Agent 能力追踪

Google 个人 AI Agent Gemini Spark 正式集成 Chrome 桌面浏览器——可使用用户已登录账号和保存密码自动处理网页任务（预约公寓看房、研究航班并启动预订等），具备 prompt injection 防护，支付等敏感操作交回用户确认。同时扩展至 160+ 国家。这是 Agent 工具层从「远程沙箱浏览器」升级到「直连真实桌面浏览器」的关键跃迁，意味着 Agent 可直接操作用户真实的 Web 会话和身份

基于 LangSmith 真实 PR 审查反馈构建的 59 任务评测基准（Harbor 格式），衡量代码审查 Agent 的覆盖率和精确率。当前最强模型仅恢复约 30% 的基线审查问题，且提示词策略（review strategy）对结果影响大于模型选择——结构化审查提示词让 GPT-5.6 Luna 的 F1 从低位跃至 0.32。揭示了 Agent 执行质量控制的关键缺口：现有 Agent 大多只看改动行，缺乏对系统隐式契约的还原验证