Pi 1.0 发布，GitHub 星标超 11 万，同步推出实验性 Pi Durable。Pi 1.0 将 MCP 纳入核心，推出 Codemode，让 Agent 在 JS 沙箱中脚本化调用工具，331 次调用零上下文浪费，并支持虚拟模型跨模型调度。Pi Durable 面向长时运行与多人协作，具备崩溃断点自愈、会话无拷贝分叉、后台异步压缩、原子状态与热更新等能力。源码约 1.5 万行，强调极简与供应链安全。

作者翻新博客：统计页三图合并、精简菜单、打赏二维码换源并居中缩小、139个友链体检后81个失联移入失联组、相册改为单文件自动分页、侧栏新增日历与倒计时卡、美化面板按内容自适应尺寸、新增AI页面助手并将Key移至服务端、拆解fomal.js等三座“屎山”，首屏资源从2.72MB降至约1.82MB。

DeepSeek 推出 Harness 桌面端，提供开箱即用安装包，登录送 6 元赠金。产品定位从编程转向日常办公，可直接处理 Word、Excel、PDF 并生成 PPT。新增 Automation 定时任务、插件管理页面和语音输入等功能，支持用户自写插件。官方称约 60% 用户用过第三方插件，未来将建插件市场，并强化沙箱安全、多智能体协作与长期记忆。

Strands开源Agent harness的核心价值在于统一管理工具调用、上下文裁剪、状态保存、重试和权限等工程杂活，而非仅减少接入代码。同模型下可节省28% token，但需结合具体场景验证。落地时应优先关注可观测性、权限和回滚机制，建议从低风险任务试跑，避免直接接入核心链路。

论文提出Show-Harness具身控制框架，使视觉语言模型通过离散语义动作单元直接操控机器人，无需微调即可零样本控制，少量微调可适配小模型；并提出GUMI界面，支持人类与智能体在统一动作空间采集示教数据，实现跨形态复用与协同采集。

TypeSafe AI 推出 Jev 模型，不生成文字，仅做结构化判断，输出 Choice、Score、Noul 三类带概率答案以避免幻觉。插件 dsh-jev 将其接入 DeepSeek Harness 的 tools/pre-execute 等扩展点，在智能体调用危险工具前自动决策，按 deny>hold>ask>allow 单调顺序拦截。测试中 31 次删除尝试全被阻止，但每轮增加约 4.6 秒延迟，且无缓存、无记忆，阈值边界仍存风险。

《深入理解AI Agent》读书笔记按实现顺序梳理Agent工程要点：Agent由LLM、上下文和工具构成，最小实现为ReAct循环；核心工程量在模型之外的Harness，负责约束、验证与纠正。关键点包括KV Cache作为架构硬约束、提示词写成SOP、状态显式化、上下文压缩与隔离、双层记忆与混合检索、工具描述重于能力、沙盒默认断网、评估先行、SFT立形与RL泛化，以及通过外部化学习实现自我进化。

TypeSafe AI创始人Diogo Almeida发布Jev Harness白皮书，提出十步蓝图重构编码智能体：将决策、生成、执行三权分立，由专用决策模型Jev负责路由、评分与拦截，大模型专注写代码。方案涵盖上下文压缩、工具分层、条件规则注入、双维度路由、检索复用及语义级命令拦截，目标提速两百倍、降本四百倍。

2026年智能体架构从通用框架转向解绑重组：开发者拆解代理，以强类型交接契约拼装最小基元集，避免自然语言传递造成状态丢失。Jev等专用模型输出结构化决策，评估数据成为选型依据与护城河。通用大模型时代结束，判断与编排成为核心竞争力。

文章讨论 Jev 这类 System One 决策模型：它接收状态与有限候选，直接返回概率，省去生成 JSON 的中间步骤。作者在 Free4Chat 的 Arena 实验中用它做游戏实时决策，结果不如确定性脚本稳定，延迟约 300ms。结论是 Jev 适合候选空间已明确的分类、路由、评分等场景，而非开放控制；前提是 Harness 先把世界整理好。

TypeSafe AI 推出 Jev“系统一”模型，专注结构化决策，不生成文本，通过 RLCD 训练提升概率输出准确性。在分类任务中，其推理速度比传统方法快 20 至 200 倍，成本低 40 至 400 倍。LangChain 已官方集成，可用于模型路由和工具调用风险拦截。早期用户反馈高频决策场景成本大幅降低。Jev 不取代大模型，而是分层协作，但效果仍需第三方验证。

2026年AI智能体爆发，模型转向Agent能力，架构从Workflow、重Skill、Loop演进到Harness，强调为AI提供工具与环境、让其自主完成任务。作者在漏洞挖掘中，用Hermes自进化迭代Kunlun-M，并基于Opencode定制Harness。结论：相信AI能力，但不信其流程与结果，需保留人的审查。

Jev模型以SOTA分类能力作为智能体路由层，拦截分流约八成请求，显著减少GPT-4o调用；可低成本替代LLM-as-a-Judge评估，并将复杂任务拆分为子智能体以避免工具幻觉。最前沿用法是运行时动态生成执行计划，实现智能体自我编排，使GPT-4o调用量降低七成以上。但动态计划出错时，现有评估难以检测步骤间的拓扑错误。

文章提出“调度框架工程”概念，认为提示词、上下文、工具、循环、图、评估等工程属于同一系统。调度框架包裹大模型，包含工具、权限、校验、定时与终止条件，是唯一不随模型版本变动的部分。作者以Kimi K3为内核，用一份yaml配置和钩子脚本搭建可移植智能体，支持300并发、夜间自动运行，并通过替换模型测试检验框架质量。

vivo开发者大会聚焦AI Phone的个人化智能：端侧30B MoE模型可理解用户意图，Harness作为执行中枢调度任务，6000多项原子能力供Agent调用，并开放MCP、Skill等接入第三方。vivo对GUI Agent持保守态度，同时推出小V Co-work遥控PC办公，并以蓝河OS探索原生Agent系统。

AI SDK 的 harness 层支持原生订阅认证，通过统一 HarnessAgent 接口运行不同编码代理，无需修改代码或配置。认证模式包括直接、自动和 ai-gateway 三种，凭证在主机边界解析，OAuth 令牌按需刷新，沙箱中注入占位凭证。支持 Claude Code、Codex、Cursor、GitHub Copilot 等。