爆料说苹果下一代 Siri 的核心换成了一个定制的谷歌大模型，参数规模 1.2 万亿，比大家猜的 Gemini 3.5 Flash（约 3000 亿参数）大好几倍。复杂任务会交给这个大模型，简单查询还是留在手机上跑。苹果现在最头疼的是日常问题的响应速度，大模型再聪明，回慢了也没人用。另外，下个月 WWDC 可能会官宣 Apple Intelligenc...
推荐理由：这篇就一个 X 上的爆料，给了些架构细节但没附源文件、没提上线时间和功能范围，所以我会先打个折。1.2T 参数这个数字挺具体，但正文没解释是总参数还是激活参数，也没说模型怎么裁出来给手机用。简单查询跑本地、复杂任务走云端这个分工听着合理，不过延迟到底压到多少、在哪些机型上能跑都没交代。这点先别太激动，等有实测或官方确认再往上调。
xAI 把 Grok Build 的测试版开放给了所有 SuperGrok 和 X Premium+ 用户。这次主要给了三个东西：Plan Mode 可以分步骤拆解任务；Imagine 模块能直接生成图片和视频；还有一个命令行工具（CLI），方便你把 Grok 接进自动化流程或者编排器里干活。想试的话去 x.ai/cli 就能开始。
推荐理由：HKR 三项都踩中了：xAI 放出一个付费测试版，功能名目列得清楚。分数卡在 featured 底线，因为正文没写能力边界、没给定价、也没测试数据，我会先打个折——东西看着热闹，但能跑多稳、花多少钱，现在还不知道。
这篇帖子直接点破：小模型搭的智能体方案没成为主流，跟技术能不能跑通关系不大，核心是商业风险和验证成本。作者举了两个例子——Gemma 4 31B 在 tau2-bench 上能跑到 86.4% 的准确率，DeepSeek V4-Flash 的输出 token 价格差不多是 Claude Opus 4.6 的 89 分之一，单看指标和成本都挺能打。但问题...
推荐理由：这篇文章的切入点挺刁钻——小模型 agent 栈没普及，不是性能不行，是验证层掉链子。它拿 Gemma 4 31B 在 tau2-bench 上 86.4% 的成绩和 DeepSeek 低到离谱的输出成本说事，数字本身有说服力。但更值得盯的是那个 7-9B 模型做验证时，一半到三分之二的正确答案推理链其实有缺陷，这个发现直接动摇了用小模型兜底的信心。来源是 Reddit，权威性要打个折，所以分数没给到顶，但话题本身对做 agent 落地的人很解渴。
作者 superSmitty9999 放出了一个概念验证工具 ai-sandbox-manager，用 LXC 模板给 Codex 开了 sudo 权限、浏览器操作、Docker 和共享 GPU 访问，同时加了个钩子阻止 git push，让模型在隔离副本里干活，降低把系统搞崩的风险。正文没披露性能开销和具体延迟数据。
推荐理由：这是个 Reddit 上的个人概念验证，作者把 Codex 塞进 LXC 沙箱，给了 sudo、浏览器和 GPU，还加了防 push 的钩子。思路很实用，解决了“让模型干活又怕它闯祸”的矛盾，但正文没给任何性能数据、稳定性测试或实际跑任务的案例，目前只能当个有趣的工程方案看，离生产环境还有距离。
正文页面被微信环境验证挡住了，看不到具体技术细节。从标题和摘要看，Reasonix 这个工具用了一种“只追加不修改”的循环机制来给 DeepSeek V4 做缓存。在长代码会话场景里，缓存命中率报到了 99.82%，相当于模型每次生成新内容时，前面绝大部分上下文都不用重复计算。一个原本要烧掉 400M token、花 61 美元的任务，用上这套缓存后账...
推荐理由：Reasonix 这个工具把 DeepSeek V4 长会话的缓存命中率拉到 99.82%，账单直接打两折，从 61 美元降到 12 美元。对用 DeepSeek 跑长任务的团队来说，成本降幅很实在。不过正文没披露测试场景的会话长度和任务类型，也没说这个命中率在不同负载下稳不稳，所以先别当通用结论。
这篇博客把智能体拆成了三层：模型（就是大语言模型本身）、脚手架（通过提示词和工具描述来定义模型的行为逻辑）和线束（负责实际跑模型调用、工具调用和控制循环的代码）。作者认为现在行业里这些词被混用得厉害，比如有人把整个智能体叫脚手架，有人把执行层叫线束，这篇就是想给个实用的参照，不是要定死标准。文章还顺带理了上下文工程、策略、技能、子智能体这些常被模糊使用...
推荐理由：Hugging Face 这篇把 agent 拆成三层：模型本身、Scaffolding（定义行为）和 Harness（管工具调用与控制循环）。这个分法解决了一个很实际的痛点——现在聊 agent 的人经常把“怎么调用工具”和“谁在控制循环”搅在一起，文章直接划了条线。我会先打个折：正文没给出具体的实现案例或性能对比，更像概念梳理，所以重要性停在 72 分。对正在搭 agent 架构的从业者来说，这篇能当一张参考图用，但别指望它直接告诉你代码怎么写。
这次攻击同时在 npm、PyPI 和 Crates.io 上投放了 34 个恶意包，目标是偷加密货币、AI 和安全开发者的钱包、SSH 密钥和云凭证。手法不是直接藏恶意代码，而是给流行开源项目提 Pull Request，往里面塞被篡改的 CLAUDE.md 和 .cursorrules 配置文件。开发者把仓库拉到本地后，Claude Code 或 C...
推荐理由：HKR 三项全中。AI 编程助手成了执行恶意指令的载体，34 个恶意包横跨三个主流仓库，手法和规模都有新鲜感。我会先打个折：正文只给了攻击手法和包数量，没披露 IOC、时间线和受害者规模，所以分数卡在 78–84 这个区间，不往上拉。
一位 Reddit 用户分享了怎么在 llama-server 自带的网页界面里，直接用 llama.cpp 的原生工具实现联网资料检索（也就是 web RAG）。他的做法分七步：先开启 get_datetime 和 exec_shell_command 这两个工具，然后让模型通过 firejail 沙箱、一个独立的 Linux 用户以及一个 Alpi...
推荐理由：这是一篇社区教程，不是模型发布或产品更新，所以权威性和覆盖面有限，但实操价值高。H、K、R 三项都成立：动手门槛低、步骤清晰、切中本地部署的痛点。我会先打个折，因为来源是个人帖子，验证强度弱，但信息量足够放进精选。
这篇文章讲的是 Meta 裁员后没走的人日子也不好过。公司开始把一些工程经理重新赶回一线写代码（IC 岗），同时把部分做基础设施和 AI 的工程师调去搞数据标注。文章提到一个关键数字：经理和下属的比例从以前的 1:8 直接拉到了 1:50，说明管理层被大幅压缩。另外还爆了个料，说 Meta 持有数据标注公司 Scale AI 49% 的股份，但正文没展...
推荐理由：这篇不是常规的裁员报道，而是抓了一个更具体的信号：幸存下来的工程师被塞进数据标注岗，工程经理退回一线写代码。我会先打个折，正文没披露转岗规模和持续时间，所以没法判断这是临时缓冲还是长期降级。但经理下属比从 1:8 拉到 1:50 这个数字，加上 Meta 是 Scale AI 大股东，让整件事看起来像在用内部人力对冲外包成本。对从业者来说，这比丢工作还难受——留下来了，干的活却更边缘。
Verkor 的 Design Conductor 用一段 219 个英文单词的规格说明，在 12 小时内自动生成了 VerCore RISC-V CPU 的 ASAP7 7nm GDSII 版图，中间没有工程师介入。跑分结果是 1.48GHz 下 CoreMark 拿到 3261 分。不过先别太激动：这颗芯片还没实际流片验证，而且正文明确说没做缓存，...
推荐理由：我会先打个折：VerCore没流片、没缓存，现在只是跑分和版图层面的演示，离真能用还差验证和量产。但219词出GDSII这个点太直观了，12小时和1.48GHz也让效率对比有了抓手。正文没披露功耗、面积和设计规则检查结果，这些缺口让“独自跑完”的说法要打问号。不过作为自动化流程的阶段性成果，数字够硬、场景够刺激，给79分合理。
Flask 作者 Armin Ronacher 用 Pi 开发 Pi 时发现，项目 issue 里 83% 被自动关闭，因为大量 AI 生成的报告虽然行文专业、推理自洽，但结论是错的。问题不在 AI 代码质量差，而在于很多老手还在用过去的直觉判断 AI 输出——人类的错误有迹可循，AI 却会在一个错误假设上推导出一整套看似滴水不漏的方案，老手的经验识别...
推荐理由：这篇不是模型发布或产品上线，而是围绕 Armin Ronacher 用自家工具 Pi 开发 Pi 这件事的评论。我会先打个折，因为争议本身不算新，但 issue tracker 的数据让讨论落到了可查证的事实上，不是纯嘴炮。对天天跟 AI 结对编程的人来说，这种“老手翻车”的案例比 benchmark 更有说服力，所以给到 featured。
llama.cpp 的 server 端多了一个实验性的 --tools 参数，一口气给了 8 个内置工具：read_file、file_glob_search、grep_search、exec_shell_command、write_file、edit_file、apply_diff 和 get_datetime。说白了，就是让跑在本地的模型能直接读...
推荐理由：我会先打个折，因为还是实验性功能，而且来源主要是 Reddit 讨论，不是官方安全公告。但这事本身挺炸：llama.cpp 服务端直接塞进 exec_shell 和 edit_file，等于给模型开了系统级后门，正文又明说没有白名单和严格沙箱。对在本地跑 agent 的开发者来说，这不是“未来可能的风险”，是现在就得小心配置的东西。所以给了 featured 里偏低的分数，提醒大家注意，但不过度渲染。
这个模型不只是把语音转成文字再回复，它会捕捉你说话时的语气、语速、停顿甚至微表情这些“副语言”信息，让对话更自然。你可以通过 API 给它设定人格、背景故事和说话风格，官方说原生人格选项超过一万种，组合起来能有数百万种特征。产品内置了 5 个预设人格可以直接试，并且用 RLHF（基于人类反馈的强化学习）做了调优，在复杂的角色扮演压力测试里也能保持人设不...
推荐理由：我会先打个折：这是官方推文，没给延迟、定价、基准测试和实际铺开范围，所以只能当个中等体量的产品更新来看。亮点在于副语言感知——就是能听懂语气、停顿、笑声这些非文字信号，再配上可调的人格，对想做出有“人味儿”的语音助手团队来说，确实是个值得跟的信号。但没实测数据之前，先别太激动。
微软在一份报告里直接对比了两种成本：用 token 计费调用模型、用 agent 跑业务流程，以及雇人干同样的活。结论是，在这些特定场景下，AI 的综合开销已经超过了人工工资。报告没展开讲具体是什么任务、人力成本按哪个市场算的，但至少说明现在企业上 AI，不是闭着眼就能省钱。
推荐理由：我会先打个折：微软没公布具体是哪些任务、工资怎么算、对比口径是什么，所以这个结论不能直接套到所有场景。但它的价值在于，把 agent 和 token 计费的总成本摆上台面，提醒大家别只盯着单次调用价格。正文没披露具体金额和岗位，如果是真的，对靠堆 agent 降本的项目是个冷水。
AI 的 token 单价每年暴跌 10 倍，但企业的 AI 账单却在暴涨，因为市场正在分裂成两个经济逻辑完全不同的世界。低端市场被中国开源模型（如 DeepSeek V4 Flash、Qwen 3.5）杀到了地板价，输入成本最低只要 5 美分，靠的是推理效率提升和系统性低价策略；高端市场如 Claude Opus 4.7 依然卖到 15 美元，价格几...
推荐理由：这篇文章不是产品发布或一手测试，是一篇行业评论，但把 token 降价和企业账单膨胀这对矛盾讲得很清楚。我会先打个折：300 倍价差这个数正文没展开算细账，但作为趋势判断是成立的。对正在选模型、算成本的 AI 从业者来说，这篇能帮他们意识到便宜不一定等于省钱，锁定的隐性成本和 Agent 带来的负载增长才是大头。
Google 说 Gemini 应用月活用户超过 9 亿了。这次更新把 Gemini 从问答工具往主动干活的个人代理方向推了一步。新模型叫 Gemini 3.5 Flash，还换了套叫“Neural Expressive”的设计语言，另外 Gemini Omni 模型能把提示词直接生成视频。重点在两项代理功能：Daily Brief 会给你出个性化每日...
推荐理由：Google 这次更新核心就两件事：一是 Gemini 应用月活冲到 9 亿，盘子确实大；二是推出了 Daily Brief 和 Gemini Spark 两个代理功能，后者可以在用户授权下 24 小时跑任务。我会先打个折，正文没披露代理功能的具体完成率和延迟数据，实际干活靠不靠谱还不知道。但 9 亿这个量级加上“常驻后台的个人代理”定位，对做 agent 产品的团队来说是个明确的信号——大厂开始用自家分发渠道推代理了，竞争门槛在抬高。
这个版本主要做了三件事。第一，/usage 命令现在会按类别（比如对话轮次、工具调用）分开展示用量，方便你看出成本花在哪。第二，企业管理员可以通过 allowAllClaudeAiMcps 设置，允许团队直接使用 Anthropic 云端的 MCP 连接器，不用自己搭。第三，修了三个安全漏洞：PowerShell 脚本可能绕过权限执行、Git work...
推荐理由：Claude Code 的一次小版本更新，改动不多但都落在实处。/usage 现在能按类别看用量，方便你盯成本；企业管理员多了个 allowAllClaudeAiMcps 开关，可以统一放行 MCP 工具，不用一个个批。安全方面修了 3 个问题，最要紧的是 PowerShell 权限绕过——正文没展开具体利用条件，但光这个就够让运维团队推更新了。整体属于实用型发版，没画饼。
Claude 的自动模式现在 Pro 计划也能用了，不再是最贵那一档的专属。这次更新还接入了 Sonnet 4.6 和 Opus 4.7 两个模型，按 Shift+Tab 就能让 Claude 自己跑任务。正文没提价格有没有变，也没说是不是全量推送，这点先别太激动。
推荐理由：这是一次中等体量的产品更新，不是新模型或重大能力发布。自动模式进 Pro 计划，配上两个模型和快捷键，对日常靠 Claude 干活的开发者有实际影响，但还没到需要全行业关注的程度。
Anthropic 说，他们和大约 50 家合作伙伴用 Claude Mythos Preview 模型，在全球最关键的基础软件里找到了超过一万个高危或严重级别的漏洞。现在瓶颈已经不是找漏洞的速度，而是验证、通报和打补丁的速度。在开源软件扫描这块，模型自己估算发现了 6,202 个高危或严重漏洞，其中 1,752 个已经过独立安全公司或 Anthrop...
推荐理由：Anthropic 这次放出的不是模型跑分，而是 Claude 在真实关键系统里挖漏洞的战报。约 50 家合作伙伴用 Claude Mythos Preview 扫出超过一万个高危或严重漏洞，独立验证准确率 90.6%，说明模型在安全自动化这条线上已经从“能看”走到“能干活”了。我会先打个折：正文没披露漏洞类型分布、误报率和修复成本，也没说这 90.6% 是在什么条件下测的，所以准确率数字先别太激动。但不管怎么说，一万多个高危漏洞这个量级，加上 Mozilla、Cloudflare 这类合作方背书，对做安全自动化和关键基础设施防护的团队来说，是一个...
Anthropic 说，他们上个月启动的协作 AI 安全项目 Project Glasswing 已经和合作伙伴一起，在关键软件中发现了超过一万个高危或严重漏洞。不过正文没披露具体是哪些软件、漏洞怎么复现、以及现在修没修好。
推荐理由：我会先打个折：1 万多个高危漏洞这个数听起来很猛，但正文没披露漏洞清单、复现条件，也没说修没修，所以没法判断是真挖到硬伤还是扫出一堆已知问题。不过 Anthropic 把 AI 安全能力直接挂到关键软件漏洞挖掘上，对从业者来说是个值得跟的信号。这点先别太激动，等他们放出具体漏洞和修复数据再下判断。
这篇帖子来自一个叫 HomoAgens1 的本地部署实验，他把 Agent 的调度模型和写代码的大模型拆开看，专门测调度环节能缩到多小。他用的 Qwen3.6-35B-A3B 是个 MoE 模型，实际干活时只激活约 3B 参数，跑在一块 12GB 显存的 GPU 上，关了 30 个专家做 offload，生成速度能到每秒 40 个 token。实验发现...
推荐理由：我会先打个折：这是 Reddit 上的单人实验，不是正式发布，结论别当定论。但它的发现很实在——用 Qwen3.6-35B-A3B 跑 ReAct 编排，3B 激活参数就能在 12GB 显卡上跑到 40 t/s，成本够低。更小的模型不是推理先崩，而是工具调用纪律先坏，这个失败模式对选型很有参考价值。显存、速度和故障点都给了具体数字，对想在家用显卡上折腾 agent 的人是一手好参考。
Kakuna 是一个 AI 代理工具，专门把早期快速原型转成可维护的生产级代码库。它内置检查清单和“先定计划再执行”的工作流，模拟人类开发与运维的流程，在不动功能的前提下自动做代码审查、补测试、重构这些“无聊活”。工具强调用多个子代理并行干活来提效，一次大约 16 小时的运行能生成上百次提交，把一个脆弱的 MVP 变成结构清晰、能长期迭代的稳定项目。正...
推荐理由：Kakuna 这个工具让代理按内置检查清单和“计划-目标”流程自动加固代码，一次约16小时能跑出上百次提交。我会先打个折——单条推文来源、非大厂出品，验证强度有限，但信息量够：工作流机制、运行时长、产出规模都给了具体数字，不是画饼。对正在折腾原型转生产的开发者来说，这种“代理帮你擦屁股”的思路有参考价值，所以放在 featured 档。
谷歌这次发布的不是单个模型，而是一条让 AI 代理（能自主干活的程序）落地的工具链。Antigravity 2.0 是个独立桌面应用，配了命令行工具和 SDK，方便开发者直接在本机跑代理。Google AI Studio 新增 Kotlin 支持，号称能一键生成安卓应用并发布，还出了手机版 App。Gemini API 里加了托管代理服务，部署步骤简化...
推荐理由：HKR 三项都成立：谷歌端出了一套有名字、有组件的代理工具栈，覆盖本地开发、云端托管和浏览器协议。不过目前只有社交媒体的摘要，正文没披露定价、API 细节和实际演示，所以分数卡在 78–84 这个区间。我会先打个折，等看到更完整的文档再往上调。
SemiAnalysis 扒了 43.2 万条真实编码智能体的请求记录，输入 token 的中位数不是大家常说的 3.2 万或 6.4 万，而是 9.6 万。这个量级意味着模型在接到你的问题之前，已经吞下了比《了不起的盖茨比》全书还长的上下文。正文没披露用了哪些模型、成本曲线、采样方式和统计时间窗口，所以这个数字先当个参考，别急着拿它算账。
推荐理由：HKR 三项都过：SemiAnalysis 拿出了一个 43.2 万条编码智能体请求的数据集，中位输入 9.6 万 token，这个数据点本身够硬。但模型、成本曲线、采样方法全都没说，所以只能算强数据点，到不了必写级别。
Superset 把自己定位成“AI 代理时代的代码编辑器”，核心卖点是能在一台机器上并行跑 Claude Code、Codex、OpenCode 等多个编程助手，通过 git worktree 让它们互不干扰地改代码。团队还放出了 Remote Workspaces 的测试版，可以在远程机器上跑这些助手，再从桌面应用里统一管理。项目在 GitHub ...
推荐理由：HKR 三项都踩中了，但这是 YC 新项目的首发帖，正文没给用量、定价和性能对比。git-worktree 并行 agent 这个工作流设计够上 featured，但离必写还差实际验证数据。
Mistral 在 Studio 发布 Connectors，所有内置连接器和自定义 MCP 现可通过 API/SDK 用于全部模型与智能体调用。新功能包括直接工具调用、human-in-the-loop 审批流程，以及对连接器的创建、修改、列出和删除等编程访问。
推荐理由：原文给出 Connectors 的 API 用法与代码示例，读者可据此判断企业级 MCP 集成如何落地。
千问 App 更新到 6.9.7 版就能在对话框里切到 Qwen3.7-Max，PC 和网页端也一样，目前免费。官方说这个模型主打“让模型进业务流程干活”，能写代码、自动跑办公流程，还能扛住长任务——他们自己测了一次 35 小时、调用工具超过 1000 次的内核优化实验，全程没断思路。不过这些数据来自官方测试，实际体验会不会打折还得自己试。另外，API...
推荐理由：阿里把 Qwen3.7-Max 铺到千问全线产品，门槛降到免费，还特意强调 35 小时连续工具调用没崩，摆明了在打 agent 可靠性和零成本体验这两张牌。我会先打个折：正文没给基准测试、上下文窗口和 API 定价，所以实际能力上限和商用成本还看不清。但就凭多端同步上线和这个压测结果，对正在选模型做工具链集成的人来说，是个值得立刻上手试的信号。
Google I/O 上，DeepMind 的 Hassabis 一边用“我们正站在奇点的山脚下”这种大词，一边展示的是 WeatherNext 提前预警飓风救了人命。这正好点出了 AI 做科研的两条路线：一条是像 WeatherNext、AlphaFold 这种专为解决某个科学问题训练的专用工具；另一条是让通用大模型像智能体一样自己搞研究。现在资源明...
推荐理由：我会先打个折：这篇是 MIT Technology Review 的评论，不是一手技术报告，所以细节有限。但它的判断站得住——Google 把科学 AI 的牌子从 AlphaFold 那套单独炫技，换成 Gemini for Science 这个统一入口，还塞进了 AI Co-Scientist 和 AlphaEvolve 两个组件，并且开放申请。对做 AI 应用的人来说，这比发一篇论文实在，因为能摸到产品了。不过别太激动，正文没披露这套东西的算力成本、实际科研产出对比，也没说普通团队用不用得起，所以目前更像一个方向牌，不是落地手册。
这期主要聊了三家 AI 基础设施公司的融资进展。TurboPuffer 先确认年经常性收入达到 1 亿美元并且已经盈利，这个数字说明做向量数据库的生意可以自己造血了。Exa 完成了 2.5 亿美元的 C 轮融资，估值 22 亿美元，他们做的是 AI 搜索引擎。Modal 融了 3.55 亿美元，估值冲到 47 亿美元，业务是帮开发者更方便地跑模型和部署...
推荐理由：Latent Space 这条汇总把三笔 AI 基础设施融资串在一起，信息密度高。TurboPuffer 做到 1 亿美元年经常性收入并且盈利，说明向量搜索这类基础能力已经有客户愿意持续付费，不是纯烧钱。Exa 拿 2.5 亿美元 C 轮、估值 22 亿美元，Modal 拿 3.55 亿美元 C 轮、估值 47 亿美元，两笔都是大额后期融资，反映资本在往模型训练和推理的底层平台集中。对做 AI 应用的人来说，这些数字能帮你判断下游供应商的稳定性和议价空间。正文没展开各家具体技术指标或客户构成，所以估值背后的溢价逻辑只能看个大概，这点先别太激动。
这篇研究来自香港理工大学和香港科技大学（广州），他们做了一个叫 ULSPB 的测试集，里面有 350 种场景。核心发现是：攻击者不需要写越狱提示词，只要在日常对话里夹带私货，就能慢慢把 AI 助手的长期记忆带偏。比如聊着聊着，让模型记住错误的用户偏好或事实，后续决策就会出错。团队还提出了一个防御方案叫 StateGuard，原理是在每次更新记忆前先检查...
推荐理由：这篇我会先打个折：正文没给出具体攻击成功率或防御对比数字，所以没法判断实际危害有多大。但选题本身很刁钻——大家盯着越狱攻击，它却告诉你正常对话也能让 Agent 慢慢“学坏”，这对把 Agent 放进业务流程的团队是个实在的提醒。ULSPB 的 350 个设置让测试面够宽，不是那种只测三五条样本的玩具基准。建议关注后续有没有开源测试集和修复方案，这点先别太激动。
微软计划在 6 月底前停掉体验与设备团队的 Claude Code 订阅，把近 10 万工程师迁到 GitHub Copilot CLI。文章把原因归结为外部按 token 计费的成本太高，但正文因为需要验证码没加载出来，具体烧了多少钱、内部怎么讨论的都没看到。
推荐理由：我会先打个折：这不是模型发布或官方重大产品更新，更像一次内部成本管控动作。但 HKR 三项都站得住——微软投 OpenAI 又禁 Claude Code 的对比很抓人，时间、人数、计费原因都给了，而且直接踩中编程助手在企业里怎么省钱的痛点。正文没披露具体账单金额，所以别把省钱效果说死。整体适合放在 featured 位置，81 分合理。
这篇文章的链接点进去只显示“环境异常，需要验证”，正文内容完全看不到。从已有的英文摘要看，阿里云的 JVS Crew 把 Agent、环境和会话拆成了三层，加了沙盒、快照恢复、权限控制和按量计费；Anthropic 在 5 月 19 号给 Claude 托管 Agent 加了自托管沙盒。文章还提到几个国内客户案例，说部署周期两周，效率提升 5 到 10...
推荐理由：文章把阿里云 JVS Crew 和 Anthropic 的沙箱更新放在一起比，讲的是企业级 agent 基础设施怎么落地。有具体架构细节，也有安全与计费的讨论，对正在选型或关注 agent 生产化的从业者有用。不过 Anthropic 那部分信息偏薄，正文没展开 self-hosted sandboxes 的限制和实际表现，这点先别太激动。整体属于值得一看的产品对比，不是必写的模型发布。
OpenAI 把 Codex 里的 /goal 模式从实验功能升级成了稳定版。你可以在 Codex 应用、IDE 插件或命令行里用，设定好里程碑后，AI 会自己跑任务，持续几小时甚至几天。中间能随时查看进度、改方向或暂停。用之前要升级应用并打开这个功能（命令行或手动改配置文件都行），开启后在输入框就能管理任务，侧边对话可以看进度，不会打断主任务。正文没...
推荐理由：我会先打个折：文章只说了功能转正和多端支持，但没披露任务失败怎么恢复、资源消耗上限、以及哪些套餐能用。对想试的人，知道它能跑长任务就够了；对想上线用的人，信息缺口还很大。所以放在 featured 低段，等后续补上安全和成本细节再往上调。
作者开源了一个 Claude Code 插件，把开发任务拆成需求、代码分析、设计三份规格文档，再把实现切成多个子任务逐个做。每完成一个步骤就清一次上下文，目的是让模型每次只盯一小块，减少跑偏，也省 token 钱。规格文件落地到磁盘，方便断点续传，也能在早期发现模型理解错的地方。正文没给出具体省了多少成本或性能提升的量化数据，这点先别太激动。
推荐理由：我会先打个折：正文没给性能对比、没披露实际省了多少 token、也没说在复杂项目上的表现，所以不能给太高。但三层规格加每步清上下文这个组合拳，确实戳中了用 Claude Code 写代码时上下文越跑越偏、账单越来越贵的真实问题。对正在折腾 coding agent 的人来说，这个思路值得看一眼，只是别指望拿来就能用，还得自己踩坑验证。
西湖大学团队搞了个叫 HiF-VLA 的框架，核心想法是把机器人看世界的方式从“一帧帧静态图”换成“画面怎么动的”。它直接用 H.264 这类视频编码器从画面里提取紧凑的运动向量，再让一个联合专家模型同时预测未来的视觉动态和该做的动作序列。论文里给的数据是，在设定的历史窗口下，显存峰值 31.4GB，延迟 117.7 毫秒。不过正文因为环境验证问题没加...
推荐理由：这篇 HiF-VLA 我会先打个折：它还是一个单篇研究，没有落地案例或多方交叉验证，所以放在 featured 低位。但它的思路确实比多数 VLA 论文更“省”——直接用 H.264 运动向量代替逐帧视觉编码，把“看变化”和“想动作”塞进联合专家里一起算，显存压到 31.4GB、延迟 117.7ms，对想在真机上跑实时推理的团队是个可参考的方向。正文没披露在真实机械臂上的成功率或与主流 VLA 的 head-to-head 对比，这点先别太激动。
DeepSeek V4 Flash 是个 284B 总参数、13B 激活的 MoE 模型，性能接近前沿水平，但主流推理引擎在 Mac 上都跑不了。antirez 专门为它写了 DS4 引擎，纯 C、Metal 优先，一个编译命令就能用。它最特别的地方是解决了 agent 工作流里的上下文断裂：模型生成工具调用时，DS4 会记住原话，下次 agent 返...
推荐理由：标题和摘要给的期待是“在 Mac 上本地跑 DeepSeek V4 Flash 的实操方案”，但正文只列了 DS4 引擎的三项机制名称，没给出模型大小、实际性能、Mac 兼容性要求，也没有可复现的测试结果。我会先打个折：对想动手试的开发者来说，知道有这些机制存在已经算有用信息，但离“能照着做”还差关键数据。H、K、R 三项都踩中了，信息缺口也明显，放在 featured 层级刚好——够吸引人点进去看，但读完会发现缺胳膊少腿。
Salesforce 已经“砍掉”了传统界面，销售不用登录网站就能通过 AI 更新交易记录。作者把这种趋势叫做“可塑界面”——AI 能根据你当下在干嘛，动态生成最适合的交互形式，比如开车时给你念邮件摘要、审文案时弹出网页应用、做预算时直接给个带图表的表格。文章引用了 Airbnb CEO 和 Anthropic 工程师的观点，认为纯文本对话不够用，电商...
推荐理由：我会先打个折：这篇是软件形态的展望，没有上线时间、用户数据或可复现的测试，所以放在评论类里刚好。正文说 Salesforce 已经用无头架构让销售靠 AI 直接改数据，界面不再写死，而是按场景动态生成 HTML、音频甚至网页。这点先别太激动——正文没披露这套动态生成在 Salesforce 里的实际覆盖范围、延迟和出错率，也没说 MCP 具体怎么接。但思路本身对做 B 端产品的人有用，因为它把“界面”从设计稿变成了模型输出，省不省开发成本另说，至少交互逻辑要重想。
Claude Code 发了 v2.1.147。这次加了一个叫 Workflow 的新工具，默认是关着的，用来做确定性的多智能体编排——你可以把它理解成让多个 AI 助手按固定流程协作干活，而不是自由发挥。另一个变化是把原来的 /simplify 命令改成了 /code-review，功能也升级了：现在会报告代码正确性，还能直接在 GitHub PR ...
推荐理由：这是 Claude Code 的一个小版本更新，但 Workflow 工具的加入让产品从单智能体往多智能体协作迈了一步。工具默认关闭，说明还在试探阶段，正文没披露性能数据、定价或使用范围，所以先别太激动。把 /simplify 改名为 /code-review 也更直白，知道是拿来审代码的。整体看，对关注编码智能体稳定性的从业者是个值得留意的信号。
Daytona 做的不是简单的代码执行盒，而是给 AI 智能体用的“可组合电脑”。他们的沙箱最快 60 毫秒就能启动一个，5 万个沙箱大约 75 秒就能跑起来，最大的客户一天要跑将近 85 万个沙箱。创始人 Ivan Burazin 从十多年前就在喊“干掉本地开发环境”，现在 AI 智能体成了他理想的落地场景：智能体不在乎你的笔记本配置，它只需要一个能...
推荐理由：我会先打个折：这是创业公司的基础设施故事，不是大模型或平台级发布。但 HKR 三项都站得住——标题有钩子，性能数字实在，痛点也踩得准。正文没披露客户名字和具体成本，这点先别太激动。
Simon Willison 把做了三年的 LLM 库和 Datasette 数据库工具终于接上了，发布了 Datasette Agent。你可以直接用对话的方式问数据库里的问题，比如“我最近一次看到鹈鹕是什么时候”，它会自己写 SQL 去查。配合插件还能自动生成图表、用 ChatGPT 画图，或者在沙箱里跑代码。线上演示跑的是 Gemini 3.1 ...
推荐理由：Datasette 给自家工具加了个能聊天的 agent，支持插件画图，还能选 Gemini 3.1 Flash-Lite 或 LM Studio 本地模型。对搞数据的人来说，这比大厂发新模型更实在——它解决的是“我能不能在自己机器上安全地用 AI 查数据”的问题。不过正文没披露本地模型的具体效果和延迟，这点先别太激动。整体看，实用性强但受众偏窄，放在 featured 里合适。