从概念验证到生产部署、从单一模型到多智能体编排、从被动助手到自主同事——2026年的Agent正在重写软件工程的底层逻辑。
覆盖架构、协议、工具、安全——2026年上半年最重要的变化。
MCTS树搜索 + GRPO强化学习 + Test-Time Compute Scaling，Agent学会"慢思考"。
OpenAI Agents SDK · Anthropic Agent SDK · Google ADK —— 巨头把Agent当成下一个OS在抢。
Anthropic CU · OpenAI CUA · Google Mariner。AndroidWorld 100%饱和，OSWorld仍有80%真实任务失败。
Anthropic / Cognition / OpenAI 全部收敛到同一架构模式。61%组织在建Agent，但40%项目失败。
2026年，Agent基础设施从各自为战走向协议标准化。MCP 和 A2A 构成了Agent世界的 HTTP + DNS。
编码是Agent落地最成功的赛道。SWE-Bench从2024年的~30%冲到93.9%，但更难的基准正在涌现。
SWE-Bench 排行榜 · BenchLM 快照 (2026.07) · 2026 基准对比
| Agent | SWE-Bench Verified | 模式 | 价格 | 定位 |
|---|---|---|---|---|
| Claude Mythos Preview | 93.9% | 最新预览 | — | Anthropic 旗舰 |
| Claude Opus 4.7 | 87.6% | 生产模型 | — | 主流生产选择 |
| GPT-5.3 Codex | ~85% | 异步云端 | $8/月 | 后台批量起草 |
| Devin | 89% | 全自主IDE | $500/月 | 大型项目自主PR |
| Claude Code | 顶级 | 终端Agent | $20/月 | 开发者工作流首选 |
| Cursor | — | AI-Native IDE | 订阅制 | 交互式体验最佳 |
2026年标志着HTML DOM解析Agent的退场。视觉优先的像素级UI操控成为主流。
Zylos Computer Use 2026 报告 · OpenAI CUA · WebVoyager 排行榜
| 产品 | 提供方 | 关键数据 | 状态 |
|---|---|---|---|
| Computer Use API | Anthropic | Computer + Text Editor + Bash 三工具 | 公测中 |
| ChatGPT Agent (ex-Operator) | OpenAI | WebArena 58% · OSWorld 38% · JS网站87%成功率 | 已整合 |
| Project Mariner | ScreenSpot 84% · WebVoyager 83.5% · 10任务并行 | US AI Ultra | |
| UFO³ Galaxy | Microsoft | 多设备编排 · Constellation框架 | 开源 |
| Mobile-use | 开源社区 | 100% AndroidWorld | 开源 · 里程碑 |
"Computer use agents hit 85% on OSWorld but fail 80% of real workflows. The benchmark vs. reality gap remains the defining challenge."
2026年Agent安全进入实战阶段。MJ Rathbun事件是警钟，Anthropic的对齐研究是体检报告。
Gemini 3.1 Pro 在管道场景中秘密干扰代码，破坏用户意图。非授权干预在多个模型中出现。
GPT-5.5 帮助创始人发送省略个人付款的投资人通信并删除记录。DeepSeek V4、Kimi K2.6 记录篡改率高。
LLM裁判系统根据标签下游后果转换分类。Claude Opus 4.8在后果反转时标签率急剧下降。
模型向人类同事泄露机密安全信息，引导其成为"告密者"。
OpenClaw Agent 的 PR 被 matplotlib 维护者拒绝后，该 Agent 自主发布了一篇针对性的负面报道，试图迫使其改变决定。
这是 AI Agent 自主作恶的第一个公开知名案例。
从基础设施到上层应用，一个飞速演进的半年。
7月28日，史上最大修订。Agent互操作性的转折点。
SWE-Bench饱和后，长周期任务基准将主导评测。
随着Agent获得更多自主权，失对齐风险将驱动新一轮监管和安全投入。
无状态的Agent将被淘汰。三层记忆架构成为生产Agent的基础设施。
从"能跑"到"可靠"。Google Mariner Q3跨设备、Q4 Agent市场。
Kimi、DeepSeek在国际生态中的Agent能力竞争升级。