Agent 协作与治理走向工程化，端侧与具身密集开源

NVIDIA 研究者 9/16 提交 arXiv 2609.18094《Agora: Git as Shared Memory for Collective AutoResearch》。系统把每个结果、假设、验证都记为不可变 Git 提交，父边记录依赖，形成 append-only DAG；派生索引暴露研究前沿、被忽略分支与验证状态，并以多样性感知的选择规则避免智能体过早收敛到单一路线。首轮持续运行近 12 天，13 个语言模型 worker 在无分配任务、无中央调度器的情况下协作，在权重迁移任务上将评测指标从 3.39 降到 1.899 bits/byte，闭合了与训练后 GPT-2 124M 之间 62% 的差距；获胜方案有横跨 15 个账户的 145 次提交 ancestry，运行期间 165 次独立复现无一失败。

commit log 天然具备持久化、有序、可 diff、冲突感知的特性，恰好覆盖多智能体记忆层的大部分需求。这意味着长程自治研究系统的协作瓶颈正从"各跑各的"转向"共享可验证状态"——把版本控制直接当分布式记忆用，是低成本且可复现的多智能体范式，对自研多智能体编码系统有直接借鉴价值。

微软 9/18 发布 Agent Framework Python 1.19.0，破坏性变更将每个 MCP 请求与会话按调用身份、来源、归属进行鉴权与作用域隔离；技能包限定为 ZIP 格式并校验 digest，废弃 MCP sampling callback；新增 MongoDB / Azure DocumentDB / Azure Cosmos DB NoSQL 向量库连接器、按工具暴露控制（AgentModeProvider），以及串行执行函数调用的选项。同期修复 compaction 摘要与 checkpoint 往返中长程工作流状态静默丢失的缺陷。

该版本把 MCP 治理（供应链签名、会话隔离、最小权限）做成框架一等公民，直指多租户 agent 跨会话工具泄露这一此前普遍未被审计的风险。这反映 agent 上生产的加固趋势：网关出口管控、凭据预设、沙箱排除与签名校验正从可选最佳实践变成默认要求。

Prompt One 的 Aclif 9/17 登上 Show HN，以 MIT 许可发布。它给 Salesforce、ServiceNow、DocuSign、Agentforce 提供同一套命令语法与 JSON 信封，并用别名层把各厂字段名映射到规范名（如统一称为 customer，底层对应 Salesforce 的 Account 或 ServiceNow 的 core_company）；每个命令声明可变性、可逆性、幂等性与影响半径，支持 --dry-run 与 --confirm。Google Workspace 以贡献方式接入。二进制需 Node 22+，可脚手架生成仅含所选 provider 的窄 CLI。

Aclif 是用配置替代逐厂商 MCP server 的思路——把跨系统字段翻译做成声明式别名而非代码。免费且 MIT 许可，直接挤压靠"翻译层"收费的集成创业公司。这反映 agent 接入企业系统的去代码化趋势：把平台差异压到 agent 工作上下文之下，由普通软件而非模型反复解释。

开发者 JustVugg 的 Colibri 登上 GitHub Trending，约 34.9k stars。它是纯 C、零依赖的 MoE 推理引擎，把 VRAM、RAM、NVMe 视为同一权重的多级存储层次，按路由热度做逐层 LRU 与预取，按需从磁盘流式加载专家；已验证 GLM-5.3（744B）、Kimi K3（1.2T/2.8T）、DeepSeek V4（2.8T）等前沿模型。作者明确放弃对速度的承诺，保证语义不打折——内存不足时变慢但绝不静默降级。

整个开放权重生态此前被 VRAM 卡住：MoE 虽稀疏，但朴素推理会加载全部专家，总参数量反而更难装下。Colibri 把"内存容量瓶颈"重述为"存储带宽瓶颈"，将硬件门槛从"显存多大"降为"SSD 多快、预取多好"。这对终端智能与本地 agent 落地意义直接——手机、边缘设备与桌面工作站第一次有了跑前沿级 MoE 的可行路径，本地隐私敏感场景（医疗/法律/金融）也多了真·前沿选项。

亮源新创（Light Origins）开源 LightNav-0 通用导航"大脑"，基于 Qwen3-VL-4B，以 Real2Sim2Real 路线将 2000+ 真实场景转为可复用仿真资产、合成 4000+ 小时视觉-语言-动作数据，经具身推理中期训练、SFT 与在线 RL 三阶段训练。单一 RGB+语言接口覆盖指令跟随、开放词表物体导航与视觉追踪；在 VLN-CE、Matterport3D/HM3D、HM3D-OVON、EVT-Bench 等 10 项单目导航基准居首，同一 checkpoint 零样本迁移至人形、四足、轮式、空中平台（含拥挤街道追踪）。权重、代码、技术报告与 INSIGHT-Bench 评测套件已在 GitHub（lightorigins/LightNav-0）与 Hugging Face（LightOriginsHQ/LightNav-0）以 Apache 2.0 开放。

多数导航方案仍依赖针对特定机器人或场景的定制训练，换本体就要重采数据重调模型。LightNav-0 给出可复现的"真实场景→仿真→异构机体"对齐闭环，用真实数据定义分布边界、仿真在边界内规模化填充，直击具身智能高质量物理交互数据稀缺这一共性卡点。对行业而言，导航模型的泛化能力正成为规模化商用的关键变量。