Microsoft Research Asia 发布 Harnessed Agentic RL 训练范式并开源重建版 Agent Lightning v1.0，让部署时使用的真实 agent harness 直接参与强化学习，无需在训练框架内重新实现 agent。
推荐理由：框架让部署中真实的 agent harness 直接参与强化学习训练，无需重写 agent 逻辑，对构建可训练 agent 系统有直接参考价值。
AWS 发布 Agentic Value Model 框架，帮助 AI CoE 负责人为智能体自动化构建超越传统"节省时长×人工成本"RPA 式 ROI 模型的商业论证。
Qlik 基于 Amazon Bedrock 构建 Qlik Answers，为全球 40,000 多家企业客户提供有来源、可验证的 AI 问答。
AWS 演示了如何用 AWS Lambda Durable Functions、Amazon EventBridge 和 Amazon Bedrock 构建自动化修复工作流，承接 AWS DevOps Agent 的事故调查结果并完成修复。
Cornerstone OnDemand 基于 Amazon Bedrock 和 AWS 开源框架 Strands Agents 构建了多智能体系统 Orion AI，将数据库诊断时间从 45 分钟降至 10 分钟，效率提升 78%。
AWS Machine Learning Blog 发布教程，讲解如何用 OpenClaw 开源智能体框架搭配 Amazon Bedrock AgentCore runtime 与 AgentCore memory，构建能跨会话积累上下文的 Telegram 个人助手，示例为园艺助手 Sprout。
Microsoft Research 播客中，Jennifer Neville 与 Chad Atalla 对谈 AI 系统评估与失败模式。她指出模型在多轮对话中的表现较单轮基准显著下降，长工作流中未及时捕捉的错误会累积并进一步干扰 AI；团队正研究强化学习方法改进，同时建议用户遇到问题时可重新完整指定单轮指令，并通过文本反馈精确描述失败以帮助改进模型。
GitHub 撰文指出 AI 正在改变开发者工作，建议重点强化三种能力：学会指挥多个 AI agent 而不只是使用 AI；不要轻信 AI 的第一次答案，可用第二个模型交叉评审（如 GitHub Copilot 内置的 Rubber Duck agent）；把 AI 省下的实现时间用于理解需求、权衡架构等更重要的技术决策。文中强调开发者仍需为最终结果负责，审查和判断力不可省略。
CoreWeave 在 Fully Connected 大会宣布 NVIDIA Vera Rubin NVL72 搭配 Spectrum-X 102.4T 以太网上线 CoreWeave Cloud，Cognition 成为首家在其上运行生产负载的客户，早期测试中 SWE-2 推理总 token 吞吐较 GB200 NVL72 提升最高 4.8x。
GitHub Copilot app 支持用 /create-canvas 技能通过自然语言生成 canvas 扩展，即可自定义的看板、检查清单、仪表盘等界面，无需手写代码。canvas 状态双向同步，用户和 Agent 可同时操作并实时看到彼此的更改；创建后可保存为团队共享或个人扩展，社区还通过 Awesome Copilot 提供现成模板。
聊天仍是与 LLM 交互的主要方式，但在用户已明确任务时往往是错误的 UI。GitHub Copilot app 的 canvas 是运行在应用内、无浏览器界面的全栈小程序，可与 agent 双向通信，能调用第三方 API 并在本地执行代码。文章用 Connect 4 游戏、Winget 包管理、SQLite 操作及自动化开发工作流等示例说明：让 agent 构建工具比反复对话更省 token。
GitHub Security Lab 的 Antonio Morales 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的 LLM agent 自动化 fuzzing 流水线，只需提供 GitHub 仓库即可自动识别入口点、编写 harness、运行 AFL++、读取覆盖率、改进 harness 并分诊 crash、生成漏洞报告。
推荐理由：作者亲述把写 harness、读覆盖率、分诊 crash 交给 LLM agent 的完整设计，包括覆盖率反馈循环、plateau 停止条件和结构感知变异机制。
GitHub 使用 Copilot 应用和 Copilot CLI 将 Copilot agent runtime 从 TypeScript 完全重写为 832,378 行生产 Rust，AI 智能体完成了大部分代码，跨 128 个合并到 main 的 pull request 增量发布，而非一次性切换。
推荐理由：作者亲历复盘了用智能体将 Copilot 运行时整体移植到 Rust 的过程，给出可迁移的增量移植方法与大量一手会话数据。
IBM Research 与 UC Berkeley Sky Lab 基于 K-Search 演化式内核搜索框架构建 MLX 后端，并设计结构化 CUDA 到 MLX 翻译层，把数十年 CUDA 内核优化知识迁移到 Apple Silicon。
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要表示为自然语言信念状态，并用信念评分监督其信息内容，以替代传统递归摘要的完整交互历史。在 CollabBench 协作编程任务上，基于重构的信念评分（ABBEL-rec-BG）将与全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值 token 长度远低于全上下文的 14.08×10²。
UC Berkeley 的 Aditya G. Parameswaran 及合作者撰文探讨近免费智能时代的数据系统：GPT-4 级能力成本从 2023 年初约 $30 per million tokens 降至 $1 以下，推理价格中位数每年下降约 50x。