全站搜索

Anthropic 宣布与 Accenture 建立合作，开展前沿 AI 独立嵌入式评估。合作由 Accenture 旗下 Faculty 牵头，双方预计未来五年各投入至少 10 亿美元建设能力。嵌入式评估者将在 AI 公司内部工作，但目前尚无相关标准和独立资助体系。

2026年5月19日，KPMG宣布与Anthropic达成全球联盟，将Claude嵌入其核心业务平台Digital Gateway，并向全球超过276,000名员工提供Claude访问权限。联盟还涉及私募股权领域合作及网络安全应用。

OpenAI News 披露，Cognition 正利用 GPT‑6 Astra 增强 Devin 测试自身工作的能力，旨在帮助工程师减少代码审查并加速交付。

Anthropic于2025年11月7日宣布计划在巴黎和慕尼黑开设新办公室，进一步拓展欧洲业务。公司披露EMEA地区员工数增至三倍，run-rate收入增长超9倍，大型企业账户增长超10倍。

Hugging Face 趋势榜出现一个面向网络安全、红队与渗透测试场景的文本生成模型 dealignai/GLM-5.3-CYBERSECURITY-FP8，采用 FP8 量化与 MoE 架构，基于 JANGQ-AI/GLM-5.3-FP8 衍生，标签显示经过 abliterated 与 refusal-removed 处理，支持多语言，目前下载量 28328，点赞 380。

Anthropic 宣布其 Frontier Red Team 与美国能源部国家核安全管理局（NNSA）及 DOE 国家实验室共同开发了一个 AI 内容分类器，用于区分需关注与良性的核相关对话，初步测试准确率为 96%，并已部署在 Claude 流量上。Anthropic 计划将该做法分享给 Frontier Model Forum，作为其他 AI 开发者与 NNSA 合作实施类似防护措施的蓝图。

微软于2026年9月1日发布其第三份年度负责任AI透明度报告，展示在AI治理、技术风险管理、实用工具和生态合作方面的进展，重点包括适应性治理框架、针对智能体AI的控制措施，以及跨机构合作推动标准与评估互操作性。

Anthropic 重新部署 Claude Fable 5 并向全球用户开放，同时公开了其网络安全分类器的四类划分，并提议一套评估 AI 越狱严重性的 CJS 框架，旨在为行业提供一致的风险沟通语言。

Anthropic宣布与塔塔咨询服务公司（TCS）建立合作伙伴关系。TCS将向其5万名员工提供Claude，并基于Claude为金融、医疗、公共部门等受监管行业构建产品，同时加入Claude Partner Network。

Anthropic发布报告，分析2025年3月至2026年3月间832个因恶意网络活动被禁的账号，映射至MITRE ATT&CK框架。报告指出，AI使攻击者更危险、攻击更自主，且现有框架未完全捕捉AI赋能攻击者的工具与活动。中高风险攻击者占比从33%升至56%，AI使用从初始访问转向入侵后阶段。

该 GitHub 仓库包含 Amazon Quick API 脚本和模板，可作为使用 Amazon Quick 各组件的起点。配套的 AWS 官方博客文章详细介绍了 Quick Research、Quick Flows、Quick Sight、chat agents 和 action integrations 的提示工程模式与陷阱：Quick Research 需明确目标、受众和关注领域，并拆解子问题、限定来源；Quick Flows 需具体说明 what/when/where，用编号步骤表达复杂逻辑，并通过对话迭代优化；Quick Sight 查询应包含业务问题、指标、维度、时间范围、可视化类型和附加分析；chat agents 需定义清晰身份、连接匹配知识源、设置回退指令并设计具体示例提示；action integrations 需要完整参数、明确动作顺序，并对破坏性或批量操作加入审核步骤。文章还列出了通用及组件特定陷阱，并建议按周推进基础、组件聚焦、高级技术和规模化分享。

该项目给出了一个基于 AWS CDK 的事件驱动参考架构：文件上传至 Amazon S3 后触发 Lambda，在 Amazon DynamoDB 中登记元数据并启动 Amazon Bedrock Data Automation 处理任务；处理完成后由 EventBridge 触发第二个 Lambda 将结果写入 S3 输出桶。Salesforce 侧 Agentforce 通过 MCP Streamable HTTP 连接 Amazon Bedrock AgentCore Gateway，经 Cognito 鉴权后调用 MCP 服务器，返回结构化洞察注入智能体上下文。Bedrock Data Automation 可按文档、图像、视频、音频分别抽取文本、生成摘要、描述、转录和场景级摘要。架构设计为模块化，可扩展到许可审批、福利申请、合规审查等非结构化数据密集的公共部门工作流，同时支持用 GenAI IDP Accelerator 替换处理引擎。示例代码明确标注为非生产就绪，需自行审查加固，并提示间接提示注入风险及 Guardrails、allowlist 等安全措施。

夸克AI（官方名称：夸克）提供AI搜索、AI助手与浏览器功能，并结合PDF处理和文件工具，适合学习、办公及资料检索。

剪映是提供 AI 辅助能力的视频创作与剪辑工具，支持视频生成、字幕和音频处理、智能抠像等功能。

HCLS Agent Skills 是一套面向医疗与生命科学（HCLS）领域的开源 Agent 技能集合，包含 38 个 SKILL.md 结构化 Markdown 文档，覆盖基因组学、药物发现、理赔运营、医学影像等 11 个领域，采用 MIT-0 许可。每个技能在 YAML frontmatter 中声明触发器、依赖和元数据，通过渐进式披露按查询激活，编码领域决策框架、参数表、代码模式和验证标准。技能分为推理技能（如 ACMG/AMP 变异分类框架）和流水线技能（如 GATK4 变异检测命令）。在 AWS 的评测中，配备技能的 Agent 与无技能 Agent 进行成对比较，总体胜率为 69.5%–85.9%，批判性思维维度提升最显著（d=0.65–1.03），输出方差最高降低 61.9%。技能可跨 20 多个服务使用，包括 Amazon Bedrock AgentCore、AWS Strands Agents SDK、Kiro、Amazon Quick Desktop、Claude Code、OpenAI Codex 等。仓库还提供定制指南、设计指南、质量检查清单和评测框架，支持团队按需修改并验证效果。

Amazon Bedrock AgentCore SDK (Python) 提供了将多模型 AI Agent 部署到 Amazon Bedrock AgentCore runtime 所需的集成能力。它采用框架无关的 BYO（bring-your-own）方式，开发者只需在现有 Agent 代码中添加装饰器（BedrockAgentCoreApp、@app.entrypoint、app.run()），即可将 Agent 部署到完全托管的运行时环境。AgentCore runtime 自动管理容器编排、扩缩容、身份和可观测性，降低了基础设施运维开销。该 SDK 支持多模型后端编排，常见组合包括 Amazon Bedrock 上的基础模型（如 Meta Llama 3.1 70B Instruct）、Amazon SageMaker AI 上的领域模型（如 BioM-ELECTRA-Large-SQuAD2）以及容器化模型服务器；并可通过 Amazon OpenSearch Service 实现向量增强的知识检索。此外，该 SDK 兼容 Hugging Face Messages API，能统一不同模型服务的请求与响应格式。迁移到 AgentCore runtime 后，核心 Agent 逻辑保持不变，团队可将精力集中在 Agent 开发上。

Amazon Quick Automate 可协调跨部门、系统、UI/API 及第三方应用的智能体团队，支持从自然语言描述生成生产就绪的自动化流程。最佳实践包括：先识别正确流程并重构目标流程，删除不必要步骤；设计职责清晰的聚焦型智能体，限制其工具和操作范围；使用 Structured Output 定义返回数据的精确结构；将智能体步骤与确定性步骤（代码步骤、控制流）结合；在高风险场景使用阻塞式或非阻塞式人工审核；基于历史数据构建评估集，利用自定义单元测试隔离验证单个智能体；通过执行日志和 CloudWatch 指标实现可观测性；支持服务认证和基于用户的三方 OAuth。

Amazon Bedrock AgentCore 提供运行时基础设施，支持容器化智能体、持久内存、安全网关和外部工具集成。该服务允许团队使用任何框架或模型构建智能体，并通过事件驱动架构部署到生产环境。两个参考实现展示了其能力：一是从 SQL 架构自动生成 Mermaid ER 图，二是通过多智能体架构进行代码安全分析。两者均利用 AgentCore runtime、AgentCore Gateway 和 AgentCore memory 等核心能力，并支持 OpenTelemetry 追踪和 Amazon Cognito M2M 认证。

ADOP 是 AWS 发布的代理式数据运营平台参考架构，利用 Amazon Bedrock 和 AI 编码工具（Claude Code、Kiro、Cursor、Codex）在开发环境中自动生成确定性数据管道工件，如 PySpark、SQL、Airflow DAG、IAM 和 Cedar 策略。代理在开发阶段运行，通过 CI/CD 将审核后的工件提升到生产环境，生产运行时默认不调用模型，保证可审计性。ADOP 内置架构契约、决策引擎、护栏和内联合规控制，确保所有工程师和 AI 工具遵循统一的企业标准。它支持本地优先开发，并可扩展到 Amazon Bedrock AgentCore 托管运行时，适用于企业数据接入、受监管管道、AI-ready 数据层自动维护和多工具 AI 开发治理等场景。

HarnessRouter 是一个面向 Agent Harness 的统一接口工具，旨在解决不同 Harness 之间请求/响应格式互不兼容的问题。它提出并实现了 Unified Harness Protocol (UHP)，标准化应用与 Harness 之间的交互，覆盖 Harness 选择与配置、任务执行、事件流、会话启停与恢复、工件管理与交付、失败处理等能力。用户可通过 Docker 镜像在本地快速启动 HarnessRouter，在 Web 界面中添加模型供应商凭据，并配置 Codex、Claude Code、Hermes 等基础 Harness，支持自定义指令、MCP 工具和技能。项目还提供 AGENTS.md 和 starter kits，演示 PPT、电子表格、BI 仪表盘和视频生成等典型 Agent 产品，帮助开发者在统一协议的基础上快速集成和构建 Agent 应用。

小型时尚电商、二手服装平台及独立卖家常因人工抠图或昂贵API而效率低下，难以处理复杂背景。随着Meta开源SAM模型，本地部署可大幅降低分割成本，2025年SAM 3/3D增强带来技术窗口。我们提出一个SaaS/API工具，基于SAM自动分割服装并输出透明背景图或轻量3D模型，支持批量处理。本机会研究旨在帮助创业者低成本验证这一方向，但需注意技术效果与市场需求的不确定性。

大型企业CMO和营销副总裁正从AI试点转向规模化运营，面临董事会压力需证明AI投资的实际业务价值。但营销团队使用25-30个断开的应用程序，AI试点无法端到端集成，传统归因模型失效。这为构建一个跨职能AI工作流整合与价值衡量平台创造了窗口期，但需先验证客户是否愿意外部购买而非自建。

针对中小型企业IT运维和DevOps团队，TLS/SSL证书过期常导致服务中断和安全告警。本机会研究提出一个SaaS代理方案，利用AI代理自动发现、监控并预测证书过期，通过API自动续期，同时保留人工审批。当前AI代理信任度上升（81.5/100），且人类监督需求明确，适合采用人机协作模式，但需注意自动续期失败及客户信任等风险。

面向全球电商卖家和内容营销团队，基于开源模型LFM2.5-2.6B构建多语言营销文案生成SaaS，解决多语言市场内容创作耗时且本地化不足的问题。该模型支持16种语言并拥有较高社区下载量，但尚未出现针对营销场景的垂直应用，存在窗口期。本机会研究提供启动成本、验证方法和风险提示，供创业者评估。

使用NVIDIA TensorRT部署模型的AI工程师和MLOps团队，在模型构建耗时数分钟时缺乏进度反馈，难以判断等待或取消。本机会研究提出一个开源库/CLI，为TensorRT构建增加实时进度报告与优雅取消能力，并探讨商业模式与低成本验证路径。

中大型企业的CEO、CTO、CIO等决策者正面临AI战略与业务脱节、治理缺失等挑战。本机会提供基于成熟度模型的AI战略咨询，通过访谈和评估工具定制分阶段路线图。当前大量企业仍处于探索期，是切入市场教育和需求增长的窗口期。

中小企业（50-500人）的员工常因内部信息分散在文档、聊天和数据库中而浪费大量时间搜索。AI与自然语言处理技术已成熟，且微软等提供现成AI基础设施，正是开发垂直解决方案的窗口期。本机会研究提出一个SaaS平台，通过自然语言问答式搜索整合企业知识，帮助员工快速获取关键信息。该机会仍需验证，存在数据安全和客户接受度等风险。

随着AI Agent进入生产环境，基于使用量的计费模式导致成本快速增长且难以预测。本机会研究针对使用多个AI模型的中型企业CTO、IT或财务负责人，提出一个SaaS平台，用于统一监控、分摊和优化AI支出。当前正值企业从试点转向规模化部署，成本治理成为刚需，但需注意云厂商和APM平台的潜在竞争。

面向国家实验室、大学研究中心及工业研发实验室，提供基于开源视觉基础模型（SAM 3、DINOv3）的自动标注服务，解决PB级科学成像数据人工分割耗时数月的问题。当前开源模型与算力条件使小团队也能构建微调管道，将数月的标注压缩至数小时。机会评分62.75，需通过试点验证模型泛化与客户付费意愿。

面向开发和部署前沿AI模型的科技公司，尤其是需要满足透明度和安全审计要求的AI初创企业及中型企业，我们研究了一个自动化生成透明度报告并监控合规风险的SaaS平台机会。随着监管压力和行业倡议增加，AI公司面临高昂的合规成本，手动追踪模型能力、漏洞和部署风险耗时易错。目前该机会处于早期研究阶段，启动成本约15万美元，需通过访谈验证付费意愿。

各团队自行试用生成式 AI，形成分散且不受管理的工具，存在敏感客户与保险数据暴露风险；需要让员工无需深厚技术能力即可自建和使用 AI 代理，同时保持安全、集中治理、成本透明并满足金融行业数据保护与合规要求；基础聊天接口缺乏基于内部数据的上下文响应、多步骤工作流、机构数据集成和集中治理能力。

马里兰州需要提高政府运营效率，帮助居民更便捷地申请福利，并减轻案件工作人员每月人工处理超过150,000份文件的工作负担。

大规模容灾中，选择恢复工作流、确认资产就绪以及处理恢复中的异常（如变更冻结窗口）依赖经验丰富的值班工程师的隐性知识；现有集中式系统 EWOK 解决了执行问题，但未解决决策问题。

Natera 希望改变患者体验，替代人工预约电话；原有系统使用第三方 AI 提供商进行语音交互和编排，存在准确性、可扩展性和对话参与度方面的改进空间。移动采血预约流程要求患者致电、完成身份验证、提供三个偏好日期和服务地点，再由人工团队协调确认，涉及复杂认证和多供应商系统集成。

遗留BI工具下，GoDaddy面临仪表板数量庞大（5,000多个）、渲染时间超过15分钟、基础设施成本上升、集中式BI团队需求超载，难以实现大规模自助分析。

生物研究中的工具碎片化：存在数百种数据库、软件包和协议，研究人员需花费大量时间选择与掌握不同平台，导致实验和分析效率低下。

FBG 在美国多州运营，各州法规不同，客户期望即时准确回复，尤其在赛事高峰时段咨询量巨大。传统决策树聊天机器人无法处理复杂性，导致客户不满和人工成本上升。

大型企业云迁移面临手动发现耗时数周、基础设施代码开发周期长（3-4周/应用）、迁移后运维被动救火等瓶颈，300多个应用组合难以按期完成。

AI 搜索变化导致依赖底部漏斗内容营销的流量和收入下降；同时产品存在年度订阅到期后的流失问题。

Distribb 的网站有一些查询获得了 Google Search Console 展示，但现有页面覆盖的主题过宽，没有针对精确搜索意图的专门内容，导致潜在 AI 展示机会未被利用。

描述商品图的主体、背景、构图和光线，供图片工具参考。

根据具体工作任务整理工具筛选标准和试用步骤。