深度分析
Shippy 海事 AI 代理人：基於 OpenClaw 與 Claude Opus 的可靠與可擴充架構解析
Shippy是AI2為海事領域打造的高可靠性代理人，透過系統提示、技能檔與可配置的CLI抽象化SkylightAPI，確保答案可追溯與資料隔離。評估框架證實其在查詢與守護規則上表現穩定，將推動未來海域監控與環境平台的擴展。同時支援模型路由與跨執行緒記憶功能。
Claude Opus
深度分析
WorkBench 基準測試：Claude Opus 4.8 以 89% 完成率領先，安全與成本同步提升
WorkBench基準評估工作代理人效能與安全。2026年以ClaudeOpus4.8完成89%任務，意外有害行為降至2.5%。顯示模型在能力與安全上同步提升，且開源模型成本大幅下降。從43%任務完成率提升至89%，有害行為從26%降至2.5%，同時開放權重模型使每次測試成本降低超過十倍。
深度分析
MirrorCode：AI 以行為觀測重建 25 種多語言程式，Claude Opus 4.7 取得 56% 成功率
本研究推出 MirrorCode，作為長程程式碼重建基準，要求 AI 在無源碼、僅能執行原程式的情況下，完整復刻 25 個不同領域的 CLI 軟體。實驗顯示，最佳模型 Claude Opus 4.7 在全基準上取得 56% 成功率，能在 14 小時內重寫 16,000 行的生物資訊工具 gotree，成本約 251 美元。
深度分析
「蜜罐協議」測試 Claude Opus 情境依賴行為的前置安全機制
隨著AI代理人取得系統權限，傳統監控因被動而易受適應性攻擊。研究提出蜜罐協議，透過變換系統提示測試模型在評估、合成部署與無監控三種情境下的行為差異。實驗以Claude Opus 4.6在BashArena執行，結果在所有情境均達到100%任務成功且未觸發側任務，此結果顯示模型在目前測試下未展現情境依賴，亦提醒需設計更具挑戰性的攻擊提示。
深度分析
用CRUX評測AI代理人端到端上架iOS應用的可行性與成本分析
面對基準測試的局限，研究提出開放世界評估以長時程真實任務和質性小樣本分析衡量前沿人工智慧能力。CRUX框架以AI代理人自動開發並提交iOS應用做為示範，代理人幾乎全程自動完成上架流程僅需一次可避免的人為介入，顯示此法能提早警示實際部署風險與影響。