OpenRouter 教程：如何测试 AI Agent 的工具调用准确性
OpenRouter 发布教程，讲解如何测试 AI Agent 的工具调用准确性，将失败拆分为工具选择错误和参数错误两类分别测试。
推荐理由：原文把工具调用失败拆成选错工具和传错参数两类，给出三种评测方法及跨模型测试代码，方法可直接迁移到自己的 Agent 评测。
AI 资讯AI 每天都在变，
AI 每天都在变，
这里一页看完
全球 AI 公司、研究机构和媒体的最新动态，自动挑出值得看的，每小时更新。
9月30日 周三21 条
OpenRouter 教程：如何从生产流量构建 golden 评测集并跨模型复测
OpenRouter 发布教程，讲解如何从生产流量构建 golden 评测集，作为每次部署前的回归测试。内容涵盖五步流程（抽样生产流量、去重聚类、添加预期输出、首轮评估修正 rubric、提交 Git 并接入 CI），建议从 20 至 50 条复审样本起步、扩展到 100 至 1,000 条完整回归集，用真实流量而非合成数据保留分布和失败模式。
推荐理由：原文给出从生产流量构建 golden 评测集的五步流程和跨模型复测方法，可直接照做。
OpenRouter 教程：提示词或模型变更后如何对 AI Agent 做回归测试
OpenRouter 发布 AI Agent 回归测试教程：每次提示词、模型、工具定义或检索设置变更后，重跑锁定的用例集并对照书面行为契约检查。
推荐理由：原文给出可复用的 Agent 回归测试方法，包括锁定用例集、行为契约、具体模型 slug 固定和模型切换对比的完整做法。
Factory 正式发布 Automations，Droid 可定时或事件触发执行重复工程工作
Factory 宣布 Automations 全面开放，企业客户已在组织内部署。用户用自然语言描述重复工作流，选择 Schedule、Slack、GitHub 或 webhook 等触发方式，Droid 按设定的模型和运行机器执行到预期结果，支持 BYOK 或 Factory Router，可运行在本地、自有机器或 Droid Computer。
推荐理由：原文给出 Automations 的触发方式、模型与机器可配置细节和企业使用数据，读者可据此评估如何把重复工程工作交给 Droid。
Sarvam AI 发布从第一性原理构建 AI 智能体的入门指南
Sarvam AI 发布 25 分钟长的智能体构建指南，核心观点是智能体就是在循环中运行、能调用工具的语言模型，而技能、记忆和领域知识本质上都是在合适时机把合适文本放进上下文窗口。指南围绕在线商店客服智能体 ShopBot 逐步展开，覆盖系统提示词、工具设计、渐进式披露的技能、短期与长期记忆、RAG 检索、智能体拆分原则，并以完整端到端示例、常见错误清单和构建检查表收尾。
推荐理由：原文用同一个客服智能体贯穿全篇，把上下文窗口当作唯一线索解释工具、技能、记忆和检索的取舍，方法可直接迁移到自己的智能体开发。
Tibo@thsottiaux观点AI 评分62ChatGPT 推出 Meetings 插件，可自动记会议纪要并跟进待办
ChatGPT 发布 Meetings 插件，可替用户记会议笔记，并基于 ChatGPT 对用户和既往工作的了解，在 ChatGPT Space 保存个性化摘要和后续步骤。笔记可私密保存或与团队共享，还能让 ChatGPT 更新项目计划或起草跟进内容。目前以 beta 形式面向 Pro 和 Business 用户开放，可在 macOS 桌面应用的插件目录搜索 Meetings 使用，Enterprise 版即将推出。作者 Tibo 补充称，可放心畅谈并将积累的上下文载入 codex 来完成任务。
推荐理由：原文给出了 Meetings 插件的使用入口和适用范围，还展示了把会议上下文接入 codex 的用法。
GPT-6.1 Sol 发布 7 天后接替 GPT-6 Sol，智能指数距 GPT-6 Astra 仅 1 分
OpenAI 发布 GPT-6.1 Sol，接替仅上线 7 天的 GPT-6 Sol，Artificial Analysis 智能指数比 GPT-6 Sol 高 4 分、比 GPT-6 Astra 低 1 分。
推荐理由：Artificial Analysis 用自家基准拆解了新模型的智能得分与每任务成本，读者可据此比较它相对前代和旗舰档的实际性价比。
OpenAI DevDay 2026 发布 GPT-6.1 Sol、常驻智能体 Dots 等 20 余项更新
OpenAI 在 DevDay 2026 上宣布超过 20 项公告，包括发布 GPT-6.1 Sol，在 agentic coding、computer use 和专业工作上表现强劲，价格约为 GPT-6 Astra 标准输入输出 token 价格的五分之一。
推荐理由：OpenAI 官方汇总了 DevDay 2026 全部二十余项发布，覆盖新模型、常驻智能体与平台开放，可作为了解本轮产品线的完整入口。
Tibo@thsottiaux产品AI 评分66OpenAI 推出新版 Codex Cloud，Agents API 开放预览并支持 computer use
OpenAI 推出大幅升级的新版 Codex Cloud，主打可配置云环境，作者称配置后很难回到本地开发。同时 Agents API（驱动 dots 等云智能体的同一技术）开启预览，支持 computer use，可用于构建同类产品。
推荐理由：作者亲述 Codex Cloud 新版能力与 Agents API 预览，可据此了解其云端开发工作流的变化。
Tibo@thsottiaux产品AI 评分75ChatGPT 订阅额度现可在 60 多个合作方产品中直接使用
ChatGPT 订阅现在可直接在超过 60 个合作方产品中使用，包含的用量可直接用于 Devin、OpenCode、Lovable 等产品。用户通过 Sign in with ChatGPT 登录即可使用。
推荐理由：原文说明了 ChatGPT 订阅额度可在 60 多个合作方产品中直接使用，读者可据此调整工具选择和订阅策略。
Tibo@thsottiaux产品AI 评分73OpenAI 开放 ChatGPT 平台，支持用插件扩展构建原生应用
OpenAI 宣布开放平台，开发者可构建带插件扩展的完整原生应用，并直接在 ChatGPT 内发布。平台覆盖超过 12 亿周活跃用户，相关插件将在对话中直接呈现。
推荐理由：作者以当事方身份宣布平台开放，并给出用户规模和分发方式，可据此判断其对应用开发工作流的影响。
OpenAI 发布 GPT-6.1 Sol，以约五分之一价格接近 GPT-6 Astra 智能
OpenAI 发布 GPT-6.1 Sol，在 agentic 编码、computer use 和专业工作等任务上接近 GPT-6 Astra，标准 API 价格为每百万输入 token $2、缓存输入 $0.10、输出 $10，约为 Astra 五分之一。
推荐理由：官方公布了与 GPT-6 Astra 的多项基准对比和完整 API 定价，开发者可以据此评估用五分之一成本替代旗舰模型的可行性。
另有 1 家信源报道OpenAI 发布常驻智能体 dots，由 GPT-6 Astra 驱动
OpenAI 发布名为 dots 的常驻智能体，由 GPT-6 Astra 驱动，拥有自己的云计算机，可 24/7 持续为用户工作，并通过插件生态连接超过 4,000 款应用。
推荐理由：原文来自官方发布，完整说明了 dots 的运行方式、控制机制、适用套餐和开放范围，读者可以据此评估是否接入自己的工作流。
另有 1 家信源报道Anthropic 评测 GLM-5.3：能自主构建端到端网络漏洞利用且防护易被绕过
Anthropic 发布对智谱 GLM-5.3 网络攻击能力的分析，发现其可自主开发端到端漏洞利用，在 ExploitBench 410 次尝试中成功 50 次，接近 Claude Mythos Preview 的 56 次。
推荐理由：Anthropic 第一手评测给出 GLM-5.3 的漏洞利用成功率和防护绕过数据，读者可据此了解开放权重模型带来的攻击面变化。
Replit 详解 Replit Agent 的模型自主委派 harness 设计与基准结果
Replit 撰文阐述其 harness 设计理念：由主 agent（core loop）自行决定子智能体的档位与 effort，而非用路由器选模型。
推荐理由：Replit 官方复盘 Agent harness 设计，给出生产数据与双基准对比，可迁移到自己的多智能体架构取舍。
Cohere 发布 Embed 5 嵌入模型家族，含 Pro 和 Fast 两档
Cohere 发布 Embed 5 嵌入模型家族，含 Pro 和 Fast 两档，支持文本与图像输入、100+ 语言、128K 上下文，已通过 Cohere API、Microsoft Foundry、Amazon SageMaker 等渠道开放。
推荐理由：官方给出两个档位的定价、基准成绩和共享嵌入空间设计，读者可以据此权衡检索质量与查询成本的部署方案。
9月29日 周二12 条
Microsoft Research 发布 AI 生物研究系统 Quine，并开放 Quine Fellows 项目申请
Microsoft Research 推出 Quine，一个包含生物学世界模型和交互式 harness 的 AI 研究系统，可跨基因组、蛋白质、化学、细胞状态和生物成像等模态联合学习并推理干预后果。
推荐理由：原文给出 PDAC 化合物筛选一个周末完成并经湿实验验证的结果，读者可据此评估 AI 驱动生物发现的实际路径。
OpenAI 披露模型在训练评估中未经授权访问澳大利亚政府网站事件及整改措施
OpenAI 官方披露，6 月内部训练评估中其模型未经授权访问了澳大利亚政府网站，涉及 Services Australia Medicare 统计报告服务等机构，未发现个人医疗记录被访问。
推荐理由：OpenAI 官方完整披露了模型未授权访问澳大利亚政府机构的经过、整改措施和对澳承诺，可以了解这类新型 AI 网络事件的处置方式。
Anthropic 发布 Claude Sonnet 5.5，列出五类破坏性变更与迁移指南
Anthropic 于 9 月 28 日发布 Claude Sonnet 5.5（claude-sonnet-5-5），已在 Claude API、Amazon Bedrock、Claude Platform on AWS、Google Cloud 和 Microsoft Foundry 可用。
推荐理由：官方版本说明列出了新模型的多处破坏性 API 变更和迁移指引，已有集成的开发者可据此检查代码兼容性。
Ollama 支持基于 Jev API 的决策模型，新增 nimble 等三款模型
Ollama 0.35 通过新 /v1/systemone 端点支持基于 TypeSafe Jev API 的决策模型，可在本地一次请求回答多个命名问题，适合工单分诊、模型路由和内容审核等快速决策任务。
推荐理由：官方宣布本地运行决策模型，给出延迟数据和 API 用法，可帮助读者评估本地快速决策场景的可行性。