主题：Agent 开始要求"基础设施级待遇"
字节把 Agent 放进协同办公底座（飞书 8.0 系统性"for Agent"改造 + 豆包工作伙伴，中国首个团队智能体产品）；华为 GTS 把"可交互视觉拓扑"做成 Agent 的外部工作记忆以治"拓扑失忆"；Cloudflare 为"被收录"与"被训练"划出可分别授权的新边界。
🔥 1. 飞书 8.0 + 豆包工作伙伴：协同办公全面"for Agent"改造 — 986 pts
"Agent 进入组织，就像新员工入职。如果没有工位、没有系统权限、没人告诉它怎么和同事配合，那处处碰壁是必然的。"
飞书 8.0 的核心是系统性的"适 Agent 化改造"——拉群、写文档、操作表格、走审批，人能干的事官方全给 Agent 配齐了。逻辑是：过去所有协同软件都是为人设计的，但在人与 AI 协作的新工作方式下，协同软件也需要为 Agent 设计。三个升级：① 人和 Agent 协作像人和人一样自然（把 Agent 拉进群、@一下就能干活，多个 Agent 之间也能互相 @ 协同完成任务、不需人类传话，AI 产出的 Markdown/HTML 可直接在飞书内编辑）；② Agent 可像人一样使用飞书全量能力（消息、文档、多维表格、日程、审批全覆盖；飞书画板场景下 Agent 能绘制结构高度复杂、每个元素都可编辑的信息图）；③ 全生命周期安全管控（Agent 权限始终与使用者一致，员工看不到的信息 Agent 也拿不到，管理员可统一管理、追溯使用、设定用量上限）。豆包工作伙伴是中国首个团队智能体产品，明确对标 Claude Tag：拥有独立组织身份，可被拉进群聊、看团队讨论、参加会议、读文档查代码，还会主动跟进推动工作。数据分量：2026 上半年飞书 ARR 增速是去年同期 2.5 倍，新增客户超九成同步采购 AI 产品，超 40% 新客户把"Agent 原生支持能力"作为选型核心考量；上汽、星巴克、古茗、国航等都在转向飞书。字节 CEO 梁汝波给出判断："Agent 不是孤立存在的，需要和人、工作环境以及其他 Agent 协作"——字节已完成组织架构调整，把豆包、飞书、火山引擎整合到一起。
→ https://www.qbitai.com/2026/09/490686.html
🔥 2. Cloudflare 让站长"两者兼得"：保留搜索收录，同时拒绝 AI 训练 — 962 pts
不到 1% 的站选择屏蔽搜索爬虫，但有 17% 的站选择屏蔽训练——说明大多数人欢迎被抓取，只是不愿意被白嫖去训练。
Cloudflare 拆开了一个长期别扭的二选一。根源在于互联网最大的那些组织用的是"混合用途爬虫"——同一个爬虫既做搜索索引又做 AI 训练，拒绝一个等于两个都拒绝。新的 Disallow AI Training 让站长在保留搜索收录的同时拒绝同一爬虫拿内容训练，Apple、Google、Microsoft 已被认定会尊重该设置。路径分四层：robots.txt 发布 no-training 偏好 → 网络层识别谁在爬 → 判断意图 → 对无视偏好的爬虫直接拦截，并在 Radar 公开每个操作方的实际行为；Cloudflare 还给达标者造了 "Accountable"（负责）一词，四条标准：提供 AI 训练 opt-out、提供 AI 摘要 opt-out、URL 级可见性、承诺拒绝训练不影响搜索排名。关键后果是"Block"含义变了：过去对混合用途爬虫不生效（拦了搜索连坐），现在 Block 会对所有训练爬虫生效——包括 Amazon、Anthropic、Meta、OpenAI 这些只做训练不碰搜索的爬虫，拦掉对搜索毫无影响。另两个数据点：超一半消费者会读搜索里的 AI 摘要，其中 40% 以上读完就不再往下逛；但 AI 搜索引流的用户转化率是传统搜索的 3–5 倍。下一步是 AI 摘要——"你的内容在摘要里出现多少，和出不出现在摘要一样重要"，目标是明年初让站长一次设置"内容有多少可被摘要包含"。
→ https://www.oschina.net/news/502510/cloudflare-accountable-mixed-use-ai-crawlers ｜ https://blog.cloudflare.com/accountable-mixed-use-ai-crawlers/
🔥 3. 华为 GTS 让 Agent 学会"看着网络排障"：用可交互视觉拓扑治"拓扑失忆" — 938 pts
Agent 已锁定出问题的防火墙，却在这台设备上换了几十种查法、原地打转三百多步——因为它不知道这台防火墙卡在整个图的哪条路径的第几跳。
华为 GTS 发现一个反直觉痛点：AI 推理能力再强、读得懂海量日志，却偏偏"记不住"这张网长什么样——命名为 "拓扑失忆"（Topology Amnesia）：排障越深入，局部观测越多，整体空间关系却逐渐丢失。根因是表征错配：资深网工脑中始终悬着"活图"，而纯文本 Agent 面对的是一维滚动的 CLI，每推进一步都要从碎片日志重新脑补网络结构，上下文越长空间关系越易"坍塌"。破解方案 NetCanvas 借自"认知卸载"：不为模型硬写专家 Prompt，而是把专家的工作方式写进 Agent 系统——模型负责思考决策，NetCanvas 负责记路与画图。三招：① 边查边长（摒弃"开局给全景"，每完成一次 CLI 探查，新发现的设备/链路/路径证据实时合并进当前图状态，拓扑图跟着排障进度"动态生长"）；② 按需取景与推理交互（可随时切换全局/局部视图、高亮焦点）；③ 交互结果反馈回推理，形成"看图—推演—再探查"闭环。这条与 #1 及上周"Agent 一致性缺口"共享同一判断：限制落地的不再是模型智力，而是它与真实环境之间的"表征接口"。
→ https://www.qbitai.com/2026/09/490098.html
🔥 4. 紫东太初 ZDTaichu5.0-9B 国产开源：九大空间理解基准八项断层第一 — 915 pts
过去多模态能把一张图片理解得头头是道，但一走进真实物理世界，空间理解与行动能力往往就跟不上；而一些模型为补足空间能力，又不得不牺牲通用能力。
紫东太初开源 ZDTaichu5.0-9B：九大国际权威空间理解基准中八项断档第一，且通用能力不打折。对比最能说明"断层"：MindCube-tiny 上得分 78.27，而 Gemma4 8B-E4B、Gemini 3 Pro、Grok 4 分别为 48.85、70.87、63.56。通用侧：AI2D 91.48（仅次于 Gemini 3 Pro、高于其它所有对照模型）、WeMath 75.9 领先、MathVista Mini 84.5。三个实测任务覆盖具身关键要素："找东西"（挤满杂物的台面上找"从左至右第二个银色盒子"，归一化坐标 (237,226) 最精准——目标选择）、"看位置"（同一房间三视角，设想移动到绿框窗帘位置面向蓝框沙发，判断红框柜子方位，答"右前方"完全正确——参照系转换）、"找空位"（在最右侧杯子杯柄方向找空闲区域，需先认杯、再定朝向、再查占用——交互条件判断）；还完成了美工刀具收纳等复杂空间理解与高层任务规划。
→ https://www.qbitai.com/2026/09/490839.html
🔥 5. IEEE 特稿：推理硬件革命已到来，H100 跑开源 LLM 时有 50%–80% 时间在等数据 — 891 pts
"你可以在组织里塞进一百万个 agent，它们一天工作 24 小时，不像我们下午五点到点就下班。"
黄仁勋在 GTC 2026 把这一年叫做"推理的拐点"。需求爆炸有两个原因：推理模型一遍遍自我追问，高推理强度下产出文本可达无推理时的 20 倍；agentic AI 让推理变成 24 小时不停歇的自主干活。结果是巨头"乱点鸳鸯谱"：OpenAI 和 Amazon 用上 Cerebras 的 Wafer-Scale 芯片、Nvidia 花 200 亿美元买回 Groq 的人才与 IP、Anthropic 每月付 SpaceXAI 超十亿美元租闲置算力。技术核心矛盾：推理分两段——prefill 并行度高是 GPU 强项；decode 逐 token 生成，每个新 token 都要把整个模型权重从头读一遍（几十到几百 GB 参数 + 能膨胀到几十 GB 的 KV cache）。实测结论即标题：H100 跑开源 LLM 时有 50% 到 80% 的时间在等数据，计算单元闲着。于是内存带宽成焦点：d-Matrix 把计算 die 叠在 DRAM 上（毫米级→微米级）；Majestic Labs 用铜连接与 memory-aggregator 把内存接口从 HBM 的 2–3 毫米"海岸线"延长到约一米，单机架挂 128TB 便宜 DRAM（对比 GB300 NVL72 约 20TB HBM3E，HBM 贵 2–3 倍）。大厂组合拳：Nvidia 用 Rubin 干 prefill + Groq 3 LPU（500MB 片内 SRAM、带宽为 GPU 的 7 倍）专攻 decode；AWS 用 Trainium prefill + Cerebras WSE-3 decode（片上 44GB SRAM，OpenAI 用它跑 GPT-5.3-Codex-Spark 每秒 1000+ token，标准部署只有 50–125）。精度上 NVFP4 vs MXFP4：Nvidia 称 DeepSeek-R1 从 FP8 量化到 NVFP4 后七项主流基准下降不到 1%、性能提升 3 倍。
→ https://www.oschina.net/news/502511/ieee-inference-hardware-revolution
🔥 6. 把记忆交给 CPU：KV Cache 的账本与"记忆分层" — 868 pts
模型还是那个模型，服务器也还是那个服务器，问题的根儿其实出在"记忆"。
文章把 Agent 时代一个过去藏在推理内部、用户几乎感知不到的东西推上台面：KV Cache。逻辑链：每生成一个新 Token 都要用到前文，为免重算系统会缓存中间结果；会话越长这份"记忆"越厚——一旦显存装不下、部分缓存被清走，Agent 下一轮又需要历史时就得重做 Prefill，明明算过的又花一遍 GPU 时间。Agent 时代放大了它（反复思考、规划、行动，不断积累会话历史、检索证据、工具结果）。容量推演：以 Qwen3-8B 为例，BF16/FP16 下每 Token KV 数据为 147,456 字节（约 147KB），算法是 2×36 层×8 个 KV 头×128 维×2 字节；缓存 100 万 Token 约 147GB；300 万日活 × 每人 10 请求 × 每请求 1M 上下文（3000 万请求/天），按每请求 147GB 全量累加约 4410PB，日活 3 亿则达 441EB。原文两条限定必须保留：① "请求累计涉及多少 KV"与"数据中心需同时存多少 KV"不是一回事，不能当存储采购清单（实际取决于并发、缓存时长、前缀共享、压缩淘汰策略）；② 1M 是测算假设，不代表 Qwen3-8B 实际支持（官方为原生 32768、YaRN 可扩至 131072）。破局指向反直觉答案：不是加 GPU，而是 CPU 与存储的分层。
→ https://www.qbitai.com/2026/09/489724.html
🔥 7. DeepSeek V4.1 算子作者的告别式长文：《我不得不把才华埋葬在昨天》 — 846 pts
"我当然希望自己不要被革命，但如果非被革命不可的话，我希望革我自己命的人是我自己。"
DeepSeek 系统工程师刘胜与写下长文刷屏并被译为多语言。身份让文章有具体重量：他是 DeepSeek V4.1 主 Attention 算子作者——head dim = 512 的 MQA attention 由他独立实现并交付。但他给出冷静判断：再过半年到一年，AI 写的算子大概率跟他写得一样好甚至超过他——因为 AI 已从"查文档、读代码、找 bug 的小助手"变成能独立读 CUDA、PTX、SASS 汇编，用专业工具分析每条指令停顿时间并自己优化算子的"算子大师"。他不认为会失业，而是"转业"：从逐行手写底层指令的工程师，变成 Agent 的"机甲驾驶员"——人类退后一步，负责下达指令、设定边界、评估方案。扎心的比喻：你织了一辈子毛衣，手艺公认地好，也享受临窗织一下午的意趣，可自动织机出现了，质量不输你、速度远快于你，你不得不去用它——饭碗保得住，但那份手工的乐趣被机器的轰鸣碾碎了。他抛出的两个大问题：教育（"一个工程能力很差的人，配上 AI，产出屎山的效率可以达到先前的数倍，进而让这个世界变得更加草台"）与权力（"在未来，权力是不是会比技术或智商更重要？"）。落点是他为何留在 DeepSeek：他相信最前沿智能应以开放、廉价方式供应给所有人，"或许能把世界从 2077 那端拉回来一些"。
→ https://www.oschina.net/news/502509
🔥 8. 官方下场做 Agent 技能与插件：Cloudflare 安全审计技能、Anthropic 知识工作插件库 — 823 pts
当技能层成为主战场，官方机构开始把自己的专业能力封装成 Agent 可以直接加载的资产。
GitHub Trending 恢复后最值得记的现象：官方组织正在把领域能力做成"技能/插件"开源。cloudflare/security-audit-skill（★7,402，JavaScript，MIT）："面向多阶段安全审计的编码 Agent 技能，产出可独立验证、机器可读的发现结果"——强调 independently verified 与 machine-readable：安全审计对可信度要求极高，解法是让发现结果可被外部独立核验，而非只给一段自然语言结论。anthropics/knowledge-work-plugins（★24,308，Python，Apache-2.0）："面向知识工作者在 Claude Cowork 中使用的开源插件库"——Anthropic 官方为自家 Agent 产品建立的插件分发入口。同榜还有体量更大的社区项目：addyosmani/agent-skills（★95,482，MIT）提供"面向 AI 编码 Agent 的生产级工程技能"（覆盖 Antigravity、Claude Code、Codex、Cursor）；rlaope/oh-my-hermes（★2,571）是 Hermes Agent 一体化插件，含长期记忆系统与模型优化工作流包。模型层趋于同质，真正在快速生长的是"谁能把专业能力封装成可验证、可分发、可审计的技能与插件"这一层——Cloudflare 与 Anthropic 入场说明，这已不只是社区项目之间的事。
→ https://github.com/cloudflare/security-audit-skill ｜ https://github.com/anthropics/knowledge-work-plugins
🔥 9. 清华稳准智能 LimiX-2：400M 结构化数据基础模型同时登顶三大国际榜单 — 802 pts
结构化数据大量存在于企业内部系统，很难像互联网文本一样被大规模公开获取——这决定了它的路线注定与 LLM 不同。
稳准智能联合清华大学计算机系崔鹏教授发布 LimiX-2，参数提升至 400M。在 TabArena、BCCO、TALENT 三大国际主流结构化数据 Benchmark 中，总体 Elo 分数分别为 1935、1432、1506，均列第一，超过 Google、SAP、Amazon 等同类模型（TabArena 上回归、二分类、多分类 Elo 均为最优）。三条技术路线：① 上下文机制网络 CMNs——把建模重点从"预先指定的目标变量"转向"变量之间的相互关联"；② 升级自动化合成数据生成引擎；③ 进一步 Scaling 到 400M。CMNs 的范式转变在于：传统 PFNs 以指定目标的预测分布为核心，CMNs 把上下文数据的全变量联合依赖作为建模对象——不仅关注变量取什么值，更着眼于发现变量如何相互关联、共同构成怎样的内在结构；配套 CCMM 上下文条件掩码建模把变量关系推断确立为明确的预训练目标。架构采用单元格级建模，保留列身份、具体取值与缺失状态，把分类、回归、缺失值填充统一为对同一数据模型的不同查询；更深一层，联合关系建模为结合因果假设开展因果骨架发现提供统计基础——在 Sachs、UF、Causal Chamber 等标准数据集上显著领先传统方法。落地侧，上一代 LimiX 已完成 800 余个场景验证、与 60 多个客户战略合作。
→ https://www.qbitai.com/2026/09/490400.html
🔥 10. 力文所开源 Lévin™ Harness：把蛋白设计做成 Agent 工作台 — 781 pts
"AI 不再只负责模型本身的计算环节，也开始参与模型前后的研究工作。"
杭州 AI 蛋白质设计公司力文所发布 Lévin™ Harness，把数据、模型、插件工具、算力和工作流放进同一个 Agent 工作区：研究人员定义目标、方法和关键决策，Agent 据此推进计算、分析结果、再根据反馈调整下一轮方案。三个关键选择：① 不绑定特定模型——Agent 依靠通用大模型（文中列出 DeepSeek、Kimi、GLM、Qwen、小米 MiMo 等开放模型）理解需求与规划步骤，专门训练的科学模型承担结构预测、序列设计等计算，通用模型层保持开放；② 插件化扩展——任何人都可以为自己的模型制作专属插件；③ 工作流沉淀——跑通的方法可沉淀为 Workflow 复用。痛点描述很具体：蛋白模型虽越来越强，但研究人员设计一个分子仍要找文献、查结构、下载权重、配环境、送算力；模型给出结果后还要换工具看结构、筛选候选——一次计算跑完，下一步从哪里开始往往仍靠人工把环节接起来。行业坐标清晰：今年 4 月 OpenAI 推出 GPT-Rosalind、6 月 Anthropic 发布 Claude Science、8 月又公布 Agent 参与蛋白质设计并衔接外部实验验证。一个设计细节尤其值得记：它内置三维分子可视化工具，屏幕上的分子结构信息与操作可直接转化为 Agent 的上下文——因为序列中相距很远的残基可能在空间中彼此靠近，binder 能否形成合适结合界面与这些空间关系直接相关。这与 #3 的 NetCanvas 高度同构：当 Agent 处理本质上是空间/结构的信息时，给它可操作的视觉表征比给它更多文字都有效。
→ https://www.qbitai.com/2026/09/490185.html
📌 今日趋势总览
本文原创作者：易君召，详见：https://www.yijunzhao.cn/authors/yijunzhao，转载请注明出处。
原文链接
欢迎访问 小易撩挨踢