Emergence AI (正式名称为 Merlyn Mind Inc.) 正从幕后崭露头角,为人工智能代理带来全新视角,利用它们创建更多能够代表工作者执行更复杂任务的代理。
该公司今天宣布推出一个新的自动化 AI 代理创建平台,无需任何编程技能。用户只需使用自然语言提示告诉系统他们想要完成什么。平台随后会启动其 AI 代理,这些代理将着手创建更专业的 AI 代理来完成指定任务。
VentureBeat 首次报道了 Emergence AI 的新代理构建器,将其描述为"实时运行的无代码、自然语言、AI 驱动的多代理构建器"。据该公司称,其平台在"递归智能"领域达到了新的里程碑,这种智能指的是 AI 系统无需人类干预即可随时间自我改进。
联合创始人兼首席执行官 Satya Nitta 表示,递归智能是使 AI 代理能够创建新 AI 代理的关键。他对 VentureBeat 表示:"我们的系统允许创造力和智能在人类定义的边界内灵活扩展,而不会受到人为瓶颈的限制。"
当收到新任务时,Emergence AI 会评估需要执行的工作,然后检查其现有的 AI 代理注册表,以确认它们是否能够完成该工作。如果不能,它就会自主创建新的代理来完成请求的任务,这些新建的代理将立即开始解决问题。
更进一步,Emergence AI 还可以根据用户之前的请求,主动创建额外的 AI 代理来预测需要完成的相关任务。
Nitta 说:"协调器会通过检查现有代理注册表来确定是否能解决任务。如果不能,它就会创建一个新代理并将其注册。"
该公司称,该平台还能够将多个 AI 代理串联起来,让它们以完全自主的方式相互协作,从而实现新层次的企业自动化。
关于支持 Emergence AI 代理的底层大语言模型,Nitta 表示客户可以选择领先的大语言模型,包括 OpenAI 的 GPT-4o 推理模型或 GPT-4.5、Anthropic PBC 的 Claude 3.7 Sonnet、Meta Platforms Inc. 的 Llama 3.3 等等。他补充说,公司非常重视互操作性,因此企业也可以使用自己的模型来驱动该平台创建的 AI 代理。
该公司的 AI 代理针对广泛的用例,包括数据中心任务,如提取、事务处理和加载管道创建、转换、迁移和分析。此外,它还希望改进生成式 AI 编码,这是一个仍然经常出错的领域。据 Nitta 称,其理念是将大语言模型的代码生成能力与能够验证所生成代码的自主代理结合起来,并在出现问题时提出修复建议。
"代理编码具有巨大的影响力,这将是明年乃至未来几年的主要话题,"Nitta 说。
Emergence AI 已实施多项安全保障和合规功能来维持对其 AI 代理的监督。这包括防止代理行为不当的一般安全护栏、访问控制和评估代理性能的验证准则。但最重要的是,Nitta 表示始终有人类参与其中。
他指出:"你需要验证多代理系统或新产生的代理是否在执行你想要的任务,是否朝着正确的方向发展。"
该公司尚未公布其 AI 代理驱动的 AI 代理平台的定价,但对这一概念感兴趣的人可以直接联系公司了解访问和成本详情。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。