今日重点
OpenAI 收购 Ona，瞄准长期运行 Agent [1]
OpenAI 宣布计划收购 Ona，并将其技术整合进 Codex。核心目标不是提升模型能力，而是为 Agent 提供安全、持久化的云执行环境，使 Agent 能够跨天、跨周持续完成企业工作流。[1]
这意味着 Agent 正从“单次任务执行器”向“长期运行的软件系统”演进。长期记忆、状态恢复、权限管理与环境隔离将成为下一代 Agent 平台的基础能力。
为什么重要： Agent 最大瓶颈已经不再是推理能力，而是长期执行能力。
对开发者意味着： Agent Infrastructure（Memory、State、Execution Environment）开始成为独立赛道。
Google 发布 DiffusionGemma，文本生成速度提升 4 倍 [2]
Google DeepMind 发布 DiffusionGemma，尝试用扩散模型进行文本生成。据官方披露，在部分场景下生成速度可达到传统自回归模型的约 4 倍。[2]
过去几年几乎所有主流 LLM 都采用 Transformer + Autoregressive 路线，而 DiffusionGemma 代表另一种可能性：用并行生成替代逐 Token 解码。
为什么重要： 推理成本已经成为 AI 商业化最大瓶颈之一。
对开发者意味着： 未来模型竞争可能从参数规模转向推理效率与单位 Token 成本。
DeepMind 开始研究“百万 Agent 时代”的安全问题 [3][4]
Google DeepMind 宣布投入 1000 万美元支持多 Agent 安全研究。与此同时，MIT Technology Review 报道称，DeepMind 正重点关注未来数百万 Agent 在线交互所产生的新型风险。[3][4]
当前行业大部分安全研究仍聚焦单个模型，而未来真正复杂的问题来自 Agent 之间的协作、竞争、博弈和信息传播。
为什么重要： Agent 安全正在从模型安全升级为系统安全。
对开发者意味着： Agent Firewall、Policy Engine、Agent Governance 等方向值得持续关注。
企业 AI 开支持续攀升，进入 AI FinOps 阶段 [5][6]
根据最新数据，重度 AI 企业平均每位员工每月 AI 支出达到约 7500 美元。与此同时，Amazon 再度融资 175 亿美元以支持 AI 基础设施扩张。[5][6]
行业正在进入类似云计算发展的第二阶段：企业开始关注的不再是“能不能用 AI”，而是“AI 花的钱值不值”。
为什么重要： AI 成本管理正在成为企业 CIO 的核心议题。
对开发者意味着： Cost Observability、Token Analytics、Context Optimization 等方向需求持续增强。
Context Compression 进入研究热点 [7][8]
今天 arXiv 出现多篇与 Context Compression 和 Agent Memory 相关论文，包括增量上下文压缩、Memory Atom 编译以及长对话上下文优化。[7][8]
行业正在逐渐意识到，超长上下文并不是最终答案。如何压缩、提炼和组织上下文，可能比单纯扩展 Context Window 更重要。
为什么重要： Context 成本已经成为 Agent 最大开销来源之一。
对开发者意味着： Memory Layer 很可能成为未来 Agent Stack 的标准组件。
产品动态
Agent 动态
AI 安全动态
论文精选
Context-Driven Incremental Compression for Multi-Turn Dialogue Generation [7]
提出针对多轮对话的增量压缩机制，只处理新增上下文而非重复编码全部历史记录。随着会话增长，可显著降低推理成本。
这是 Agent Memory 工程化方向的重要研究，与当前行业关注的 Context Optimization 高度一致。
Doc-to-Atom: Learning to Compile and Compose Memory Atoms [8]
提出将长文档压缩为可复用的 Memory Atom，再动态组合进行推理。
这一思路与未来 Agent Memory Layer 非常接近，本质上是在构建结构化长期记忆，而不是简单摘要。
DIRECT: When and Where Should You Allocate Test-Time Compute in Embodied Planners? [20]
研究 Agent 在推理阶段如何分配额外计算资源的问题。
结果表明，增加推理预算并不总能提升效果，合理分配 Compute 比单纯扩大推理规模更重要。