学习任务规划、多智能体分工和定时自动化，适合构建复杂工作流的开发者。
29 条精选 · 入门 5 · 按推荐学习顺序：越基础、直观越靠前，越系统、深入越靠后
Anthropic 介绍 Claude Duet 的产品文章：这是一个让 Claude 作为主动型智能体工作的新应用，目前已以研究预览形式开放等候名单，面向美国地区的 Pro 和 Max 订阅用户。文章称 Duet 会主动提示需要关注的事项、完成用户交代的任务、在用户离开时继续工作，并在代其行动前征求确认；产品面向事务繁多的专业人士和小企业主，以 iOS、Android 独立应用及 claude.ai 网页形式提供，在研究预览期间计入与 Claude 其余功能相同的用量额度。
How an Anthropic Japan BDR runs his day with a fleet of Claude agents
一篇用户故事，讲述 Anthropic 日本团队的商务拓展代表用 Claude Managed Agents 和 Claude Tag 清理收到的线索、撰写日英双语客户邮件。文中描述了他从逐个任务交给 Claude 并保存纠正结果，到逐步搭建多个分别负责不同例行工作的智能体的过程。
Europe’s Industrial Leaders Reinvent Engineering and Manufacturing With NVIDIA
这是 NVIDIA 博客文章，介绍欧洲工业企业将 NVIDIA CUDA-X、Omniverse 库以及 Cosmos、Nemotron 开放模型用于工程与制造全流程。文中提到 NVIDIA Factory Operations Blueprint（FOX）已在 GitHub 开放早期访问，供开发者构建协调机器作业的工厂管理智能体和视觉检测、根因分析、报告生成、车队管理等专用智能体；西门子正将基于 FOX 构建的智能体集成进其 Intelligence Center X，并称预计可节省约 20% 成本。适合关注工业智能体与制造业数字化的读者。
Building agents: When to fold subagents into your main agent loop
这是 Anthropic Claude 平台的一篇开发者文章，讨论在什么情况下应减少子智能体、以及如何将它们迁移到主智能体循环中。文章介绍了子智能体的作用（验证、并行工作、模块化权限），并提到应用 AI 团队发现把路由器、规划器和领域子智能体并入主循环后，单一带技能的智能体在质量上常优于全提示设计和子智能体设计，且每任务成本与延迟往往更低。文中还提到配套的迁移工具包，含模式识别、方案评估和模拟系统演示。
The Thin Orchestrator: How We Made Our AI Agents More Reliable by Giving the Router Less to Do
这是 Meta 工程博客的一篇文章，介绍其数据管道代理采用的“薄编排器”模式：一个约 1300 行的编排器把 20 多个工作流路由给 14 个专用代理，自身不承担任何领域推理，只负责排序和可靠性检查。文章描述了早期“全能型单一代理”在生产环境中出现幻觉的问题，以及转向该模式后在效率和准确率上的变化。
Build Your Own Team of Managed Agents - Jack Wotherspoon, Google DeepMind
Google DeepMind 开发者体验工程师 Jack Wotherspoon 的演讲视频，介绍 Gemini Managed Agents：通过单次 API 调用在云端沙箱中运行编码智能体，而非在本地电脑上。内容覆盖 Interactions API、Antigravity harness、多智能体共享环境、上传的 skills 与 AGENTS.md、隔离密钥的代理、定时触发与多智能体工作流，并演示从 SEC 文件研究到量化分析再到报告的流程，以及在 AI Studio 中构建应用。
A harness for every task: dynamic workflows in Claude Code
claude.dev 博客文章（作者 Thariq Shihipar、Sid Bidasaria，约 11 分钟阅读），说明 Claude Code 新增的动态工作流功能：模型可按任务即时编写并编排自己的多智能体执行框架（harness）。文中包含示例提示、动态与静态工作流的对比、常用模式、使用场景、不宜使用的情形以及构建建议。
Stop Telling Agents How
OpenProse 团队介绍如何用纯 markdown 把多智能体工作流写成声明式契约，由 Claude Code、Codex 等任意 harness 编译并运行，主张描述想要什么而不是怎么做。演示包括由 webhook 和 pull request 触发的事件驱动任务、一个“脾气差的老资深”PR 评审者，以及端到端的银行模型文档工作流；还讨论了契约组合、把成功运行固定为可复用工作流，以及与 DSPy 的对比。
How to Know When an AI Agent Can Work Unsupervised — Evan Kormos, Coinbase
Coinbase 的 Evan Kormos（有 15 年企业金融服务经验）介绍把智能体引入政策驱动、受监管工作流的实用方法：把流程建模为 DAG 和循环，说明一个循环的可信度取决于它的检查，并展示评估与追踪如何成为新的信心机制。智能体随后经历三个阶段：完全监督、抽样监督、仅由人处理异常。材料按章节列出讲解顺序。
One Day, $1,000 in Tokens: An AI War Room for Legacy Code — Ford Prior, GEICO
演讲指出在 GEICO 编码变快了，但决策、签字确认、上下文等周边环节仍很慢，解决办法是多人协作、AI 原生的“作战室”：合适的决策者、一名主导者和接入 GEICO 知识、工具与代码的代理集群。演讲者押注一天时间加 1000 美元 token 端到端梳理一个遗留理赔领域并交付一项真实改动，并在租赁、损害和残值三个场景各跑了一次。内容还涉及用于指挥代理集群的 markdown 规则手册 FleetKit、产出的工作表与图表，以及后续改进方向。
sparqlite: SPARQL 1.1 inside SQLite, written in Rust
这是 Simon Willison 的一篇研究记录，描述他在 Claude Code 的“Ultracode”模式（通过动态工作流协调多个子代理）下，用一个提示词要求编写一个能直接在行上操作、速度很快的 SQLite SPARQL 扩展。文中提到 Claude Code 运行超过 12 小时、产出多个 crate，作者还追加提示要求为各目录补 README、编写 tutorial.md 及示例数据脚本，并对项目规模之大、难以逐行审查表达了看法。
Putting Earth AI to work: Geospatial agents for our planet's biggest challenges
这是 Google Research 的一篇博客，介绍其“地球 AI”项目下的地理空间推理智能体。文章称，将领域专用基础模型、空间工具与预先规划相结合，可使该智能体完成独立大模型无法胜任的复杂空间分析和地球尺度预测。文中提到同步发布一份技术报告，并通过 Ask Google Earth 和 Agent-to-Agent（A2A）服务扩大实验性访问范围。
Co-Scientist: A multi-agent AI partner to accelerate research
Google DeepMind 介绍 Co-Scientist，这是一个基于 Gemini 构建的多智能体 AI 系统，用于针对复杂科学问题迭代生成、辩论和演化新假设，面向生命科学等领域的研究者。文章提到相关研究已在 Nature 发表，并通过名为 Hypothesis Generation 的实验性工具向个体研究者开放。
Using thousands of AI agents to uncover new leads in biological data
OpenAI 的一篇研究发布（标注日期 2026 年 10 月 21 日），介绍 OpenAI 与 PerturbAI、Scripps Research 合作，用分布式并行部署的数千个 AI 智能体，帮助科学家在来自数百万个脑细胞的数据中识别有前景的研究线索，并提供指向 bioRxiv 上论文的链接。
Inside Arca's Long-Horizon Agents That Run the Business - Aman Singh, Arca
这是 Arca 公司 AI 负责人 Aman Singh 的演讲，介绍这家 AI 原生金融服务公司如何让长期运行的智能体端到端地承接客户目标，跨越多天的断续工作。内容涉及让智能体感知邮件、电话、托管事件和应用内动作的信号系统、运行上下文与执行框架、持久记忆，以及能在合适时机引入合适人员的共享空间。材料中包含分章节时间线。