跳到正文
只看教程
7月25日周六
  2. TechCrunch：AI42

    OpenAI 推出首款硬件产品 Micro 键盘，配合 ChatGPT 使用

    OpenAI 推出与 Work Louder 合作设计的定制键盘 Micro，可通过蓝牙或 USB 连接电脑，配合 ChatGPT 及编码工具 Codex 使用。键盘顶部有 6 个可自定义的“智能体”按键和 6 个命令键，支持语音听写。Micro 售价 230 美元，Reddit 用户评价多为负面，有用户称其为“恶作剧”。

  3. Rohan Paul59

    Genspark Design 令人印象深刻。 我用一个虚构产品测试了 Genspark Design，看看一个视觉方向能走多远。 你可以为产品或服务设计完整的品牌标识系统。 生成海报、落地页模型、短宣传视频概念，以及可复用的设计系统（颜色、字体、视觉规则）。 只需给出方向，它就能创建： 移动应用、品牌视频、社交媒体海报 这是我的简单工作流程。🧵 1.

  4. 公众号：数字生命卡兹克75

    Claude Opus 5深夜发布，以一半价格逼近Fable 5

    Anthropic发布Claude Opus 5，全量上线并全线可用，上下文100万，知识截止至2026年5月。其ARC-AGI-3得分30.2%，约为第二名GPT-5.6 Sol（7.8%）的四倍，输入每百万Token 5美元、输出每百万Token 25美元，价格与Opus 4.8相同，另有速度提升约2.5倍的Fast Mode。

    推荐理由：与Fable 5的跑分对比展示Opus 5更适合作为执行型Agent，系统提示精简80%的实践提示可简化智能体工作流设计。

  7. Claude：Blog61

    Claude Design 产品设计师 Nate Parrott 分享如何用其探索视觉创意

    Anthropic 产品设计师 Nate Parrott 分享了他在 Claude Design（beta 版）中利用 HTML 交互能力进行产品原型、幻灯片、动画等视觉创意探索与迭代的方法。他将 Anthropic 品牌规范提炼为提示词，使输出自动符合品牌指南。Claude Design 不包含图像模型，不适合 Logo 设计，但可与 Claude Code 协同工作，将早期创意与生产开发衔接。

  8. Databricks：Blog50

    Databricks 发布金融 AI 应用实用指南：从风控到交易的全场景用例

    Databricks 发布了一份金融 AI 应用实用指南，系统梳理了机器学习与自然语言处理在风控、欺诈检测、算法交易及合规报告中的具体落地场景。指南强调利用 Lakehouse 架构统一数据与 AI 工作流，并给出了模型部署、特征存储及实时推理的工程实践建议。该指南面向数据科学家与金融工程师，旨在降低 AI 在金融领域的实施门槛。

  11. Claude：Blog65

    Claude 5 代模型上下文工程新规则：Claude Code 系统提示词精简超 80%

    Anthropic 为 Claude Opus 5 和 Claude Fable 5 等新一代模型删除了 Claude Code 超过 80% 的系统提示词，且编码评测无显著损失。

    推荐理由：Anthropic 官方首次分享他们为 Claude 5 代模型移除了 Claude Code 80% 系统提示的实践，五条新规则颠覆了旧有的提示工程常识，每个用 Claude Code 或自建 agent 的开发者都该对照看看自己的系统提示是否在「过度约束」模型。

7月24日周五
  2. Anthropic：Claude.dev 开发者博客78

    Anthropic 讲解 Claude 5 系列模型的上下文工程新规则

    Anthropic 员工 Thariq Shihipar 介绍为 Claude 5 系列模型（如 Claude Opus 5 和 Claude Fable 5）做上下文工程的新方法：团队为这些模型删除了 Claude Code 超过 80% 的系统提示词，在编码评测上没有可测量的损失。

    推荐理由：作者分享了为 Claude 5 系列模型做上下文工程的新原则，并给出可直接套用到 CLAUDE.md、Skills 和引用文件的落地建议。

  4. MarkTechPost65

    用百度 Unlimited-OCR 构建端到端高分辨率图像与多页 PDF 解析管线

    本教程构建了一套完整的 OCR 工作流，在 GPU 上加载百度 3B 参数的 Unlimited-OCR 视觉语言模型，支持 bfloat16/float16 自动选择。管线包含两种推理模式：Gundam 模式（分块高细节）和 Base 模式（单视图更快），并通过 PyMuPDF 和 infer_multi() 扩展至多页 PDF 解析，全程保留长上下文生成、重复控制和结构化输出设置。

  12. Rohan Paul42

    针对“AI在代码库上无效”的常见抱怨，关键在于跳过上下文获取。一个团队先构建知识图谱覆盖整个仓库的模块、依赖、数据流和领域术语，再让AI智能体按“定义范围→写技术规范→规划→实现→测试→更新图谱”的循环工作。两名工程师用此方法在3.5个月内重建了FedEx供应商的交付平台（原估8个月），90天合并122个PR，AI生成90%代码，计算成本仅$200/月。

    引用Mark Ajzenstadt@mardehaym

    http://x.com/i/article/2079482473818333184

  13. Databricks：Blog43

    FDA 构建 AI 平台，85% 员工每日使用

    美国 FDA 基于 Databricks 数据平台构建了一套 AI 平台，目前已有 85% 的员工每日使用。该平台通过整合内部数据与 AI 能力，帮助监管人员更高效地处理药品审批、食品安全监测等核心任务。这一成果展示了基础数据平台在政府机构中推动 AI 落地的实际价值。

  14. Rohan Paul40

    Limestone Digital团队用2名工程师在3.5个月内重建了FedEx供应商的交付编排平台，而原估计需7-8个月。他们首周未写代码，而是构建了覆盖模块、依赖、数据流和领域术语的全仓库知识图谱（markdown文件），AI智能体据此生成代码，最终约90%的代码由模型编写，122个合并PR均经人工审查。AI计算成本约每名开发者每月200美元，该团队被客户CTO评为公司内“表现最佳的团队”。

    引用Mark Ajzenstadt@mardehaym

    A delivery orchestration platform that supplies FedEx, estimated 7 to 8 months to rebuild their core system. We delivered in 3.5 months with 2 engineers and 122 merged pull requests in the first 90 days. I want to walk through how, because "we used AI and it was faster" doesn't help anyone. Their codebase had real users, real logistics operations, and real consequences if something broke. This is brownfield, not a weekend prototype demo. Week one, we didn't write code. We scanned the entire repo and built a knowledge graph: markdown files documenting every module, dependency, data flow, and domain term. Our agents read that graph before touching anything. Teams skip this constantly. They point an agent at a repo, hand it a ticket, and get code that compiles but misunderstands the architecture. I've seen it across 100+ engagements. When someone says "AI doesn't work on our codebase," they almost always skipped context acquisition. Every ticket ran a six-step loop: define, spec, plan, implement, test, document. The agent handles about 90% of code generation. A senior engineer reviews every PR, and nothing merges unless they can verify it, explain it, and debug it without the agent. We call that the V.U.E. gate. The 50% time reduction came from three things: upfront context eliminated false starts, the agent handled mechanical coding so engineers focused on design and review, and tight spec-to-PR discipline kept scope from drifting. AI compute: about $200 per developer per month. Their CTO called our pod the "top performing team" inside the company. Both engineers got discretionary bonuses, twice. That's what our Velocity Framework was built for.

7月23日周四
  4. Google AI：DEV 作者专属61

    Google Cloud Agent Skills 完整指南：从基础到高级云运维

    Google Cloud 推出官方 Agent Skills 开源指令集，旨在让 AI 编码智能体安全、高效地执行多步骤云操作。该仓库基于 agentskills.io 开放标准，目前收录 70 多项技能，涵盖安全审计、无服务器部署、BigQuery 优化等 8 个类别。技能采用渐进式披露模型，通过验证工作流、安全门控和上下文感知机制，防止智能体盲目执行破坏性命令。

    推荐理由：这是 Google Cloud Skills 系列教程第一篇，从安装到触发讲得很细，把 Agent Skills 的“渐进式披露”和安全门机制都拆解了，适合想让 AI 编码代理帮你管云资源的开发者。

  5. 蚂蚁 inclusionAI：GitHub 新仓库57

    蚂蚁 inclusionAI 开源多模型深度研究系统 PanelWise

    蚂蚁 inclusionAI 开源自管多模型深度研究系统 PanelWise，多个研究 agent 独立检索撰写后经分析与合成生成最终结果。在 100 任务历史实验中，前沿组合得 73.68，超过当时记录的 OpenRouter Fusion 68.3；budget 组合得 66.42，成本约 $1.31/题，约为外部估计 $7/题的 19%。

    推荐理由：其价值不在分数本身，而在公开了完整管线与实验中已知的协议差异，为复现和公平对比提供了可操作的起点。

  8. Rohan Paul41

    一位研究员使用OpenAI GPT-5.6 Sol在5天内解决了6个开放的埃尔德什难题，尝试13个问题，成功率约46%。其提示词采用“合同式”写法，明确要求证明必须建立的内容、排除的弱结果和已知陷阱，并指导模型同时探索多条路径、不提前承诺、主动寻找反例。Codex在数小时内保持整个搜索过程在内存中，并由对抗性智能体逐一检验存活的草稿。

    引用Shouqiao Wang@Qiaoqiao2001

    I solved 6 open Erdős problems in 5 days, using @OpenAI GPT-5.6 Sol. I have a math background, but the Codex workflow I used does not require deep mathematical knowledge. Here’s exactly how I approached it, including my prompts 🧵

  9. Rohan Paul41

    第三方机构 Agora Media Lab 实测了 OpenAI 未公布的 GPT-Live 端到端延迟。结果显示，其最大提升来自响应一致性：延迟标准差从 489ms 降至 104ms，而中位数响应仅改善 205ms。更低的延迟标准差意味着每次回复的启动时间更可预测，而非偶尔让用户长时间等待。

    引用Agora@AgoraIO

    @OpenAI didn’t publish GPT-Live's end-to-end latency. So Agora Media Lab measured it on an iPhone – with repeatable speech, dual-track waveform recordings, and controlled network impairment. https://www.agora.io/en/blog/openai-didnt-publish-gpt-lives-latency-so-we-measured-it/ #RealTimeAI #VoiceAI