标签
作者正在测试一个原型，该原型在多代理工具执行中提供经过密码学验证的授权证据，询问这是否解决了开发人员的一个重大生产问题。
Routed Graph Handoff 提出一个轻量级路由器，在多智能体LLM系统的智能体间通信中自适应地选择结构化图或自然语言，从而在降低标记成本的同时提高基准性能。
本文讨论了能调用其他代理的AI代理如何可能导致超出审查边界的权限提升，强调了安全风险，并建议在系统设计中更好地限定凭据范围。
本文提供了一个九步路线图，用于将工作委派给Grok Bot Agents，这是一个通过持久角色和现有工具集成实现任务自动化的AI产品。
本文介绍了Agentic Principal Chain（APC），这是一个针对多代理AI系统的安全框架，它强制执行会话感知的授权，以防止委托滥用和有害行为组合，在评估中显示出显著的风险降低。
Sam Altman 分享了关于创始人授权的建议，主张创始人应亲自掌握业务中一两个最关键的领域，其余部分授权出去，以避免授权过度或不足这两种常见错误。
探讨多层AI代理委派对可靠性的影响，认为错误的下游影响比层数更重要。
作者认为，代理之间的社交网络之所以容易，是因为信任在入口处就被预设了；真正的挑战在于把代理接入像电子邮件这样的传统人类通信，这需要密码学上可验证的授权委托。
文章提出了一个框架，用于根据两个因素决定给予AI代理多少自主权：检查输出的难易度和撤销错误的难易度。它介绍了四种委托级别，从代理作为助手到完全自动驾驶模式，并用决策树进行了说明。
Toyo是一个AI行政助手，驻留在iMessage和Telegram中，连接电子邮件、日历、Slack和其他工具，处理上下文收集、定时检查、草稿和审批，旨在减少繁忙工作的压力。
Matt Pocock 分享了一个新的进行中的AI技能，名为 /loop-me，该技能会就你的工作进行访谈，并寻找将任务委托给AI的机会。
MindOn 演示了共享智能，其中人形机器人将任务委派给机械臂，使用基于以人为中心的数据训练的模型。
作者提出了一个‘Agentic Shift’（代理转移），从直接交互转向每个人和每件事物都拥有代理的世界，从委托转向代表，并用一张图表映射了这一转变。
一位CEO分享了经营一家拥有89个AI代理、横跨22个部门的公司的实用经验，强调了委托是瓶颈、代理记忆的价值、部门结构的必要性以及人类领导力的持续重要性。
本文提出一种面向代理型AI系统的组合式授权框架，引入了委托、范围衰减及递归权限链等原语，以治理自主AI代理。
本文针对大语言模型提出了能力自我评估（CSA）方法，并将其建模为策略学习问题。实验表明，强化学习能够有效教会模型识别自身局限并委托处理无法解决的查询，效果优于监督微调，且具有良好的分布外泛化能力。
本文研究了人在协作问答中如何决定何时委托AI以及何时采纳AI建议，发现确认偏误驱动了次优的信任决策，例如对正确AI输出的信赖不足。
一份全面的指南，教非编码人员如何使用Claude和Cowork构建AI代理，无需编写任何代码，解释核心组件并提供分步说明。
DecisionBench 提出了一个标准化基准，用于评估长周期多智能体工作流中的涌现式委托，提供了包含任务套件、同行模型和多维度指标的底层架构，以隔离编排能力。