最近，团队推出了面向测试自动化的 NL2Test Agent：QA在测试过程中， 只需用自然语言描述测试场景，Agent 就能自动生成可运行的回归测试用例，让测试资产沉淀更加高效。 目前已在多条业务线部署，从反馈来看，这个方向已经跑通：85.4% 的生成用例被集成到 CI/CD 工作流中；新增用例里，平均值约25%来自 Agent 生成，个别业务团队峰值可达50%+，且比例仍在持续提升；Agent用户月活率达到30.7%；工具平均每双周为部门节省约 30 人天投入。 回头看，NL2Test Agent 能够真正被 QA 用起来，不仅仅是因为模型能力提升，更关键的是我们在场景选择和工程设计上做对了几类取舍。
最新的DeepSeek 智能体应用框架（DeepSeek Harness，简称DSH），Model、Tool、Memory、Sandbox 和 Agent 都是可组合、可替换、可扩展的插件。Harness 本身退到最薄——它只做三件事：调度模型与工具、在高危操作前请你审批、维护一份任务计划。
随着 AI 视频进入生产阶段，生产成本开始成为越来越多团队绕不开的问题。 旗舰模型不断提升画质上限，更轻量的模型不断推出。很多人曾以为，“视频生成成本”这道题，会随着算力效率提升和模型能力演进被自然解开。但真正把 AI 视频推进到规模化生产的团队很快发现：生成门槛在降低，账单却并没有随之变薄。 因此围绕着 AI 视频生产降本这一话题，行业里已经出现了多种探索。
Agent 正在把 AI 从"回答问题"推向"完成任务"，存储也随之从"提供容量、承载文件"的资源层，升级为贯穿 Agent 运行、协作与持续优化的关键底座。火山引擎存储团队以 Storage Agent Infra 为载体，围绕 Sandbox Store、Artifact Store、Agent 观测 & 评测三大能力方向，重新组织存储能力，支撑 Agent 时代的真实业务。
