这两天朋友丢过来一篇 Rohit 写的长文，讲 2026 年做 AI Agent 该学什么、构建什么、跳过什么。我一边读，一边把里面提到的框架、论文和网上讨论顺手过了一遍，信息量确实不小。

Coding Agent 的性能不仅取决于底层大模型，更取决于包围它的 **Harness**（系统提示、工具、中间件、记忆等）。复旦&北大提出 **AHE（Agentic Harness Engineering）**，通过**组件可观测性、经验可观测性、决策可观测性**三大支柱，让另一个「进化 Agent」自动迭代优化 Harness。

很多团队上线 AI Agent 产品之后，发现一个规律：内部演示时完成率能到 90%，真实用户用了一周，完成率跌到 40% 以下。

你问 Claude"我们的退款流程是什么?"，它不知道，因为大模型训练结束后知识就固定了，你公司内部的文档它一概不知道。

Qwen-Agent[1]是一个开发框架。开发者可基于本框架开发Agent应用，充分利用基于通义千问模型（Qwen）的指令遵循、工具使用、规划、记忆能力。本项目也提供了浏览器助手、代码解释器、自定义助手等示例应用。

在 Scaling Law 背景下，预训练的数据选择变得越来越重要。然而现有的方法依赖于有限的启发式和人类的直觉，缺乏全面和明确的指导方针。在此背景下，该研究提出了一个，其可以从 14 个质量评估维度对 15 个常见应用领域的预训练数据进行全面质量评分和领域识别。通过大量的实验，利用 DataMan 所筛选出的部分数据进行模型训练，胜率最高可达 78.5%，且性能超过多使用 50% 数据训练的模型

当前企业坐拥海量数据，却因数据分析依赖 SQL 技术，仅少数专业人员能挖掘数据价值，陷入 “数据多、洞察少” 的困境。而 AI 智能体技术兴起，催生了自然语言转 SQL 数据分析智能体 —— 它能将业务人员的自然语言需求转化为 SQL 查询，打破技术门槛，结合大模型的语境理解能力提升分析效率，助力企业低成本释放数据价值，支撑决策与创新。

面试官：你们项目用了 RAG，能说说完整的流程吗？越详细越好。我：先把文档切块，然后向量化存进向量数据库，用户提问时检索出相关内容，把内容和问题一起送给大模型生成答案。

顺丰物流利用AI智能体构建三层架构系统，实现全流程智慧管理。通过大小模型协同发挥"管理者+专家"效应，具备记忆、规划决策和工具协同三大核心能力，采用RAG技术增强知识获取，可提前预测需求、实时调度资源、精细化管理。经严格测试优化确保业务可靠性，未来将向更懂垂域、多智能体协同方向发展。

Nous Research 在 2025 年末开源了 Hermes Agent，定位是"自我进化的 AI Agent"。这个项目有个部分特别值得细看——它的记忆系统。