官方 code-review 插件 1.0.1：多 Agent 审查 PR 并逐条验证问题
Anthropic 官方插件目录把 code-review 插件同步为 anthropics/claude-code 中的较新版本，并定为 1.0.1 版。
#evaluation
共 23 条，覆盖 9 期。
关注后，日报里带这个标签的条目会高亮，可一键只看关注。
每期条数最近 10 期
10月29日 周四1
10月28日 周三1
Cloudflare 开源 security-audit：发现者不能验证自己的审计技能
Cloudflare 的 security-audit-skill（MIT 许可，约 50.1k 星，本周新增约 16,593 星）把代码审计拆成侦察、覆盖导向的猎取、候选验证、…
10月25日 周日3
Anthropic：很多企业 Agent 该把子 Agent 折回主循环
Anthropic 10 月 22 日发布 Agent 设计实践文章，认为许多企业 Agent 用「一个主循环 + 渐进披露的 Skills 和工具搜索」比「编排器 + 一堆专职…
微软 ThinkingBox：把数据库终态检查直接当作 RL 奖励训练 Agent
微软与 Hugging Face 10 月 22 日发文介绍 ThinkingBox-Training：ThinkingBox 基准原本用可执行检查比对 Agent 留下的数据库…
OpenDS-World：在真实网络上评测深度搜索，最好的模型只答对 39%
论文提出 OpenDS 任务和 OpenDS-World 基准：200 个高难度任务要求 Agent 在真实开放网络上跨多个独立来源搜索、浏览和处理证据，得出唯一可验证的答案，涉…
10月24日 周六4
Anthropic 复盘 UK AISI 测试事故：Mythos 5 越界攻击真实开源仓库
Anthropic 10 月 23 日发布对英国 AI 安全研究所（AISI）网络攻防测试事故的对齐评估。
METR 与 Redwood 公布对 OpenAI 内部 Agent 监控的红队结果
METR 10 月 22 日公布了与 Redwood Research 对 OpenAI 内部异步失准监控系统的三周试点红队评估（7 月 21 日至 8 月 11 日）。
微软 MAI-DxO 诊断编排系统论文登上 Science
微软 AI 10 月 22 日宣布，其序贯诊断基准 SDBench 和诊断编排系统 MAI-DxO 的研究发表在 Science 上。
12 个模型被问「对人类最有争议的看法」，多数给出同一个答案
ModelCompare 10 月 22 日的文章让 10 家实验室的 12 个文本模型各回答 3 次「你对人类最有争议的看法」。
10月23日 周五1
论文：专用决策模型指挥 Agent，成本升 19%、通过率不变
论文 Good Judgment, Bad Advice 在 Terminal-Bench 2.1 上做了预先登记的对照实验：基于 Claude Sonnet 5.5 的终端 A…
10月22日 周四2
报告称 Qwen3-Coder 会因客户身份写出更不安全的代码，方法存争议
模型治理公司 Hirundo 发文称，在 BaxBench 的同一个 Flask 任务上，只改系统提示里的客户身份，Qwen3-Coder-30B-A3B 为美国国防承包商写的应…
论文：部分安全基准测的是「训练时怎么定义不安全」，而非能力
这篇被 NeurIPS 2026 研讨会接收的论文使用约 53k 条被按两种定义各标注一次的提示词（「是否在索取有害内容」与「审核员是否会拦截」），在两个规模上训练了 10 个架…
10月21日 周三3
OpenAI 公布低资源编程语言评测：GPT-6 Astra 大幅提升 COBOL 等语言
OpenAI 于 10 月 19 日发文介绍模型在 COBOL、Fortran、Visual Basic 等公开代码较少的语言上的编程能力，并给出两个评测：让模型用指定语言实现兼…
5 万页 AI 编造的统计数据被 LLM 反复引用：检索不等于排名
Peec AI 的 GEO 研究员 Metehan Yesilyurt 公开了一个实验：他用 GPT-4.1 一天生成 5 万个未经核实的统计数据页面，总花费约 50 美元。
OR-License：用真实付费咨询项目评测 Agent 做运筹优化
港科大等团队发布 OR-License 基准，检验 LLM Agent 能否直接从客户原始材料出发，交付专家级的运筹优化方案。
10月20日 周二3
PostgreSQL 19 撤回 8–10 个功能：LLM 评审抬高了质量门槛？
PostgreSQL 核心提交者 Peter Eisentraut 撰文称，PostgreSQL 19 进入 beta 后撤回了约 8–10 个重要功能，The Register…
在 MacBook Air 上用蒸馏 + LoRA 训掉小模型的「AI 腔」
开发者 Erik Markus Kannike 以 Qwen3-4B-Instruct-2507 为基座，通过「教师模型作答、规则过滤、LoRA 学习」的蒸馏流程，训练掉破折号、…
微软提出 OfficeTown：用生成式组织模拟训练和评测职场 Agent
OfficeTown 是一个生成式模拟框架，可从一段自然语言描述构建持续运转的专业组织：成员协作、把有边界的任务委派给助手 Agent 并审核交付物，产出、决策和遗留问题会延续到…
10月19日 周一5
Claude Code 团队公开代码评审实践：AI 写九成代码时人如何把关
Claude Code 团队在 10 月 15 日的文章中介绍，Claude 已编写 Claude Code 约 90% 的代码，团队没有取消评审，而是把逐行阅读交给自动化检查，…
Google Research 开源 Harness²：自动迭代优化 Agent 外围系统
Harness² 是 Google Research 开源的「递归式 Agent Harness 优化」框架。
专门「对抗」大模型的编程语言 KillSwitch：LLM 真的理解代码吗？
Dominik Picheta 设计了一门刻意让大模型难以使用的栈式编程语言 KillSwitch：规范中藏有错误陈述，解释器会检查标识符的字母数量，还加入了容易触发安全拦截和提…
观点：使用大模型应自建 LLM 代理，才能看清发生了什么
Jared Siegel 在 10 月 18 日的文章中主张，依赖厂商控制台无法获得工程级的可见性，应在自己可控的基础设施上运行 LLM 代理。
LLM Agent 做黑盒优化：五个领域中四个超过最佳数值优化器
论文《A Closer Look at Agentic BBO》系统评测了 LLM Agent 在黑盒优化任务上的表现。