#智能体
企业如何使用新的 AI 技术
Anthropic CEO Dario 与礼来CIO Diogo 对谈指出：企业应用AI须以事实准确性与可验证性为前提，尤其在医药等高风险领域；不应止步于局部流程优化，而要前瞻性重构业务；技术无需“完全成熟”即可启动部署，在迭代中抢占变革先机。
能够有效避免 LLM 产生幻觉的智能体框架 Parlant
Parlant 是一款专为抑制大模型幻觉设计的智能体框架，提出注意力推理查询（ARQ）方法：通过 JSON 结构化模板强制模型在每步推理中回答规则约束、历史操作、工具调用等关键问题，使长对话中的规则遵循率提升至 90.2%，显著优于思维链，在复杂流程与多轮交互中更稳定可靠。
AI Master 对 Gemini 3.0 的预测
据网传谷歌内部文件，Gemini 3.0 或将于10月下旬发布，主打更强逻辑推理与编程能力、原生智能体操作（如订票、发邮件）、深度整合 Workspace、多模态支持（文本/图/视频），并推出超快响应的 Flash 版及 Android 本地 Nano 模型，构建覆盖多场景的 AI 生态系统。
Anthropic Haiku 4.5 性能媲美 Sonnet 4 成本只有三分之一
Anthropic 推出 Claude Haiku 4.5，编码能力接近 Sonnet 4，但推理速度快一倍、成本仅为其三分之一。实测中仅用 50 秒就为外卖网站添加深浅模式切换功能，适合多智能体协作与快速原型开发。
什么是 MCP 它和传统 API 有什么不同
MCP（模型上下文协议）是Anthropic推出的开源标准，让大模型能通过自然语言描述自主调用外部工具与数据，无需手动编码；相比传统API的强耦合、高门槛，MCP更灵活易扩展，已接入GitHub、家居自动化、网页浏览等丰富服务，正加速构建智能体开发生态。
什么是上下文工程 如何快速掌握上下文工程
上下文工程是优化大模型有限上下文窗口的关键技术，核心在于适时注入恰好的信息（如指令、记忆、工具描述等），避免干扰与幻觉。常见方法包括写入、选择、压缩和隔离上下文，本质是高效组织信息，提升智能体决策准确性与效率。
Google 无代码 AI 迷你应用构建器 Opal 将服务扩展至 15 个国家
Google 无代码AI迷你应用构建器Opal正式登陆加拿大、印度、日本等15国，并升级工作流调试能力——支持可视化分步执行与精准报错定位；同时优化底层性能，显著提升启动速度并支持多步骤并行运行，助力用户高效构建复杂AI应用。
AI 流利性框架基础课程 第十一课：课程总结
AI流利性框架提出“委托、描述、分辨、尽责”四项核心能力，对应自动化、增强、代理三种人机协作模式，强调任务分配合理性、意图传达准确性、结果评估批判性与伦理责任全程性，助力用户在真实场景中提升AI应用实效与责任感。
AI 流利性框架基础课程 第六课：深入了解 “委托”
委托”不是简单交任务，而是基于清晰目标与AI能力认知的科学分工：先厘清问题本质、成功标准与现实约束，再结合不同AI工具特性动态分配人机职责，在效率、创造力与安全性间取得平衡。它考验的是对任务的拆解力、对AI的判断力，以及复杂场景下的统筹力。