跳到正文
只看教程
10月10日周六
  1. Claude：YouTube57

    Claude Code Projects 上手教程发布，Beta 逐步开放给 Pro 和 Max 用户

    Claude Code 推出 Projects 功能，目前处于 Beta 阶段并逐步向 Pro 和 Max 计划开放。官方视频介绍项目是一个持续对话，由 Claude 协调工作并将每个任务作为独立线程并行运行，内容涵盖设置项目、引导线程、审查 pull request、创建 artifacts、连接外部服务和安排例行任务，用户可加入 waitlist 获取更早的访问权限。

  4. Lydia Hallie ✨61

    Claude Code 的 auto-compact 运行时会把整段对话替换为简短摘要，并不会保留最后 1M tokens。约 967K 的触发点只出现在 1M 模型上；等到 967K 才压缩时，此前每条消息都包含整个对话、占用较多 token，其中大部分是便宜的缓存读取，但仍计入用量。使用 /autocompact 400k 可改为在 400K 时压缩，避免消息过大。

    引用Lxyv@wholyv

    holy fuck. so auto compact basically loads last 1M tokens into context by default on claude? and here i thought they were summarising and reducing the context loads. no wonder people used to burn anywhere from 2%-15% 5h limits simply for auto compacting their sessions.

10月9日周五
  3. Unsloth AI59

    Unsloth 发布免费 notebook，教用户把 Qwen3.5-4B 训练成生成决策而非文本的决策模型，本地仅需 8GB VRAM。内容涵盖数据准备（state、questions、gold answers）、训练与服务；配套指南见 unsloth.ai/docs。其引用帖提到用 Clef head 加 LoRA（r=64）微调一 epoch，把 Qwen3.5 0.8B 在 3 个决策基准上的总体准确率从 20.7% 提到 74.3%，仅需 4GB VRAM。Notebook：https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/Qwen3_5_(4B)-Decision.ipynb

    引用Unsloth AI@UnslothAI

    You can now train your own Decision model like Jev locally! We increased Qwen3.5 0.8B’s aggregate accuracy from 20.7% to 74.3% across 3 decision benchmarks - on just 4GB VRAM. Turn any LLM like Qwen3.8, Gemma 4 into decision models with our open-source Unsloth repo. We fine-tuned with a Clef head using Unsloth and LoRA (r=64) for one epoch, increasing downstream accuracy from 30–37% to 78%. GitHub: https://github.com/unslothai/unsloth Guide and Notebooks: https://unsloth.ai/docs/basics/train-your-own-decision-model-with-unsloth

  5. Tessl：产品与工程博客47

    智能体代码审查的解剖：Tessl Code Review 如何重构 PR 审查流程

    Tessl 发布博客拆解智能体代码审查的完整结构，包括标准、视角、发现、裁决、逐条回应与记忆六个环节。其 Tessl Code Review 内置正确性与数据完整性、安全与隐私、规模与韧性、可维护性与代码质量四个视角，以 skill 形式打包并并行运行，标准以 context 形式存放在仓库中。该工具可免费安装到代码仓库，在下一个 pull request 上运行首个循环。

  16. Hugging Face 官方团队博客72

    Hugging Face 工程师用 ML Intern 以约 103 美元自制 7 个小模型

    Hugging Face 工程师 yuvraj sharma 用 HuggingChat 的 ML Intern 模式在几天内做出 7 个模型，包括可在 CPU 运行、99.7% 有效输出的 0.8B 提示词重写器，以及将柑橘病害识别准确率从 14.9% 提升到 52.8% 的 Qwen3.5-2B 微调模型等，全部计算成本约 103 美元。

    推荐理由：作者总结了预算控制、基线评测和冒烟测试等提示词写法，让 agent 自主完成数据构建、训练与发布，方法可直接迁移复用。

10月8日周四
  2. Tessl：产品与工程博客68

    Tessl 工程博客：AI 不是笨，是瞎——企业级 Agent 记忆的三个关键设计决策

    作者基于为跨公司工作的 Agent 构建记忆系统一年的经验指出，AI 失败的常见原因不是模型推理差，而是它看不到关键决策上下文，多数 agent memory 只是给瞎子更大的档案柜。

    推荐理由：作者以自建系统的一手实测数据说明为何该把记忆当受治理的记录而非存储，三个设计决策和成本数字可直接迁移。

  5. howie.serious40

    Grok bot 对推特的 rate limit 是每天 1000 次，作者认为非常够用。此前用 X 官方 API 两次各充 20 美金都很快花完，如今可免费用起来，算是重大福利。作者还用它作为 personal agent 收集推特信息，替代人肉刷手机。

    引用howie.serious@howie_serious

    我的 grok bot 有了第一个强大的使用场景。 用 personal agent 帮你收集推特信息，比人类自己刷收手机、人肉收集、动不动沉迷要好太多了。

  7. Mastra Blog52

    Mastra 提出多用户 Agent 需要细粒度上下文（FGC）的设计方法

    Mastra 团队提出细粒度上下文（FGC）概念，用于解决多用户共享会话中 Agent 上下文的权限控制问题，让同一 Agent 按用户权限和会话受众调整可用信息。文中举例说明私有日程详情可能通过工具结果或存储记忆泄露到群聊，并给出在 Mastra 中实现 FGC 的做法：按请求者和受众划定上下文范围、分离私有与共享内存、受众或权限变化时重新检查上下文、以及跨用户和会话场景的测试方法。