ARTICLE · 1319600
11月6日 AI 技术分享:5 个重点项目,Agent 记忆进入路由时代
本周信息很多，但真正值得动手研究的只有少数几条。以下 5 个项目分别覆盖持续学习、推理框架、模型发布、3D 重建和投机解码。
01Routed Continual Learning：把 Agent 记忆分簇路由
Meta FAIR 提出“路由式持续学习”，把历史轨迹聚成不同的簇，并为每个簇单独配置一套记忆系统，包括原始轨迹、提炼策略和结构化状态。运行前由 LLM 路由器判断应该复用哪一簇，或者新建簇。
早报称，在 CL-Bench 与 τ³-Bench 的混合任务流上，与单一全局 ICL 相比，归一化奖励提升相当于最大可达值的 15% 到 30%，估算 API 成本降低 65% 到 72%。
为什么值得看
这代表 Agent 记忆从“全部保存”转向“按任务类型路由”。对领域数据来说，替换簇划分或路由器就能做出一组清晰的消融实验。
项目地址
https://m.36kr.com/p/4052444548994181
02DeepInfer：开源调度器、Kernel 与 Token Pipeline
DeepSeek 开源生产级推理框架 DeepInfer，采用 Apache 2.0。首版仅支持 DeepSeek-V4.1-Flash，基于 vLLM，并借鉴 SGLang 与 TensorRT-LLM。开源范围包括调度器、Kernel 与 token pipeline。
为什么值得看
这份代码更适合当教材，而不是直接当依赖。它只支持单一模型、提交数量不多，但可以完整观察推理系统如何组织 prefill、decode、KV cache 和请求调度。
项目地址
https://github.com/deepseek-ai/DeepInfer
03Mistral 连续发布：形式化、OCR、统一 Agent 与开放权重
Mistral 连续发布 Leanstral 1.5、Mistral OCR 4、Vibe 统一 Agent 与开放权重模型 Le Chonk。Leanstral 1.5 主打形式化证明普及化；Le Chonk 面向 agentic coding 与网络安全；Vibe 定位为长程生产力与编码统一 Agent，并推出 VS Code 扩展。
为什么值得看
模型厂商正在同时覆盖形式化验证、文档理解、编码 Agent 和开放权重。对应用开发者来说，模型选型会更依赖任务组合，而不是单一通用榜单。
项目地址
https://mistral.ai/news
04Solv3R：把多视图重建写成循环 Transformer
Solv3R 把多视图几何重建写成可迭代求解的循环 Transformer。更新算子与迭代次数无关，已求解视角的表示可以缓存复用，因此同一个 solver 无需任务专用模块，就能支持离线重建、增量重建、重定位和流式重建。
为什么值得看
这是把 looped transformer 的迭代求解视角带进 3D 几何 foundation model，与一次前向直出的路线形成对比。迭代次数、重建误差和缓存复用都很适合做可视化。
论文地址
https://arxiv.org/abs/2611.02857
05SpecOPD：投机解码的训练侧并行化
SpecOPD 证明 on-policy 监督不必串
行等待完整的 draft-verify rollout。draft block 只需参考前缀和 draft 采样历史即可监督，因此可以把 draft 采样与 target 监督拆成独立分支并行化，并打包成 proposal tree 共享计算。
为什么值得看
推理加速的瓶颈正在从“并行起草”转向“接受长度”。训练侧的 on-policy distillation 可能成为突破 accept-length 平台期的新方法。
论文地址
https://arxiv.org/abs/2611.02846
其他值得关注
物理 AI 的基础设施竞争升温，英伟达、谷歌、英特尔正把传感器、边缘计算和工业网络整合为 AI 感知与自主执行底座。
腾讯混元组织调整，庞天宇入职不足 9 个月后离职创业，反映多模态 RL 方向策略可能正在重新评估。
待核实：早报抓取到“Character.AI 破产”和“美国数据中心规划遇阻、华尔街开始犹豫”的标题级信息，尚缺少完整原文，需进一步核实，不建议直接当作确定事实引用。
Harrison Chase 讨论 2026 下半年上下文工程挑战，涉及 Agent 记忆、上下文压缩和 Deep Agents v0.10 的浏览器使用与异步子 Agent。
来源
https://www.langchain.com/blog
OpenAI 发布 Dots，一个 dot 可以推进一个项目并同时处理其他项目，代表 Agent 从单任务走向常驻协作者。
来源
https://openai.com/index/introducing-dots
NVIDIA/auto-ontology 是图结构语义推理层，主打确定性查询、上下文检索和可解释 Agent 工作流。
来源
https://github.com/NVIDIA/auto-ontology
worktrunk 是面向并行 AI Agent 的 Git worktree 管理 CLI，用一个 worktree 对应一个 Agent，避免同时修改同一仓库时冲突。
来源
https://github.com/max-sixty/worktrunk
vercel-labs/agent-desktop 与 agent-browser 同日上榜，延续把 Agent 能力“命令行化”的路线。
来源
https://github.com/vercel-labs/agent-browser
mattpocock/skills 与 google/skills 继续上榜，说明 Agent Skills 正在成为基础组成部分。
来源
https://github.com/google/skills
本周三个判断
01Agent 记忆正在从“多存一点”转向“如何路由和复用”。簇划分、路由器和结构化记忆会成为新的研究变量。
02推理系统的竞争从模型层下沉到调度器、Kernel、token pipeline 和接受长度。
03Agent Skills 与工具链正在平台化，技能包、worktree 隔离和浏览器/桌面 CLI 会变成日常基础设施。
如果也在做 Agent 或推理系统，可以从一个可测量的小实验开始：固定模型，只改记忆路由、工具接口或验证策略，记录奖励、成本、接受长度和 P95 延迟。
关注这个账号，后续会继续把每日技术信号压缩成少数值得研究的方向，并定期补上真实实验记录。
说明：本文基于公开信息整理，并加入观察分析。关于首页标题级信息和各项实测数据，具体以原始链接为准。本文使用 AI 辅助整理和起草，发布前由作者复核。
