来自一线的智能体落地记录、行业动态、技术解读与客户故事。持续更新。
点击切换分类，下方文章列表实时筛选。
编辑挑选的深度长读。
巴南的忙，忙在车况的来回确认 十月底，中国（重庆·巴南）二手车出口基地的展厅里，俄语直播已不算新鲜事。销售把车况报告、整备照片和里程数发进客户群，再翻译。忙完这些，真正难的一步才开始：同一辆车，车况报告上写“左前翼子板有修复痕迹”，车源页写成“车况精品”，客户提车后却认定这是事故修复。这种争执靠人记不住，靠聊天记录也说不清。 基地的公开数据能说明这门生意的节奏。据上游新闻 2026 年 8 月 4
周一上午，四个后台和一张对不上的表 周一上午九点，重庆一家跨境电商公司的运营先打开亚马逊广告后台，再开 Meta、Google Ads、TikTok Shop 的账户，把上周的花费和订单导成四份表格，粘进同一张 Excel。做到第三行就卡住：四个后台都叫“转化”，但时区、币种、归因窗口各算各的。老板十点要问上周的钱花得值不值，这张表答不上来。 跨境投放的广告复盘，难的不是算总数，是把不同平台的口径
按发布时间倒序。
对于一家服务 200-500 户小微企业的代账公司来说,2026 年的增值税申报工作已经从“人工密集型”变成了“AI 半自动化 + 关键节点人工复核”的混合模式。这种变化的驱动力不是“AI 火了”,而是金税四期全面落地后的监管口径变化,以及代账行业自身的利润空间收窄。在这两股力量同时作用下,用 AI 重构增值税申报流程不再是“要不要做”的选择题,而是“怎么做才不踩坑”的执行题。 这篇文章聚焦代账公
对于一家重庆的中小型企业——可能是几十人的贸易公司、十几人的制造车间、五六十人的连锁餐饮、或者几个合伙人合伙的小型设计工作室——2026 年下半年最常被问到的一个问题是:“我们到底应不应该上 AI?如果上,第一步该做什么?” 这个问题没有标准答案,但有一个共同的失败模式:大多数企业在 AI 落地的第一年,都会因为走了某些明显的弯路而浪费几十万甚至上百万的预算。这篇文章把过去几年里企业 AI 落地的
2026 年 9 月,Trail of Bits 在 GitHub 上开源了 Coop——一个用 Rust 写的 CLI 工具,专门解决一件事:让 Claude Code 和 Codex 这种 Coding Agent 跑在一个完整隔离的虚拟机里,Agent 在里面拥有 Docker、git、编译器、包管理器等所有工具的完全访问权限,但完全不影响宿主机安全。每个 VM 都是临时的、可重现的、创建与
工具描述为什么突然成了 Agent 工程的瓶颈 过去两年,MCP 协议快速从一项小众标准,演变成了 Agent 工具调用的事实上层基础设施。但伴随着这种爆发,业界也开始面对一个尴尬的事实:绝大多数 MCP 工具的描述质量,远低于 Agent 实际使用的需要。一份覆盖 856 个工具、103 个 MCP server 的实证研究指出,97% 的工具描述都至少存在一处质量缺陷,56% 的工具描述没有清
MCP 工具调用在工程上的三个老问题 过去半年把 MCP 工具调用推到生产环境的企业,几乎都会撞上同一组工程老问题。第一个问题是上下文泛滥——MCP 服务器把全部工具定义一次性加载进 Agent 的上下文窗口,包括跟当前任务无关的工具;一个中等规模的 Agent 经常要携带几百到几千个工具的描述,这些描述挤占了真正用于思考的上下文空间。第二个问题是串行调用开销——Agent 在做一件需要多个工具协
Show HN 落地节奏里的 Agent 工程现实 过去半年,在 Show HN 这类公开发布窗口里出现的 Agent 工程实践,集中展示了企业把 Coding Agent 推到生产环境时反复撞上的工程现实。这些实践来自不同的工程师、不同的代码库、不同的部署形态,但指向一组高度一致的工程取舍——任何认真做 Coding Agent 的人,都会先后撞上同一组问题:Agent 怎么隔离才安全、Agen
被普遍忽略的问题:Coding Agent 没有"昨天" 企业里推 Coding Agent 一段时间后,几乎所有落地团队都会撞上同一堵墙:今天的会话里,Agent 和工程师一起做了一个清晰的架构决策、写了一段被审过的核心模块、把一条部署规则讨论完了;明天新开一个会话,Agent 完全不知道这些事发生过。它会重新建议一个不同的架构,会重新写一个功能重复的模块,会重新把那条已经被否掉的方案端出来。
MCP 工具描述质量是被反复确认的工程短板 把 MCP 工具调用推到生产环境一段时间后,几乎所有认真做过事故复盘的团队都会撞上同一组工程观察——Agent 选错工具、不该调的工具被调了、该调的工具没被调、参数填错、返回值解析失败——大量事故的根因可以追溯到 MCP server 的工具定义本身的质量问题。这类问题不是 Agent 不够聪明,而是 server 端的工具描述、参数 schema、行为
2025 年 10 月,一款名为 Comet 的 AI 浏览器面向全球免费开放,首日即被安全研究团队发现存在高危提示词注入路径——同一个月内,围绕"AI 浏览器是否准备好进入企业 IT 治理体系"的争论从极客圈被推到了 IT 负责人桌面。本文聚焦两件事:一是 Comet 在企业部署场景下被频繁提到的 MDM 策略面与遥测体系,二是当前 AI 浏览器走向企业级时普遍遭遇的治理工程难题。一、Comet
Agent 多供应商治理的工程现实 过去一年,企业内部 Coding Agent 部署从单一厂商走向多家并行的趋势越来越明显。单一厂商的 Agent 在某些任务上强、在另一些任务上弱,工程团队为了不被任何一家厂商的能力边界卡死,逐步把 Anthropic、OpenAI、GLM、Kimi、DeepSeek、Qwen、本地 Ollama 等多家厂商引入到生产链表中。这条转型路径在工程上带来一组清晰的新
电子表格作为新型 Agent 攻击向量:从研究到企业数据载体安全工程 2026 年下半年,一项针对 AI Agent 的提示注入实证研究把"电子表格"这种被长期忽略的数据载体推上了 Agent 安全研究的前沿。研究者在 Hacker News 上分两个阶段公布结果,第一阶段从最基础的"无害表格"开始测试,持续升级注入的复杂度和隐蔽性,最终证明连 Sonnet 5 和 Opus 5 这种前沿模型也会
Computer-Use Agent 的运行环境:从本地浏览器到托管服务的工程拐点 2026 年下半年,Computer-Use Agent(直接驱动 GUI 完成复杂任务的人工智能代理)开始从本地 Chromium 演示阶段走向生产级托管服务阶段。多家厂商在同一时间窗口推出针对 Agent 优化的浏览器运行环境,有的定位为面向企业 IT 的浏览器控制平面,有的定位为面向开发者的云端浏览器 API
每周一封，整理过去一周值得读的智能体行业内容与企业落地案例。无广告，可随时退订。