本文介绍GeekAgent第9天开发:为多步骤任务添加TODO清单和子Agent功能。通过todo_write工具让模型规划并更新任务进度,delegate_task将独立子任务交给隔离上下文的子Agent处理。系统指令控制何时规划,强制回写确保进度更新,TUI右栏实时显示TODO状态。实现约113行代码,验证通过。
HoloAgent-0是一个统一的具身智能体框架,旨在解决物理机器人执行中的挑战。它通过Embodied AgentOS将自然语言指令转化为可执行技能图,结合空间和时间记忆,支持任务规划、监控和故障恢复。该框架提升了机器人在复杂环境中的导航、操作和协作能力,并通过真实机器人硬件评估展示了在长时序任务中的有效性。
Hy3大模型经过两个月的迭代后正式上线,显著提升了编程和办公能力。用户反馈推动其在3D网页生成、任务规划和多工具调用等方面取得进展。Hy3在各项基准测试中表现优异,接近国内外旗舰模型水平,能够处理复杂任务并生成多种格式文件,成为AI工作的新选择。
JetBrains Air现已支持Windows,提供无代理开发环境,满足开发者的需求。支持任务规划、并行运行代理和代码审查等多种工作流程,经过稳定性投资,确保Windows开发者顺利使用Air。
Dexter是一个开源的AI金融研究代理,能够自动分析股票数据。用户只需提出问题,Dexter会制定研究计划并获取实时数据,最终给出答案。其核心功能包括智能任务规划、自主执行和自我验证,适合希望简化股票研究过程的用户。
AI代理从单一响应转向自主执行任务,具备工具使用、规划和记忆三大核心能力。它们能够将复杂目标分解为可执行步骤,并动态调整策略以提高任务效率。构建可靠的AI代理需关注设计、状态管理和错误处理,以确保其有效性和安全性。
本文探讨了GSD扩展如何解决大型语言模型中的“上下文腐烂”问题。GSD通过内部任务规划框架,利用子任务保持整体上下文,提升用户的项目规划效率。作者展示了GSD在项目定义和需求分析中的应用,最终生成了一个基于SwiftUI的项目计划。
随着AI代理处理任务的复杂性增加,有效的上下文管理变得至关重要。Deep Agents SDK是LangChain的开源工具,支持复杂任务的规划与执行。它通过上下文压缩技术减少信息量,确保代理在有限内存中高效工作,主要方法包括将大工具结果和输入卸载到文件系统,以及生成会话摘要,以保持代理的目标和进展。
深度代理的上下文管理至关重要,以防止上下文衰退并管理有限的内存。Deep Agents SDK 提供了构建代理的工具,支持任务规划和文件系统操作。它实现了上下文压缩技术,包括将大工具结果和输入转移到文件系统,以及在上下文超限时进行摘要处理。这些技术确保代理在执行复杂任务时保持有效的上下文管理。
Gitee AI 队友推出新功能,支持个人和组织使用,优化 PR 审查流程,增强任务规划视图,提供安全扫描配置,提升智能协作能力,以满足多样化需求。
Claude 最近推出了 Cowork 功能,能够自动整理桌面文件。同时,OpenCode Cowork 也发布,具备自主完成任务的能力,包括文件读取、编辑和验证,支持任务规划和进度更新,安全性高,无需依赖其他软件。
GLM-4.7是智谱的最新旗舰模型,增强了编码能力和任务规划,支持多种思考模式和工具调用,适用于Agentic Coding和多模态交互,提升编程和视觉效果,生成高质量内容。
北航团队提出AEOS-Bench基准和AEOS-Former模型,通过AI优化卫星星座调度,解决任务规划问题。该研究在NeurIPS 2025上发表,展示了AI在空天智能领域的潜力。
澳鹏数据推出RoboGo具身智能数据开发平台,旨在解决高质量训练数据稀缺问题。该平台结合多项技术,提供精准目标识别、高精度3D点云、视频内容解析及物理因果链学习,支持智能体在复杂环境中的认知与任务规划。
字节推出Robix模型,整合机器人推理、任务规划和自然语言交互,解决模块间信息沟通问题。Robix采用思维链推理和三阶段训练策略,综合能力优于多款现有模型。项目负责人李航博士继续以顾问身份参与。
当多个插件同时使用时,Semantic Kernel 通过函数调用实现任务规划,支持并行调用,简化复杂任务处理。旧规划器已被弃用,建议使用函数调用以提升开发体验。
LOVON系统结合大语言模型与开放词汇视觉感知,旨在提升足式机器人在复杂环境中的长时任务执行能力。通过拉普拉斯方差滤波技术,LOVON解决了视觉不稳定性,实现了动态目标下的自主导航与任务规划。
本研究提出APEX框架,旨在解决大型语言模型(LLMs)在物理交互建模中的局限性。通过物理驱动的任务规划,APEX显著提升了LLMs在现实任务中的表现,强调了物理推理在语言智能与实际任务之间的重要性。
本研究提出了UAV-CodeAgents多智能体框架,旨在提升无人机任务规划的有效性和可扩展性。该系统结合视觉语言模型和反应式思维循环,实现了93%的成功率和平均96.96秒的任务创建时间,显著提高了规划的可靠性。
本研究提出了一种基于大型语言模型的具身机器人系统,旨在提升家庭机器人自主物品管理能力。通过记忆增强的任务规划,该系统优化了机器人执行用户指令的能力,并在多个家庭场景中展示了任务规划精度和记忆回忆能力的改善。
完成下面两步后,将自动完成登录并继续当前操作。