「编程Agent评测」共找到 3957 篇相关文章
测完阿里的Accio Work，我理解了「一人跨国公司」为什么可能
作者体验阿里Accio Work后认为，它作为面向全球中小企业和创业者的企业级Agent，像出厂就懂做生意的团队，能让电商小白从零搭Shopify店，通用Agent难以做到，体现数据和场景壁垒。
“Skill 不就是长一点的提示词吗？”
文章回应了对'skill是长提示词'的质疑，指出差异在于提示词配套的是ChatBot还是Agent。ChatBot只能对话，Agent能调用工具干活。Skill可渐进加载，具可复用、组合、迭代等优势，是提示词工程化封装。
AAAI 2026｜视频大语言模型到底可不可信？23款主流模型全面测评来了
合肥工业大学与清华大学团队推出视频大语言模型综合可信度评测基准 Trust-videoLLMs，对 23 款模型从五维度 30 项任务评测，揭示性能格局，指出模型现存问题，还开源评测框架等。
在 BetterYeah，我看到了一种新的企业生产力范式
2025 WAIC聚焦Agent，C端个人Agent产品热闹，企业级市场落地难。BetterYeah AI获阿里云亿级融资，其解决企业难题，构建“数字同事”，即将发布的Nova Agent开启“AI数字团队”新范式。
Anthropic的疯狂一周：每天一个新产品，我已经跟不上了
4月4 - 9日，Anthropic动作不断，先封杀第三方Agent用Claude订阅额度，又发布Claude Mythos Preview、Claude Managed Agents和Advisor Tool。其Agent产品线分三层，还展现“不发布”策略，背后是控制生态的商业考量。
Auto-Research「终极大考」：新基准撕下大模型科研伪装
来自多所高校的研究者提出MLS - Bench，用于解决现有Auto - Research评测的归因问题。它含140个真实研究任务，校准受控修改范围，主实验显示当前模型在方法发现上有明显缺口，Auto - Research需更严格评测标准。
抖音+Claude Code=？马斯克都要转发的产品！一句话，就能做一个中国风福尔摩斯游戏！
Loopit被称为‘AI编程版的抖音’，用户说句话就能做互动内容，如解谜游戏等。它让编程像拍视频一样成消费品，有创作和社区，结合抖音轻量与游戏互动感，粘性更高。
AI4S又一瓶颈被攻克：两个AI「吵架」，让科研代码部署成功率突破95%
科学软件大多难直接运行，制约AI4S与Agentic Science发展。Deploy - Master应运而生，是一站式自动化工作流。Search Agent筛选工具，Build Agent用双模型辩论机制使部署成功率超95%，为科学智能体交互打基础。
Karpathy：写了20年代码，现在像作弊
Karpathy曾造词“vibe coding”，一年后弃用。他开源autoresearch项目，让AI Agent自主跑实验，自己不写代码。他还展示家庭监控分析系统也由Agent完成。他提出“agentic engineering”，认为工具虽变，但深度技术专长更重要。
看完 Manus、Cursor 分享后的最大收获：避免 Context 的过度工程化才是关键
上下文工程优化是Agent创业公司新一年竞争重点，其信息质量很大程度决定Agent表现。文章结合Manus、Cursor团队思路，给出做好上下文工程要点，如缩减上下文、搭建工具行动空间、多Agent协作等。