Anker推出SleepLab睡眠音箱，采用60GHz毫米波雷达监测呼吸与心率，结合双耳节拍和灯光，无需穿戴设备即可追踪并改善睡眠。设备可独立于手机操作，无需订阅，支持蓝牙音频，Pro版售价269.99美元，标准版169.99美元，现可1美元预订，但建议等待评测。

三篇论文提出Agent自进化新方向：从模型权重转向外部执行框架（Harness）。Recuris通过三层记忆架构和结构化证据实现组件级修补，在τ²-Bench上提升显著；StarHarness用分层搜索优化prompt和工具接口；SkillForge验证技能质量。核心模式是“结构化证据+组件级修补+验证门”，但依赖可验证环境，迁移有条件，归因准确率有限。

DeTect公司获得为雅加达苏加诺-哈达国际机场供应MERLIN 7360 True3D鸟类探测雷达的合同。该系统将在跑道两端部署，提供360度3D覆盖，自动显示并预警高风险鸟类活动，以保障航空安全。该技术最初为美国空军和NASA开发，现广泛用于全球多个机场。

Agentic Coding将AI编程从被动补全转向主动规划-执行-验证循环，SWE-bench成绩三年内从不足6%跃升至50%-70%+。核心包括规划器、执行引擎和验证器，实现多文件修改与自我修正。主流框架有Claude Code、Cursor、OpenHands和Aider，各有适用场景。但存在幻觉、回归错误和安全风险，需谨慎使用。

本文探讨AI智能体推理时计算资源分配的新范式：从均匀分配转向根据任务难度动态调整。传统ReAct等模式对简单和复杂任务消耗相同token，效率低下且易致“过早错误成功”。核心方法包括难度评估器、预算分配策略和失败检测机制，实证显示可提升成功率约20-35%，并节省计算资源。

Agentic RAG通过自我反思、自适应路由和多跳推理，将复杂问答的幻觉率降低30%-50%，但延迟增加2-4倍、Token消耗增加1.5-3倍。文章解析了Self-RAG、CRAG等五篇关键论文，提出四阶段迁移路径，并指出其适用边界：仅当存在大量多跳查询时才值得投入，简单场景传统RAG更优。

英飞凌推出新一代60 GHz雷达传感器BGT60CUTR13AIP，基于CMOS平台，从BiCMOS工艺转向CMOS，提升集成度并降低成本。芯片整合射频、模拟、数字处理及电源管理，尺寸仅6.05mm×4.3mm×0.9mm，内置硬件加速器，功耗低于200μW，支持电池或太阳能供电。采用一发三收L型天线布局，可探测水平与垂直角度，应用于电视、空调、安防和机器人，已大规模量产。

微软在 BUILD 2026 发布的 CodeAct 改变了 AI Agent 的工具调用方式，从逐轮推理转向程序化批量执行。它让模型一次性生成完整程序，在 Hyperlight 微 VM 中隔离运行所有工具调用，大幅减少推理回合、延迟和 Token 消耗。相比 ReAct 模式，CodeAct 在确定性流水线任务中表现最佳，但需注意其 alpha 阶段限制，适合与混合策略结合使用。

旭化成微电子将于2026年7月量产AK5816AIM毫米波雷达模块，该模块可非接触式监测人和宠物状态，适用于注重隐私的空间。目前已在适老住宅中应用，并与多家公司合作提供全流程支持。

ScaleCUA是清华大学和Z.AI团队提出的框架，旨在解决Computer Use Agent（CUA）训练数据稀缺问题。通过可验证任务合成、动态学习前沿采样和视觉上下文分割，ScaleCUA显著提升了数据质量和训练效率，使开源CUA在OSWorld上达到了68.7%的新高，超越了参数量大四倍的竞品。这一方法强调了数据质量的重要性，证明了在CUA领域，数据效率优于模型参数规模。

阿里巴巴达摩院推出了WebSwarm，一个渐进式递归多Agent搜索框架，显著提升了复杂搜索任务的效率。WebSwarm通过递归委派和动态协作模式，优化了搜索策略，增强了信息覆盖率和准确性。

EvoSOP框架旨在解决AI智能体工具集静态化问题，通过构建、合并、评估、剪枝四个模块，将重复原子操作合成为可复用SOP，并迭代优化工具集，从而提升任务成功率与效率，同时探讨了其局限性与未来方向。

本文探讨了AI智能体编排的最新进展，重点介绍了MCP（模型上下文协议）与PI（计划-执行）架构的结合。MCP提供标准化的上下文管理和工具调用，而PI架构强调全局规划和动态执行。两者结合后，智能体在处理多工具任务时效率显著提升，成功率提高。建议开发者采用MCP SDK并迁移至PI模式，以优化智能体性能。

AI智能体的生成能力迅速提升，但验证能力未能跟上，导致“生成-验证差距”。这一差距使得模型在自我修正时无法识别错误，甚至可能放大错误信念，影响系统的可靠性。为解决此问题，建议引入外部验证机制和多样性验证，并限制自我修正的轮数，以提升模型的输出质量和安全性。

研究表明，基于 LLM 的代码修复 Agent 在纯视觉模式下修复准确率显著下降，而混合文本与视觉模式则提高了准确率并降低了 Token 成本。SeeRepo 提供了一种有效的仓库结构可视化管线，结合文本和视觉信息，优化了编码 Agent 的输入接口设计。

伊利诺伊大学的研究团队首次量化了AI代理在工具链路被阻断时的规划脆弱性。研究发现，当关键工具失效时，模型的准确率显著下降，GPT-5.4的准确率从51.90%降至11.36%。这表明当前AI代理在复杂任务中存在系统性缺陷，强调了改进工具选择和恢复能力的重要性。建议引入失败感知机制和回溯策略，以提升代理在不确定环境中的表现。

HarnessFix 提出了从失败轨迹到自动修复的闭环，解决了传统方法无法修复 Agent 失败的问题。通过将执行轨迹编译为标准中间表示 HTIR，精确归因到具体步骤，生成可执行的修复方案，从而提高了诊断准确率和修复覆盖率，推动了 Agent 可靠性工程的进步。