agent

1、背景：腾讯混元Hy3的发布，释放出国内大模型竞争从“参数规模比拼”转向“业务可用性与Agent能力落地”的明确信号。该模型采用295B总参数、21B激活参数的MoE架构，核心思路是在保持较强能力的同时降低推理成本。相比单纯追求大参数，MoE更强调按需调用专家网络，这使其在高频业务场景中更容易平衡性能、成本与响应速度。当前Hy3已接入微信生态，面向超大规模用户服务，这意味着其不只是实验室模型，而是进入真实产品环境的基础设施级能力。

2、分析：从披露信息看，Hy3的定位是Agent向LLM，重点不在“会聊天”，而在“能完成任务”。内部WorkBuddy任务成功率由72%提升至90%，耗时降低34%，说明腾讯更关注端到端执行效率，包括任务拆解、工具调用、结果校验与反馈修正。其在coding、办公、复杂任务规划方面表现突出，也符合企业级AI需求：生成网页、制作PPT、处理办公流、辅助研发等场景，都是能直接提升生产力的应用方向。值得注意的是，模型具备自检和主动说明不足的能力，这对于降低幻觉、提升可控性非常关键。不过，纯视觉能力仍被视为短板，说明多模态能力并非全面领先，未来仍需在图像理解、视频推理和跨模态任务上补强。

3、影响：对AI产业而言，Hy3的意义在于验证“模型能力+超级应用入口”的组合路径。微信拥有庞大的用户规模和丰富场景，若AI能力深度融入聊天、搜索、办公、内容生成、小程序和企业服务，将加速Agent从概念走向日常使用。对企业客户来说，模型效率提升可能带来更低调用成本和更高部署意愿，推动AI从试点走向规模化应用。对市场而言，这也会加剧国内大模型厂商在生态、算力、数据和产品体验上的竞争。未来真正的分水岭不只是榜单成绩，而是谁能在真实业务中持续降低错误率、提升任务完成率，并形成可持续商业闭环。整体看，Hy3代表了大模型应用进入“务实阶段”：少讲概念，多看落地；少看参数，多看效率与结果。🚀

#AI #腾讯混元 #Agent

$GROK JUST OUTPERFORMED CLAUDE AND OPUS ON COST AND PERFORMANCE 🔥

Grok 4.5 ist gerade erschienen und hat auf AutomationBench-AA satte 51,4% erreicht — vor Claude und Opus — und das bei $0,34 pro Aufgabe, während diese bei $1,35+ liegen. Das ist eine enorme Effizienz-Lücke für KI-Agenten.

Das Modell ist bereits live auf der V9-Foundation von SpaceXAI, und der Benchmark bestätigt, was das Team vorgestellt hat. Unabhängige Daten wie diese lenken meist die Aufmerksamkeit auf Tokens, die mit realer Infrastruktur verknüpft sind. Das Volumen könnte sich schnell verändern, wenn Trader anfangen, die Adoption-Story in ihre Preisgestaltung einzubeziehen.

Beobachtest du, wie $GROK diesen Katalysator mitnimmt?

Keine Finanzberatung. Verwalte immer dein Risiko.

#GROK #AI #Benchmark #Agent

🔥

SpaceX的Cursor在iOS上了，Cloud-Proxy läuft direkt dauerhaft auf dem Handy, und die Fernsteuerung des Computers ist auch kein Problem. Die Erzählung rund um AI Agent bekommt wieder etwas Nachschub – aber wenn man jeden Tag von Revolution redet, sind die Dinge, die wirklich als etwas sind, das man jederzeit abrufen kann, eher selten. Geht es hier diesmal um einen echten Bedarf oder nur um aufgepeppte Automatisierung? Erst mal beobachten, ein kleines Wagnis macht Spaß. #AI #Agent $FET $OLAS
$WLD

LEUTE, ich habe mir gestern meine rekursive KI #AGENT angesehen und bemerkt eine winzige, nervige Pause direkt bevor sie jede Antwort generiert.

Zuerst dachte ich, das Modell selbst wäre einfach langsam.

Aber als mein Agent begann, komplexe, mehrstufige Workflows auszuführen, summierten sich diese Millisekunden.

Mir wurde klar, dass der echte Performance-Engpass nicht die GPU ist.....

die Rechengeschwindigkeit des KI-Modells....

Es sind die ständigen kryptografischen Signaturvalidierungen, die nötig sind, um jeden einzelnen Gedankenschritt zu genehmigen und zu bezahlen......

Für mich führt das zu einer Art „Sign-to-Think-Ratio“.

Wenn eine KI mehr Zeit damit verbringt, Signaturen zu erzeugen, um zu beweisen, dass sie laufen kann, als tatsächlich zu denken, dann erstickt das System....

Darum ist die @OpenGradient Integration von Permit2 auf Base ein Game-Changer.

Durch das Batching von Token-Approvals verhindert es Transaction-Spam, der das Verifikationsbudget des Agents leert.

Ich habe dieses Low-Latency-Setup selbst getestet unter chat.opengradient.ai....

und es fühlt sich so nahtlos an wie eine #centralized App, aber mit vollständiger, „hinter den Kulissen“ erzwungener Hardware-Privacy.....

Persönlich kaufe ich Credits, um meine Developer-Workflows auszuführen....

Ich glaube, wir fokussieren uns viel zu sehr darauf, schnellere Chips zu kaufen, wenn wir eigentlich die Mathematik optimieren sollten, die sie validiert.

Glaubt ihr, dass Signatur-Stau der größte Hinderungsgrund für On-Chain-KI ist?

#OPG $OPG #DeAI $TAC $GWEI

1、Hintergrund

Heute ist die Hermes Agent-Funktion MoA (Mixture of Agents, Mischintelligenz) online gegangen. Dies ist ein wichtiger Versionssprung in der Produktform des Open-Source-Agenten-Ökosystems. Während man zuvor die Zusammenarbeit mehrerer Modelle als eine Art zugrunde liegendes Werkzeug betrachtete, wird MoA nun als „virtueller Modellanbieter“ verpackt. Nutzer können es wie ein normales großes Sprachmodell direkt aufrufen und umschalten. Dieses Design senkt die Einstiegshürde deutlich, und bedeutet zugleich, dass die Koordination mehrerer Modelle von einem Entwickler-Spielmodus hin zu einem standardisierten Fähigkeitseinstieg für gewöhnliche Nutzer übergeht 🤖

Aus den veröffentlichten Informationen geht hervor, dass Nutzer MoA entweder direkt über /model auswählen oder über /moa [prompt] für einen einzelnen Aufruf verwenden können. Das zeigt: Hermes Agent ist nicht nur ein zusätzlicher Funktionsbutton, sondern versucht auf Ebene der Interaktion, „Multi-Model-Orchestrierung“ in eine sofort nutzbare Produkt-Erfahrung zu verwandeln.

2、Kernanalyse

Der entscheidende Wert von MoA liegt darin, die Kombination aus „Referenzmodell + Aggregationsmodell“ in eine stabilere Inferenz-Kette zu überführen. Das Referenzmodell generiert zunächst auf Basis des vereinfachten Dialogtexts Analyse-Einschätzungen; anschließend erzeugt das Aggregationsmodell mit dem vollständigen System-Prompt, dem Tool-Schema und dem Kontext die finale Antwort und führt Tool-Aufrufe aus. Einfach gesagt: Erst lässt man ein Modell „denken“, und dann lässt man ein anderes Modell „handeln“.

Dieses Mechanismusfeld hat zwei Punkte, die man beachten sollte. Erstens: Das Referenzmodell greift nicht auf den vollständigen Tool-Verlauf zu und reduziert so Kontext-Rauschen, was zu fokussierteren Analyseergebnissen beiträgt. Zweitens: Das Aggregationsmodell behält die endgültige Entscheidungsgewalt und kann Aufgaben innerhalb vollständiger Regeln konsistent ausführen. Dadurch werden Stilkonflikte und Handlungsfehlanpassungen reduziert, die durch direktes paralleles Output mehrerer Modelle entstehen können.

Wenn die nachfolgenden HermesBench-Testergebnisse, wie im Artikel gezeigt, tatsächlich besser ausfallen als bei einem einzelnen Modell, dann liegt die Bedeutung nicht nur in „höheren Punktzahlen“. Vielmehr wird ein Trend bestätigt: Beim zukünftigen Wettbewerb von Agenten geht es nicht mehr nur darum, Parameter und Fähigkeiten einzelner Basismodelle zu „pushen“, sondern darum, „Model-Koordinationsarchitekturen“ und „Effizienz der Aufgaben-Orchestrierung“ zu optimieren.

3、Branchenwirkung

Für den AI-Agenten-Track könnte diese Entwicklung den Wettbewerb der Produkte in eine neue Phase treiben. Der Markt konzentriert sich derzeit allgemein auf die Obergrenze von Modellfähigkeiten. Doch die Vorgehensweise von Hermes Agent zeigt: Auch die Art der technischen Organisation kann zusätzlichen Wert schaffen. Für Entwickler macht MoA die Koordination mehrerer Modelle leichter deploybar; für Nutzer könnte es wiederum zu qualitativ hochwertigeren, stabileren Erlebnissen bei der Ausführung komplexer Aufgaben führen.

Aus Web3-Sicht betrachtet: Wenn die Open-Source-Agentenplattform MoA zuerst produktisiert, gibt es künftig viel Raum für Erweiterungen in Szenarien wie On-Chain-Datenanalyse, Unterstützung für Investment Research, automatisierten Kundenservice und Content Generation. Vor allem in Umgebungen, in denen Kosten und Wirkung abgewogen werden müssen, könnte die Aufgabenteilung mehrerer Modelle ein deutlich besseres Preis-Leistungs-Verhältnis haben als das „starke Durchziehen“ mit nur einem Modell.

4、Zusammenfassung

Insgesamt betrachtet: Dass Hermes Agent heute MoA online stellt, ist nicht nur ein Funktionsupdate, sondern eher ein vorausschauender Test des Agenten-Produktparadigmas. Die Signale, die es sendet, sind sehr klar: Die nächste Phase von AI Agenten könnte sich weniger auf „stärkere einzelne Modelle“ konzentrieren, sondern stärker auf „bessere koordinierte Systeme“. Wenn nachfolgende Benchmark-Tests und echtes Nutzerfeedback die Wirkung weiterhin bestätigen, könnte MoA zu einer wichtigen Standardkonfiguration für Agentenplattformen werden 📈

#AI #Agent #crypto

$AGENT STANDARD LAUNCH — NEUES FRAMEWORK FÜR KI-VERBINDUNG 🔥

Die neu veröffentlichte nationale Normenreihe für die intelligente Agentenverbindung (KI) umfasst sieben zentrale Bereiche, darunter Architektur, Identität, Discovery und Interaktion. Dies schafft ein geschlossenes Regelkreis-System für die Zusammenarbeit von Agenten über Domänengrenzen hinweg.

Standardisierte Identitätsauthentifizierung und Ende-zu-Ende-Nachverfolgbarkeit reduzieren die Zeit für individuelle Entwicklungen und stärken das Vertrauen in automatisierte Agenteninteraktionen. Während diese Standards ausgerollt werden, erwarten Sie schnellere Bereitstellungen und eine breitere Nutzung von KI-Agenten-Ökosystemen.

Beobachten Sie, welche Projekte zuerst mit diesem neuen Framework übereinstimmen?

Keine Finanzberatung. Gehen Sie stets mit Ihrem Risiko verantwortungsvoll um.

#AGENT #AI #Standards #CryptoAI #TechAdoption

🔥

豆包 bringt eine professionelle Version ab 68 Yuan heraus, die erstmals den Agentenmodus zur Steuerung von Computern unterstützt

ByteDance's Tochtergesellschaft豆包 bringt eine professionelle Version ab 68 Yuan auf den Markt, die erstmals den Agentenmodus zur Steuerung von Computern unterstützt. Nutzer können über den AI-Agenten direkt den Computer steuern, um Büroaufgaben wie Dateimanagement, Datenverarbeitung, Anwendungssteuerung usw. zu erledigen und damit KI von einem Gesprächs-Tool zu einem echten Büroassistenten aufzuwerten.

Warum das wichtig ist: Der AI-Agent entwickelt sich von der Gesprächsinteraktion hin zu einem direkten Steuerungsmodus für Computer, was den Schlüsselübergang von KI-Büroprodukten von Hilfstools zu autonomen Ausführungen darstellt.

#AI #人工智能 #豆包 #Agent

【Entwicklerhinweis】Die B.AI-KI-Agent-Infrastruktur stellt am 22. Juni den alten API Key ein.

Wenn Sie noch den alten Key verwenden, müssen Sie so bald wie möglich:
1） einen neuen API Key generieren
2） die alten Anmeldeinformationen in den vorhandenen Integrationen ersetzen
3） Tests durchführen und bestätigen, dass die Aufrufkette ordnungsgemäß funktioniert

Solche Updates wirken zwar nur wie ein Schlüsseltausch, können jedoch bei Projekten, die auf Agent-Dienste, automatisierte Workflows oder Backend-Aufrufe angewiesen sind, bei einer nicht erfolgten Migration direkt zu einem Dienstunterbruch führen. Es wird empfohlen, nicht bis zum letzten Tag zu warten, insbesondere in Produktionsumgebungen sollten Zeit für Rollback und die Fehlersuche eingeplant werden.

#AI #Agent #Entwicklertools

【Entwicklerhinweis】Die B.AI-Infrastruktur für KI-Agenten stellt am 22. Juni den alten API-Key ein. Wenn deine Anwendung, Automatisierungsabläufe oder Drittanbieter-Integrationen noch alte Keys verwenden, wird empfohlen, rechtzeitig einen neuen API-Key zu erstellen und die Konfiguration zu ersetzen sowie Funktionstests zur Konnektivität durchzuführen.

Solche Aktualisierungen wirken zwar wie nur eine „Key-Migration“, aber für Agenten-Dienste, die auf APIs angewiesen sind, kann eine verzögerte Bearbeitung direkt zu Aufrufausfällen, Unterbrechungen von Aufgaben oder geschäftlichen Anomalien führen. Teams, die bereits B.AI integriert haben, sollten diese Migration am besten in die Wartungs-Checkliste aufnehmen, um das Risiko zu vermeiden, dass die Arbeiten kurz vor der Frist gebündelt erledigt werden.

#AI #Agent #开发者 ԥ

Visa hat eine Karte für AI-Agenten ausgegeben. Alchemys AgentCard ist jetzt im Visa-Netzwerk integriert, sodass die KI direkt Geld ausgeben kann.
Das ist kein UFO-Geschichten, sondern ein echter Zahlungsweg, der jetzt offen ist. Rechenleistung kaufen, API bezahlen, Datenkosten alles automatisiert, das Gefühl ist, dass die on-chain Agenten jetzt über "Wallet-Fähigkeiten" verfügen.
Wir sind noch in der Infrastruktur-Phase, aber sobald der erste konsumtive Agent Daten liefert, wird diese AI-Zahlungsstory ernsthaft, also Augen auf die Spur. #AI #PayFi #Agent $BTC

Lass die KI dein Geld verwalten, im besten Fall nennt man das autonom, aber eigentlich ist es nur, dem Roboter ein Gehalt zu zahlen. Der nächste Schritt wird sein, dass sie mit dem Private Key selbst mit Krypto traden. Die Erzählung über On-Chain-Agenten hat gerade erst begonnen, warte auf einen großen AI-Hodler, der den Kurs in die Höhe treibt. #AI #Agent $FET

Y Combinator veröffentlicht revolutionären AI-Agenten: Einfach eine SMS senden und ein komplettes Unternehmen gründen und betreiben

Der renommierte Inkubator Y Combinator hat den "Locus Founder" AI-Agenten vorgestellt. Die Nutzer müssen lediglich über iMessage, SMS oder Telegram eine Nachricht senden, die ihre Geschäftsidee beschreibt, und die KI übernimmt automatisch den gesamten Prozess der Unternehmensgründung, -führung und USDC-Zahlungsabwicklung. Von der Produktidee bis zum tatsächlichen Betrieb, alles wird von der KI autonom erledigt.

Warum das wichtig ist: Dies ist der radikalste Versuch eines AI-Agenten im Bereich der kommerziellen Anwendungen – KI ist nicht mehr nur ein "Hilfstool", sondern wird zum unabhängigen Akteur im Unternehmensbetrieb, was die Art und Weise des Unternehmertums und die Web3-Zahlungsszenarien grundlegend verändern wird.

#YC #AI #Agent #Web3

Hermes Agent bringt asynchrone Sub-Agenten und Stripe-Zahlungsfähigkeiten auf den Markt

Nous Research gibt bekannt: Das Agent-Framework Hermes Agent erhält zwei bedeutende Updates. Erstens die Funktion für asynchrone Sub-Agenten-Backend-Aufgaben: Nutzer können während der Ausführung des Sub-Agenten weiterhin ganz normal weiterchatten, sodass das Hauptfenster nicht mehr blockiert wird. Zweitens drei Stripe-Zahlungsintegrationsfähigkeiten: Sie können per dem Befehl „hermes skills install“ direkt installiert und genutzt werden.

Warum das wichtig ist: Asynchrone Sub-Agenten machen paralleles Multitasking möglich. In Kombination mit den integrierten Zahlungsfähigkeiten entwickelt sich der KI-Agent von einem Dialogtool hin zu einem autonomen System, das ausführbare Geschäftsprozesse umsetzt.

#HermesAgent #AI #Agent #Web3

【Datenfluss】AI-Agent-Token: Was können uns On-Chain-Daten verraten?

Kürzlich haben die Token im AI-Agent-Sektor stark abgeschnitten, aber die FOMO-Stimmung nimmt auch zu. Lassen Sie uns mit On-Chain-Daten einen "Check-up" für diesen Sektor durchführen.

📊 Kernmetriken im Blick:

1️⃣ Konzentration der Bestände (Anteil der Top 10 Adressen)
Je höher die Konzentration der Token-Halter, desto niedriger die Kosten für das Pumpen, aber desto höher das Risiko für Verkaufsdruck. Die meisten Token im AI-Agent-Sektor haben einen Anteil der Top 10-Halter im Bereich von 30-60%, was als mittelmäßig angesehen wird.

2️⃣ Aktivitätsgrad der Vertragsinteraktionen
Die letzten 30 Tage der Vertragsaufrufe im Vergleich zum 90-Tage-Durchschnitt: Führende AI-Token haben um 2-5 mal zugenommen, was darauf hindeutet, dass die tatsächliche Nutzung zunimmt und nicht nur Spekulation ist.

3️⃣ Veränderungen bei den Wale-Positionen
Durch On-Chain-Labels verfolgen wir bekannte Wale-Adressen. In den letzten 7 Tagen wurden die meisten Netto-Käufe bei $FET , $GRASS und anderen etablierten AI-Token verzeichnet, während neuere Narrativ-Token netto abflossen.

4️⃣ Liquiditätsabdeckungsrate
CEX-Einzahlungsadressen-Bilanz / durchschnittliches Handelsvolumen pro Tag. Ein höheres Verhältnis deutet auf eine stärkere Liquidität hin. Ein gesunder Bereich ist > 3x.

🔍 Fazit:
Der Sektor ist insgesamt heiß, aber die interne Struktur ist differenziert – etablierte AI-Token haben echte On-Chain-Daten als Unterstützung, während neuere Narrativ-Token eher von einem Kapitalumlauf-Effekt profitieren.

Handelsempfehlung: Vorsicht beim Nachkaufen, konzentrieren Sie sich auf die Objekte mit kontinuierlich wachsender On-Chain-Aktivität und nicht nur auf den Hype um Konzepte.

#AI #Agent #链上数据 #Krypto-Investitionen

📰 Kryptomarkt-Highlights im Schnellüberblick

1. OpenRouter veröffentlicht die Fusion-Compound-Modell-Schnittstelle
OpenRouter hat kürzlich eine Fusion-Compound-Modelllösung vorgestellt: Sie verteilt denselben Prompt parallel an mehrere Large Language Models und integriert anschließend über einen „Richter“- und ein Synthese-Modell die finale Antwort. Aktuelle Benchmarks zeigen, dass die Zusammenarbeit mehrerer Modelle bei komplexen Reasoning- und Deep-Research-Aufgaben deutlich besser abschneidet als ein einzelnes, traditionelles Modell. Das unterstreicht den Wert von „komplementären Perspektiven“. Besonders im Fokus steht, dass diese Lösung es ermöglichen könnte, bei geringeren Kosten Ergebnisse zu erzielen, die nahe an Closed-Top-Modelle herankommen – und die Entwicklung der KI-Infrastruktur in Richtung „Model Orchestration + Ergebnis-Synthese“ beschleunigt.

2. Multi-Model-Mix verbessert das Preis-Leistungs-Verhältnis – ein Branchenthema
Aus offenen Testergebnissen geht hervor, dass Kombinationen von Modellen verschiedener Anbieter bei anspruchsvollen Aufgaben stärker sind: Sie erhöhen sowohl die Stabilität der Antworten als auch die Abdeckung des Reasonings. Bemerkenswert ist zudem, dass selbst bei der Kooperation zweier Pfade desselben Modells mit anschließender Selbst-Synthese die Punktzahl deutlich steigt. Das deutet darauf hin, dass Compound-Reasoning sich vom reinen „Parameter-Aufblähen“ hin zu „besserer Orchestrierung“ bewegt. Zukünftig könnte das stärkeres Interesse an der Reasoning-Schicht, der Middleware-Schicht und Plattformen für die Aggregation von KI-Services nach sich ziehen – die relevanten technischen Wege sollten daher kontinuierlich beobachtet werden.

3. Databricks open-sourct Omnigent für Agenten-Governance
Databricks hat kürzlich das Open-Source-Framework Omnigent veröffentlicht: Es unterstützt den Betrieb auf mehreren vorhandenen Agent-Tools und überführt Agenten aus unterschiedlichen Frameworks in interoperable Komponenten, um Schnittstellen-Zersplitterung und Koordinationsschwierigkeiten zu reduzieren. Der Kernnutzen liegt darin, dass zustandsbehaftete Sicherheitsstrategien bereits in der Orchestrierungs- bzw. Metaschicht ausgeführt werden – man ist also nicht nur auf Prompt-Constraints angewiesen. Für den Unternehmenseinsatz von KI werden solche Infrastrukturen mit Fähigkeiten zur Orchestrierung über Agent-Grenzen hinweg, zur Rechteprüfung und zu Prozessinterventionen zu einer wichtigen Grundlage für die Bereitstellung von Agentensystemen.

4. Sicherheitsfreigabe und Kostenkontrolle werden Schwerpunkte bei der Agenten-Implementierung
Omnigent stärkt außerdem Echtzeit-Risikokontrolle, Budgetmanagement und Kollaborationsfähigkeiten. Beispielsweise kann der Prozess nach Erkennung riskanter Aktionen unterbrochen und eine manuelle Freigabe angefordert werden; ebenso kann das System Aufgaben automatisch pausieren, wenn die Kosten für den Modellaufruf eine festgelegte Obergrenze erreichen. Gleichzeitig bietet es sandboxierte Interception von Netzwerkrequests sowie Funktionen für gemeinsam genutzte Sessions im Team. Das verdeutlicht, dass Agent-Anwendungen sich von „Können wir die Aufgabe erledigen?“ hin zu „Sind sie kontrollierbar, auditierbar und gut kollaborierbar?“ entwickeln. Dieser Trend dürfte dazu führen, dass Unternehmen AI-Governance, Kostenmonitoring und den Aufbau von Compliance-Infrastruktur stärker priorisieren.

#AI #Agent #crypto

Die Universitäten Cambridge und Chicago haben DecentMem veröffentlicht: Dezentraler Speicher erhöht die Effizienz der Zusammenarbeit von Multi-Agenten um 24%

Die Teams der Universitäten Cambridge und Chicago haben das Multi-Agenten-Speicherframework DecentMem veröffentlicht, das dezentralen privaten Speicher anstelle von traditionellem globalem Shared Memory verwendet. Die Forschung hat ergeben, dass Shared Memory dazu führt, dass Agenten auf ähnliche Entscheidungswege konvergieren, während DecentMem durch die Beibehaltung des privaten Speichers jedes Agenten kognitive Unterschiede aufrechterhält. In den Tests mit AutoGen, DyLAN und AgentNet hat DecentMem im Vergleich zur zentralisierten Speicherbasis im Durchschnitt um 8,6% verbessert, im besten Szenario sogar um 23,8%, während der Token-Verbrauch halbiert wurde.

Warum das wichtig ist: DecentMem löst das Kernproblem der "Fehlfunktionen bei der Arbeitsteilung" in Multi-Agenten-Systemen auf struktureller Ebene und ebnet den Weg für ein effizienteres Kooperationsnetzwerk von KI-Agenten.

#AI #多智能体 #开源 #Agent

Databricks Open-Source-Agent-Meta-Deployment-Tool Omnigent, das die Herausforderungen der Zusammenarbeit und Sicherheitskontrolle von mehreren Agenten löst

Databricks hat das Agent-Meta-Deployment-Framework Omnigent unter der Apache 2.0-Lizenz als Open Source veröffentlicht. Es läuft auf bestehenden Tools wie Claude Code, Codex und Pi und kann Agenten aus verschiedenen Frameworks in interoperable Systemkomponenten umwandeln. Omnigent implementiert auf der Meta-Deployment-Ebene direkt zustandsbehaftete Sicherheitskontrollen, unterstützt das Abfangen von git push-Aktionen nach dem Herunterladen von npm-Abhängigkeiten durch die Agenten und fordert eine manuelle Genehmigung an oder setzt Kostenobergrenzen für LLMs, die bei einem kumulierten Betrag von 100 Dollar den Betrieb pausieren. Das Framework integriert außerdem eine Sandbox für Netzwerkrequests, um die Offenlegung sensibler Informationen zu verhindern.

Warum es wichtig ist: Omnigent schließt die Interoperabilitätslücke im Bereich der Multi-Agenten-Orchestrierung und bietet die entscheidende Sicherheitsinfrastruktur für den Übergang von AI-Agenten von Experimenten zur unternehmensweiten Bereitstellung.

#Databricks #AI #Agent #OpenSource

📰 Krypto-Markt Hotspot Update

1. Nvidia Blackwell setzt neuen Maßstab für die Energieeffizienz von Agent-Hardware
Die neuesten Benchmarks von aa-agentperf zeigen, dass Nvidia Blackwell in Szenarien mit Agentenlasten signifikant überlegen ist. Die Tests basieren auf der Wiedergabe echter Programmierverläufe und messen die Anzahl der gleichzeitigen Agenten, die mit einem Megawatt Energieverbrauch unterstützt werden können. Die Ergebnisse zeigen, dass der GB300 NVL72 unter dem gleichen Strombudget etwa 61.400 gleichzeitige Agenten tragen kann, was eine Steigerung von über 20-fach im Vergleich zum H200 bedeutet, und die Einzelkarten-Gleichzeitigkeit ebenfalls erheblich verbessert wurde. Das bedeutet, dass die Infrastrukturkosten für Hochlastszenarien wie AI-Agenten, automatisierte Programmierung und Kundenservice voraussichtlich weiter sinken werden, während der Wettbewerb um die Recheneffizienz an Fahrt gewinnt.

2. Wettbewerb um AI-Infrastruktur nimmt zu, AMD sieht sich größerem Leistungsdruck gegenüber
Aus den Ergebnissen der Tests zur Agentenhardware wird deutlich, dass der Fokus des Marktes von reinem Training auf Effizienz bei der Inferenz, gleichzeitigen Belastungen und der Energieausbeute umgeschaltet hat. Nvidia Blackwell hat durch sein flüssigkeitsgekühltes Rack-System und die hohe Dichte in der Bereitstellung einen stärkeren Vorteil in Szenarien mit Agentenanwendungen geschaffen und setzt AMD und andere Konkurrenzprodukte unter Druck. Für den Kryptomarkt bedeutet dies, dass das Interesse an der AI-Rechenleistung weiterhin die Stimmungspreise für GPUs, Rechenzentren, Energieressourcen und AI-Asset-Konzepte beeinflussen könnte, während das Kapital sich mehr auf die neue Erzählung „effiziente Inferenz“ konzentriert.

3. OpenRouter testet Subagent-Tool und fördert die Zusammenarbeit mehrerer Modelle
OpenRouter hat kürzlich das serverseitige Proxy-Tool openrouter:subagent eingeführt, das es dem Hauptmodell erlaubt, während des Generierungsprozesses spezifische Unteraufgaben an kleinere, kostengünstigere Modelle zu delegieren, die dann die Ergebnisse zurückliefern. Dieser Mechanismus hilft, die Kosten für Aufrufe zu senken, während die Gesamtwirkung gewährleistet bleibt, und erhöht die Flexibilität bei der Ausführung komplexer Aufgaben. Wenn das Arbeitsmodell Tools wie Suche oder Crawler integriert, kann es zunächst Recherchen und mehrstufige Inferenz durchführen, bevor es das Ergebnis an das Hauptmodell zurückmeldet. Dies zeigt, dass sich AI-Anwendungen von „Einzelmodell-Antworten“ zu „Multi-Agent-Kooperation“ entwickeln.

4. Subagent-Architektur verstärkt die Praktikabilität, aber das Kontextmanagement bleibt entscheidend
Es ist wichtig zu beachten, dass das Subagent-Modell nicht vollständig automatisiert ist. Das Arbeitsmodell kann den Kontext des Hauptmodells nicht direkt lesen, daher muss das Hauptmodell den vollständigen Hintergrund in der Aufgabenbeschreibung bereitstellen, da sonst die Ausführungsqualität beeinträchtigt werden könnte. Um unendliche Rekursionen und Ressourcenverlust zu vermeiden, hat OpenRouter gleichzeitig Schutzmaßnahmen wie das Verbot von Selbstreferenzen, die Begrenzung der Verschachtelungstiefe und eine Obergrenze für die Gesamtzahl der Aufgaben eingeführt. Insgesamt sind solche Tools besser für Entwickler und Unternehmens-Workflows geeignet und könnten zukünftig die Bereitstellung kostengünstiger AI-Agentenprodukte beschleunigen und das Marktinteresse an der Agenten-Sparte weiter steigern.

#AI #Agent #Nvidia

OpenRouter bringt das Subagent-Tool heraus: Große Modelle können während der Generierung Subtasks an kleinere Modelle weitergeben

OpenRouter hat das serverseitige Proxy-Tool openrouter:subagent eingeführt, das es großen Modellen ermöglicht, während der Inhaltserstellung unabhängige Subtasks an kostengünstigere, kleinere Kandidatenmodelle zu delegieren. Die Ergebnisse der Subtask-Ausführung werden in Form von Outcomes an das Hauptmodell zurückgegeben. Das Arbeitsmodell kann außerdem mit Online-Suchfunktionen, Web-Scraping und anderen unabhängigen Tools ausgestattet werden, um in einer Sandbox-Umgebung mehrstufige Schlussfolgerungen zu ziehen. Um unendliche Rekursionen zu vermeiden, hat OpenRouter eine Begrenzung der Verschachtelungstiefe und eine feste Obergrenze eingeführt.

Warum das wichtig ist: Der Subagent eröffnet ein neues Paradigma der Aufgabenkooperation zwischen Modellen, was die Kosten für die Schlussfolgerung komplexer Agentenaufgaben erheblich senken wird.

#AI #OpenRouter #人工智能 #Agent