会写代码 ≠ Coding Agent。分水岭只有一条："编辑—执行—验证"闭环是否长在 agent 自己身上。附五件套清单、零装配测试，及 LangChain、AgentScope 逐个裁决。

Agent 可以连续工作数十分钟甚至数小时，也可能同时调用模型、Shell、浏览器、数据库、消息系统和多个子 Agent。一旦进程在中途退出，问题便不再是传统意义上的「重新启动服务」：对话也许已经保存，文件也许已经修改，邮件也许已经发出，但系统并不知道最后一步究竟完成到了哪里。这正是 Agent 崩溃恢复最难的地方。它同时涉及分布式系统、工作流引擎、事件日志、任务调度、外部副作用、沙箱生命周期和人

AG-UI协议：解决Agent与用户交互的标准化方案 摘要：AG-UI（Agent–User Interaction Protocol）是针对Agent与用户界面交互的开放协议，由CopilotKit团队发起。它通过标准化、类型化的事件流，规范Agent后端与用户界面间的双向实时通信，解决Agent"最后一公里"的交互问题。AG-UI协议采用客户端-服务器架构，定义16种标准事件覆盖Agent生命

Loop Engineering：下一代AI代理开发范式 文章指出，当前AI代理开发正从手动Prompt Engineering转向Loop Engineering新范式。核心论点是：Harness并未过时，Loop Engineering是在其基础上增加自主控制系统层，而非替代。 关键要点： 三层技术栈：Prompt Engineering（单条指令优化）、Context Engineering

文章摘要： AI代理系统正从Loop Engineering迈向Graph Engineering新阶段。Graph Engineering通过可编程图结构组织多代理协作，将职责、依赖、状态等要素从对话记录中提取为可执行系统。其核心包含两张图：Org Graph定义长期角色与权限，Work Graph管理动态任务流。与传统工作流不同，Agent任务图需支持运行时动态调整（如拆分/取消/重路由节点）

从产品形态、隔离模型、状态持久化、浏览器能力、可观测性与开源生态几个维度，对“Agent 沙盒”做一份偏选型导向的全景梳理。

解读 OpenAI GPT-5.6 效率博文:Codex/ChatGPT Work 共用的 Rust Harness 首次成文——工具按需发现、输出默认限幅 1 万 token、历史只追加、工具顺序确定化,四条纪律全部服务于 prompt cache 前缀命中,把循环开销从平方降回线性。另一半故事是 Sol 自主重写 GPU kernel、优化自己的投机解码与 serving 配置,端到端成本降

Agent 评测不是给最终回答打一个分，而是验证一个带状态、会调用工具、能修改外部环境、可能委派子任务且具有随机性的执行系统。完整评测对象至少包含任务、初始状态、Agent 配置、执行环境、资源预算、轨迹、终态、验证器和统计方法。本文从评测难点出发，结合 Open Managed Agents、DeerFlow、LangGraph、AgentScope、OpenCode、Codex 与 Pi 的开

OpenAI与亚马逊合作推出的Frontier平台并非新模型或API升级，而是针对企业Agent落地的工程化解决方案。它解决了四大核心问题：上下文割裂、权限管理缺失、工具调用不可靠、缺乏反馈机制。Frontier通过共享上下文、权限感知、执行环境管理和评估优化等机制，为企业Agent提供完整的基础设施支持。与现有技术方案不同，Frontier强调执行层保障和状态维护，使Agent能在企业环境中持续

三大科技巨头（微软、OpenAI、谷歌）正在竞相构建企业级AI Agent操作系统，旨在解决AI在企业环境中的落地难题。微软依托Office生态推出Agent 365和Copilot Cowork，实现AI在现有办公软件中的无缝集成；OpenAI通过ChatGPT延伸开发Frontier平台，聚焦企业级AI执行环境；谷歌则以Gemini Enterprise为核心，利用其数据生态优势构建Agent