行业关键人物在想什么：创始人访谈、研究者论战、投资人判断的观点集合。
OpenAI 首席研究官 Mark Chen 表示，Hugging Face 等智能体失控事件源于同一批模型和有缺陷的测试流程，OpenAI 已开始监控所有训练过程。OpenAI 近几个月将 5% 至 10% 的计算资源转向安全工作，并加强研究与安全团队协作；Chen 同时警告，未来六个月至一年内，可能出现具备类似能力且故意失配的开源模型。
推荐理由：采访呈现了 OpenAI 对智能体失控事件的解释与整改，包括训练阶段监控、资源调整及发展速度之间的取舍。
Anthropic 的 Thariq Shihipar 在访谈中讨论 Claude Code 的使用方法、Agent harness 演进与智能体安全。内容涵盖提示词、Artifacts、Projects、Claude Mods、模型路由和监督 Agent，并解释了 Claude Mods 如何定制执行循环、界面和子 Agent。
推荐理由：访谈把 Claude Code 的使用方法、Harness 定制和智能体安全放在同一框架下，呈现了从提示词实践到可变软件的演进路径。
Google DeepMind 回顾了从 DQN、AlphaGo、AlphaZero、MuZero 到 AlphaStar 的游戏 AI 研究，并介绍与 Fenris Creations 合作探索 EVE Universe 中的 AI 智能体。
推荐理由：文章梳理了 Google DeepMind 从游戏智能体研究到 EVE Universe 合作的路径，具体呈现了持续学习、记忆和长期规划等研究挑战。
Google DeepMind 与 Isomorphic Labs 发布联合生物韧性方案，围绕防止模型被滥用、快速检测疫情和设计医疗应对措施展开。过去 12 个月，双方推进了与政府机构、生物安全组织和研究团队的 15 项以上合作，并计划向可信合作伙伴开放 AI 模型和智能体。
推荐理由：文章系统说明了 Google DeepMind 与 Isomorphic Labs 如何将 AI 用于生物安全，并将防滥用、疫情检测与医疗响应连接起来。
Hugging Face Blog 介绍其在智能体系统中构建模型路由器的经验，指出路由不应被视为单纯的分类问题，而是要同时优化成本、质量和延迟。
推荐理由：文章用 AppWorld 实验说明，模型路由的真实成本和延迟受缓存、基础设施及治理约束共同影响，不能只按模型价格或任务难度决策。
Berkeley AI Research 的文章认为，AI 推理成本快速下降将推动智能体成为数据系统的主要工作负载，并带来三类问题：为智能体设计数据系统、为大规模智能体群构建状态与协作基础设施，以及由智能体合成定制数据系统。文章讨论了 agentic speculation、结构化记忆、多智能体协调与故障处理，以及通过验证智能体和证明系统保障自动生成系统的可靠性。
推荐理由：文章将智能体数据系统拆成支持智能体、承载智能体和由智能体构建三类问题，为理解多智能体规模化运行的工程瓶颈提供了清晰框架。
Berkeley AI Research 发布对 Adaptive Parallel Reasoning 的综述与观点分析，介绍模型如何在推理时动态决定是否并行、并行线程数及协调方式。
推荐理由：文章梳理了自适应并行推理的控制流、执行系统与训练奖励设计，帮助读者比较不同方案在准确率、延迟和工程复杂度上的取舍。