一、AI Coding
1. OpenAI Codex 全开源 Harness 范围厘清:不是"开源模型",而是"把整套执行层交出"
事件:10-31,技术社区对 openai/codex 仓库做系统性核验:官方仓库已迭代至约 13.2 万 Star(Apache-2.0,Rust 工作区,100+ crate),覆盖 CLI 与 Agent 核心、Skills 系统、沙箱与审批、App/Exec Server、插件/MCP/Hooks、以及 TypeScript/Python SDK,足以作为研究现代编码 Agent Harness 的一手样本。需澄清的边界是:模型权重、Codex 云端后台与托管服务不在同一开源范围内——本地运行仍需可用的模型与认证路径。
为什么值得关注:市场常把它简化为"OpenAI 开源了 Codex",但更严谨的结论是:OpenAI 持续公开维护的这套 Harness,如今已覆盖"任务如何接、上下文如何管、工具如何暴露、危险操作如何拦截、过程如何可追溯"的完整工程面。未来编码 Agent 的竞争不会只发生在模型榜单,而在 Harness 的可靠性、安全性、可扩展性与开发者体验;能研究、修改、嵌入这套开源执行层,等于拿到了现代 coding agent 的"整车图纸",而非只抄一段 prompt。
2. Vercel 发布 agent-desktop 1.0.2:用"无障碍树"而非"截图像素"给任意 Agent 桌面 Computer Use
事件:10-30 / 10-31,Vercel Labs 推出 agent-desktop(Rust 编写、Apache-2.0,Chris Tate / agent-browser 作者),1.0.0 于 10-27 加入 Linux 支持、1.0.2 于 10-30 跟进。它读取 macOS Accessibility API / Windows UI Automation / Linux AT-SPI 的系统无障碍树,以 JSON 返回每个可操作元素的稳定 ref,Agent 按 ref 点击/输入后再快照核对,不做像素匹配;默认无头、多 Agent 可各带一个光标并行用电脑。
为什么值得关注:Computer Use 此前的主流路线是把截图丢给视觉模型去"猜坐标",确定性差、成本高。agent-desktop 把"观察"从像素提升到结构化语义树,带来三点确定性收益——元素 ref 跨调用稳定不漂移、文本树比全分辨率图便宜得多、UI 变化返回 STALE_REF 让 Agent 重新快照而非点错行。这对 coding agent 是"能真正操作 IDE、桌面应用、真机模拟器"的底层能力补完,也把"多 Agent 并行开发同一移动应用、互不抢资源"变成可工程化的现实。
3. Callstack Simlock 0.4.0 走红:给"多 Agent 并行开发移动 App"配一台设备调度控制面
事件:10-30 随 npm 上 simlock 0.4.0 发布而走红(Callstack 工程师推文获 800+ 赞),Simlock 是移动测试设备的"控制平面":当多个 AI 编程 Agent 并行开发同一个移动应用时,每个 Agent 可独占租用一台 iOS 模拟器、Android 模拟器或已登记的真机,而不是大家挤在同一台模拟器上互相干扰。
为什么值得关注:这是 coding agent 从"单 Agent 写代码"走向"多 Agent 协同交付"的配套基建信号。当 Agent 能并行改同一个工程,瓶颈就从"模型会不会写"变成"执行环境能否隔离、资源能否按需分配"。Simlock 把移动端 CI/真机测试从"人工排队"变成"Agent 自助租用",与 agent-desktop 的并行光标、Codex 的沙箱审批同源——都是在解决"让 Agent 规模化、互不干扰地干活"这一共同命题。
4. Hermes Agent Plugin Pack 发布:把"配额 / 卡死工具 / 推理预算"做成可复现的插件
事件:10-31,Hermes Agent 推出 Plugin Pack:统一 provider 配额、stalled-tool(卡死工具)控制、reasoning / iteration 预算、RSS Reader,全部可通过 SHA-pinned 插件可复现部署。
为什么值得关注:这是把"Agent 运行时治理"进一步产品化的小但值得记的一笔——当 Agent 7×24 跑任务,真正消耗预算和惹祸的往往是"卡死的子工具""失控的推理循环""散落的第三方 provider 额度"。Hermes 用 SHA-pinned 插件把治理策略固化、可复现,呼应本期主线(Codex 沙箱审批、agent-desktop 无头隔离):coding agent 的竞争正从"谁更聪明"沉降到"谁更可控、可审计、可复现"。对正在自建 Agent 工作流、又关心供应链确定性的团队,这类治理插件值得纳入基线。
5. Apache Doris Summit 2026:Capy Agent 把"对话你的数据"做成免费自托管分析 Agent
事件:10-31,Apache Doris Summit 2026 上,Doris 与 SelectDB 创始人马如悦宣布免费、自托管的 Web 工具 Capy Agent 将于当日发布,定位企业级分析 Agent:基于 Web 私有化部署、企业级大模型/数据源接入集中管控、精细化权限隔离与全链路安全审计;创新引入 Markdown 文件系统上下文层(把 Schema/指标语义/业务 SOP/ Agent 规则抽象为结构化 Markdown 目录树,渐进式读取),并将复杂分析任务准确率从 17% 提升至 86%,攻克传统 MCP 协议导致上下文窗口溢出的痛点。
为什么值得关注:这是 coding/数据分析 Agent 在"企业落地"侧的样本——通用 coding agent 解决"写代码",而 Capy Agent 解决"让业务人员用自然语言查数据且可信"。它把"Markdown as Dashboard + Coding MCP + 上下文层"组合,直接命中企业最怕的两件事:准确率太低、与私有数据耦合后泄密。对受数据出网约束的政企/金融行业,这种"自托管 + 集中管控 + 全链路审计"的分析 Agent,比把数据喂给公有云 chat 更可落地。
二、具身智能
6. 清华联合无问芯穹、智元提出 CEL 群体经验学习:让机器人"互抄作业",96 台集群验证超人类操作员
事件:10-30 发布、10-31 文汇报等报道,清华大学、无问芯穹与智元联合提出群体经验学习范式 CEL(Collective Experience Learning):机器人不再只靠人类逐台示范,而是把同伴真实作业中的成功/失败经验存入共享经验池、跨机复用;在 96 台真实机器人集群中验证,插花、叠衣、手机充电、凳子组装、手机包装五项任务成功率全部超过 6 名人类远程操作员平均水平(最高领先 16.7 个百分点),其中手机包装从 79.2% 提升至 98.3%,参与训练的机器人从 16 台增至 96 台时成功率从 86.7% 升至 98.3%。
为什么值得关注:这直击具身智能规模化的核心卡点——机器人可以成百上千台部署,但能教它们的熟练人类操作员不会同步"增产",人类示范采集效率必然成为瓶颈。CEL 把"学习对象"从人教换成"同伴教",并配套失败引导经验检索微调 + 容错异步训练系统(96 台实验累计 9834 轮采集、30 起故障仅损耗 1.3% 机时),验证了"机器人越多→经验越厚→能力越强"的飞轮。这是继"世界模型/数据闭环"之后,又一个把具身从"单台炫技"推向"集群进化"的可工程化路径。
7. 复旦"旦宝"纯视觉端侧大脑机器人登上人民日报:1.2 亿参数、20W 以内功耗、不靠预建图自主逛展
事件:10-31《人民日报》06 版报道,复旦大学未来信息创新学院与极目天舒团队联合研发的"旦宝"机器人,搭载纯视觉端侧大脑,把移动与抓取统一归约为"导航"问题,由一枚约 1.2 亿参数的视觉空间智能导航模型驱动;可在 20 瓦以内功耗支持最多 8 路视觉输入的端侧实时运行,不依赖预建地图、预设程序或遥控,仅凭"眼睛"在工博会复杂人流中自主找路、主动避让。
为什么值得关注:这是"端侧算力下沉到本体"的具身样本——当前多数具身导航大模型数十亿参数、依赖离机推理,难以直接部署到机器人本体;"旦宝"用 1.2 亿参数 + 20W 以内功耗把"实时理解环境并自主决策"搬上端侧,意味着机器人摆脱对云端/预建图的依赖,走向真正的"自主"。对具身上游(端侧 AI 芯片、低功耗视觉 SoC)与能源视角而言,这条"低算力、高智能"路线若被验证,将把机器人的 BOM 与功耗成本结构性拉低,是比"堆参数"更贴近规模部署的解法。
8. 11 月具身发布日历密集:Figure 02 工业版、Sanctuary RFM-004、宇树 A2/H1 Pro 排队登场
事件:据行业发布日历,11 月将迎来一波具身新品节点——Figure AI 11-10 发布 Figure 02 工业版本(负载 100+ 磅、专用工业末端执行器、汽车供应商首批 500 台订单、2027 Q1 部署);Sanctuary AI 11-18 商业发布 RFM-004(首批 500 台分配给北美企业客户);宇树 11-20 启动 A2 人形批量发货(首批 500 台面向仓储/物流)、11-25 推出 H1 Pro 封闭 Beta(为 2027 Q1 全面商业化收集真实部署反馈)。
为什么值得关注:这是把"量产关后是部署关"从判断变成排期表——头部厂商把 2026 下半年的"下线能力"正式转化为 2027 上半年的"真机部署承诺",且首批量产订单已落在汽车、仓储、物流等可量化 ROI 场景。对供应链与上游(关节、丝杠、端侧算力、视觉传感器)而言,这批 11 月节点的交付节奏,是检验"万台级产能是否真能转化为真机上岗"的第一块试金石;也是资本市场重新定价"具身从概念到订单"的关键窗口。
跨主线(算力 / 能源 / 投资视角)
端侧算力下沉成双线共识:agent-desktop(桌面无头)、Codex 沙箱审批、Hermes 治理插件在 coding 侧把"执行留本地、推理可上云"固化;"旦宝"在具身侧把"1.2 亿参数 + 20W"的端侧大脑跑通。端侧 AI 芯片 / 低功耗 SoC 的需求锚进一步前移。
具身数据闭环两条路径并行:CEL(集群互学)与"旦宝"(端侧自主)分别从"经验共享"与"本体智能"两端逼近"规模化可部署",而 11 月发布潮把验收标准从"会不会动"压到"能不能稳定上岗、算清 ROI"。
投资以官方披露为准:Figure/Sanctuary/宇树 11 月节点、CEL/旦宝 技术数据均为厂商/论文/媒体口径,下单与产能以官方公告为准;能源侧关注端侧算力功耗与机器人量产带来的用电/储能增量。
一句话总结
双轨收敛于"可信·可负担·可规模交付":Coding 侧 OpenAI 开源 Codex 整套执行层、Vercel 用无障碍树把桌面 Computer Use 从"猜像素"升级为"确定性 ref"、Callstack 与 Hermes 补齐多 Agent 调度与运行时治理,Capy Agent 把企业分析做成自托管可审计;具身侧清华 CEL 以"机器人互学"击穿人类示范瓶颈、复旦"旦宝"以 1.2 亿参数+20W 端侧大脑跑通自主导航,11 月 Figure/宇树密集发布更把竞争从"下线多少台"压向"真机上岗、算清 ROI"——把能力翻译为可控、可负担、可规模化的工程与治理,方为下一阶段胜负手。