极简Agent打平MCP，代码推理边写边想

重点关注

01 Agent 全副武装的Agent，可能输给了一个终端窗口

行业正在热火朝天地给Agent堆料——MCP协议、浏览器操控、多角色编排、工具链注册，仿佛不够复杂就不够强。然后这篇论文说：给一个coding agent配个终端和文件系统就够了，企业自动化任务的表现匹配甚至超过那些重型方案。做法很直接：不走GUI，不走专用工具抽象，直接让模型写代码调API、读写文件、用命令行完成任务。72个HF upvotes说明这个极简主张准确戳中了从业者对「过度工程」的集体焦虑。不过需要冷静一下：论文中的「企业自动化」评估场景是否真的覆盖了现实世界的全部复杂度——权限管理、异常恢复、多系统联动——这些恰恰是简单方案容易碎掉的地方。但至少有一点值得认真对待：在基座模型足够强的前提下，复杂的Agent架构可能不是在解决用户的问题，而是在解决框架自己制造的问题。

原文：Terminal Agents Suffice for Enterprise Automation

02 代码智能 边写边想：推理模型为什么不该把思考全放在开头？

Think-Anywhere的思路很直觉：让模型在代码生成过程中任意位置插入推理token，而不是把所有思考都堆在开头。清华团队先用冷启动训练让模型学会这种「随时停下来想」的模式，再用基于结果的RL奖励让模型自主探索在哪里插入推理最有效。在LeetCode、LiveCodeBench等四个主流基准上都拿到了SOTA，超过现有的upfront thinking方法和近期的后训练方案。更有意思的是分析结果：模型倾向于在高熵位置（即不确定性最大的地方）触发推理，这说明它学到了「在该想的时候想」，而不是机械地分配计算量。

原文：Think Anywhere in Code Generation

03 视频生成 三个Agent接管剪辑流程，小时级素材自动出片

视频生成领域大多在追文生视频，但内容创作者日常更多的工作是剪辑——从几小时的原始素材中挑选片段、对齐音乐节奏、构建叙事。CutClaw把这个流程拆成了三层Agent协作：先用分层多模态分解同时捕捉视觉和音频的细粒度细节与全局结构，然后由Playwriter Agent编排叙事线，把视觉场景锚定到音乐节拍变化上，最后Editor和Reviewer Agent协作优化最终剪辑——按美学和语义标准精选镜头。这种拆解思路对应了真实剪辑工作流中的不同环节：理解素材、构建故事、精修成片。HF上40个upvotes反映了创作者社区对素材剪辑自动化的关注，但从摘要来看，具体在多长素材、多复杂场景下效果稳定，还需要看实验细节。

原文：CutClaw: Agentic Hours-Long Video Editing via Music Synchronization

04 图像生成 画不出没见过的东西？让生成模型学会「先查再画」

统一多模态模型在常见概念的图像生成上已经很强，但遇到长尾知识——比如特定文化符号、冷门地标——就容易「编造」，因为这些概念根本不在参数化记忆里。Unify-Agent的思路是把图像生成重构成一个agent流程：先理解prompt，再主动检索多模态证据，基于检索结果重新描述，最后再生成图像。团队构建了143K条agent轨迹数据做全流程监督训练，并推出了FactIP benchmark覆盖12类长尾文化概念来专门测试知识落地能力。在需要外部知识的生成任务上，Unify-Agent比基座模型有明显提升，接近最强闭源模型的世界知识水平——但这个「接近」的具体差距还需要看全文的细粒度对比。

原文：Unify-Agent: A Unified Multimodal Agent for World-Grounded Image Synthesis