让模型自主规划、调用工具、完成多步任务的技术方向——从 Claude Code、Manus 到各家 Agent 框架与评测基准的全部动态。
Ollama 在 Claude Code 中新增 Subagents 与网页搜索功能，无需 MCP 服务器或 API Key。Subagents 可并行执行文件搜索、代码探索和研究等任务；网页搜索内建于 Anthropic 兼容层，模型需要最新信息时由 Ollama 直接返回结果。推荐云端模型包括 minimax-m2.5、glm-5 与 kimi-k2.5。
推荐理由：原文给出无需 MCP 与 API Key 的入口，读者可据此判断它能否降低 Claude Code 的接入成本。
Mistral 发布终端编码智能体 Mistral Vibe 2.0，由 Devstral 2 模型族驱动，新增自定义子智能体、多选项澄清、斜杠命令技能和统一智能体模式。
推荐理由：原文列出子智能体、斜杠命令技能等可配置能力与付费方式，读者可据此判断终端编码智能体的团队落地成本。
Ollama v0.14.0 起兼容 Anthropic Messages API，Claude Code 可通过 --model 指定本地模型（如 gpt-oss:20b、qwen3-coder）或云端模型（如 glm-4.7:cloud、minimax-m2.1:cloud）运行，并支持工具调用、流式对话、系统提示与视觉输入。
推荐理由：Ollama 兼容 Anthropic API 后，Claude Code 可直连本地或云端开源模型，为开发者提供无需切换平台即可替换模型的选择。
Ethan Mollick 用 Claude Code（Opus 4.5）自主开发并部署了一个卖 500 个提示词的网站，全程运行 1 小时 14 分钟。文中分析了自主纠错与 agentic harness 两项进展，并介绍紧凑上下文、技能（Skills）、子代理（subagents）和 MCP 等机制如何扩展 AI 能力。
推荐理由：作者以亲身实验展示 Claude Code 的自主工作能力与上下文管理机制，为非程序员理解 AI 编码工具的现状与边界提供了可迁移的观察框架。
Mistral AI 发布 Devstral 2 编码模型系列，包含 123B 的 Devstral 2 与 24B 的 Devstral Small 2，并推出配套开源 CLI Mistral Vibe。
推荐理由：官方给出参数规模、基准得分与人类评估胜率，可对照开源与闭源编码模型的能力与成本差距。
Mistral 3 包含 Ministral 3（3B/8B/14B）与 Mistral Large 3（41B 活跃/675B 总参数稀疏 MoE），全部 Apache 2.0 开源。
推荐理由：Mistral 3 同时覆盖从边缘到数据中心的稠密与稀疏 MoE 模型，并给出 NVFP4 checkpoint 与多平台部署入口，读者可据此评估自托管与云端方案的成本与性能取舍。
Berkeley AI Research 提出不基于时间差分（TD）学习的强化学习算法，采用分治策略将轨迹递归拆分为子段，以对数级减少 Bellman 递归并缓解误差累积。
推荐理由：提出非TD学习的分治式RL范式，在长 horizon 任务上展示了可扩展性，读者可借此了解值函数学习的新方向。
MiniMax M2 在 Ollama 云端上线，主打编码与智能体工作流。Ollama 给出在 VS Code、Zed、Droid 等工具中的接入步骤，并提供云端 API 访问。
推荐理由：原文给出模型能力变化与多工具接入入口，读者可据此判断它对现有开发工作流的影响。
Mistral 发布 Codestral 25.08，并推出包含 Codestral Embed、Devstral 与 Mistral Code 插件的企业级编程栈，支持云、VPC 与本地部署。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Mistral AI 为 Le Chat 推出深度研究、语音对话、多语言推理和项目管理等新功能。深度研究模式可自动规划、搜索并生成结构化参考报告，语音模式由 Voxtral 模型驱动支持自然语言对话，多语言推理由 Magistral 模型支持，项目功能可组织对话并保留工具与设置。
推荐理由：Le Chat 新增深度研究、语音对话、多语言推理和项目管理功能，为用户提供了从信息搜集到组织协作的一体化 AI 助手体验。
Mistral AI 与 All Hands AI 合作发布 Devstral Medium 和 Devstral Small 1.1 代码智能体模型。Devstral Small 1.1 以 Apache 2.0 开源，SWE-Bench Verified 达 53.6%，为开源无测试时缩放模型新标杆。
推荐理由：Devstral Small 1.1 在 SWE-Bench Verified 上达 53.6% 成为开源代码智能体新标杆，Devstral Medium 以四分之一价格超越 Gemini 2.5 Pro 和 GPT-4.1。
Stanford Hazy Research 推出 Minions 协议，通过 NVIDIA Hopper H100 远程证明与加密 enclave 实现 Ollama 本地模型与云端前沿模型的端到端加密协作，敏感上下文不离开设备，延迟增加不到 1%。项目已开源并提供 Streamlit 演示与 Python 示例代码。
推荐理由：原文给出了端到端加密协作协议的实现路径和实测开销，读者可据此评估本地-云端混合架构的安全性与成本平衡。
Mistral 发布 Agents API，将语言模型与代码执行、网页搜索、图像生成及 MCP 工具等内置连接器结合，并提供持久记忆与多智能体编排能力。SimpleQA 上 Mistral Large 和 Medium 启用网页搜索后得分分别从 23%、22.08% 提升至 75%、82.32%。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Devstral 是 Mistral AI 与 All Hands AI 合作开发的开源智能体编程模型，在 SWE-Bench Verified 上得分 46.8%，领先开源 SoTA 超过 6 个百分点。
推荐理由：Devstral以46.8%的SWE-Bench Verified成绩超越多数闭源模型，且可本地部署，读者可据此评估开源方案在真实软件工程任务中的可行性。
Vector Institute AI Engineering团队评估了11个前沿模型（涵盖开源与闭源），使用16项基准（含MMLU-Pro、MMMU、OS-World），并首次开源结果与代码，提供交互排行榜。
推荐理由：Vector开源了16项基准与代码并附交互排行榜，读者可据此独立复现和比较11个前沿模型的能力与局限。
Vector Applied Scientist David Emerson 等人提出通用提示模板 Abstract ScreenPrompt 和 ISO-ScreenPrompt，在 10 个临床领域的系统综述上实现 97.7% 加权灵敏度和 85.2% 加权特异性（摘要筛选），全文筛选达 96.5% 灵敏度和 91.2% 特异性。
推荐理由：通用提示模板让大语言模型在系统综述筛选中达到高灵敏度与特异性，为自动化证据筛选提供了可迁移方法。
斯坦福 Hazy Research 团队发布 Minions 论文与开源代码，让本地小模型（如 Llama 3.2 via Ollama）与云端大模型（如 GPT-4o）协作，将大量 LLM 工作负载转移到消费设备。
推荐理由：通过本地小模型与云端大模型协作的两套协议，在显著降低远程调用成本的同时保持较高性能。