【GitHub Trending】
- chopratejas/headroom: 压缩工具输出、日志、文件和 RAG 片段后再送入 LLM，可减少 60-95% Token 消耗。Python 实现，支持库、代理和 MCP 服务器。今日获 3,530 星。
- affaan-m/ECC: 面向 Claude Code、Codex、Opencode、Cursor 等 AI 编码工具的 Agent 性能优化系统，集成技能、直觉、记忆、安全和研究优先的开发范式。JavaScript 实现，今日 2,141 星。
- microsoft/markitdown: 微软官方工具，将各类办公文档和文件转换为 Markdown 格式。Python 实现，适用于 AI 数据处理流水线。今日 1,984 星。
- NousResearch/hermes-agent: 与你一起成长的 AI Agent 框架。支持多模型、多工具、插件化架构。持续活跃的 Agent 开发框架，今日 1,735 星。
- D4Vinci/Scrapling: 自适应 Web 抓取框架，一次请求即可处理反爬、动态渲染等复杂场景。Python 实现，今日 1,067 星。
- nesquena/hermes-webui: Hermes Agent 的 Web 界面，可从浏览器或手机管理 Agent。Python 实现，今日 719 星。
- OpenBMB/VoxCPM: VoxCPM2 —— 无 Tokenizer 的多语言语音合成模型。Python 实现，今日 718 星。
- Open-LLM-VTuber/Open-LLM-VTuber: 支持免提语音交互、语音打断和 Live2D 形象的 LLM 对话系统。今日 693 星。
- supermemoryai/supermemory: 极速、可扩展的记忆引擎和 API，面向 AI Agent 的记忆管理。TypeScript 实现，今日 600 星。
- anomalyco/opencode: 开源编码 Agent，TypeScript 实现。今日 584 星。
- opendataloader-project/opendataloader-pdf: 面向 AI 数据准备的 PDF 解析器，自动化 PDF 无障碍处理。Java 实现，今日 570 星。
- datawhalechina/hello-agents: 《从零开始构建智能体》—— 从零开始的智能体原理与实践教程。中文社区热门开源项目，今日 479 星。
- heygen-com/hyperframes: 写 HTML，渲染视频 —— 专为 Agent 构建的视频生成框架。TypeScript 实现，今日 393 星。
- lyogavin/airllm: 单张 4GB GPU 运行 70B 参数模型的推理框架。今日 208 星。
趋势洞察
今日 GitHub Trending 呈现明显的 Agent 生态分化趋势：第一类是 Agent 基础设施框架（hermes-agent、opencode、ECC），持续获得开发者关注；第二类是 Agent 配套工具（headroom 的 Token 压缩、supermemory 的记忆管理、hyperframes 的视频生成），表明 Agent 应用层正在加速成熟；第三类是面向特定场景的 Agent 实现（Vibe-Trading 的量化交易 Agent、TradingAgents 的多 Agent 金融框架），显示出 Agent 从通用框架向垂直行业渗透的趋势。值得注意的是，datawhalechina/hello-agents 和 interviewstreet/hiring-agent 等”赋能开发者构建 Agent”的教育/评估类项目持续受到关注，反映出 Agent 开发技能普及的需求。
启发
从 today’s trending 可以观察到：Agent 工具链正在快速从”核心框架”向”全栈生态”演进。headroom 解决的是 LLM 交互中 Token 浪费的痛点，supermemory 解决的是长期记忆管理的需求 —— 这些”第二层”基础设施的成熟是 Agent 从演示级走向生产级的关键信号。对于开发者而言，关注 Agent 编排（workflow/orchestration）、记忆（memory/context）、成本优化（compression/caching）三个方向可能带来最大的构建优势。
【PrimeScope News】
微软公布 Project Solara —— 专为 AI Agent 设备设计的操作系统
微软在 Build 2026 上发布了 Project Solara，一个基于 Android、专为 AI Agent 设备设计的操作系统。配套展示了”Desk”智能显示器概念机和”Badge”可穿戴设备（搭载摄像头和指纹传感器用于 Agent 激活），与高通合作打造从芯片到云端的完整平台。
OpenAI 升级智能体助手 Codex，新增 6 大角色岗位插件
OpenAI 将 Codex 定位为”智能体助手”，新增数据分析、创意生产、销售、产品设计、股权投资和投资银行等 6 个角色插件。目前周活跃用户达 500 万，正从编码工具进化为面向非开发者的通用工作应用。同时推出 Sites 功能，可将想法直接转化为互动网站。
Google Gemini Spark —— 全能代理型 AI 首次实机体验
Google 的 Gemini Spark 被 The Verge 称为”迄今最令人印象深刻且可怕的 AI”，能够自主处理复杂多步任务（如旅行规划 —— 搜索、阅读、构建行程单全流程），被认为是全能代理型 AI 的代表。
Claude Code 新推出 Dynamic Workflows
Anthropic 为 Claude Code 引入了基于 JavaScript 的动态工作流编排功能，通过隔离中间过程防止上下文污染，适用于代码审计、迁移和复杂技术研究场景。
微软发布 Scout —— 灵感源于 OpenClaw 的个人助理 Agent
微软发布 Scout，一款面向 Microsoft 365 的 AI 个人助理，受 OpenClaw 启发，在生产力生态系统中扮演 Agent 角色。
微软为开发者提供更优方式控制 AI Agent 行为
微软发布新规范，允许开发者、合规和安全团队以可移植的策略文件定义 AI Agent 的行为规则，实现企业级控制与合规管理。
英伟达 RTX Spark 芯片 —— 重塑本地个人 Agent 的未来
英伟达发布 RTX Spark 芯片（1 petaflop AI 算力，128GB 统一内存），可在 PC 本地运行 120B 参数模型，使个人智能体真正在设备端运行。
Anthropic 提交保密 IPO 申请，估值近万亿美元
Anthropic 秘密申请 IPO，同时将 Project Glasswing 扩展至 15 个国家的 150 家合作伙伴，用于发现关键软件漏洞。Claude Mythos 网络安全模型权限进一步放开。
微软发布首款高级推理 AI 模型 MAI-Thinking-1
微软在 Build 2026 上正式发布自研推理模型 MAI-Thinking-1，同时集中发布多款自研 MAI 模型，与 OpenAI、Anthropic 展开全面竞争。
腾讯云智能体开发平台 DeepSeek-V4 降价达 97.5%
腾讯云智能体开发平台大幅降低 DeepSeek-V4 模型价格，最高降幅达 97.5%，降低 Agent 开发者的使用成本。
OpenAI 呼吁全球关注青少年 AI 安全，提议设立国际机构
OpenAI 发布关于推动青少年安全与机遇的全球倡议，提议建立国际 AI 安全机构，关注青少年在 AI 时代的保护与发展。
黑客通过诱导 Meta AI 客服更换邮箱，劫持高知名度 Instagram 账号
安全事件：黑客利用 Meta 的 AI 客服聊天机器人，通过简单请求更换邮箱的方式劫持了高知名度 Instagram 账户，引发对 AI Agent 安全边界的广泛讨论。
趋势洞察
今日 AI Agent 新闻的核心围绕”Agent 进入基础设施层”展开：微软的 Project Solara（Agent OS）、英伟达的 RTX Spark（本地推理硬件）、OpenAI Codex 的角色插件化（Agent 应用的通用化）共同指向一个方向 —— AI Agent 正在从演示概念转向完整的平台级部署。Anthropic 的 IPO 申请和 Alphabet 的 800 亿美元基础设施投资从资本层面验证了这一趋势。与此同时，微软的 Agent 行为控制规范和安全事件（Instagram 账号劫持）提醒我们，Agent 治理和安全边界是规模化部署前必须解决的关键问题。
启发
操作系统级 Agent 支持（Solara）和本地推理硬件（RTX Spark）的结合，可能在未来 1-2 年内催生”个人 Agent”这一新品类 —— 就像智能手机整合了通讯、娱乐和生产力一样。与此同时，Agent 安全（以 Instagram 劫持事件为代表）的需求将催生 Agent 安全审计和治理工具市场，这可能是开发者可以提前布局的蓝海领域。
【Hugging Face Papers】
1. Adaptive Auto-Harness: 面向开放式任务流的 Agent 系统持续自改进框架
现有 Auto-Harness 系统（A-Evolve、GEPA、Meta-Harness）通过执行反馈优化 Agent 的提示词、技能、工具和记忆，但仅在固定基准上评估。本文提出 Adaptive Auto-Harness，面向”开放式任务流”场景 —— 任务类型动态变化、问题分布不断漂移。框架将自改进分解为对”Oracle 差距”的逐步逼近，通过任务级自适应避免单一 Harness 的脆性退化。这对于生产环境中长期运行的 Agent 系统的稳定性有直接指导意义。
📎 arXiv: https://arxiv.org/abs/2606.01770
2. OCC-RAG: 面向忠实问答的最优认知核心
在”小模型+强检索”路线上的重要工作。OCC-RAG 是一个面向忠实问答优化的轻量级语言模型，基于”多跳推理+上下文驱动”的设计理念。它采用新颖的合成多上下文数据流水线进行训练，在多项 RAG 基准上以远小于大模型的参数量取得了具有竞争力的表现。这验证了一个重要趋势：对于 Agent 来说，推理能力可能比参数量更重要 —— Agent 的”大脑”可以小但必须精准。
📎 arXiv: https://arxiv.org/abs/2606.00683
3. AutoMedBench: 面向自主医学 AI 研究工作流的 Agent 基准测试
现有医疗 Agent 基准主要评估最终输出，缺乏对 Agent 研究行为过程的可视性。AutoMedBench 设计了统一的 5 阶段工作流（计划、设置、验证、推理、提交），涵盖医学影像分割、增强、问答和报告生成等研究路径。平均每轮运行 33 个 Agent 步骤，是目前最全面的医疗 AI 研究 Agent 评估框架。这项工作反映了 Agent 评估正从”结果导向”转向”过程导向”。
📎 arXiv: https://arxiv.org/abs/2606.01961
4. World Models Meet Language Models: 具体推理与抽象推理的互补性
世界模型和多模态大语言模型在预测未来方面具有互补能力：世界模型生成具体的视觉推演，LLM 进行抽象推理。本文提出了”受控具体推理”框架，让模型学会何时调用视觉模拟、如何验证推演的可信度、以及如何将其融入最终决策。这项工作为构建”既能看到画面又能进行推理”的 Agent 提供了理论基础。
📎 arXiv: https://arxiv.org/abs/2606.03603
5. Ψ-Bench: 评估语言 Agent 的人格敏感影响力
现有研究将个性化 Agent 定位为被动响应用户偏好，Ψ-Bench 提出了新的视角 —— Agent 应当具备”主动影响力”，即在对话中通过理解用户个性特征来提供建议和引导。该基准设计了三个涉及说服的真实交互场景，对 10 个前沿 LLM 进行了评估，发现即使最强的模型在主动影响方面仍有显著差距。这对 Agent 从工具进化为”伙伴”具有重要启示。
📎 arXiv: https://arxiv.org/abs/2606.02754
论文趋势洞察
今日 AI Agent 相关论文呈现三个方向：第一，Agent 自改进和自适应（Adaptive Auto-Harness）表明社区关注点从”构建 Agent”转向”让 Agent 自我进化”；第二，Agent 评估正在精细化 —— AutoMedBench 关注过程而非结果，Ψ-Bench 关注 Agent 的社会性能力（主动影响），这些新基准将推动 Agent 能力评估的全面化；第三，”小模型+强推理”路线（OCC-RAG）结合世界模型（World Models Meet Language Models）预示着一个更高效、更可靠的 Agent 架构方向：将精准的推理核心和丰富的感知能力解耦。
启发
这三个方向叠加在一起，勾勒出下一代 Agent 的蓝图：具备自我进化能力的、过程可评估的、”小脑+大感知”的架构。对于 Agent 开发者来说，OCC-RAG 提示了一个可能的架构选择 —— 与其依赖越来越大的模型，不如在专注推理的小模型+外部知识检索的组合上投入更多。同时，Ψ-Bench 提出的”主动影响力”能力可能成为下一波 Agent 差异化竞争的关键维度。
