失望的发现，并由此提出一个论点：沙箱、模型和仓库是必要条件，但不是充分条件；真正的软件工厂必须把组织自身的工程流程编码进自动化。

Cooke认为行业正在优化错误的变量。Ramp报告超过50%的合并PR来自AI，Spotify报告1500多个AI生成的PR被合并，Stripe每周合并超过1000个PR——这些数字描述的是生产速率，不是价值交付速率。当构建工厂本身消耗工程时间甚至需要专职团队时，仅凭PR数量判断成败会掩盖一个更难回答的问题：功能是否更快到达了客户手中？他提出的替代衡量方向是功能交付时间、交付时缺陷率和问题解决时间。

WorkOS的回应是把工程流程拆成可执行的自动化单元。他们构建了两层系统：TARS是面向用户的界面，嵌入Slack、Linear和GitHub，通过webhook订阅项目事件；Horizon是基础设施编排层，管理沙箱池和事件循环。关键设计在于TARS不只是生成代码，它参与工程流程本身。

具体机制是：Linear中的工单有依赖关系，一张工单阻塞另一张。当TARS收到工单完成的webhook，它自动拾取下一张被解锁的工单继续执行。工程师可以在步骤之间要求TARS重新评估项目计划，发现实施过程中暴露的遗漏。这种自主性来自对项目状态的响应，而不是把每次编码会话当作孤立任务。

规划层面，WorkOS使用Hilltop文档——一种产品需求文档，汇集项目目的、客户需求、竞品分析、早期设计和里程碑。PM agent读取Hilltop文档，将其分解为带依赖链的工单。人类审阅并补充上下文，合并后Horizon自动解锁下一张工单。Cooke以他负责的Vaults API项目为例：在Slack中用几句话描述目标，TARS创建Linear项目、Notion草稿和决策日志，他再补充规格、填补模糊区域，然后交回执行。Cooke报告团队因此做了更多项目简报和Hilltop工作，因为agent解决了空白页问题；但草稿经常严重高估项目范围，需要工程师大幅削减。

Cooke把内部MCP网关称为上下文引擎，认为这是任何团队起步时最值得投资的部分。它不只是连接工具，还在工具描述中编码组织知识：告诉agent Snowflake里有哪些语义表、描述什么内容、回答哪类问题应该查哪些表。WorkOS后来把这个网关开放给Slack查询做数据和客户分析，发现它同样适用于非编码场景。Cooke的原话是：agent可以用最少的上下文自己搞清楚，但很慢，它们花token重新发现约定，我们不断收紧那个循环。

但Cooke没有给出数字化的交付或可靠性结果。他提出的三个衡量方向是交付与客户影响、可靠性（缺陷率和恢复时间）、自愿采用（工程师是否主动选择TARS和云端沙箱而非本地工具），并明确说自愿采用大量是轶事性的。两个未解决的边界值得注意：WorkOS尚未确定这个工厂的授权模型——谁可以授权agent在其连接的系统上执行操作；公司级记忆层是计划中的下一步，尚无完成实现。Cooke在演讲结束时直接向同行提出授权问题，表示希望了解其他团队如何处理。

在2026年9月的AI Engineer World's Fair上，智谱（Z.ai）负责人李祖昕面对一个他反复被问到的问题：为什么要把接近前沿能力的模型开源？他直接承认了提问者的潜台词：把接近前沿能力的模型开源，是否意味着把市场拱手让给推理服务商？

李祖昕把开源决策拆成三组对齐的需求。第一组是安全与控制。他说，如果企业或政府——尤其是西方世界的机构——想要使用模型，智谱就把权重上传到Hugging Face，让他们在自己的服务器上运行。这改变了谁在操作模型，给了客户对部署的更多控制。他明确说这是一个部署选项的描述，不是已完成的安装或已验证的安全成果。

第二组是多样性，即领域定制能力。法律、金融、安全领域的客户需要不同的模型行为，而微调需要权重访问。他举了Harvey的例子——这家法律AI公司已经在微调GLM-4.1，可能接下来会考虑微调GLM-5.2。但他把Harvey转向5.2说成是'可能性'而非已完成的采用。他还提到和其他很多公司谈过，它们也在考虑微调GLM作为差异化策略。

第三组是共同设计与预测未来。如果客户或开发者想参与塑造模型的下一步，他们需要了解架构和训练配方。权重访问支持前两条路径（本地部署和微调），而架构和训练信息的公开支持第三条——更深层的协作。李祖昕把这归结为'做出正确的赌注'：通过让客户看到技术细节，智谱能更好地判断市场需求，减少方向性错误。

这三组需求在李祖昕的框架里不是单向让利，而是双向匹配：客户要安全、定制和参与感，智谱要信任、生态扩展和更准的方向判断。他说'我们的需求和生态系统是互相契合的'。

需要保留的边界是：这是公司负责人对自身战略的解释，不是独立验证的市场结果。开源权重是否真的比闭源带来更多收入，没有公开财务数据可以判断。Harvey微调GLM-4.1是李祖昕口头提及的案例，没有合同金额或采用规模。GLM-5.2在Artificial Analysis智能指数上得分51，排在Claude Opus 4.8（56）和GPT-5.5（55）之后，但领先其他开源权重模型——这些是智谱自己展示的对比，评估细节不足以推断特定工作流的表现。

对关注AI产业投资机会的读者来说，这篇演讲的实际价值在于：它展示了一家前沿实验室如何把开源权重从技术选择重新定义为商业策略。如果这个逻辑成立，开源模型的采用率、微调客户数和生态贡献者规模可能比单次benchmark排名更能反映一家AI公司的商业健康度。但李祖昕的框架本身尚未经过独立检验。

MEMS技术公司xMEMS Labs已宣布其半导体冷却芯片“μCooling”系列中的两款产品（XMC-2400和XMC-4800）于2026年10月20日开始量产。这款厚度仅约1.1毫米的芯片利用压电MEMS技术，通过硅振膜的超声波振动产生气流，无需传统旋转风扇叶片即可实现主动冷却。

该技术主要面向AI智能眼镜、智能手机等内部空间极度受限的设备。在CEATEC 2026展会上，xMEMS日本法人副总裁Mark Wood介绍，智能眼镜框架表面温度若超过45℃会影响佩戴安全与舒适度，而被动散热往往难以应对高性能处理器带来的热量。现场演示显示，搭载μCooling的一侧框架温度为38℃，而未搭载的一侧则高达61℃。

xMEMS目前提供三种规格的产品：最小的XMC-1200（标准功耗约70mW）仍处于样品阶段，主要针对光学系统和处理器；中型XMC-2400（最大风量27cm³/秒，功耗约150mW）和大型XMC-4800（最大风量47cm³/秒，功耗约240mW）已进入量产。Wood表示，多家企业正在评估采用该芯片，预计搭载μCooling的终端产品将于2027年初面市。

美国芯片制造商英伟达（NVIDIA）与美国社交媒体巨头Meta于2026年10月27日联合宣布，双方将扩大在Meta的Muse模型家族及其AI代理产品上的合作。作为此次战略伙伴关系深化的核心部分，英伟达将向Meta的一项股权发行投资30亿美元。

此次合作旨在优化AI代理的计算基础设施，以应对日益增长的消费者需求。Meta计划扩大部署英伟达的下一代硬件，包括用于提升每瓦性能的Vera Rubin GPU和Vera CPU，以及支持网络效率的Spectrum-X以太网网络和BlueField-4数据处理单元。此外，双方还将探讨在安全架构方面的进一步协作，包括英伟达的OpenShell参考架构和用于监控代理行为的Sentry系统。

英伟达创始人兼首席执行官黄仁勋表示，AI代理代表了一种新的计算范式，从操作应用程序转向与智能代理协作。Meta创始人兼首席执行官马克·扎克伯格称，Muse旨在为数十亿人提供个人超级智能，此次合作将帮助交付最佳的个人代理和前沿模型。这一举措标志着两家科技巨头在AI代理时代的基础设施绑定更加紧密，英伟达通过资本注入直接支持其最大客户之一的算力扩张。

Arize AI 的 Laurie Voss 在 AI Engineer 频道发布的工作坊视频中，探讨了如何从“凭感觉”（vibes）转向生产级的 AI 代理评估。视频描述了一个具体案例：一个基于 Claude Agent SDK 构建的金融分析代理生成了 13 份报告，但 LLM 正确性判断器全部予以拒绝。Voss 分析发现，问题在于代理使用了实时网络研究，而判断器仅基于其自身知识进行评估，缺乏必要的研究上下文。

为了解决这一偏差，Voss 展示了如何将代理收集到的来源数据提供给忠实度评估器。这一调整产生了更有用的结果划分：六份报告被判定为忠实，七份为不忠实。除了修正判断器，工作坊还介绍了如何使用 OpenTelemetry 和 OpenInference 对代理进行仪器化，并将追踪数据发送到 Arize AX。通过阅读这些实际追踪数据，开发者可以识别出文件写入失败、报告内容缺失以及过度网络搜索等具体问题。

此外，Voss 还演示了如何构建自定义的可操作性评分标准，包括明确的标准、标记的输入、示例和二元标签。每个评估器只检查一个维度，从而使得失败能够精确定位需要关注的部分。人类注释被用作比较集来评估判断器，其中故意设置的随机演示标签说明了如何调查分歧。整个流程强调了在自动化评分之前，先阅读实际追踪数据并定义成功标准的核心实践。

在2026年10月6日发布的AI Engineer大会演讲中，OpenAI工程师Charlie Guo和Gabriel Chua详细演示了Codex在实际软件开发中的应用。他们展示了一个核心案例：在接收Slack对话捕获后的四分钟内，Codex生成了一个macOS实时翻译应用。这一过程突出了上下文（conversation）、插件（plugins）和监督（supervision）如何协同工作，其中对话提供创意，插件提供开发实践，而德语实时翻译则用于测试最终结果。

除了快速原型开发，两位工程师还展示了更复杂的项目，包括将仓库历史转化为Agents SDK的可分享网站、通过手机请求IKEA风格的仓库可视化、使用计算机控制下载仪表板数据，以及通过Chrome扩展构建Google反馈表单。他们特别区分了用于本地测试的浏览器控制与访问已登录用户会话的应用程序之间的不同。

在长期项目中，Guo和Chua介绍了如何利用目标（Goals）设定可验证的完成标准，并通过子代理（subagents）、可见线程（visible threads）、审计（audits）和进度仪表板来分配工作并暴露阻塞点。远程线程将浏览器测试交给本地机器，而钩子（hooks）则在特定工作流节点添加确定性检查。自动化连接了这些部分，例如等待服务器配置完成、审查Slack反馈或启动单独的工作树以修复错误。

该演讲的核心问题是如何将成功的单次请求转化为具有有用检查和必要人工输入的可重复流程。对于希望优化AI辅助编程工作流的工程师来说，这一资源提供了关于Codex集成、插件使用和自动化监督的具体实践参考。

韩国电商解决方案提供商 Indent Corporation（运营评论平台 VReview 和网红营销平台 Spray IO）于 10 月 27 日召开新闻发布会，正式推出名为“Indent M”的商业 AI 代理。该工具旨在自动化处理从策划、创作者筛选到活动执行的全流程海外网红营销，目前支持 72 个国家的本地化投放。

用户无需填写固定表单，只需通过对话向 AI 提供产品特点、营销目标及期望的创作者类型，Indent M 即可基于过往数据评估预期效果与成本，自动完成创作者匹配与活动执行。这一功能源于该公司过去三年在 Spray IO 平台上积累的 930 多个品牌活动和超过 8 万条合作内容的数据经验。

Indent Corporation 计划将负责营销的 Indent M 与负责跨境销售的 Indent O（基于其去年推出的 Booboo Shop 平台升级而来）结合，为韩国中小品牌提供从发现、营销到购买、物流的完整 D2C（直接面向消费者）服务。公司首席执行官 Yoon Tae-seok 表示，此举意在降低全球营销的人力与基础设施壁垒。