模型连接外部世界的协议与实践：MCP 生态、function calling、工具链集成的动态。
GitHub Security Lab 开源了面向 C/C++ 项目的自动化模糊测试流水线 Fuzzing Taskflow，可自主完成入口识别、编写测试桩、运行 AFL++、分析覆盖率反馈及生成漏洞报告。该系统将智能体决策与 MCP 执行工具解耦，支持结构感知变异与崩溃去重分流，默认接入 Claude Sonnet 5 并配有实时 Web 监控看板。
推荐理由：它展示了如何通过 MCP 拆分决策与执行，将智能体引入传统 C/C++ 模糊测试的全流程自动化中。
Together AI 发文解析面向智能体软件开发的开源 AI 技术栈，将其拆分为模型、推理服务商、网关路由、客户端 Harness 与工具技能五大解耦层级。文章建议将大模型用于全局规划与审查，由响应快且成本低的小模型分步执行明确任务，并借助 MCP 协议与路由器实现跨厂商无缝切换。
推荐理由：原文将开源开发拆解为模型、推理、网关、客户端与工具五层架构，为开发者从闭源模型平滑迁移并灵活替换组件提供了实用路径。
Together AI 测试对比了 Kimi K2.7 Code 与 Claude Fable 5 生成 12 个落地页的效果，结果显示 Kimi 生成成本比 Fable 5 降低约 94%，平均便宜约 16 倍且产出质量接近。
推荐理由：测试展示了借助 MCP 补充多模态视觉参考来弥补开源代码模型设计短板的方案，同时大幅压缩落地页生成的调用成本。
Together AI 宣布对其微调服务进行重大扩展，原生支持工具调用、链式推理思考轨迹以及视觉语言模型（VLM）微调。底层训练技术栈通过集成 SonicMoE 算子与定制 CUDA 内核，将 100B+ 参数模型的训练吞吐量最高提升至 6 倍，并支持最高 100GB 的数据集以及运行前的成本与耗时预估。
推荐理由：原文给出了工具调用、推理链与视觉微调的具体参数配置与吞吐量实测数据，读者可以据此评估复杂智能体工作流的后训练可行性与成本。