Cursor 团队做了一次受控实验：让新旧两套 Agent 编排系统，都只读 835 页 SQLite 手册，用 Rust 从零写一个兼容的数据库。新系统 Harness 4 小时内 sqllogictest 通过率达到 80%，最终能到 100%；旧系统 Swarm 不到 2 小时就因为代码冲突和接口混乱被叫停。新系统的核心是把规划者和执行者角色严格...
推荐理由：Cursor 做了一场干净利落的 A/B 测试，新旧两套 Agent 系统同台竞技，新系统 4 小时 sqllogictest 通过率冲到 80%、最终能到 100%，旧系统不到 2 小时就因代码冲突和接口混乱翻车。数字具体、对比清晰，还拆了规划者和执行者角色分离的架构思路，对做 AI 编程工具的人有直接参考价值。没给更高分是因为这还是一次内部技术实验，外部可复现性待验证，但作为单篇技术分享已经足够扎实。
Menlo Ventures 的 Matt Murphy 在 Equity 播客里说，Anthropic 到今年 5 月年化收入冲到 470 亿美元，而 2025 年这个数字是 90 亿。他投了 25 年，互联网、移动互联网、云计算的浪潮都经历过，从没见过这种增速。Menlo 当年领投了 Anthropic 的 5 亿美元 D 轮，那时公司还没收入，估...
推荐理由：Anthropic 的收入数字本身就有新闻性，而且投资人跨周期的判断带了真经验，不是空谈。HKR 三项都踩中了。卡在 85 以下是因为这是播客转述，不是硬新闻，TechCrunch 的 Equity 也是常规栏目，信息密度没到顶。
Codeberg 会员投票通过了一项服务条款修订，禁止在平台上分享“主要由大模型生成且未经人工审核”的代码项目。提案给出的理由是这类项目版权归属模糊、缺乏基本的安全保障。我会先打个折：条款里没定义什么叫“主要由大模型生成”，也没说清楚“分享”是仅指公开仓库还是也包括私有仓库和 Pull Request，执行时间表同样没提。有成员在讨论中指出了这些模糊点...
推荐理由：Codeberg 会员投票修改服务条款，禁止分享未经人工审核的大模型生成代码。这事有实质性的治理动作，冲突感和新鲜度都够，但正文没给出“主要由大模型生成”的具体判定标准，也没说清私有仓库和 PR 是否在限制范围内，执行细节全是空白，所以分数没拉满。
Fireworks 用约 1030 个真实编程 agent 任务跑了一遍 Kimi K3 和 Fable 5。单看 SWE 这类修 bug 的基准，K3 正确率 92.4%，Fable 92.6%，几乎没差别。但拆开看，K3 擅长符号数学和开发工具链，Fable 在网页和数据可视化上更强。他们试着做了一个“路由器”，根据任务类型把活分给最合适的模型，准...
推荐理由：Fireworks 拿约 1030 个真实 agent 任务跑了 K3 和 Fable，给了具体数字和任务类型拆解。发现按任务类型做路由、把活分给最合适的模型，效果比单用任何一个都好，这个结论可复现、可验证。分数定在 78 没往上拉，因为这是单一厂商的博客测试，不是独立第三方评测，我会先打个折。
Poolside 今天放出了 Laguna S 2.1，一个总参数 1180 亿、每次推理只激活 80 亿参数的混合专家模型，上下文窗口能到 100 万 token。它在 Terminal-Bench 2.1 长周期编程测试上拿了 70.2%，压过了 DeepSeek-V4-Pro Max（64.0%）和 Inkling（63.8%），只比 2950 ...
推荐理由：Poolside 发了 Laguna S 2.1，一个激活参数只有 80 亿的混合专家编程模型，在长周期编程测试上跑赢了 DeepSeek-V4-Pro Max。我会先打个折，因为 Poolside 还不是一线玩家，而且缺少第三方复现报告，但 70.2% 这个分数和 100 万 token 的上下文窗口，对做 AI 编程工具的人来说是个值得跟进的信号。
Google DeepMind 一口气放出 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber。3.6 Flash 是新的主力，写代码和处理多模态任务更强，token 消耗最多能降 17%，比上一代 3.5 Flash 更便宜。3.5 Flash-Lite 主打极致低成本，3.5 Flash Cyber ...
推荐理由：Google DeepMind 一次放出三款 Gemini 模型，3.6 Flash 当新主力，写代码和多模态能力有提升，token 消耗最多能降 17%，比 3.5 Flash 更便宜——这对开发者是实打实的成本信号。3.5 Flash-Lite 走极致低价路线，3.5 Flash Cyber 加了安全防护，定位清楚。但正文没提 3.5 Pro，缺了大家最想比的那块拼图。分数没给满，因为 TechCrunch 这篇信息量有限，很多技术细节和实测对比没展开。
作者推翻了自己 2025 年的疑问，说把 Claude 叫编译器是个分类错误——编译器只管把源码变成二进制，但 Claude 能跨层级干活，从战略、产品、架构一路聊到机器码。他拿 exe.dev 做分布式 DNS 服务器举例：多个 agent 循环同时开工，实现同一个设计，却在很多没问过的问题上做出了完全不同的选择。他通过回答问题、回滚烂决定，慢慢把踩...
推荐理由：作者拿自己的产品案例说话，把 Claude 从编译器重新定位成跨层级决策者，有具体代码行为对比，不是纯观点输出。但这是个人博客，没有同行验证或基准测试，说服力要打个折，所以放在 72 分 featured 档刚好。
月之暗面发了新模型 Kimi K3，在 Arena 前端编程榜上压过 Fable 和 GPT-5.6-Sol，其他跑分也咬得很紧。模型很大，有 2.8 万亿参数，支持图片输入，上下文窗口 100 万 token，权重会在 7 月 27 号开源。但它的 token 效率很差——每个 token 的价格只有 Sol 的一半，实际干活却要多用一倍的 toke...
推荐理由：月之暗面扔出 Kimi K3，在 Arena 前端编程榜上把 Fable 和 GPT-5.6-Sol 都挤下去了，其他跑分也咬得很紧。模型体量很大，2.8 万亿参数，支持图片输入，上下文窗口拉到 100 万 token，还定了 7 月 27 号开源权重，这几个信号都挺硬。但有个明显的坑：token 效率差。单价标得便宜，只有 Sol 的一半，实际干活却要多烧一倍的 token，算总账并不省钱。这个反差让整件事更有讨论价值，不是纯吹捧。分数没给到 85 以上，是因为正文只提了 Arena 前端编程榜这一个具体成绩，其他跑分只说“咬得很紧”，没给具体数...
Anthropic 的 Cat Wu 和 Thariq Shihipar 在 AI 工程师大会上跟 Simon Willison 聊了聊 Claude Code 团队的内部玩法。他们做的 Slack 协作工具 Claude Tag，现在包揽了团队 65% 的产品工程 PR。团队发现，给 Fable 5 和 Opus 4.8 的系统提示词里塞一堆例子或者...
推荐理由：这是 Claude Code 团队第一次公开 Claude Tag 的内部采用率（65% 产品 PR）和一个具体的 prompt 工程转向（系统提示词缩减 80%）。信息来自一场炉边谈话，没有可复现的评测或脚本，所以分数定在 82——信号很强，但还不是论文级别的证据。
这周 Moonshot 的 Kimi K3 和阿里的 Qwen 3.8 都发了，性能号称接近 Anthropic 的 Fable 5，而且模型权重马上要公开。文章算了笔账：Anthropic 自己不建数据中心也不发电，用的是租来的算力和电，所以推理成本会跟着用量涨。Fable 5 每完成一个任务，成本差不多是对手的 3 倍。开源模型追上来之后，这种高价...
推荐理由：K3 和 Qwen 3.8 发模型本身不算最大新闻，真正值钱的是那笔成本账：Fable 5 跑一次任务比对手贵三倍，而且 Anthropic 没自建机房，用的全是租来的算力和电，用量越大成本越高。文章把这个结构劣势讲得很清楚，等于给开源追上来提供了一个实打实的经济理由，不是空谈性能。我会先打个折，因为成本对比的细节正文没完全展开，但逻辑链条够硬，值得放进 featured。
作者拿自己手调过的 Rust 函数去考 Kimi K3，让它“随便怎么优化都行”。模型自己选了 SWAR 方案，把 64 位寄存器当 8 个 u8 用，15 分钟给出代码，零报错直接跑通，最终程序快了 2%。通过 OpenRouter 调用，token 费用大概 1 美元。作者觉得这表现确实摸到了前沿模型的边。
推荐理由：一次干净的第一人称实验：作者把自己调过的 Rust 函数丢给 Kimi K3，模型自己选了 SWAR 方案，15 分钟给出代码，零报错直接跑通，最终快了 2%，token 费大概 1 美元。数字和方案名都摆出来了，不是公关稿。我会先打个折——单次测试说明不了整体水平，但就这次表现来说，确实摸到了前沿模型的边。
英国 AI 安全研究所（AISI）的测试显示，开源模型在网络安全任务上与闭源前沿模型的差距已从 2025 年的 6 到 10 个月，缩短到现在的 4 到 7 个月。具体来说，GLM-5.2 在 70 项细分网络能力评估中，表现接近 4.3 个月前发布的 Claude Opus 4.6；但在需要把多种能力串起来完成完整黑客操作的长时间任务上，差距会拉大，...
推荐理由：AISI第一次公开量化开源与闭源模型在网络能力上的时间差，有具体模型和月份数字，虽然只是网络安全这一个维度，但数据本身够硬，值得从业者关注。
Cursor 重新设计了他们的 AI 智能体集群，把任务拆成树状结构：由最强模型当“规划者”负责拆解目标，便宜快速的模型当“执行者”负责具体干活。他们用这个新架构挑战了旧集群搞不定的任务——只靠文档，用 Rust 从零写一个 SQLite。结果新集群在所有模型组合下都赢了旧集群。用 Grok 4.5 时，新集群 4 小时内通过了 80% 的 SQL 测...
推荐理由：这是 Cursor 自己做的工程实验，不是公关稿。规划者-执行者的树状分工有具体数字（4 小时、80% 通过率），直接回答了 agent 架构怎么省钱又能打的问题。没给 85 以上是因为这只是单次实验，不是产品发布，而且正文没披露失败用例的具体分布和成本明细。
审批只能决定一条命令要不要开始跑，管不了包管理器启动后加载的脚本和子进程。文章顺着一次修 bug 的任务走了一遍：Agent 克隆仓库、跑 npm install、改代码、执行测试、最后推分支。这个过程中，操作系统隔离（比如 macOS 的 Seatbelt 或 Linux 的 bubblewrap）负责限制进程能碰哪些文件和网络，不管风险来自模型判断...
推荐理由：我会先打个折：文章没有给出任何性能数据或安全测试结果，更像一篇概念科普，所以重要性停在 72 分。但它的好处是把一个容易被当成「默认开启就行」的功能拆开了讲——审批只管命令启动前，管不了 npm install 之后拉进来的脚本和子进程，这个点对做 agent 安全的人有提醒价值。标题的提问方式和修 bug 的完整走读让可读性很高，三个维度都踩中了，只是深度偏浅，没到必读级别。
月之暗面（Moonshot AI）放出消息，打算在六个月内 IPO，直接原因是新模型 Kimi K2 在数学和编程跑分上追平了 OpenAI o3 和 DeepSeek V4 Pro。公司目前估值约 30 亿美元，2025 年靠 Kimi 聊天机器人的订阅和 API 费用做到了大概 1.5 亿美元收入。在哪上市、找谁承销，正文都没提。这个六个月的时间表...
推荐理由：月之暗面放出六个月内 IPO 的消息，直接原因是 Kimi K2 跑分追平了 o3 和 DeepSeek V4 Pro，技术对标一线后立刻推商业化节点。估值约 30 亿美元，2025 年收入约 1.5 亿美元，数字摆出来了。不过在哪上市、找谁承销正文都没提，六个月时间表能不能兑现还得看后续。Bloomberg 独家，信源靠谱，但关键信息有缺口，所以重要性先打个折，给 82 分。
xAI 把 Grok Build 在本地管理文件、命令和权限的客户端 harness 用 Apache-2.0 协议公开了，代码可以看、可以自己编译。但 Grok 模型、云端服务以及官方安装包的构建链还是闭源的。仓库不接受外部 PR，官方二进制用的内部 commit 也不在公开历史里，所以下载到的程序不一定对应公开的源码。7 月初的上传争议发生在旧版，...
推荐理由：xAI 把 Grok Build 的客户端 harness 用 Apache-2.0 放出来，支持无头模式和 ACP，不算纯作秀。但模型和构建链还是闭源，仓库也不接外部 PR，所以上限到不了 85。三个 HKR 维度都踩中了，放 featured 合适。
作者把 Kimi K3 和 Claude 放在日常写代码里对比，发现输出质量和消耗的 token 数几乎一样，分不出区别。但价格差很远：K3 API 每百万输入/输出 token 收 3 美元和 15 美元，Claude 是 10 美元和 50 美元。订阅更夸张，Kimi 39 美元的编程套餐比 Claude 同价位大方得多，而 Claude 20 美...
推荐理由：一个开发者拿 Kimi K3 和 Claude 在日常写代码里实测，结论是输出质量和 token 消耗几乎没区别，但价格差了三倍多。还顺手扒了 Claude 订阅缩水的事，信息量扎实。因为是个人博客而非官方公告，分数压在 85 以下。
作者拿一个未公开的 NP-hard 光纤网络优化问题，让 Claude Fable 5 和 GPT-5.6 Sol 各跑了三轮 30 分钟测试，对比普通模式和 /goal 模式。Fable 5 的普通模式平均得分 32,386，比 Sol 的 34,261 低了 1,875 分（分数越低越好），而且三次普通跑分只差了 319 分，稳得离谱。/goal ...
推荐理由：作者自己动手跑了一个未公开的光纤网络优化问题，三轮 30 分钟测试，数字摆得很清楚。Fable 5 普通模式稳得离谱但分数略输 Sol，开了 /goal 反而崩了，这个反直觉的点是全文最有价值的地方。扣一点分是因为问题领域窄，且来源是个人博客而非官方发布，但实验设计和结论对从业者有参考意义。
作者从自己放弃 DSL 的经历说起，指出 AI 大幅降低了设计语言、写解析器和准备示例的成本，让团队可以先建领域边界，再根据实际使用决定它的寿命。核心思路是把 FastAPI 当作原子操作层，DSL 负责描述完整计划，上下文基础设施保存过去的判断和纠正。文章引用了 Unmesh Joshi 的 DSL 文章和 Tickloom 演示，但指出 Tickl...
推荐理由：标题角度新鲜，架构思路具体，直击 agent 工程的核心痛点，三条 HKR 都踩中了。分数定在 72 是因为它来自个人博客的观点文章，没有可复现的实验或生产环境案例，思考质量高但不是硬实证，所以不往上调。
Cursor 的评估负责人 Nate Schmidt 在 Anthropic 博客里讲了他们怎么判断 Claude Fable 5 能打。核心数字是 CursorBench 上 72.9% 的得分，比上一代跳了一大截。这个测试不是刷通用榜，专挑那些连真人都头疼的长尾编程问题。不过正文没公布上一代的基线分、测试集大小和具体题目，所以 72.9% 只能当个...
推荐理由：Cursor 的评估负责人跑到 Anthropic 博客上发文章，本身就是一个信号。72.9% 的 CursorBench 分数是实打实的数字，而且测试设计针对的是连真人都头疼的长尾编程问题，不是那种刷分的通用榜。我会先打个折：正文没披露上一代的基线分、测试集大小和具体题目，所以这个 72.9% 只能当个相对进步的参考，不能直接换算成绝对能力。但考虑到是第一手工程评估，对日常重度依赖 Cursor 的开发者来说，这条信息比一般的模型发布博文更有实际意义，给 82 分合理。
Google DeepMind 发布 Gemini 3.5 Flash Cyber，基于 3.5 Flash 微调，用于快速发现、验证和修补漏洞，在 CyberGym 等基准上以多次调用取得接近更大模型的成绩。
推荐理由：原文给出轻量安全模型在多个基准和 Google 内部代码库的实测结果，可据此判断专用小模型在漏洞发现上的性价比。
Olaf Alders 发现 Claude Code v2.1.198 在 7 月 1 日悄悄塞进一个行为：当 agent 向你要指令时，如果你 60 秒内没回复，它就自己拿主意继续跑。这个改动没出现在更新日志里，也没有独立的开关能关掉。作者用 Claude 自己去反编译压缩后的 JS 代码，确认逻辑就埋在里头，没有单独的功能标记。Anthropic ...
推荐理由：一篇扎实的逆向工程博客：作者定位到 Claude Code v2.1.198 在 7 月 1 日静默加入的 60 秒超时自动执行逻辑，更新日志没提，也没有独立开关。H、K、R 全中，但毕竟只是个人博客而非官方公告，上限给到 78 分。
月之暗面推出了 Kimi K3，一个 2.8 万亿参数的模型，他们把它四舍五入叫成“首个开源 3T 级模型”。这个模型 API 定价是输入每百万 token 3 美元、输出 15 美元，跟 Anthropic 的 Claude Sonnet 系列一个价，是目前中国 AI 实验室里最贵的模型。它自己公布的跑分大多超过了 Claude Opus 4.8 和...
推荐理由：月之暗面发了 Kimi K3，一个 2.8 万亿参数的模型，他们管它叫“首个开源 3T 级模型”，API 定价输入每百万 token 3 美元、输出 15 美元，跟 Claude Sonnet 一个价，是目前中国 AI 实验室里最贵的。自己公布的跑分大多超过 Claude Opus 4.8 和 GPT-5.5 high，但输给 Claude Fable 5 和 GPT-5.6 Sol。Simon Willison 的测试里 K3 在长周期知识任务上比前代 K2.6 涨了 732 Elo，输出 token 数少了 21%，成本降了 27%，说明模型在...
Kimi K3 在 Frontend Code Arena 拿了 1679 分，压过 Claude Fable 5，七个前端领域赢了六个。模型有 2.8 万亿参数，支持 1M 上下文，定价是每百万 token 3 到 15 美元，完整权重会在 7 月 27 日前放出来。群友上手后评价两极：有人花 199 元月费让它重做了之前搞砸的粒子特效，效果惊艳；也...
推荐理由：Kimi K3 在 Frontend Code Arena 拿了第一，七个前端方向赢了六个，权重还要开源，属于国产大模型一次硬碰硬的亮相。群聊日报给了分数、参数量、价格和真实用户反馈，信息够用。没打更高是因为来源是社区整理，不是一手官方公告，我会先打个折。
OpenAI 发了一篇面向 CFO 的指南，核心就一句话：算 AI 账不能只看 token 单价，得算完成一件合格任务的综合成本。文章提了个“有用智能每美元”的框架，拆成四个问题：AI 到底干成了多少有用的活、每件成功的活实际花了多少钱、结果靠不靠谱、以及用得越多是不是每块钱买的活也越多。拿刚发的 GPT-5.6 三个档位（Sol、Terra、Luna...
推荐理由：OpenAI 这篇给 CFO 的指南把 AI 成本从 token 单价拉回到“完成一件合格任务花了多少钱”，提了个四维记分卡，还拿自家新模型和 Claude Fable 5 比了一圈。框架和对比数据都有，对企业算账的人挺实在，所以给了 featured。
月之暗面在 7 月 17 日推出了新一代 Kimi 模型，在 MATH、HumanEval 等基准测试里，成绩跟 OpenAI o3 和 Anthropic Claude Sonnet 4.5 打平甚至略高。现在通过 Kimi 聊天机器人就能试，API 也已经上线。市场反应很直接——英伟达盘前跌了超过 3%，大家担心这会压降美国 AI 公司的定价空间。...
推荐理由：月之暗面这次发模型，跑分直接叫板 o3 和 Claude Sonnet 4.5，而且不是论文阶段，是已经能用的产品。我会先打个折——没看到模型大小和实际推理成本，光看跑分容易高估。但市场反应很诚实，英伟达股价先跌为敬，说明大家认真在考虑这会不会压降美国公司的定价空间。对国内从业者来说，这至少是个值得上手测一下的信号。
Kimi K3 在 Frontend Code Arena 拿了 1679 分，7 个前端子任务里 6 个第一，压过了 Claude Fable 5 和 GPT-5.6 Sol。模型本身是个 2.8 万亿参数的 MoE 架构，上下文窗口能塞进 100 万 token，大概是一套《三体》三部曲的量。7 月 27 日会开放权重，到时候可以自己部署。API ...
推荐理由：Kimi K3 在 Frontend Code Arena 前端编码榜拿了 1679 分，7 个子任务里 6 个第一，压过了 Claude Fable 5 和 GPT-5.6 Sol。模型是 2.8 万亿参数的 MoE 架构，上下文窗口能塞 100 万 token，7 月 27 日开放权重。这是国产旗舰模型在一个具体编码榜单上直接挑战闭源双巨头，而且马上能自己部署，对前端圈和国内开发者来说是个实打实可验证的信号。
月之暗面发布了 Kimi K3，一个总参数量 2.8 万亿的模型，这也是目前公开权重里最大的一个。模型权重承诺在 7 月 27 日前放出。它支持 100 万 token 的上下文和原生的多模态输入，已经在 Kimi.com、Kimi Code 和 API 上线。在 Artificial Analysis 的智能指数上，K3 拿了 57 分，跟 Clau...
推荐理由：月之暗面扔出了 Kimi K3，2.8万亿参数，是目前公开权重里最大的模型。我会先打个折：权重还没放出来，承诺是 7 月 27 日前，这点先别太激动。性能上，Artificial Analysis 给了 57 分，说是 Opus 4.8 级别，但定价压到 Sonnet 5 那档，如果是真的挺省钱。支持 100 万 token 上下文和原生多模态输入，已经在 Kimi.com、Kimi Code 和 API 上线，可以直接用。正文没披露训练成本、推理延迟和具体 benchmark 细节，这些缺口让性价比判断还缺几块拼图。
Pydantic 的 Laura Summers 聊了用大模型写代码的真实疲惫感：代码生成没问题，但人得不停地审查、纠错、把持方向，精力很快被榨干。她的同事 Douwe 每天醒来面对 30 个 AI 生成的 PR，很想把审查也丢给 AI，但反问自己“那我还在这干嘛”。她管这叫监督疲劳，并指出 AI 让你能同时开很多头，但能认真收尾的事一件没多。文章还引...
推荐理由：Pydantic 的开发者从一线视角讲了大模型写代码的真实困境：代码能生成，但人得不停审查纠错，精力很快被榨干。她管这叫“监督疲劳”，并指出 AI 让你能同时开很多头，但能认真收尾的事一件没多。观点来自真实体验，比纯技术文章更打动人。分数没给更高是因为这是一篇观点文，没有新数据或工具发布，但观点本身足够犀利。
BackendForge 先给 56 个后端任务写了 7,250 项测试，再让 Agent 专门找这套题库漏了什么，最后补了 640 项。测试只多了 8.8%，但 GPT-5.5 全部通过的任务从 31 个掉到 16 个，Claude Opus 4.7 从 33 个掉到 10 个。代码没变，变的是评分方式：新题专挑权限、脏数据、连带影响这些第一版没覆盖...
推荐理由：BackendForge 这件事有意思在它不拼模型，拼的是出题方式。先拿 56 个后端任务写了 7,250 项测试，再让 Agent 自己找题库的盲区，补了 640 项。测试量只涨了 8.8%，但 GPT-5.5 和 Claude Opus 4.7 的满分率直接腰斩。代码没变，变的是评分标准——新题专挑权限、脏数据、连带影响这些第一版没覆盖的角落。这对做 AI 编码工具的人是个实在提醒：模型能跑通任务不代表真靠谱，评测得学会追问。数字清晰，结论有冲击力，而且没吹模型，吹的是方法论，值得放 featured。
Soofi S 是一个 31.6B 参数的混合专家模型，每次生成只激活 3.2B 参数，推理成本压得很低。它用了 Mamba 加 Transformer 的混合架构，处理长文本时速度几乎不掉，这点比很多同尺寸模型强。训练数据故意向德语倾斜，结果在德语、英语和编程基准上分数都超过了 Olmo 3 32B 和 Apertus 70B。模型在德国电信的慕尼黑...
推荐理由：德国 AI 联盟放出的 Soofi S，一个 31.6B 参数的混合专家模型，每次只激活 3.2B 参数，推理成本压得很低。它用 Mamba 加 Transformer 的混合架构，长文本处理不掉速，在德语、英语和编程基准上分数都超过了 Olmo 3 32B 和 Apertus 70B。虽然德语优先的定位会限制它在中文圈的传播，但开源 30B 级别模型做到这个性能和成本，对从业者来说值得看一眼。
Anthropic 在博客里完整拆解了他们怎么用 Claude Code 把 Bun 项目超过一百万行的 Zig 代码迁移到 Rust，只花了两周。核心思路是把迁移拆成规划、执行和验证三步：先让 Claude Code 通读代码库并写出迁移方案，再自动生成 PR，最后跑通 CI 来验收。文章附了完整的工作流和提示词模板，给想用 AI 做内部重构的团队参...
推荐理由：Anthropic 官方博客拆解了一次真实的大规模迁移，有数字、有流程、有模板，不是公关稿。分数没给更高是因为这本质上是一篇案例分享而非产品更新，而且 Bun 不是 Anthropic 的项目，更像一次对外演示。
作者在柏林 Local-First Conf 上发现一种普遍的矛盾：台上演讲者批评大模型，台下观众一边鼓掌一边开着 Claude Code。他承认所有批评都成立——产出大量信息垃圾、破坏开源社区的信任基础、打乱资深与初级工程师之间的带教循环、存在地缘政治断供风险——但自己依然重度使用。文章没有试图化解这种矛盾，而是把这种集体性的别扭感摊开来讲，并邀请大...
推荐理由：这篇文章没打算讲道理，就是把开发者圈子里那种'边骂边用'的集体拧巴摊开给你看。柏林会议上 Armin Ronacher 的回复是个好钩子，但全文没有数据支撑，也没有解决方案，就是一次诚实的自我暴露。我会给 featured，因为共鸣够强、传播力够好，但别指望从这里学到什么新东西。
Roc 团队花了 487 天，把 30 万行 Rust 编译器用 Zig 重写了一遍，最近刚做到功能追平。一个叫 Rocci Bird 的演示小游戏现在能编译成 31KB 的 wasm 文件，体积不到原来的一半。新编译器在开发时会自动热加载代码，改完不用重启；发布时能交叉编译出可复现的静态二进制文件。团队强调这次是重新设计，不是直接搬运，所以没法拿 R...
推荐理由：Roc 团队花了 487 天把 30 万行 Rust 编译器用 Zig 重写，刚追平功能。31KB wasm（不到原来一半）、热加载、可复现静态二进制都是实打实的改进。和 Bun 从 Zig 切 Rust 的报道天然形成对照，增加了话题性。但正文没给出 Rust 版本的直接性能对比，团队也承认是重新设计而非搬运，所以实际提升幅度要打个折。上限给到 72，因为缺乏严格的 A/B 数据支撑。
Thinky 推出了 Inkling，一个总参数量 9750 亿、每次推理激活 410 亿参数的混合专家模型。它能直接处理文字、图片、音频和视频，支持最长 100 万 token 的上下文窗口。模型用 45 万亿个多模态 token 训练，采用 Apache 2.0 协议开源，发布当天就得到了 vLLM、Hugging Face 等工具链的支持。团队明...
推荐理由：Thinky 第一个完整模型发布，975B MoE 架构、Apache 2.0 开源，填补了美国开源阵营的空缺。Mira Murati 的团队背景、100 万 token 上下文和原生多模态能力同时打中了热度、硬核度和身份认同三个点。没给到 90 分以上是因为目前只有团队自己公布的跑分数字，正文没披露独立第三方的验证结果，这点先别太激动。
xAI 在 GitHub 上公开了 Grok Build 的全部源码，包括智能体的工作循环（怎么拼上下文、怎么解析模型回复、怎么调用工具）、终端界面、以及技能、插件、MCP 服务器等扩展系统。你可以直接读源码搞清楚它的内部机制，也可以自己编译后连上本地模型跑起来，完全离线使用。
推荐理由：xAI 开源了 Grok Build 的全部代码，包括智能体循环、终端界面和扩展系统，还支持本地离线运行，在开发者圈子里同时踩中了好奇心、干货和实用价值三个点。目前只有官方公告，还没有第三方评测或实际跑通后的反馈，所以分数先定在 featured 这一档，等有人上手验证了再调整。
bitjaru 开源了一个叫 StyleSeed 的项目，专门给 Claude Code、Cursor 这类 AI 编程工具用。它不直接生成代码，而是教模型做设计判断。项目里打包了 74 条设计规则、48 个组件、7 套品牌皮肤（像 Stripe、Linear、Vercel 这些），还有一套命名过的动效系统和 15 个快捷指令。目前 MIT 协议开源，...
推荐理由：给 AI 编程工具加设计约束这事确实戳中刚需，74 条规则加品牌皮肤让项目不止于概念 demo。分数没给更高是因为刚在 Show HN 亮相，没有用户反馈和实际落地效果，目前只能按工具完整度打分。
Unmesh Joshi 在 Martin Fowler 的博客里说，靠一份详细需求文档就让大模型一把梭出整个系统不现实——需求只是假设，真正的设计是在实现过程中一点点摸出来的。他提出用领域特定语言（DSL，也就是为特定业务定制的“小语言”）和领域抽象给大模型画好边界，这样模型生成的代码才不会跑偏。文章举了 Tickloom 的例子：这是一个给分布式系...
推荐理由：一篇扎实的工程实践文章，发在 Martin Fowler 的博客上，用 DSL 给大模型代码生成画边界，有具体例子支撑。没给更高分是因为它属于观点/模式文章，不是产品发布或模型发布，受众更偏后端架构师。
OpenAI 在 6 月 5 日合并了一个 PR，把 Codex 里主 agent 派给子 agent 的任务指令从明文改成了密文。以前你在本地日志里能看到类似“Review the authentication changes”这样的具体任务，现在只剩一串 <ciphertext>。子 agent 调用了什么工具、跑了什么命令、改了哪些代码，这些执行...
推荐理由：这是一条有具体技术细节的产品变动报道，不是公关稿。PR 号、issue 链接、改动前后对比都给出来了。扣分是因为这属于功能调整而非新能力发布，影响范围也局限在 Codex 用户。我会先打个折：虽然对开发者体验的冲击不小，但本质上是一次安全加固，不是模型能力或架构的突破。
Dan Austin 开源了一个完整的 AI 训练 AI 实验。外层用 Qwen3.6 智能体设计后训练方案，内层用 Qwen3-0.6B 或 1.7B 模型在 GPU 上真跑训练，隐藏评分再作为奖励反馈给外层。54 步下来，智能体先学会少交无效作业，然后把 1.7B 模型的使用比例从 42% 拉到了 95%，并开始主动调整温度、优化器等超参数。训练后...
推荐理由：我会先打个折：这只是一个公开实验，不是产品，规模也小。但它的价值在于把“AI 训练 AI”从概念变成了可复现的流程。外层 Qwen3.6 智能体设计后训练方案，内层 Qwen3-0.6B 和 1.7B 真跑训练，隐藏评分当奖励。54 步后，智能体先学会别交无效作业，然后主动把 1.7B 模型的使用比例从 42% 拉到 95%，还开始调温度、优化器这些超参数。这说明在小规模下，AI 确实能通过试错找到更省钱的训练策略。正文没披露最终模型在基准上的绝对分数，所以别急着说“超越人类调参”，但流程本身对做模型训练自动化的团队很有参考价值。