Linear 工程师分享用 Linear Agent 自动修复 bug 的实践经验
Linear 员工分享几个月来在 Linear 中构建自动化、用 Linear Agent 自动修复 triage bug 的经验。通过 Datadog 集成监控触发工单并指派给 Agent，目前两类问题可自动处理：清理失效的 feature flag 几乎每次一次修复成功，失败率超过 0.2% 的后台任务约三分之一能一次修复。
#教程/实践
Linear：NowAI 评分5959
OpenRouter：AnnouncementsAI 评分5454 什么是 LLM 网关？应用与 AI 模型之间缺失的一层
缺少 LLM 网关时，供应商中断会直接变成用户可见的错误，AI 支出也难以追踪。文章从路由、合规性和设置时间三个维度比较了最佳方案。
OpenRouter：AnnouncementsAI 评分4848 什么是 LLM Gateway？你的应用与 AI 模型之间的缺失层
LLM Gateway 能防止 API 提供商故障变成用户端可见错误，并让 AI 费用变得透明。通过路由、合规性和设置时间等维度，可以对比市面上最佳的网关方案。
OpenRouter：Announcements精选AI 评分6464 Gemini 2.5 Flash API - 定价、快速入门与提供商比较
Gemini 2.5 Flash API 支持配置思考预算（thinking budgets），用户可跨提供商进行比较，并在5分钟内完成首次API调用。
推荐理由：这是 OpenRouter 上接入 Gemini 2.5 Flash 的保姆级指南，把三家 Google 提供商的延迟和定价差异摆在明面上，需要做模型选型和成本估算的开发者可以直接抄里面的 quickstart 代码。
GitHub Blog精选AI 评分6868 通过语言服务器为 GitHub Copilot CLI 提供真正的代码智能
GitHub Copilot CLI 现在可以通过安装和配置 LSP（Language Server Protocol）服务器来替代原始的暴力 grep 或反编译方式，从而获得真正的代码智能。
推荐理由：虽然只是 Copilot CLI 的一个功能指南，但用 LSP 替代 grep 带来的代码理解提升是实打实的，搞 CLI 开发的可以直接抄作业。
Linear：NowAI 评分4747 Linear 如何用 Linear Diffs 在智能体时代做代码审查
Linear 推出 Linear Diffs，用于应对智能体生成代码激增带来的审查压力。作者称 2026 年 1 月至 3 月团队创建 issue 与合并 PR 数量均上升 50%，如今审查重心从逐行找 bug 转向判断改动是否真正解决问题。该功能把改动分组呈现，并支持在 Linear 内用智能体处理审查评论。
GitHub Blog精选AI 评分6868 GitHub Copilot CLI 推出自定义 AI 智能体，将一次性终端提示转化为可重复工作流
GitHub Copilot CLI 新增自定义 AI 智能体功能，使 CLI 能够理解开发者的技术栈和团队工作流，将一次性终端提示转变为可重复、可审查的流程。
推荐理由：GitHub Copilot CLI 的自定义代理把一次性提示变成可重复工作流，相当于给命令行配了个 AI 副驾驶，做自动化的朋友值得一试。
OpenRouter：Announcements精选AI 评分6060 Gemini 2.5 Flash API：定价、快速入门与提供商对比
Gemini 2.5 Flash API 的定价与快速入门指南，指导用户配置 thinking budgets、比较不同提供商，并在 5 分钟内完成首次 API 调用。
推荐理由：Gemini 2.5 Flash 最值得关注的是 thinking budget，这篇教程把怎么用、怎么省都讲清楚了，但对早已熟悉文档的开发者来说新东西有限。
Tibo@thsottiauxAI 评分4949引用Charlie Marsh@charliermarshSince my last post, I reduced ty’s retained memory by another 15% with Codex. We're now at a ~25% memory reduction overall via /goal, largely in the background. I love working with the GPT models so much.
- Tibo@thsottiaux精选AI 评分6666
每月提醒：你不应再手动提示编码智能体了，而应设计循环来驱动它们。有人已经在写嵌套循环了吗？
引用Peter Steinberger 🦞@steipete这是你每月的提醒：你不应该再去给编码代理写提示词了。 你应该设计循环，让循环去给代理写提示词。
推荐理由：这推文把AI编程的使用方法往前推了一步，从'写好一句prompt'变成'设计一套循环'。如果你还在手动给Cursor发指令，这条该看一下。
OpenRouter：Announcements精选AI 评分6666 EU AI Act 合规：面向 AI 智能体的人工监督
使用智能体 SDK 的人机协作（HITL）工具，可满足 EU AI Act、Colorado AI Act 和 NIST AI RMF 对 AI 智能体的合规要求。
推荐理由：虽然讲的是合规，但直接把监管要求翻译成可落地的代码模式，对做高风险Agent的团队来说是一份照着改就能过审的实操手册。
OpenRouter：Announcements精选AI 评分6363 OpenRouter Agent SDK 推出 HITL 工具：满足 EU AI Act、Colorado ADMT 与 NIST AI RMF 合规要求
OpenRouter 的 Agent SDK 新增人类参与循环（HITL）工具，用于 AI 智能体的合规监督。该工具可帮助 AI 智能体满足欧盟 AI 法案、科罗拉多州自动化决策技术法（SB26-189）以及 NIST AI 风险框架（NIST AI RMF）的监管要求。
推荐理由：8 月就是欧盟 AI 法案高风险的生效日，这个教程把三个监管框架的 HITL 要求变成可直接复用的代码，做金融医疗代理的开发者该收藏。
OpenAI：官网动态AI 评分6767 Harness 工程：在智能体优先的世界中运用 Codex
Harness 工程在智能体优先的世界中利用 OpenAI Codex 的实践文章，6月6日发布于 openai.com，在 Hacker News 上获得 102 点热度。
Claude：Blog精选AI 评分7676 Claude Cowork 产品指南
Anthropic 发布 Claude Cowork，一款运行在 Claude 桌面应用中的知识工作智能体。它可读写本地文件、跨 Slack 和 Google Drive 等应用协作，执行多步骤任务并生成带引用的实际交付物。核心能力包括本地文件访问、子智能体、长时间运行和定时任务。Claude Cowork 区别于对话式 AI 工具，支持用户描述目标与期望结果后自动规划执行。指南还介绍了产品矩阵（对话聊天、Claude Code 编程、Claude Cowork 跨应用知识工作）、设置要求、权限模型、七种常见工作流（如研究简报、会议准备、定期报告）以及营销和产品管理等插件。
推荐理由：把 Claude 从问答工具升级成能读写本地文件、跨应用交付可交付物的知识工作代理，这份官方指南给出了明确上手路径和七个真实工作流，做产品、做调研的都能直接照抄。
Claude：BlogAI 评分5959 Anthropic销售人员用Claude Code重建团队工作流
加入Anthropic前从未写过代码的销售成员Jared Sires，利用Claude Code为销售团队开发自动化工具。他创建了内嵌于Gmail的CLAFTS（Claude Drafts），通过Claude API根据客户邮件草拟回复，每天节省2-3小时。该系统基于约4,300行代码（几乎全由Claude Code编写），从Google Drive和Anthropic公开文档提取上下文，并通过网络搜索获取最新产品信息。他还开发了CLAFTS Tones功能，通过模式匹配模仿不同人际关系下写作风格。这些工具已打包为Claude Cowork插件供整个销售团队使用。
- Tibo@thsottiaux精选AI 评分7171
推荐理由：OpenAI 放出了 Codex 的 Python SDK，pip 一下就能在自家程序里调用，做 AI 编程中间件的可以直接开抄了。
LMSYS Blog精选AI 评分7777 Boson AI 与 LMSYS 发布基于 SGLang-Omni 的 Higgs Audio v3 TTS 端到端服务
Boson AI 与 LMSYS 联合推出基于 SGLang-Omni 推理框架的 Higgs Audio v3 TTS 端到端服务。该模型约 4B 参数，基于 Qwen3-4B 骨干，支持 100 种语言（内部评测覆盖 111 种），在 Seed-TTS、CV3、MiniMax-Multilingual 及 Higgs-Multilingual 零样本语音克隆任务中达到单字级 WER/CER。开发者可通过文本内控制标签实时调整情感（20+种）、风格、韵律（语速/音高/停顿）及音效。模型支持流式合成，文本未完整时即可开始生成语音并保持一致性。SGLang-Omni 专为多阶段生成模型设计，统一调度 AR 解码与轻量计算，实现低延迟推理。
推荐理由：Higgs v3 把多语言和实时可控制整合进一个流式 TTS 模型，SGLang-Omni 为它搭好了多阶段推理的底座，做语音 Agent 的可以直接抄作业，这比多数论文落地快半拍。
LlamaIndex：产品、工程与评测AI 评分6060 LlamaIndex 解析如何让 PDF 可搜索，以及文本层方法的局限
LlamaIndex 博客讲解让 PDF 可搜索的方法：Acrobat 四步 OCR、免费在线工具、本地 OCRmyPDF 和 Google Drive 各自适用场景。
Claude：Blog精选AI 评分7676 Claude Cowork 入门最佳实践
Anthropic 增长营销负责人 Austin Lau 介绍了非技术知识工作者使用 Claude Cowork 的最佳实践。Claude Cowork 是面向文档、电子表格等多步骤任务的 AI 助手，用户无需编程技能，将其指向文件夹或连接已有应用即可委托任务。与用于快速问答和头脑风暴的 Chat 以及面向开发者的 Claude Code 不同，Claude Cowork 适用于需要产出交付物、涉及多个文件或应用、可重复执行的场景。Lau 给出了判断任务是否适合的五项检查清单，并预告将于6月4日分享具体营销用例。
推荐理由：Anthropic 官方教你如何把 Claude Cowork 用到极致，从每日摘要到自动报表，非技术人员看完就能上手，比自己硬摸索省十倍时间。
Claude：Blog精选AI 评分6868 Claude Code技能使用经验：Anthropic内部实践
Anthropic 分享了内部使用 Claude Code 的 Skills（技能）功能的经验。Skills 是指令、脚本和资源的文件夹，智能体可发现并调用它们以提升准确性和效率。Anthropic 内部已有数百个活跃使用的技能，它们可归为九类，包括库和 API 参考、产品验证、数据获取与分析、业务流程与团队自动化、代码脚手架与模板、代码质量与审查等。最佳技能专注于单一类别，涵盖过多功能会混淆智能体。团队发现，投入时间优化验证类技能对 Claude 输出质量的提升最显著。
推荐理由：这不是产品公告，而是从几百个内部技能中血泪总结出的实战手册。如果你想让Claude Code真正变成你的工程副驾驶，这9类技能和‘gotchas’章节至少省你三个月踩坑。
Claude：Blog精选AI 评分7373 Anthropic 用 Claude 赋能自助数据分析
Anthropic 使用 Claude 自动化了 95% 的业务分析查询，整体准确率约 95%。其关键在于构建智能体分析栈（agentic analytics stack），通过数据基础层、维护验证流程和技能（skills）分别解决概念-实体歧义、数据过时和检索失败三大错误来源。相比编码场景，数据分析的难点在于将用户问题映射到正确的数据实体，而执行 SQL 反而是简单的。Anthropic 的数据科学团队因此得以专注于因果建模、预测和机器学习等战略工作。
推荐理由：Anthropic 把内部用 Claude 搞自助分析踩过的坑全摊开，技能模板和「语义层优先」的强制流程是实打实的干货，做数据 agent 的团队可以直接抄作业。
LangChain：BlogAI 评分4545 Harmonic 如何用 Deep Agents 重建 Scout，留存率提升 4 倍
Harmonic 用 Deep Agents 和 LangSmith 重建了 AI 投资助手 Scout，产品迭代周期从数月缩短到数天，留存率提升 4 倍。Scout V2 采用单一前沿模型加两类工具（查询 4000 万家公司、2 亿人、23 万投资者的数据层，以及公司专属 CRM 与邮件上下文），取代了 V1 的多子图架构。
Google Blog：AIAI 评分5050 Google Search 提升二手和复古购物体验的5种方式
Google Search 和 Google Shopping 中的 AI 工具帮助用户在二手和复古购物中发现好物。
Anthropic：Claude.dev 开发者博客精选AI 评分8080 Anthropic Claude Code 团队复盘：如何构建和使用 Skills
Anthropic Claude Code 团队总结内部数百个 skills 的使用经验，将 skills 归为九类（库与 API 参考、产品验证、数据获取与分析、业务自动化、脚手架、代码质量、CI/CD、Runbook、基础设施运维），其中验证类 skills 对输出质量提升最明显。
推荐理由：Anthropic 内部数百个 Claude Code skills 的实战复盘，给出九类划分和写法要点，可迁移到团队自己的 skill 建设。
vLLM 官方博客精选AI 评分6161 vLLM 与 DeepLearning.AI 推出免费课程《Fast & Efficient LLM Inference with vLLM》
vLLM 与 Red Hat、Andrew Ng 的 DeepLearning.AI 联合推出免费课程《Fast & Efficient LLM Inference with vLLM》，约 1.5 小时，含 9 节视频和 3 个 JupyterLab 动手实验。
推荐理由：课程覆盖压缩、部署、基准测试全流程，用可视化讲清 KV cache 和量化原理，并配三个可动手的实验。
Anthropic：Claude.dev 开发者博客精选AI 评分7777 Claude Code 动态工作流详解：让 Claude 现场编写自己的 harness
Anthropic 上周在 Claude Code 中发布动态工作流，Claude 可为任务即时编写定制 harness。工作流通过执行 JavaScript 脚本，用 agent()、parallel() 和 pipeline() 生成并协调各自拥有独立上下文窗口的 subagent，以缓解单上下文中的 agentic laziness、自我偏好偏差和目标漂移。
推荐理由：Anthropic 员工讲解 Claude Code 动态工作流的原理、六种组合模式和适用边界，并给出 token 预算等实用技巧。
Together AI 研究与产品博客精选AI 评分6161 Together AI 解析如何高效服务 MiniMax M3：1M token 上下文与多模态推理优化
Together AI 作为 MiniMax M3 的首选云合作伙伴，介绍了为该模型提供生产级推理服务的工程方案。M3 采用 MiniMax Sparse Attention 块稀疏注意力，使 prefilling 提速超 9x、decoding 提速超 15x，支持 1M token 上下文与原生多模态。
推荐理由：原文由服务方工程团队拆解 MSA 的内核优化与多模态网关预处理方案，给出可参考的长上下文推理工程路径和实测吞吐提升数字。
Google Blog：AIAI 评分4242 谷歌员工如何使用 Gemini 制作 Google I/O 2026
本文介绍了谷歌员工使用 Gemini 模型来制作 2026 年的 Google I/O 开发者大会。
vLLM 官方博客AI 评分5858 vLLM 在 NVIDIA DGX Spark 上的架构、配置与本地评测实践
Inferact 团队发布长文，讲解如何在 NVIDIA DGX Spark（GB10，128 GB 统一内存）上用 vLLM 本地部署 Nemotron-3-Super-120B-A12B-NVFP4。
Google Blog：AI精选AI 评分5555 参与我们的 I/O 2026 测验：该测验由 Google AI Studio 氛围编程生成
Google 使用其开发工具 Google AI Studio，通过氛围编程（vibe coding）方式，创建了一个关于 Google I/O 2026 主要公告的在线测验。
推荐理由：Google 用 AI Studio 自己 vibe code 了个 I/O 测验，是想展示普通人也玩得转，但 quiz 本身信息量不大，想体验 vibe coding 的可以顺手玩玩。
Cognition 模型 / Devin 博客AI 评分5757 Cognition 详解 Devin 如何用云端 computer use 自主测试代码改动
Cognition 发布长文，详解 Devin 的端到端云端自主测试机制。Devin 进入测试模式后先写基于源码的测试计划，再用截图、点击、键盘等 computer use 工具操作应用验证改动，并返回带章节和断言结果的测试报告与视频；团队还用确定性脚本处理登录等重复步骤，并把测试模式计费降为正常用量的 1/5。
LMSYS Blog精选AI 评分6161 LMSYS与Intel合作通过异构CPU+GPU EPD架构提升视觉语言模型服务性能
LMSYS团队（Intel与SGLang）通过Dynamo和SGLang框架，为视觉语言模型（VLM）启用了异构编码-预填充-解耦（EPD）架构。该方案将视觉编码任务从GPU卸载至CPU（如Intel Xeon 6747P），与GPU协同工作。在Qwen3-VL-8B-Instruct模型的测试中，采用4 CPU + 1 GPU作为编码器、4 GPU作为预填充解码器（能力比R=12）的配置，在ISL/OSL 128/256、1080p 8张图像的负载下，实现了P99 TTFT和请求吞吐量约1.2倍至1.3倍的提升，并将P99 TPOT降低了约1.3倍至30倍。
推荐理由：做VLM服务部署的可以认真看一下，用CPU头节点做异构EPD分离，几乎零成本换来了TTFT和TPOT的显著提升，有完整脚本和benchmark，能直接上手试。
Google Developers Blog精选AI 评分6464 社区如何利用Tunix和TPU训练Gemma学会“思考”
Google在Kaggle举办的Tunix黑客马拉松，挑战开发者利用TPU和有限算力，将小型基础模型转变为通用推理引擎。获胜团队通过多阶段后训练流程实现了这一目标，该流程结合了监督微调（SFT）与GRPO、SimPO等先进对齐技术。比赛结果表明，社区能够借助开源资源成功训练出高能力的结构化推理模型。
推荐理由：Google 官方比赛总结，证明用 Kaggle TPU 和开源工具就能把 Gemma 训练出不错推理能力，对想自己微调模型的小团队是个实用参考。
Cloudflare BlogAI 评分4141 我们如何构建Cloudflare的数据平台及其上的AI智能体
Cloudflare构建了名为Town Lake的统一分析平台，并基于此开发了内部AI智能体Skipper。
Claude：Blog精选AI 评分7777 使用大语言模型保障源代码安全
本文分享了使用 Claude Opus 构建威胁模型、发现代码漏洞并进行验证、分类和修复的最佳实践。其核心流程是一个六步循环：威胁建模、沙箱隔离、漏洞发现、验证、分类和修复。作者指出，漏洞发现现在易于并行化，瓶颈已转移到后续的验证与处理阶段。以他们对开源软件的扫描为例，截至2026年5月22日已披露1,596个漏洞，其中97个已修补。指南建议结合代码库文档和专家访谈来构建准确的威胁模型，以降低误报，提升发现的可利用性。
推荐理由：Anthropic把这套用Claude扫代码漏洞的方法全公开了，1596个已披露漏洞，验证成了最大瓶颈，安全工程师的饭碗可能要重新定义。
Claude：Blog精选AI 评分6767 AI智能体的零信任安全框架
Anthropic 发布了针对企业部署自主 AI 智能体的安全框架，指出前沿大语言模型正将漏洞利用周期从数月压缩至数小时。部署智能体面临双重风险：基础设施易受 AI 加速攻击，且智能体自身具备自主决策与执行能力。文章提出一个三层零信任架构（基础、高级、优化级）及八阶段实施流程，并概述了提示注入、工具投毒、记忆投毒等特有威胁。
推荐理由：当漏洞利用从数月压缩到数小时，安全架构必须同步进化。这篇框架把零信任落地到Agent场景，八阶段路线图和三级成熟度模型比泛泛的安全声明具体得多，企业安全团队值得细读。
Claude：BlogAI 评分5454 CodeRabbit如何用Claude构建智能体编排系统
AI代码审查平台CodeRabbit发现，AI生成的代码常能通过编译与测试，却不符合开发者真实意图，根源在于开发者隐含假设AI理解上下文。为此，团队基于Claude构建了一个智能体编排系统，置于编码请求与智能体之间。该系统在代码生成前协调多个Claude模型进行结构化规划，输出可审查的产品需求文档，使需求显式化。系统每周助力审查超过200万个PR。
LangChain：Blog精选AI 评分6363 Lyft 如何用 LangGraph 和 LangSmith 构建自助式 AI 智能体客服平台
Lyft 的 SCX 数据科学与 MLE 团队基于 LangGraph 的 router 多智能体架构和 LangSmith 的追踪监控，搭建了让非技术领域专家独立开发 AI 客服智能体的自助平台。
推荐理由：Lyft 的自服智能体平台实践给出了可迁移的架构与提示词质量经验，适合正在搭建多智能体客服系统的团队参考。
OpenAI：官网动态精选AI 评分5656 使用 Codex 构建自改进税务智能体
OpenAI、Thrive 与 Crete 合作，使用 Codex 构建了一个自改进的税务智能体。该智能体能够自动处理报税流程，提升工作准确性并加速整体工作流。
推荐理由：OpenAI 联合 Thrive 把 Codex 塞进税务流程，做出了能自我纠错的申报 agent，金融自动化的同学可以看看他们的错误反馈循环怎么设计的。
Augment Code 博客AI 评分5555 Augment Code 用 Cosmos 智能体自动化事故响应，人类值班工作量降约 81%
Augment Code 介绍其基于 Cosmos 平台的 Incident Investigator 智能体如何在 Slack 中自动执行 PagerDuty 告警的分诊与根因分析，并给出四条修复路径（监控、代码修复、回滚、升级），人类只需审查 RCA 并做判断。