Amazon umożliwił automatyzację UI opartą na intencjach, łącząc Nova Act z narzędziem Bedrock AgentCore Browser Tool. Pozwala to zespołom definiować przepływy testowe za pomocą instrukcji w języku naturalnym, zamiast utrzymywać sztywne bazy kodu oparte na selektorach.
MoEngage skutecznie zintegrowało ponad 400 wewnętrznych REST API jako narzędzia dla agentów za pomocą Amazon Bedrock AgentCore Gateway. Podejście to wyeliminowało potrzebę ręcznej konserwacji serwerów MCP, złożonej konfiguracji sieci oraz ryzyka związanego z wystawianiem usług do publicznego internetu.
Google wprowadziło interfejs wiersza poleceń (CLI) dla Gemini API, zaprojektowany jako bezstanowe narzędzie bez zewnętrznych zależności dla programistów.
Google Cloud udostępniło IAM Helper, zestaw komponentów dla agentów AI, zaprojektowany w celu automatyzacji złożonych procesów zarządzania tożsamością i dostępem (IAM). Dzięki integracji z silnikami IAM Google Cloud za pośrednictwem MCP (Model Context Protocol), narzędzia te umożliwiają autonomicznym agentom samodzielne rozwiązywanie problemów (np. błędów 403), symulowanie wpływu polityk oraz wnioskowanie o dostęp just-in-time.
Badanie to wprowadza framework oparty na weryfikacji, który udoskonala rozumowanie emocjonalne w agentach AI. System nie wymaga douczania modeli, lecz identyfikuje błędy i stosuje ukierunkowane aktualizacje promptów, aby poprawić skuteczność działania.
Firma Anthropic wprowadziła API w wersji beta dla Claude Enterprise, umożliwiające administratorom programowe zarządzanie ustawieniami Claude w kanałach i przestrzeniach roboczych Slack. Nowe punkty końcowe /v1/organizations/claude_tag/ pozwalają na odczyt i zmianę konfiguracji tagów oraz obsługę pakietów dostępowych.
Amazon Bedrock AgentCore to nowa usługa usprawniająca wdrażanie i zarządzanie architekturami wieloagentowymi. Obsługuje ona hosting agentów, bezpieczny dostęp do narzędzi przez MCP oraz izolację sesji, co pozwala zespołom skupić się na logice agentów zamiast na utrzymaniu infrastruktury.
Google ogłosił publiczną wersję zapoznawczą (Public Preview) obsługi strumieniowania w API Gateway, obejmującą Server-Sent Events, odpowiedzi chunked/NDJSON, WebSockets oraz strumieniowanie gRPC. Endpointy strumieniujące mogą teraz działać za tą samą bramką co zwykłe API, zachowując dotychczasowe uwierzytelnianie, logowanie i monitorowanie, bez zmian w specyfikacji API. Połączenia mogą pozostawać otwarte do godziny, a bramki otrzymują teraz przewidywalną domyślną nazwę hosta zamiast generowanego hasha. Funkcja wiąże się też z routingiem modeli, dzięki czemu jedna bramka może strumieniować odpowiedzi z modeli Gemini, Claude i OpenAI gpt-oss.
AWS opublikował przewodnik po Adaptive Agentic Intelligence Framework (AAIF), zbudowanym na Strands Agents, który kieruje proste zapytania do małych lokalnych modeli (przez Ollama), a złożone zapytania do modeli chmurowych przez Amazon Bedrock. Lekki model o 1 miliardzie parametrów (llama3.2:1b) działa jako orkiestrator decydujący, gdzie skierować każde zapytanie; w przykładzie agent monitorujący IoT korzysta z lokalnego pobierania telemetrii, lokalnej analizy wizyjnej i chmurowych ekspertnych analiz. AWS podaje, że w konfiguracji hybrydowej około 80 procent ruchu może być obsłużone lokalnie bez odwołania do płatnego API, a architektura może działać w pełni na sprzęcie brzegowym (np. Raspberry Pi z 8GB pamięci), w pełni w chmurze lub w trybie hybrydowym.
NVIDIA opublikowała OpenShell — otwartoźródłowe środowisko uruchomieniowe, które traktuje obciążenia agentów jako niezaufane i przyznaje dostęp do plików, narzędzi i systemów tylko wtedy, gdy jest to potrzebne. Towarzyszy temu nowy procesor NVIDIA Vera oraz opcjonalnie karty BlueField-4 DPU z NVIDIA Sentry do sprzętowego monitorowania. NVIDIA twierdzi, że razem tworzą one pełną architekturę referencyjną do bezpiecznego działania autonomicznych agentów na skalę centrów danych.
Google Cloud udostępnił modele Anthropic Claude Opus 5.5 i Claude Sonnet 5.5 do wyboru w platformie agentowego kodowania Antigravity, obok Gemini 3.8 Flash i Gemini 4 Argon. Deweloperzy mogą przełączać rodziny modeli w trakcie tej samej rozmowy w Antigravity 2.0, CLI oraz wtyczkach IDE dla VS Code, JetBrains i Visual Studio, wszystko w ramach jednej granicy rozliczeniowej i bezpieczeństwa dla firm. Google opisuje też dwa wzorce inżynieryjne: wykorzystanie drugiej rodziny modeli do niezależnej weryfikacji kodu napisanego przez pierwszą ('LLM jako sędzia') oraz przydzielanie szybkich subagentów Gemini Flash do zadań mechanicznych o dużej skali, podczas gdy silniejszy model zajmuje się głębokim rozumowaniem.
AWS zaprezentował Agent Registry – zarządzaną usługę katalogową dla serwerów Model Context Protocol (MCP), agentów i umiejętności agentów. Zamiast na sztywno kodować każde narzędzie w orkiestratorze, agenci mogą teraz wyszukiwać w zatwierdzonym, wersjonowanym katalogu w czasie wykonania i budować klienta na podstawie zwróconego deskryptora. Przykładowe rozwiązanie demonstruje pętlę Discover → Instantiate → Execute z wykorzystaniem Amazon Bedrock AgentCore Gateway i AgentCore runtime, a modelem bazowym jest Anthropic Claude Sonnet.
Eon, firma ISV zajmująca się ochroną danych działająca na AWS, zastąpiła osobne poświadczenia i lokalne serwery MCP jedną bramą Amazon Bedrock AgentCore MCP Gateway. Brama wykorzystuje polityki oparte na Cedar, by wymusić dostęp o minimalnych uprawnieniach zarówno dla inżynierów, jak i autonomicznego agenta SRE działającego na Claude przez Amazon Bedrock, kierując wywołania do serwerów MCP hostowanych na AgentCore Runtimes w wielu kontach AWS. Po wdrożeniu dla 100+ deweloperów i około 10 000 sesji czas wdrażania nowego inżyniera spadł z ok. 2 dni do ok. 2 minut.
AWS wspólnie z Keyfactor opublikowało architekturę referencyjną, która usuwa znaną lukę w Model Context Protocol (MCP) – MCP nie ma wbudowanego mechanizmu potwierdzania, który agent faktycznie wysyła żądanie. Architektura dodaje trzy warstwy zaufania – użytkownik-system, agent-agent oraz agent-serwer narzędzi MCP – oparte na podpisanych kopertach żądań, asercjach delegacji podpisanych przez użytkownika, tokenach z ograniczoną odbiorcą wg RFC 8693 oraz sprawdzaniu unieważnień OCSP w czasie rzeczywistym. Działający przykład wykorzystuje Amazon Bedrock i AWS Strands Agents SDK, a Keyfactor EJBCA wystawia i weryfikuje certyfikaty X.509; pełny kod jest dostępny na GitHub.
ALTK-Evolve od IBM Research wydobywa krótkie reguły zachowania z wcześniejszych prób agenta na zadaniach treningowych i dołącza je do system promptu podstawowego agenta ReAct działającego na GPT-4.1. W benchmarku obsługi klienta τ²-bench (domeny retail i airline) to podejście oparte na uczonej pamięci podniosło dokładność i niezawodność bez aktualizacji wag modelu i bez ludzkiej anotacji. Pełny zestaw wskazówek „lossless” podniósł wynik agenta GPT-4.1 do Pass^4 = 67,5% w retail — najwyższy wynik w migawce rankingu z 12 października 2026, przewyższając nawet model douczony specjalnie na syntetycznych danych retail. Technika poprawiła też agenta opartego na zaawansowanym GPT-5.5 w zadaniach airline, wynosząc go na szczyt tego rankingu.
Red Hat, IBM i Google ogłosiły llm-d 1.0 — rozproszony system obsługi wnioskowania LLM natywny dla Kubernetes, który wykroczył poza demonstrowanie pojedynczych technik wydajnościowych i stał się gotowy do pełnej eksploatacji produkcyjnej. Wersja dodaje wielodostępową kontrolę jakości usług, operacje bez przestojów oraz obsługę świadomą agentów, dzięki czemu ten sam endpoint może efektywnie obsługiwać zarówno ludzi, jak i autonomiczne agenty. W jednym teście router świadomy prefiksów llm-d osiągnął 97% ponownego wykorzystania cache w obciążeniu agentowym związanym z kodowaniem, a IBM/Red Hat uruchomili 3000 jednoczesnych agentów inżynierii oprogramowania za 5-10 razy mniej niż koszt tego samego modelu jako usługi hostowanej.
AWS wprowadził strukturyzowane odpowiedzi dla wszystkich modeli Anthropic Claude dostępnych w Amazon Bedrock — zarówno w standardowym endpoincie runtime, jak i nowszym endpoincie Mantle przeznaczonym do zadań agentowych. Zamiast liczyć na to, że model zwróci poprawny JSON, deweloperzy mogą teraz wymusić dokładną zgodność odpowiedzi ze schematem dzięki ograniczonemu dekodowaniu, które blokuje generowanie tokenów łamiących format. Dodatkowa funkcja, strict tool use, zapewnia taką samą gwarancję dla parametrów wywołań narzędzi, dzięki czemu przepływy pracy agentów nie zawodzą przez błędnie sformatowane dane wejściowe.
Google Cloud opublikował architekturę referencyjną dla agentów AI koordynujących długotrwałe, wymagające GPU zadania naukowe, takie jak zwijanie białek i przesiewanie związków chemicznych, które łamią standardowy model pojedynczego agenta LLM z powodu limitów czasu i przepełnienia kontekstu. Architektura oddziela orkiestratora kognitywnego (Gemini na Agent Runtime) od warstwy wykonawczej GPU (NVIDIA NIM, np. ESMFold i GenMol, działające na GKE) i obejmuje całość warstwą zarządzania z tożsamością agenta, bramą, rejestrem i ochroną Model Armor. Przedstawiono też najlepsze praktyki: przekazywanie dużych danych przez odniesienie zamiast wprost, strumieniowanie pośrednich aktualizacji postępu oraz wymaganie zgody człowieka dla nieodwracalnych działań.
AWS opublikował framework zarządzania o nazwie Trust in Depth, mający umożliwić agentom AI działanie z większą autonomią przy zachowaniu egzekwowalnych ograniczeń. Łączy on określanie zakresu uprawnień agenta przed wdrożeniem, nadawanie każdemu agentowi weryfikowalnej tożsamości, egzekwowanie granic w czasie działania poprzez bramki polityk oraz obserwację zachowania agenta po fakcie. Framework opiera się na automatycznym wnioskowaniu (dowodzie matematycznym) dla precyzyjnie określonych reguł oraz na ludzkim osądzie w niejednoznacznych przypadkach, wykorzystując narzędzia AWS: Bedrock AgentCore, Guardrails, Kiro, Strands, Agent Registry i CloudWatch Omni.
Google wydało Apigee hybrid 1.17.0 (14 września 2026), dodając obsługę Model Context Protocol (MCP), która działa całkowicie we własnym klastrze Kubernetes klienta, a nie w infrastrukturze zarządzanej przez Google. Pozwala to organizacjom z wymogami rezydencji danych lub regulacyjnymi zamienić istniejące API opisane w OpenAPI w narzędzia wywoływane przez agentów AI, bez wychodzenia ruchu MCP poza ich sieć. Funkcja wykorzystuje istniejącą tożsamość Apigee, polityki bezpieczeństwa i kontrolę opartą na produktach API, i jest opcjonalną, domyślnie wyłączoną funkcją, włączaną poprzez aktualizację Helm chart.
Anthropic wprowadził testową funkcję śledzenia, która eksportuje dane OpenTelemetry (spans) zarówno z żądań Messages API, jak i z sesji Claude Managed Agents. Deweloperzy korzystający z Claude SDK mogą teraz natywnie przechwytywać te dane w siedmiu językach: Python, TypeScript, C#, Go, Java, PHP i Ruby. Aby włączyć funkcję, trzeba skonfigurować miejsce docelowe dla danych telemetrycznych w Claude Console.
NVIDIA opublikowała studium przypadku pokazujące, jak Siemens EDA wykorzystał otwartą bibliotekę ewaluacyjną NeMo Gym, by usprawnić agenta do charakteryzacji chipów. Zamiast sprawdzać pojedyncze wywołania narzędzi, zespół oceniał kompletne pliki wynikowe za pomocą wyspecjalizowanego weryfikatora, a wzorce błędów wykorzystał do przepisania instrukcji umiejętności agenta i opisów narzędzi MCP. Po kilku rundach tej pętli łączny wynik benchmarku wzrósł z około 55% do 95%, a agent potrzebował znacznie mniej kroków i mniej danych wyjściowych. W eksperymentach wykorzystano około 25 przebiegów ewaluacyjnych z Claude Opus 4.8 jako modelem agenta działającym w Claude Code.
Orca Security zbudowała Discovery AI — agenta na Amazon Bedrock, który zamienia proste pytania w języku naturalnym na ustrukturyzowane zapytania do systemu Sonar, śledzącego ponad 900 typów zasobów chmurowych. Zamiast jednego dużego modelu z całym schematem wczytywanym do każdego promptu, wersja produkcyjna rozdziela pracę na dziewięć wyspecjalizowanych etapów i kilka różnych modeli bazowych. Efekt: znacznie niższe koszty, szybsze odpowiedzi i lepsza dokładność przy złożonych zapytaniach; system działa od marca 2026 roku.
Anthropic wprowadził w Claude Platform beta funkcję, która pozwala agentowi Managed Agents samodzielnie zbudować przepływ pracy (workflow) do dużych, wieloczęściowych zadań, np. przeglądu setek dokumentów. Zamiast wykonywać całość za jednym razem, agent dzieli zadanie na etapy, deleguje części do wielu pod-agentów i łączy ich wyniki w jeden rezultat. Zadanie jest przekazywane serwerowi, który wykonuje je asynchronicznie i raportuje postęp poprzez strumień zdarzeń.