让编程智能体使用已登录 Chrome 的六种方案实操指南
Browser Use 作者整理了让 Claude Code、Codex、Gemini CLI、Cursor 等编程智能体使用已登录 Chrome 的方法：Claude 订阅用户可用 claude --chrome 的 Claude in Chrome 扩展。
推荐理由：作者按编程智能体逐一梳理接入已登录 Chrome 的方案与配置，并解释为何复制 Cookie 行不通，方法可直接迁移到自己的工具链。
#MCP/工具调用
Browser Use精选AI 评分7676
Browser Use精选AI 评分6161 Browser Use 讲解浏览器智能体的工作原理与使用时机
Browser Use 发布科普文章，讲解浏览器智能体由模型、harness 和浏览器三部分组成，通过观察页面、选择动作、执行并检查结果的循环完成任务，可通过 DOM、无障碍树或截图读取页面。
推荐理由：原文系统拆解浏览器智能体的组成、运行循环与选型边界，并用自家云端使用数据说明典型场景、成本风险与起步方法。
MeshyAI@MeshyAI精选AI 评分7070引用rewind@rewind02以下是如何用 Claude Opus 5.5 + Blender + Unreal Engine + Meshy 构建这样一款游戏…… 诀窍是给每个工具只分配一项任务，但有一种聪明的设置方式： - 第 1 步：安装 Claude Code、Unreal Engine 5 和 Blender 5.1+，除了 Claude 订阅外全部免费 - 第 2 步：通过 Blender 的 MCP 插件连接 Blender，并通过 Meshy MCP 配合 API key 连接 Meshy - 第 3 步：先用 Opus 头脑风暴 5 个游戏创意，选一个，让它在开始构建任何东西之前先扩展这个创意 - 第 4 步：告诉它你的 GPU，这样它就能把画质推到你的机器能运行的极限 - 第 5 步：Meshy 生成道具和角色，Opus 将它们导入 Blender 并进行清理 - 第 6 步：Opus 把所有内容带入 Unreal：关卡、光照、HUD、小地图 - 第 7 步：试玩，然后每次提示添加一个功能：战斗、敌人、任务 谁负责什么： > Meshy：3D 模型 > Blender：清理、摆放、材质 > Unreal：光照、物理、实际的游戏 > Opus：在一个聊天中运行这三者 而真正的成本…… 一次完整首次构建大约花了 4 小时，以及每周 Max 订阅约 19% 的额度 把第一关做好，之后的关卡会快得多，因为资源已经存在了
推荐理由：原文给出七步工具分工流程和实际耗时与费用，读者可以直接照搬搭建游戏的工作流。
LangChain：Blog精选AI 评分6161 LangChain 用 Stripe Link 和 Managed Deep Agents 构建可支付的智能体 Restock
LangChain 发布示例项目 Restock，一个在 Slack 上通过 Managed Deep Agents 运行的办公用品购买智能体，演示智能体如何安全完成支付。
推荐理由：原文给出了完整的智能体支付架构与凭证隔离做法，读者可以复用到任何需要花钱的智能体场景。
PromptArmor：Threat Intelligence精选AI 评分6060 PromptArmor 解析 WebMCP 的机制与主要安全风险
PromptArmor 发布 WebMCP 威胁情报解读，介绍 WebMCP 如何让网站向浏览中的智能体提供工具，并指出治理、提示词注入、Web 安全、误配置和操作漂移等新增风险。
推荐理由：作者从一线威胁情报视角拆解 WebMCP 的机制与治理、提示词注入等新风险，读者可据此评估自身供应商面。
OpenRouter：Announcements精选AI 评分6262 OpenRouter 解析 LangChain 与 CrewAI 编排和 OpenRouter 原生路由的差异
OpenRouter 发文将多模型编排分为工作流编排、模型路由和提供商路由三层，指出 LangGraph 和 CrewAI 负责工作流编排，OpenRouter 负责模型与提供商路由，二者不互相替代。
推荐理由：原文把多模型编排拆成三层职责，并给出同一管道在直接路由和框架下的对照代码，读者可据此选择自己项目所需的层。
OpenRouter：Announcements精选AI 评分6262 OpenRouter 教程：如何测试 AI Agent 的工具调用准确性
OpenRouter 发布教程，讲解如何测试 AI Agent 的工具调用准确性，将失败拆分为工具选择错误和参数错误两类分别测试。
推荐理由：原文把工具调用失败拆成选错工具和传错参数两类，给出三种评测方法及跨模型测试代码，方法可直接迁移到自己的 Agent 评测。
公众号：数字生命卡兹克精选AI 评分6565 用 MCP 插件让 GPT-6 Pro 分担 Codex 规划任务，节省 Pro 会员周额度
自媒体作者分享一套节省 Codex 额度的工作流：让 Codex 把自己的服务器封装成只读、最小权限、飞书 OAuth 鉴权的 MCP Server，作为插件供 ChatGPT 网页版的 GPT-6 Pro 调用，读取真实生产数据和 GitHub PR 记录做分析与规划。
推荐理由：作者给出一条可复用的工作流，把业务数据封装成只读 MCP 插件，让 GPT-6 Pro 承担规划以节省 Codex 周额度。
Tripo@tripoai精选AI 评分6666引用🍣お寿司職人｜AIゲーム・アニメ@SushiNFTart話題の「GPT-6 Astra × Blender」、実際に触ってみました。 これ、かなり衝撃です。 Blender初心者でもできる。ほぼ視点移動（ビュー）の操作だけでここまで作れました。 モデルはTripo製、ステージはBlender上で作ってます。 GPT-5.6 Solでは何度指示してもうまくいかなかった作業が、Astraでは普通に通るようになっててヤバい…！ 今回は ・GPT-6 Astra ・Blender MCP ・Tripo スマートメッシュ P2.0 を組み合わせて、AI中心で制作しています。 ※モーションのみお借りしています Blender側で自分がやるのは、ほぼビュー操作。 基本的には、 「気になる箇所をビューで見せる」 ↓ 「AIに修正を指示」 ↓ 「結果を確認」 ↓ 「また修正」 これの繰り返しです。 もちろん、すべてが一発でうまくいくわけではありません。 意図通りになるまで何度も指示する必要があるので、根気よく詰めていく熱量は必要だと感じました。 それでも、 「Blenderをほぼ触れない人でも、AIと対話しながら3Dモデルを仕上げていける」 ところまで来たのは、かなり大きいと思います。 ざっくり制作手順👇 1. Images 2.5でキャラの全身リファレンスを生成 2. 髪・頭部・体（Tポーズ）に分けて画像を生成 3. 各パーツの右側面・左側面・背面図を生成 4. Tripo スマートメッシュ P2.0で3パーツを3D化 設定：四角形 / 25,000 5. Blender MCPでAstraに3パーツを渡して合体 6. 自然なシルエットになるようサイズ調整 7. メッシュの欠損・隙間・貫通を補修 8. リグ・ウェイト設定 9. まばたき・口パクをシェイプキーで作成 10. 髪や衣装などの揺れものを設定 11. モーションを適用して、足の接地・衣装貫通・揺れを調整 12. テクスチャを修正（どのタイミングでもいい） 使うツールはざっくり、 1〜3 → Images 2.5 4 → Tripo 5〜12 → Astra × Blender × Images 2.5 という感じです。 そして今回、かなり有効だったのが、 「修正したい箇所をスクショ → その画像を元に理想形のリファレンス画像を生成 → Astraで修正」 という方法。 これが形状修正にもテクスチャ修正にもかなり効きました。 長文で細かく説明するより、 リファレンス画像を添付して 「ここをこれに寄せて」 くらいの指示の方が、意図が伝わりやすい場面も多いです。 ただ、テクスチャ修正は普通に沼です。ある程度で妥協した方が良さそう。細かく見ると、まだ粗いです。 3D制作のハードル、AIでかなり下がってきた感があります。 Blender初心者の方こそ、一度試してみてほしいです。
推荐理由：原文给出完整的 12 步 3D 角色制作工作流和截图生成参考图的修正方法，Blender 初学者可以照着复用。
Together AI 研究与产品博客精选AI 评分6868 Together AI 深度解析开源模型 AI 编码栈 MIGHT
Together AI 发布深度解析文章，介绍开发者从闭源模型转向开源模型所需的 AI 编码栈，提出由 Model、Inference、Gateways、Harness、Tools 组成的 MIGHT 框架。
推荐理由：原文给出开放权重模型编码栈的分层框架，读者可据此按任务选模型、按价格选供应商并保持工作流稳定。
公众号：数字生命卡兹克精选AI 评分7676 GPT-6 Astra操控Blender保姆级教程：三种玩法与踩坑实录
作者数字生命卡兹克发布GPT-6 Astra操控Blender的小白教程，介绍前期安装、官方MCP与Computer Use插件配置，并实测三种玩法。Computer Use花约4小时搭出天坛祈年殿，但耗掉200美刀Pro会员近半额度；MCP更快，可完成摩托车建模与组装动画，但复杂任务会单次运行超时，可拆分步骤或用CLI执行Python脚本解决。
推荐理由：作者实测了Computer Use、官方MCP和CLI三种方式并给出各自的速度、成本与适用边界，方法可直接照做。
Google Developers Blog精选AI 评分6464 Google 复盘 AI Agents Challenge：最强参赛作品背后的 4 种工程模式
Google for Startups AI Agents Challenge 评审团队从各赛道头部参赛作品中提炼出 4 种共同工程模式。
推荐理由：从获奖参赛代码中提炼出四个可直接套用的工程模式，涵盖 MCP 双向暴露、事件驱动并发、回退校验和分层路由。
Google AI：DEV 作者专属精选AI 评分6969 什么是 harness 工程？Google 用 ADK 2.0 与 Antigravity SDK 演示自动修复编码循环
Google 员工 Shir Meir Lador 介绍 harness 工程，即用确定性组件包裹 LLM，包括编排层、执行沙箱、状态持久化和验证工具，让 Agent 不需逐行人工审查即可安全生成代码。
推荐理由：原文解释了 harness 工程的构成要素，并给出可运行的沙箱与修复循环示例代码，方法可直接迁移到自己的 Agent 工作流。
OpenRouter：Announcements精选AI 评分6868 如何在编辑器里实时挑选最佳 AI 模型
OpenRouter 提出一套模型选型框架：先定义任务，从实时用量和第三方基准中筛选候选，再对比各提供商的定价与延迟，最后用自有提示词测试。判断标准是“每完成任务的成本”而非“每 token 成本”。其 MCP 服务器可直接在 Claude Code、Cursor 等编辑器中查询实时排名、价格和基准，并用 openrouter/auto-beta 按请求路由。
推荐理由：比 token 价格更实际的是成本按完成任务的次数计算，把重试与失败率纳入对比，这让团队评估模型经济学时有了可量化指标。
Claude：Blog精选AI 评分7373 AI 原生 SDLC 实战手册：Anthropic 如何用 Claude 重塑软件开发生命周期
Anthropic 发布 AI 原生 SDLC 实战手册，提出将传统六阶段软件开发生命周期重构为 AI 嵌入各环节的闭环流程。手册指出，当代码不再是瓶颈时，规划、审查、部署等人速环节成为新约束，需通过 Claude 将需求压缩为 intent.md、以技能编码标准、用持续评测替代阶段门禁，并保留人工对关键代码的审查。
推荐理由：把各阶段产物固化为可版本化 markdown 并让下一阶段读取，人工审查就从逐行看代码转向在关卡看代理标记，对改造研发流程的团队有直接参考价值。
Claude：Blog精选AI 评分6565 Claude Code 初创公司指南：五大规则与创始人洞见
Anthropic 发布面向初创公司的 Claude Code 使用指南，基于对十余家高增长公司的调研，总结出“人人皆可交付、自动化繁琐工作、信任但验证、为重构而构建、原型-自用-产品化”五大规则。
推荐理由：指南把十几家创业公司实践归纳为五个可操作规则，其中「修复原则而非修复个案」对搭建自改进 agent 流程具有直接参考价值。
OpenAI Developers：Blog精选AI 评分7575 OpenAI 详解 Codex 开源智能体框架的应用集成方式
OpenAI 将 Codex 定位为可复用的智能体平台，开源 Codex CLI、app-server 和官方 Codex SDK，让开发者把智能体循环嵌入自己的产品界面，而非只用通用聊天助手。
推荐理由：官方说明 Codex 开源 harness 的集成层与 app-server、SDK 的分工，开发者可以据此把智能体嵌进自己的产品而非通用聊天窗口。
Claude：Blog精选AI 评分6363 Claude Tag 如何担任 Anthropic CI/CD 故障的一线响应者
Anthropic 的 CI 工程师用 Claude Tag 构建了值班智能体，作为 CI/CD 故障的一线响应者。Claude 在事故发生后中位 14 分钟发布首份基于证据的分析，最快案例中 3 分钟内验证修复并确认错误率恢复基线。该方案通过 Slack 频道、Datadog 或 Grafana 工具访问及 GitHub 技能文件实现，Anthropic 已发布通用设置套件供其他团队部署。
推荐理由：文章把 AI on-call 从概念落成可复制的工程架构，用 markdown 技能文件和 lessons.md 实现自我迭代，并给出 14 分钟首报、最快 4 分钟定位等实测数据。
OpenAI：官网动态精选AI 评分8080 GPT-5.6 构建者指南：如何以更低成本实现前沿智能体性能
GPT-5.6 模型家族以更低成本实现前沿级智能体性能，并新增推理持久化、原生多智能体编排和程序化工具调用等 API 能力。在 ARC-AGI-3 上，启用保留推理和压缩后，Sol 得分从 13.3% 跃升至 38.3%，且输出 token 减少约 6 倍。Luna 在 BrowseComp 上以 84.04% 的得分追平 GPT-5.5（84.36%），成本从 $33.27 降至 $1.33。
推荐理由：最实际的改变在 API 原语，让同一模型在 ARC-AGI-3 上用约六分之一输出 token 拿到近三倍分数，影响开发者对推理成本和上下文架构的判断。
公众号：卡尔的AI沃茨精选AI 评分7474 烧了5亿token后，我给Codex和Claude Code做Skill上下文瘦身的新技巧
作者为Codex和Claude Code中300多个Skill做上下文瘦身，发现每次新会话仅Skill列表就占约9.9k token，按7月使用强度粗算，多余Skill列表约吃掉4到5亿token的上下文空间。
推荐理由：把低频 Skill 从全局暴露转为触发词动态加载，提供了工具多而上下文有限时的一种治理思路，量化了 token 节省，方法可迁移到其他 Agent 管理。