AI 资讯素材日报 · 2026-08-21

核心摘要

• Hermes Bot Mode、Grok Bot 和 Claude Tag 都把可复用单元从单次会话提升为命名的持久 Agent 身份，但三者分别依赖 Profile 目录、共享计算机和组织服务身份。
  证据：M001-F01 M001-F02 M001-F04

事件背景与上下文

• 文章以 Hermes、xAI 和 Anthropic 的近期产品变化为例，比较命名 Bot 如何在会话之上承载长期配置、记忆和权限。
  证据：M001-F01 M001-F02

关键事实与数据

• Hermes v0.20.4 增加 Sessions/Bots 侧栏并把 Profile 显示为命名 Bot。
  证据：M001-F01
• Grok Bot 每个账号最多支持 50 个 routines；Claude Tag 以组织配置身份进入 Slack。
  证据：M001-F02
• Hermes Profile 保存配置、密钥、SOUL、记忆、会话、技能和 cron 状态。
  证据：M001-F03

时间线

• 6 月 23 日：Anthropic 公布 Claude Tag。
  证据：M001-F02
• 8 月 11 日：xAI 公布 Grok Bot。
  证据：M001-F02
• 本月：Hermes 将 Bot Mode 并入桌面应用。
  证据：M001-F01

产品或技术能力

• 命名 Agent 可复用独立聊天、头像、个性、日程、固定模型，以及各自部署方式允许的记忆和权限。
  证据：M001-F01 M001-F03 M001-F04

适用场景

• 适用于把反复执行的工作职责封装成命名 Bot，或在 Slack 等协作环境中通过组织身份调用 Agent。
  证据：M001-F01 M001-F02

输入

• Hermes 以 Profile 描述、配置、技能和 cron 作为 Bot 的持久输入；Claude Tag 由频道成员在 Slack 线程中 @ 调用。
  证据：M001-F02 M001-F03

结果

• 任务以持久工作者身份跨会话复用，但实际权限边界取决于 Profile 主机、共享计算机或服务账号。
  证据：M001-F04 M001-V01

主要参与方

• 主要参与方为 Nous Research/Hermes、xAI/Grok Bot 与 Anthropic/Claude Tag。
  证据：M001-F01 M001-F02

原文观点

• 作者认为团队应先审查身份架构，因为命名 Bot 的界面容易复制，底层身份与权限模型才是关键差异。
  证据：M001-V01

争议点与不同说法

• Profile、共享计算机和服务身份并不是同一种安全边界；文章明确提醒 Hermes Profile 不是沙箱。
  证据：M001-F04

潜在影响

• 企业评估命名 Agent 时，需要分别核对持久状态存放位置、凭据作用域、共享登录状态和频道级工具权限。
  证据：M001-F03 M001-F04 M001-V01

可继续加工的博客选题角度

• 比较 Hermes、Grok Bot 与 Claude Tag 的三种身份架构。
  证据：M001-F04
• 解释为何 Agent 的岗位描述正在兼任职责说明与路由入口。
  证据：M001-F01 M001-V01
• 梳理持久 Agent 上线前应审计的记忆、凭据和权限边界。
  证据：M001-F03 M001-F04

建议关键词

• Hermes Bot Mode
  证据：M001-F01
• Grok Bot
  证据：M001-F02
• Claude Tag
  证据：M001-F02
• Agent 身份与权限
  证据：M001-F04

信息缺口与待核实事项

• 三家厂商都没有提供 Agent 在数周累计工作中保持长期连贯性的公开证据。
  证据：M001-V01

原文证据

• M001-F01 事实：Hermes v0.20.4 将 Bot Mode 并入桌面应用，新增 Sessions 与 Bots 侧栏；每个 Profile 显示为具有独立聊天、头像、个性、日程和固定模型的命名 Bot。
  实体/数据：Hermes、Bot Mode、v0.20.4、Profile、Sessions、Bots · 原文
• M001-F02 事实：xAI 于 8 月 11 日公布 Grok Bot，账号可配置最多 50 个 routines；Anthropic 于 6 月 23 日公布 Claude Tag，由组织配置的 Claude 进入 Slack 成员列表。
  实体/数据：xAI、Grok Bot、August 11、50 routines、Anthropic、Claude Tag、June 23、Slack · 原文
• M001-F03 事实：Hermes Bot 对应独立 Profile 目录，包含配置、密钥、SOUL、记忆、会话、技能和 cron 状态；routine 是按 Bot 命名空间隔离的 cron job。
  实体/数据：Hermes Agent profile、SOUL、memory、sessions、skills、cron · 原文
• M001-F04 事实：三种产品的底层身份边界不同：Hermes 凭据限定在运行 Profile 的主机；Grok Bot 共享账号级计算机；Claude Tag 使用具有频道级工具权限的组织服务身份。
  实体/数据：Hermes、Grok Bot、Claude Tag、profile directory、shared computer、service identity · 原文
• M001-V01 原文观点：文章认为可复用对象正在从单次对话上移为持久的工作者身份，但厂商尚未公布这些机制能在长期积累中保持 Agent 连贯性的证据。
  实体/数据：worker identity、persistent identity、Hermes、Grok Bot、Claude Tag · 原文

核心摘要

• Claude Opus 5 的 ARC-AGI-3 公开集模型基线为 30.2%；接入 Nvidia AVO 的持久记忆、监督和执行验证循环后，完成 25 个环境的 183 个关卡并取得 100.00 RHAE。
  证据：M002-F01 M002-F02 M002-F03

事件背景与上下文

• AVO 最初用于软件工程和 GPU kernel 优化，本次把相同的假设—行动—观察—更新循环迁移到 ARC-AGI-3 的交互推理环境。
  证据：M002-F02 M002-F03

关键事实与数据

• 基线 30.2%，完整 AVO 系统为 100.00 RHAE。
  证据：M002-F01
• 结果覆盖公开集全部 25 个环境和 183 个关卡。
  证据：M002-F01
• 结果不覆盖半私有或完全私有竞赛集。
  证据：M002-F04

时间线

• ARC Prize 在 7 月报告 30.2% 基线；Nvidia 团队随后公布完整 AVO 系统的公开集结果。
  证据：M002-F01

产品或技术能力

• AVO 可检查和修改代码、执行命令、查阅文档、运行验证，并利用持久记忆和程序化监督持续推进长程任务。
  证据：M002-F02 M002-F03

适用场景

• 用于长时间、多步骤的软件工程、GPU kernel 优化和交互推理任务。
  证据：M002-F02 M002-F03

输入

• 系统接收任务环境、历史实现、评估结果、编译器/profiler 输出与模型推理。
  证据：M002-F02 M002-F03

结果

• 在 ARC-AGI-3 公开集上完成全部 183 个关卡并取得 100.00 RHAE；不同模型在速度和动作效率上呈现不同特征。
  证据：M002-F01 M002-F05

主要参与方

• 参与方包括 Nvidia 工程与研究团队、Claude Opus 5、ARC Prize，以及补充实验中的 GPT-5.6 Sol。
  证据：M002-F01 M002-F05

原文观点

• Nvidia 团队认为长程能力属于完整系统，记忆、工具、反馈和恢复机制决定模型能力能否转化为持续进展。
  证据：M002-V01 M002-F03

争议点与不同说法

• 100.00 RHAE 仅是公开集结果，不能外推为半私有或完全私有竞赛集成绩。
  证据：M002-F04

潜在影响

• 评估 Agent 时需要同时记录模型、编排系统、记忆、监督、工具和测试集范围，不能把系统成绩直接归因于模型。
  证据：M002-F01 M002-F03 M002-F04 M002-V01

可继续加工的博客选题角度

• 拆解 AVO 的持久记忆与程序化 supervisor 如何支持长程任务。
  证据：M002-F03
• 解释模型基线与完整 Agent 系统成绩为何不能混为一谈。
  证据：M002-F01 M002-V01
• 分析公开集 100.00 RHAE 的适用范围与不能外推的边界。
  证据：M002-F04

建议关键词

• Nvidia AVO
  证据：M002-F01
• ARC-AGI-3
  证据：M002-F01
• Claude Opus 5
  证据：M002-F01
• 持久记忆与监督
  证据：M002-F03

信息缺口与待核实事项

• 文章没有给出 AVO 在 ARC-AGI-3 半私有和完全私有集合上的结果；跨模型比较也仅覆盖部分高难游戏。
  证据：M002-F04 M002-F05

原文证据

• M002-F01 事实：Nvidia 五人团队报告 Claude Opus 5 在 ARC-AGI-3 的模型基线为 30.2%，接入完整 AVO Agent 系统后，在公开集 25 个环境、183 个关卡上取得 100.00 RHAE。
  实体/数据：Nvidia AVO、Claude Opus 5、ARC-AGI-3、30.2%、100.00 RHAE、25 environments、183 levels · 原文
• M002-F02 事实：AVO 的 Agent 架构负责检查和编辑代码、执行命令、查阅文档，并通过运行结果验证工作，重点是长时间、多步骤的上下文内自主运行。
  实体/数据：Nvidia AVO、code editing、commands、documentation、validation、long-horizon · 原文
• M002-F03 事实：AVO 依靠持久记忆保存实现、评估结果、编译器和 profiler 输出，并由程序化 supervisor 在进展停滞时介入。
  实体/数据：Nvidia AVO、persistent memory、supervision、compiler、profiler · 原文
• M002-F04 事实：100.00 分只覆盖 ARC-AGI-3 公开集，不是半私有或完全私有竞赛集。
  实体/数据：ARC-AGI-3、public set、semi-private、private competition sets · 原文
• M002-F05 事实：团队还让 AVO 搭配 GPT-5.6 Sol 测试部分高难游戏；部分匹配关卡中 Sol 墙钟时间更快，Opus 使用的环境动作更少，团队称系统比较仍属初步。
  实体/数据：Nvidia AVO、GPT-5.6 Sol、Claude Opus 5、wall-clock time、environment actions · 原文
• M002-V01 原文观点：Nvidia 团队认为结果说明系统设计而非模型能力本身，可以释放长程任务表现；模型评估与 Agent 评估不是同一件事。
  实体/数据：system design、model evaluation、agent evaluation、Nvidia AVO · 原文

核心摘要

• SWE-Bench ProMax 用 170 个真实 commit 的跨文件重构实例，覆盖七种语言，并通过人工审查测试与过滤低复杂度任务，补足传统 Coding Agent 基准忽略大规模重构的问题。
  证据：M003-F01 M003-F02 M003-F03

事件背景与上下文

• 传统基准容易受测试缺陷、训练集泄漏和小上下文任务影响；文章引用审计称近 60% 的未解决 SWE-bench Verified 实例包含缺陷测试。
  证据：M003-F01

关键事实与数据

• 基准包含 170 个来自真实 commit 的实例。
  证据：M003-F02
• 覆盖 Python、Java、TypeScript、Go、C、C++ 与 Rust。
  证据：M003-F02
• 实例经过问题说明改写、测试套件人工审查和复杂度过滤。
  证据：M003-F03

时间线

原文未说明

产品或技术能力

• 基准用于检验 Agent 在真实代码库执行跨文件、大规模、保持行为不变的重构能力。
  证据：M003-F02 M003-F03 M003-V04

适用场景

• 适用于评估 Coding Agent 的大型代码库重构、跨文件依赖修改与测试保持能力。
  证据：M003-F02 M003-F03

输入

• 输入是来自真实 commit 的问题说明、代码仓库和经人工审查的测试套件。
  证据：M003-F02 M003-F03

结果

• 输出用于暴露当前 Agent 在复杂重构、结构理解、并发时序和跨文件一致性方面的不足。
  证据：M003-V04 M003-V05

主要参与方

• 基准创建者负责多阶段数据整理；SUSE 的 Vojtěch Pavlík 与 ActiveState 的 Shane Warden提供工程判断。
  证据：M003-F03 M003-V04 M003-V05

原文观点

• Warden 认为 token 邻近性不能保证对大型系统的结构理解。
  证据：M003-V04
• Pavlík 认为大型代码库的注意力与并发时序问题会导致 Agent 漏掉关键观察。
  证据：M003-V05

争议点与不同说法

• 高基准分数可能受缺陷测试、训练数据泄漏和任务规模偏小影响，因此不能直接代表真实大型重构能力。
  证据：M003-F01 M003-V04 M003-V05

潜在影响

• 团队选型 Coding Agent 时，可把跨文件重构、结构化工具调用、失败回滚、并发时序和人工验证加入评测，而不是只看单点补丁分数。
  证据：M003-F02 M003-V05 M003-V06

可继续加工的博客选题角度

• 拆解 SWE-Bench ProMax 的 170 个真实重构实例与多阶段整理方法。
  证据：M003-F02 M003-F03
• 解释为什么缺陷测试和训练集泄漏会让 Coding Agent 榜单失真。
  证据：M003-F01
• 讨论 LLM 驱动 LSP/代码图工具能否比直接生成多文件 diff 更可靠。
  证据：M003-V06

建议关键词

• SWE-Bench ProMax
  证据：M003-F02
• Coding Agent 重构
  证据：M003-F02
• LSP 与代码图
  证据：M003-V06
• 基准测试缺陷
  证据：M003-F01

信息缺口与待核实事项

• 原文没有给出各模型在 SWE-Bench ProMax 上的具体排名或分数。
  证据：M003-F02 M003-F03

原文证据

• M003-F01 事实：文章引用的审计发现，SWE-bench Verified 未解决实例中接近 60% 含有缺陷测试。
  实体/数据：SWE-bench Verified、nearly 60%、flawed tests · 原文
• M003-F02 事实：SWE-Bench ProMax 包含来自真实 commit 的 170 个重构实例，覆盖 Python、Java、TypeScript、Go、C、C++ 和 Rust 七种语言。
  实体/数据：SWE-Bench ProMax、170 instances、Python、Java、TypeScript、Go、C、C++、Rust · 原文
• M003-F03 事实：每个实例经过多阶段整理：重写问题说明、人工审查测试套件，并剔除复杂度不足或跨文件范围有限的任务。
  实体/数据：SWE-Bench ProMax、multi-stage curation、test suites、cross-file · 原文
• M003-V04 原文观点：ActiveState 的 Shane Warden 认为严格重构必须零错误、零行为变化且完全可逆，token 邻近性不能保证结构理解。
  实体/数据：Shane Warden、ActiveState、strict refactoring、structural understanding · 原文
• M003-V05 原文观点：SUSE 的 Vojtěch Pavlík 指出，大代码库会受上下文、稀疏注意力和时间并发问题影响，包括竞态、幂等性、原子性和重试处理错误。
  实体/数据：Vojtěch Pavlík、SUSE、race condition、idempotency、atomicity、retry handling · 原文
• M003-V06 原文观点：两位受访者建议先映射代码库、结合检索与人工验证，并让 LLM 驱动 LSP 和代码图等确定性、结构感知工具，而不是直接输出大规模多文件 diff。
  实体/数据：retrieval-augmented generation、human validation、LSP、code graph、deterministic tooling · 原文