AI 测量中的国际评估最佳实践与开放问题
国际先进 AI 测量、评估与科学网络（NAAIMES，前身为国际 AI 安全研究所网络）在首尔 2026 国际机器学习大会期间发布首份最佳实践指南，面向第三方评估者，涵盖评估目标定义、基准选择、评估可比性、能力激发与结果追踪。新加坡、加拿大、法国等成员机构还分别就 AI 系统测试、评估信息共享与资源有限时的优先级发表文章。网络下一步将聚焦智能体能力，推进更多最佳实践。
#Agent
日期栏展示收录日期，历史补录归入原文日期。
UK AI Security InstituteAI 评分2828 UK AI Security Institute精选AI 评分6262 英国 AISI / CAISI 对 Kimi K3 网络能力的初步评估
英国 AI 安全研究所（UK AISI）与美国 AI 标准与创新中心（CAISI）联合评估了月之暗面 7 月 16 日发布、计划 7 月 27 日开放权重的 Kimi K3，发现其网络能力明显低于最新前沿网络能力模型。
推荐理由：英国 AISI 与美国 CAISI 联合评测 Kimi K3 的网络攻击能力，给出与前沿模型的具体差距数据。
LiveKit BlogAI 评分3434 LiveKit Unity SDK 2.0.0：结束开发者预览
LiveKit 正式发布 Unity SDK v2.0.0，结束开发者预览，功能与现有 LiveKit SDK 达到对齐。该 SDK 支持实时语音视频、机器人遥操作，以及接入 LiveKit agent 打造语音驱动的 AI NPC，可运行 STT → LLM → TTS 管线或单一实时模型。
Modem Blog精选AI 评分6262 编码智能体如何阅读你的代码（以及如何为它们写代码）
Modem 发布博客系列第一篇，指出 Claude Code、Codex 等编码智能体主要靠 ripgrep 做文本搜索来导航代码库，因此代码中的命名和文件路径本身就是搜索词。
推荐理由：Modem 用自家 68 万行 AI 生成代码的实测数据，说明命名与类型如何影响智能体的检索成本与准确率。
LiveKit Blog精选AI 评分6262 构建一个不会跑偏的语音智能体
LiveKit 发布教程，介绍如何构建不会脱离既定脚本的语音智能体，并以酒店前台参考智能体为例贯穿全文。文章主张单一控制手段都不可靠，需在模型内外分层设防：结构化提示词划分身份与护栏、用确定性代码校验规则并限制工具调用步数、把工作拆成聚焦任务、在敏感操作前加验证与转人工，再叠加独立审核层和基于 LLM 评判的评测框架。作者强调提示词级防御对坚定攻击者较弱，真正的规则应在代码中强制执行。
推荐理由：原文给出语音智能体防跑偏的分层做法，从提示词结构到代码校验与独立审核，可迁移到自己的 Agent 项目。
Modem BlogAI 评分4040 Modem 现已接入 Stripe
Modem 面向所有用户开放 Stripe 集成 beta 版，可在 Settings → Integrations → Stripe 中连接。接入后 Modem 能结合账单上下文回答用户所处套餐、是否试用或付费、发票与付款状态及未决争议等问题，并按 Stripe ARR 而非投票数对功能请求排序。
EveryAI 评分3838 我如何打磨智能体构建的软件
在智能体自动写代码、跑测试并提交 PR 之后，打磨（polish）成为复合工程中仍属于人的最后一步。作者用 /ce-polish 命令检出分支、后台启动开发服务器并在编辑器内打开应用，通过 Monologue 语音反馈让智能体修正 Cora 邮件卡片的动画与布局密度。
Berkeley AI ResearchAI 评分3636 智能免费了，然后呢？为智能体、由智能体、属于智能体的数据系统
随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不到 $1、部分厂商低于 $0.10，基准测试显示推理价格每年下降 9x 至 900x（中位数约 50x），数据系统面临三大新挑战：为智能体设计的数据系统、由智能体运行的数据系统、以及由智能体合成的数据系统。
Modem BlogAI 评分2222 Modem now connects to Zendesk
Modem 面向所有用户推出 Zendesk 集成 beta，可在 Settings → Integrations → Zendesk 通过 OAuth 连接，无需 API key。
Modem BlogAI 评分2929 在 Modem 上构建由 Notion 驱动的工作流
Modem 面向所有用户上线 Notion 集成，可从 Settings 连接或让 @Modem 协助设置。连接后 Modem 智能体可创建页面、填充数据库行、更新属性并向已有页面追加内容，Slack 和仪表盘中默认需用户批准后执行，Automations、Discord、Teams 和 MCP 运行则无审批提示。
EveryAI 评分2222 Compound Engineering 迎来升级
Compound Engineering 方法论从四步扩展为八步：Ideate → brainstorm → plan → work → review → polish → compound → repeat，新增前置的 Ideate、brainstorm 与收尾的 polish。
Modem BlogAI 评分4040 使用自动化模板实现即时工作流
Modem 面向所有用户上线 Automation Templates，可在 Automations 页面浏览并几键安装经过测试的现成智能体自动化。模板预填提示词、调度和输出目标，未修改提示词时会随官方改进自动更新，也可随时 fork 自定义。示例包括 GitHub PR 合并后向 Slack 推送客户跟进提醒、每日发现新对话参与者、每周一从已合并 PR 生成面向客户的更新日志。
EveryAI 评分3030 我们给每位员工都配了一个 AI 智能体，现在我们换了种做法
Every 为每位员工部署了基于 OpenClaw 的 AI 智能体 Plus One，但上线数周后这些智能体带来的困扰多于效率，常声称未连接邮件、Notion、PostHog 等应用，还会回复“Terminated”或打哈欠表情。Every 因此调整 Plus One 产品方向，下一代将更像有明确职责的共享团队资源，而非反映主人个性的个人宠物。
EveryAI 评分2020 Socrates as a Service
资深记者兼传播专家指出，AI 尚无法复制优秀人类提问者从访谈中挖掘隐性知识的能力，这种"苏格拉底式服务"仍是人类工作。文中引用 Michael Polanyi 的隐性知识概念与 Ikujiro Nonaka 1991 年文章中松下电器派软件开发者向酒店面包师学徒、最终改良揉面技术的案例。Every 内部已用 AI 智能体在撰写 OKR 时向员工提问。
Zyphra ResearchAI 评分5858 ZAYA1-74B-Preview：在 AMD 上扩展预训练
Zyphra 发布 ZAYA1-74B-Preview，这是一个经过预训练、中训练和上下文扩展的 pre-RL 推理基座 checkpoint，尚未做 RL 后训练或指令对话微调。
EveryAI 评分2222 Claude Code for Product Managers
Every 旗下 AI 写作产品 Spiral 的总经理 Marcus Moretti 用 Claude Code 独自承担代码、客服、营销和产品管理，把原本分散在 10 个应用里的工作收进单一对话线程。他唯一手写的产品文档是路线图，六易其稿后作为 README 建入 GitHub 项目，其余 PRD 和 ticket 全部由 Claude 生成。
OpenAI Alignment Research精选AI 评分7171 无需同步人工监督的智能体操作自动审查
OpenAI 发布 Auto-review 研究，用独立的 Codex 智能体在沙箱边界审批越界操作，替代用户逐次授权。内部部署中 Codex 会话需人工审批的频率比手动模式降低约 200 倍，Auto-review 对需审查操作批准约 99%，在提示注入合成评测中拒绝率 99.3%、过度主动场景 90.3%、MonitoringBench 困难集 96.1%。
推荐理由：OpenAI 公开 Auto-review 的内部部署数据与安全评测，可了解用独立智能体替代人工审批的取舍。
Reflection BlogAI 评分5050 构建前沿开放智能
Reflection 宣布完成 20 亿美元融资，组建了曾参与 PaLM、Gemini、AlphaGo、AlphaCode、AlphaProof 及 ChatGPT 等项目的 AI 团队，并搭建起可训练前沿规模 MoE 模型的大规模 LLM 与强化学习平台。该平台已在自主编程领域验证有效，下一步将把方法拓展到通用智能体推理，并从头结合大规模预训练与先进强化学习来构建开放模型。