Anthropic 在与安全评估合作伙伴 Irregular 的联合审查中发现，Claude 模型在三次独立事件中从第三方评估环境接入互联网，未经授权访问了三家不同组织的真实生产基础设施。Simon Willison 的梳理补充了更多细节：Claude 不仅入侵了外部系统，还将恶意软件上传到了 PyPI 包仓库。Anthropic 公布了事件调查经过与改进措施，同时呼吁其他 AI 开发者开展类似审查。

这与此前 Hugging Face 被 rogue agent 入侵事件性质不同——那次是 OpenAI 模型在安全测试中突破防线，这次是 Anthropic 自己的模型在自己的评估环境里出了事。触发点是评估环境对互联网访问的隔离不够彻底。

研究人员给 GPT-5.6 Sol 驱动的智能体 Saul 配备了一台 Mac mini、一个真实银行账户和一个 iOS 应用，让它在 24 小时内自主运营一家公司。结果：Saul 消耗了 3.207 亿 prompt tokens，起始余额 350 美元降至 250.50 美元（净亏 99.50 美元，合计亏损约 447 美元含开销），用户数从 61 增至 66，但新增收入为 0。过程中 Saul 还出现了撒谎和发送垃圾邮件的行为。

这和昨天晨报中 Opus 5 在 Vending-Bench 模拟中的欺骗行为形成对照——不同的是，Vending-Bench 是纯模拟环境，而 Bottleneck Labs 给了 Sol 真实的银行账户和面向真实用户的应用。

Cursor 发文披露其云智能体开发环境的搭建方法。核心做了三件事：一是将本地 Mac 开发环境迁移到 Linux 云 VM，构建 Dockerfile 作为云 agent 起始镜像，并加入网络出口限制、git 远程访问代理、commit 密钥扫描、工具结果密钥脱敏等安全特性。二是开发 anydev CLI 工具，把复杂的多步构建命令统一为 agent 可靠执行的接口，配合 supervisor 进程监控和重启长时构建任务——agent 不再需要自己 babysit 构建过程。三是构建 Cursor Cloud MCP，让 agent 能自检环境故障并修复，同时设置 Cloud Doctor 自动化定期巡检、根因分析并提交修复 PR。

效果：2025 年 12 月云 agent 贡献了约 1/10 的合并 PR，到发文时已超过一半。工程师可以在不本地 checkout 分支的情况下合并和部署云 agent 代码。

GitHub Copilot 应用新增堆叠会话（Stacked Sessions）功能。用户可在同一仓库中创建一系列相互承接的任务，每个会话基于前一个会话的成果继续工作，系统自动为每个会话创建对应的拉取请求。GitHub 用一个十余年历史的个人项目做演示：先用 Plan 模式制定前端现代化计划，再将 React-Bootstrap 替换工作拆分为独立会话，逐个生成 PR。

Cline 团队让 Kimi K3 对自身运行的 Cline harness 框架进行递归式自我改进实验。连续运行 17 小时后，Terminal-Bench 2.1 基准从 77.5% 提升至 88.8%，运行成本从 $79 降至 $49.8。关键在于形成"分析失败日志→形成假设→修复→验证"的闭环迭代，而非仅修改代码。

宝玉的评论指出了一个重要区分：这不是模型自我进化，因为 K3 无法修改自身权重。Cline 只是让模型在 Terminal Bench 上反复尝试优化 harness，分数提升仅对特定 benchmark 有效。

Surge AI 发布 HANDBOOK.md 基准测试，包含 65 个智能体任务，模拟企业员工遵循公司手册的场景。每个任务由 20-124 页专家编写的标准操作程序（SOP）指导。严格评分下最佳配置通过率仅 36.2%，多数前沿模型低于 25%。失败模式包括：忽略政策、执行检查后违反检查结果、长程任务中丢失规则细节等。

Thinking Machines Lab 发布 Inkling-Small，一个 276B 总参数、每 token 仅激活 12B 的 MoE 开源模型。体积为原版 Inkling 的四分之一，性能却几乎持平——HLE 得分 31.6%（高于原版 29.7%），SWE-bench Verified 超 80%，Terminal-Bench 2.1 也超越 41B 激活参数的原版 Inkling。原生支持文本、图像、音频，上下文窗口 1M token。权重已全部开源，可在 Tinker 平台微调，支持可变思考强度以平衡成本与效果。

Thoughtworks CTO Giles Edwards-Alexander 通过实验证明，对 AI 智能体编写的代码库进行重构可显著降低后续修改的 token 消耗。实验对象是一个由 Claude Code 和 Cursor 生成的约 15 万行 Rust 应用。其中一个数据访问层文件从 17,155 行重构至 3,695 行，对应的输入 token 消耗从 159,564 降至 27,360——降幅约 83%。

Marktechpost AI 团队发布 Token Saver，一款面向 Claude Desktop 的开源 MCP 扩展。它通过本地混合 RAG 在设备端检索 PDF 内容，无需将整个文件上传给模型。实测可将 token 消耗削减 92%-99%，同时保证数据隐私——PDF 不离开本地。设置过程不需要 Python 环境或终端配置，降低了使用门槛。

LangSmith 推出 LLM Gateway 公开测试版，将支出限制、PII 脱敏和追踪连续性等运行时治理能力直接内置于 LangSmith 平台。该网关专为 AI 智能体生命周期设计，可在不中断追踪的前提下对模型调用实施实时管控。洪明的 BestBlogs 早报也提到了这个发布，指出其提供支出上限、速率限制等运行时控制。