今天有两组数字放在一起看，很有冲击力。

一边是 Anthropic 宣布为 123 个开源库、239 个入口点生成了约 1.8 亿行形式化证明。另一边，OpenAI 把面向分类、路由、评分的小决策单独做成 Decisions API，声称最高能比通用 Responses API 快 10 倍。

前者把 AI 拉向软件可信度的底座，后者把 AI 压进每一次普通请求的毫秒级路径。Agent 从能不能做事，走到能不能稳定、便宜、可审计地做事。

重点新闻

1. OpenAI 推出 Decisions API，把小决策从大模型对话里拆出来

OpenAI 正式发布 Decisions API，面向分类、路由、评分这类答案边界清晰的任务。官方称，基于 GPT-6 Luna 的该接口，速度最高可达通过 Responses API 调用同模型的 10 倍。

这不是又一个 API 名称的变化。许多 Agent 系统的真实流量，并不都是长链推理。把工单分给哪个队列、判断一次工具调用要不要审批、给检索结果打分，这些动作频率高、结果空间小，却经常被塞进昂贵又慢的通用推理回路。单独的决策层一旦可用，模型路由、风控门禁、A/B 实验都能更像工程系统，而不是每次都向一个全能模型祈祷。

不过这类接口不会替团队做判断。低延迟只解决执行速度，类别设计、阈值、误判后的兜底仍然要由业务自己负责。把一个错误路由放大十倍，同样不是什么好消息。

来源，OpenAI 发布

2. Replit Monitoring Agent 开始碰生产环境，自动修复前仍要先谈边界

Replit 发布 Monitoring Agent。它可以读取生产日志和指标，调查报错、性能变慢和部署失败，并在启用 autofix 后验证修复，再通过邮件汇报。开启 auto-publish 后，它还能自动部署。

这个产品很容易让人兴奋，因为值班工程师最讨厌的往往不是复杂故障，而是凌晨被一堆不完整告警拉起来，在日志、指标和发布记录之间反复对照。一个能把调查链路跑完的 Agent，确实可能省下大量低价值的切换。

但生产环境不是演示场。自动发布若没有权限边界、回滚策略和变更证据，Agent 只是在把一次排障能力升级成一次更快的事故扩散能力。比较靠谱的落地顺序应该是，先让它只读观察，再让它提交可审查的修复，最后才讨论自动合并和发布。

来源，Replit Blog

3. Anthropic 把 Agent Skills 交给 Linux Foundation，标准开始进入基础设施阶段

Anthropic 宣布将 Agent Skills 开放标准捐赠给 Linux Foundation 旗下的 Agentic AI Foundation。此前，MCP 也已进入该基金会。

Skills 看起来只是一个目录里的说明、脚本和资源，但它解决的是 Agent 工程里很实际的问题，能力怎样被发现、加载、复用和审计。没有约定时，每个团队都会重新发明插件格式、上下文文件和安装方式。短期看很自由，长期则是一堆无法互操作的孤岛。

捐给基金会不保证标准马上统一，甚至会带来更慢的协商。但从 MCP 到 Skills，至少有一件事在变，Agent 的差异化会逐渐从私有协议，移到更上层的工作流和产品体验。对开发者而言，这比多一个封闭 SDK 更值得关注。

来源，Anthropic Newsroom

4. 子 Agent 不一定越多越好，Anthropic 给出一个反直觉建议

Anthropic Applied AI 团队发布了一份实践指南，讨论何时应把路由器、规划器和领域子 Agent 合并回单个主 Agent 循环。其对比结论很直接，带 skills 的单 Agent 在质量上常常优于一条提示词包办一切，也优于堆叠多个子 Agent 的方案。

这话会让很多多 Agent 架构图显得有点尴尬。子 Agent 的确能隔离上下文、分配并行任务，也适合职责明确的领域。但每加一层编排，就多一份上下文传递、状态同步和失败归因成本。一个任务本来只需要工具选择，却被拆成规划、委派、汇总、复核四段，最后可能不是更聪明，而是更难调试。

我更认同一个朴素的判断，先把单 Agent 的工具、skills、状态和验收做扎实。只有当并行性、权限隔离或上下文边界确实产生收益，再引入多 Agent。架构复杂度不该是展示 AI 感的装饰品。

来源，Claude Blog

5. Claude 参与 123 个开源库的形式化证明，规模很大，边界也要看清

Anthropic 与 Theorem 合作，将 OSS-Fuzz 的模糊测试转成规格，为 123 个开源库的 239 个入口点生成约 1.8 亿行 Rocq 证明。报告称，证明覆盖任意 64 MB 以下输入不崩溃这一性质。

这件事真正值得盯住的，不是 1.8 亿行这个很适合做海报的数字，而是路径。传统 fuzzing 擅长找反例，却不能告诉你不存在反例。形式化证明反过来追求更强的保证，但人工写规格和证明的成本一直很高。若模型能把测试用例、代码行为和证明助手串起来，安全验证会出现一条比单纯生成补丁更可靠的路线。

也别把它读成开源软件从此安全了。报告限定了入口点、输入大小和不崩溃这一属性。内存安全以外的逻辑缺陷、权限设计和供应链问题，并不会自动消失。可验证的局部进展很珍贵，但它仍是局部。

来源，Anthropic Research

6. PHP2Shell 之后，安全团队拿到的不是轻松，而是更短的响应窗口

围绕 PHP2Shell 的报道仍在持续。OpenAI 发布 Codex 技能，帮助网站运营者检查是否受影响。与此同时，Wiz 披露 LiteLLM 的 PyPI 包曾出现恶意版本 1.107.0，相关 GHCR 和 Docker Hub 标签也被植入风险内容。

把两件事并排看，问题很清楚。AI 可以帮研究者更快发现底层漏洞，也能帮助团队更快做资产自查。但真实世界里的风险面，不只在一段代码，还在依赖、镜像、凭据、版本锁定和发布流水线。攻击者同样可以利用自动化，把污染送进一条看似正常的供应链。

所以，今天值得检查的不是模型能不能找洞，而是团队是否知道生产里到底跑着什么版本，谁能改镜像，出了事怎样把影响范围缩到最小。漏洞发现变快后，修复流程的慢，会变得更刺眼。

来源，OpenAI 的 PHP2Shell 自查技能
来源，Wiz 对 LiteLLM 供应链攻击的披露

值得关注

  • Microsoft AI 发布 SDBench 与 MAI-DxO 诊断系统，论文登上 Science。医疗 Agent 的评估重点开始从一次答对，转向连续诊断过程是否可靠。查看来源
  • Sierra 发布 τ-Entity 基准，覆盖姓名、电话、地址、邮箱等 10 类实体和 200 个任务。语音 Agent 最容易被忽视的，往往就是这些听错一个字符就会造成真实损失的细节。查看来源
  • Claude 将在网页、桌面和移动端默认启用 auto mode。默认自动化提升了流畅感，也把用户对风险提示和撤销能力的要求抬高了。查看来源
  • MiniMax Code 桌面端推出 Mini App 长运行应用，让 Agent 的前后端工作留在常驻页面中。长任务不是多开一个聊天窗口就能解决，状态可见、可恢复才是关键。查看来源

今日思考

今天的新闻表面上很散，有 API、有 Agent 架构、有开源标准，也有漏洞和形式化证明。把它们连起来，主线其实很简单。

AI 正从展示能力，进入承担后果的阶段。

当模型只负责写一段文案，出错的成本很低。当它开始路由请求、读取生产日志、执行修复、处理电话里的地址、为开源库写证明，工程团队就不能只问它聪不聪明。权限怎么收，状态怎么留，结果怎么验，失败怎么回滚，这些更朴素的问题会决定 Agent 最后是帮手，还是一台看起来很忙的风险放大器。

今天那 1.8 亿行证明和 10 倍的接口速度，都是进步。只是别忘了，真正难的那一段，仍然是把它们放进一个经得起失败的系统里。