Evolution of agentic surfaces — Gagan Bhat & Isabella Kai He, Anthropic
Anthropic's Applied AI-team presenterar hur agenter — AI-system som löser uppgifter självständigt — bör byggas för att klara långvariga jobb i produktion.
De visar att gamla lösningar blir overhead när modellerna blir smartare: Sonnet 4.5 var försiktig med sitt minnesutrymme och avslutade tidigt, så de byggde in en fix — men när Opus 4.5 skickades utan detta beteende blev fixen bara långsam överflödig kod. Huvudinsikten är att separera agentens hjärna (resoneringsloopen) från dess händer (verktygsexekveringen), vilket gör systemen 60–90 procent snabbare och gör fel återhämtningsbara istället för ödesdigra. En logg av allt som händer under sessionen används för tre saker: att se vad agenten gör, att hämta tillbaka information som Claude glömt, och för något de kallar "dreaming" — ett nattligt jobb som förbättrar agentens minne inför nästa dag.
Sammanfattningen är skriven av Vibekollen utifrån källans egen publicering. Innehållet tillhör AI Engineer.
Mer från AI Engineer
The exact tools used to port a massive codebase in days #programming #typescript #dev
AI Engineer för 3 tim sedan
The Universal Remote Control for AI — Alex Hancock, Block
AI Engineer för 7 tim sedan
MCP Apps: Give the Model Data, Give the User a UI — Dustin Mihalik, Indeed
AI Engineer för 7 tim sedan
Your agents lack context: Here's how to fix "You're absolutely right!" — Brandon Waselnuk, Unblocked
AI Engineer för 8 tim sedan