搜索
让Agent写周报、分析方案，已经是许多人的日常。但每次开始，用户还得翻找资料、交代背景，智能体也要经过查找、阅读、整理等多个步骤，才能真正开始任务。换个任务，这套流程又得重来。反复处理这些已有资料，既费时间，也增加token消耗。资料越多、步骤越长，还越容易遗漏信息或出现偏差，影响任务完成的准确率。
近日，清华大学电子工程系数据科学与智能实验室在 AI for Science 方向提出面向智能体符号回归（agentic symbolic regression）的运行时框架 SRHarness [1]，让 AI 更可靠地从观测数据中发现公式；同时构建机制发现基准 MechBench [2]，系统评测 AI 能否进一步揭示公式背后的机理。
这在这几天，数学家、极客和成群的AI智能体，展开了一场震撼的接力。
一道科学问题，AI 可以给出解释，列出步骤，甚至写出分析代码。
国庆前，海外各家大厂的Personal Agent产品下饺子一样出现。
A2A 商业马拉松，刚开跑。
研究团队提出7B审计员AgentForesight，可在多智能体任务运行中在线识别并归因关键错误，其AFTraj-2K Exact-F1达66.44，成功轨迹误报率仅2.37%。
GitHub新上线的AI论文生成工具Open Academic Paper Gen以九阶段多智能体工作流完成选题、文献检索、初稿写作与核验，并可在获取全文后定位相关段落，检查引用是否支撑正文论点及标注PDF页码。
OpenAgents、哥伦比亚大学等研究者构建多智能体协作评测基准AgentWorld，评测显示主任务最高完整成功率为Gemini 3 Flash的52.0%，并提出CCE指标分析协作贡献。
前段时间和谢扬聊天，聊到了 Personal Agent，聊到了 Muse 和 Dots，当时我便与他说：在 PA Infra 这个方向上，我感觉你可以整点东西