★ Aktuell
Google DeepMind has launched Gemma 4, a family of state-of-the-art open models designed to enable multi-step planning and autonomous agentic workflows directly on-device. The release includes the Google AI Edge Gallery for experimenting with "Agent Skills" and the LiteRT-LM libra...
• google
• developers
Google has updated its account settings to allow U.S. users to change their @gmail.com usernames while keeping all exist...
• developers
The Agent Development Kit (ADK) SkillToolset introduces a "progressive disclosure" architecture that allows AI agents to...
• developers
The launch of Agent Development Kit (ADK) for Go 1.0 marks a significant shift from experimental AI scripts to productio...
• developers
The newly introduced continuous checkpointing feature in Orbax and MaxText is designed to optimize the balance between r...
• developers
Google has released version 1.0.0 of the Agent Development Kit (ADK) for Java, introducing powerful new features like Go...
• google
To bridge the gap between static model knowledge and rapidly evolving software practices, Google DeepMind developed a "G...
• google
The provided workflow streamlines motion-controlled game development by using Gemini Canvas to rapidly prototype mechani...
• google
This blog post introduces a workflow for extracting high-quality data from complex, unstructured documents by combining ...
▶ Tages-Digest — 23. Oktober 2026
674 Artikel, 35 relevant
# KI-Tagesüberblick 2026-10-23
Highlights
1. Agent Skills zur Agentic AI Foundation doniert — [Anthropic spendet den Agent-Skills-Standard](https://www.anthropic.com/news/donating-agent-skills-to-the-agentic-ai-foundation) der Linux Foundation, um die Technologie offen, gemeinschaftsgetrieben und herstellerneutral zu halten. Ein Schritt zur Standardisierung agentenbasierter KI-Systeme.
2. Sicherheitslücke in LLM-Agenten identifiziert — [Agent Mosaic](https://arxiv.org/abs/2610.30418) zeigt ein kritisches "Mosaic-Effekt"-Risiko: Agenten können vertrauliche Informationen aus mehreren Dokumenten kombinieren und unbeabsichtigt sensible Schlussfolgerungen preisgeben. Tests mit 30 Cybersecurity-, Medizin- und Militär-Szenarien dokumentiert.
3. Neuer Benchmark für visuelle Planung und Koordination — [DuoCook](https://arxiv.org/abs/2610.31511) evaluiert Vision-Language-Agents in Overcooked-ähnlichen Szenarien auf ihre Fähigkeit, sich koordinieren, Ressourcen teilen und unter Zeitdruck arbeiten zu können.
4. Sycophantie-Effekt umgekehrt — [Forschung zeigt](https://arxiv.org/abs/2610.31579): Nicht nur LLMs sind anfällig für Bestätigung – auch Nutzer vertrauen selbstbewussten, aber falschen KI-Assistenten und verlieren ihr Kalibrierungsvermögen.
5. LLM-Agent-Persönlichkeitsforschung formalisiert — [Studie zu Verhaltensmerkmalen](https://arxiv.org/abs/2609.32776) kritisiert Selbstberichte von Modellen und schlägt A-B-D-Rahmen vor, um echte Verhaltensmerkmale statt bloßer Selbsteinschätzung zu messen.
## Tool-Releases
- Claude Code v2.1.309 — [Update behebt Sandbox-Sicherheitslücken](https://github.com/anthropics/claude-code/releases/tag/v2.1.309) auf macOS/Linux, darunter Umgehungen bei MCP-Konfigurationen und Symlink-Handling.
- Cloudflare Agents SDK v0.30.0 — [Unterstützt jetzt Pi 1.4](https://developers.cloudflare.com/changelog/post/2026-10-22-pi-harness-pi-1-4/), mit verbesserter Fehlertoleranz bei Crashes und Speicherproblemen.
- Omnara — [Open-Source-Alternative zu Claude Managed Agents](https://github.com/omnara-ai/omnara) für durable Agent-Loops mit Postgres-Persistierung, Sandboxing und RBAC-Kontrollen.
## Forschung
- Fehleridentifikation in wissenschaftlichen Arbeiten — [FLAWS-Benchmark](https://arxiv.org/abs/2511.21843) adressiert fehlende LLM-Fähigkeiten bei Peer-Review-Unterstützung und Fehlerlokalisierung.
- Sicherheits-Guardrails über Interface-Grenzen — [UniGuard](https://arxiv.org/abs/2610.30742) trainiert interface-invariante Sicherheitsrepräsentationen, um Guardrails robust gegen verschiedene Input-Formate zu machen.
- Medizinische Triage-Chatbots evaluieren — [SIM-UT](https://arxiv.org/abs/2610.30412) schließt Lücke zwischen Single-Turn-Benchmarks und realen, mehrsprachigen, messy-Input-Szenarien in LMICs.
- Spezifikations-Lücken in Code-Agent-Benchmarks — [Studie identifiziert](https://arxiv.org/abs/2610.30635), dass natürlichsprachliche Aufgabenbeschreibungen oft Upstream-Implementierungsdetails erfordern, die nicht dokumentiert sind.
- Mosaik-Effekt bei Informationslecks — Vertrauliche Schlussfolgerungen entstehen durch Kombination mehrerer „unschuldiger" öffentlicher Quellen – schwer zu kontrollen ohne radikale Zugriffsbeschränkungen.
- Soziale Medien-Profilierung mit LLMs — [Social-HUMINT](https://arxiv.org/abs/2610.31573) untersucht Inferenzen über Nutzerdaten, die diese nie offenbaren wollten.
## Sonstiges
- Human-LLM Co-Authoring-System — [CoWriter](https://arxiv.org/abs/2610.31277) geht über passive Chat-Canvas-Interfaces hinaus für aktive Zusammenarbeit bei quellengestütztem Schreiben.
- Agent-Flottenmanagement — [MemMux](https://arxiv.org/abs/2610.07257) adressiert Speicher-Attributions- und Prozessmanagement-Problem bei parallelen Coding-Agents.
- Selbstevoluierende statische Analyse — [SESAA](https://arxiv.org/abs/2610.30184) nutzt LLM-Pseudo-Labeling, um Erkennungsregeln automatisch an neue APIs und Patterns anzupassen.
Bereiche