DC AI 热点

全部 AI 动态

全部智能体与应用工程前沿研究与模型架构安全治理与商业生态国际数据中心与算力其他动态具身智能与智能硬件国内数据中心与算力

来源筛选

9月25日2026-09-25

LangChain 官方博客（网页）✦ 精选AI 评分 75/100收录 07:49

深度智能体架构解析：面向长时复杂任务的构建方法

深度智能体（Deep Agents）专注于解决跨越较长时间周期的复杂任务规划与执行。该内容深入探讨了支撑如 Deep Research 和 Claude Code 等长时程智能体背后的核心系统架构与工程设计，解析如何通过多步骤长链路的自主规划、环境交互与自我修正，实现处理高度复杂任务的能力，为智能体工程开发提供参考范式。

阅读原文 ↗推荐理由：解析了 Deep Research 与 Claude Code 等长时程智能体的底层设计架构，对复杂任务型 Agent 的工程落地极具参考价值。# 智能体 # Deep Research # Claude Code # 任务规划

9月24日2026-09-24

arXiv 人工智能✦ 精选AI 评分 72/10012:00

X-Planner：面向具身智能的事件结构化任务规划框架

针对现代视觉-语言-动作（VLA）系统在长程操作中缺乏显式中间结构、现有思维链规划器依赖粗粒度标注的问题，研究团队提出了 X-Planner 规划前端。该方案同时改善具身推理的监督与表征，融合了第一人称视角、通用操作接口及遥操作等多源数据，构建了具备分层粒度和差异化标注深度的规划数据集。由于原始摘要截断，具体的下游控制效果待全文进一步阐释。

阅读原文 ↗推荐理由：针对具身智能长程任务中规划能力不足的痛点，提出了创新的事件结构化规划前端与多源分层数据集。# 具身智能 # 任务规划 # VLA # 机器人操作 # 思维链

arXiv 人工智能✦ 精选AI 评分 78/10012:00

提升智能体一致性：研究提出通过“技能习惯化”解决重复任务的冗余与偏差

针对当前智能体在重复任务中表现不一致且极度耗费资源的缺陷，研究团队开展测试发现，智能体在重复执行中不一致率达38%至74%，且超95%的生成内容都在重复推导已知方案。为此，研究提出“技能习惯养成”（skill habit formation）机制，让智能体从历史执行记录中挖掘候选确定性技能，使其与既有方案竞争并界定适用输入空间，从而大幅改善智能体在重复任务中的一致性与计算效率。

阅读原文 ↗推荐理由：针对智能体实际落地中严重的输出不一致与重复计算痛点，提出了挖掘确定性习惯技能的有效工程优化方案。# 智能体 # 一致性 # 技能养成 # 计算效率 # 任务规划