跳到正文
#教程/实践
9月23日周三
  1. cat51

    Anthropic 的 Claude Code 产品负责人 Cat Wu 推荐在 Slack 中试用 Opus 5.5 和 Claude Tag 的方法，并引用 bcherny 的实践：用 Opus 5.5 借助 Lean 对 Claude Agent SDK 做形式化验证，几条简短提示词就产出 16 个 PR，修复了多个 bug 和竞态条件。bcherny 还提到 TLA+ 也适用，有时将 Lean 与 TLA+ 结合来排查数据流、并发和状态管理问题，并认为这种方式能发现人工难以察觉的 bug。

    引用Boris Cherny@bcherny

    I used Opus 5.5 to formally verify the Claude Agent SDK using Lean. A couple short prompts = 16 PRs fixing various bugs and race conditions. Video attached. TLA+ also works well. I sometimes combine Lean and TLA+ to look for issues around data flow, concurrency, and state mgmt. I don't know either language well, but Claude is excellent at both. This approach is super useful for formally modeling your code and finding bugs that a human probably wouldn't have spotted. Is formal verification the future of coding (or at least, bug finding)?

  2. OpenRouter：Announcements67

    OpenRouter 发布 2026 年最佳嵌入模型选型指南，覆盖 37 个目录条目

    OpenRouter 于 2026 年 9 月 11 日核实嵌入模型目录共 37 个条目，并通过自家 embeddings API 向 19 个模型发送批量请求、共 28 项检查，确认请求与响应行为。

    推荐理由：作者用自家 API 实测 19 个模型并按用例给出候选、价格与维度，读者可按输入类型和存储约束直接对照选型。

  5. Claude：YouTube42

    Claude Opus 5.5 讲解 GPS 定位原理

    Claude Opus 5.5 制作了一个交互页面，用真实 GPS 卫星模拟讲解定位原理：卫星持续广播原子钟时间，手机接收四路信号、算出四个距离，一次求解即可同时确定位置与真实时间。该页面基于公开的 GPS 历书数据模拟真实卫星，并非实时无线电信号捕获。

  6. Claude：Blog71

    Anthropic 详解 Opus 5.5 上一次 Claude Code 任务的成本构成

    Anthropic 官方博客拆解 Claude Code 任务在 Opus 5.5 上的成本构成，轮次、缓存读取、输出 token 和模型选择决定账单，Opus 5.5 API 输入输出每百万 token 降价 20%、缓存读取降 60% 至 $0.20。

    推荐理由：原文把一次任务的 token 成本拆成轮次、缓存、输出和模型选择四项，并给出 effort 设置与缓存维护的可迁移省钱方法。

9月22日周二
  1. PyTorch：Blog63

    Shopify 如何用 PyTorch 和 vLLM 构建持续学习闭环，服务成本降低 96%

    Shopify 在 PyTorch 官方博客详解其基于 PyTorch 和 vLLM 的持续学习闭环，通过自愈管线把生产失败转为训练信号，用 SFT 加 GRPO 让专用模型质量超越前沿模型，GraphQL agent 服务成本从估算的每年约 2700 万美元降至约 100 万美元，降幅 96%。

    推荐理由：原文给出从质量标注、判官校准到 SFT 加 RL 和 gist 压缩的完整闭环方法，可迁移到自建 Agent 的持续学习场景。

  4. OpenRouter：Announcements62

    OpenRouter 解读 NVIDIA Nemotron 3.5 Lightning 如何承担 Agent 高频执行调用

    OpenRouter 发文解读 NVIDIA 的 Nemotron 3.5 Lightning，这是一款 30B 总参数、约 3B 激活参数的混合专家开源权重模型，定位于工具调用、编码等高频、边界清晰的 Agent 执行步骤，与负责复杂推理的 Nemotron 3 Ultra（550B 总参数、55B 激活）形成分工。

    推荐理由：OpenRouter 结合自家端点数据拆解 Nemotron 3.5 Lightning 的定位、上下文和调用差异，读者可据此评估它在 Agent 执行层的适用性。

  6. vLLM 官方博客66

    用一个 uv 编译开关为 vLLM 容器启动省下约 18 秒

    vLLM 博客作者 Nils Matteson 实测在镜像构建时设置 ENV UV_COMPILE_BYTECODE=1 预编译字节码，H100 服务器上 Qwen3-8B 和 Qwen3-32B 的启动到首个正确响应中位节省分别为 17.6 秒（17.6%）和 17.8 秒（13.9%）。

    推荐理由：作者用配对实测给出 uv 预编译字节码对 vLLM 启动的具体节省和设置方法，结果边界和镜像体积代价也交代清楚。

  8. Linear：Now61

    Linear 分享 CI 提速实践：PR 等待时间从 6 分多降至 5 分出头，单测机器时间约减半

    Linear 工程团队详细介绍其 CI 优化实践：在测试套件今年年初以来近乎翻四倍的情况下，PR 等待时间从超过 6 分钟降到 5 分出头，每项测试的 runner 时间约减半。

    推荐理由：Linear 自述在测试套件近乎翻四倍的情况下把 CI 等待时间和 runner 成本降下来，四类优化手法可迁移到其他工程团队。

9月21日周一
9月20日周日
9月19日周六
  4. OpenRouter：Announcements63

    OpenRouter 实测 Jev 决策模型对比 LLM，何时该用决策模型替代生成文本

    OpenRouter 发布教程，实测 TypeSafe 的决策模型 Jev 1.13 与 GPT Luna、Claude Opus 在工单分诊和提示词注入筛查上的表现：Jev 每 1000 张工单成本 $0.0248、中位延迟 194ms，准确率与 LLM 相当。

    推荐理由：OpenRouter 用自家基准数据对比 Jev 与生成式 LLM 的成本和延迟，并给出路由与验证两套可直接复用的代码模式。

9月18日周五
  2. Tessl：产品与工程博客63

    Tessl 博客：AI 智能体评估应从证据开始，用 35 万行 Rust 复刻 S3 的实践复盘

    Tessl 博客复盘前 Docker CTO Justin Cormack 在 AI Native DevCon London 的演讲，分享用 AI 构建约 35 万行 Rust 的 S3 兼容对象存储的经验。

    推荐理由：作者用 35 万行 Rust 复刻 S3 的实测经历，总结出测试先知、覆盖率陷阱、flaky 测试纪律和追踪等一套可迁移的 AI 智能体评估方法。

  3. Trail of Bits：AI安全研究68

    Trail of Bits 用 Agent 为 Miden zkVM 审计自建 LSP、反编译器和 Lean 形式化证明

    Trail of Bits 在审计 Miden zkVM 前，让 Agent 用六个月从零构建了 MASM 的 LSP 服务器、反编译器、静态分析引擎和 Lean VM 执行器模型。这些工具发现了可让恶意 prover 伪造 Falcon 签名盗取资金的高危漏洞，静态分析定位了 400 多处类型验证缺陷，Lean 工作产出 95 个机器验证的正确性证明，还发现两个单元测试未捕获的细微 bug。

    推荐理由：原文给出用 Agent 在审计前自建工具链与形式化证明的完整路径，含真实高危发现，方法可迁移到其他安全审计场景。

  5. Tripo59

    ComfyUI 分享一个概念图转任意角度的动画工作流，其中 3D 生成步骤由 Tripo 完成。工作流分三步：概念图经 Tripo 生成并保存为 GLB 模型；静止画面用 Load 3D 输出视角后由 GPT Image 2 渲染成同风格插画；镜头运动则在视口中录制路径，作为 Seedance 2.0 的运动参考生成镜头。文末附工作流运行链接。

    引用ComfyUI@ComfyUI

    ComfyUI for Animation: Concept Art to Any Angle Concept art → 3D proxy → any angle you want. One graph, two methods. Step 1: load your concept art. Tripo generates a 3D model and saves it as a GLB. Drag it into Load 3D and set material mode to Normal. Step 2 (stills): rotate the viewport to your angle. Load 3D outputs the view, and GPT Image 2 renders it back as a polished on-style illustration. Step 3 (camera moves): record a path in the viewport. That clip becomes the motion reference for Seedance 2.0, which generates the move through the stylized scene. Click the link below to run the workflow ⬇️

  9. LangChain：Blog45

    Included Health 如何用 LangGraph 和 Deep Agents 构建联邦式医疗智能体

    Included Health 基于 LangGraph 和 Deep Agents 搭建了联邦式多智能体架构，支撑其 AI 医疗导诊产品 Dot。Dot 作为主对话路由器处理覆盖范围、账单等问题，并调度紧急护理、预约、专科转诊等子工作流；Deep Agents 提供共享文件系统与全局语气提示词，使跨团队智能体切换时能传递对话摘要与完整历史，用户无需重复描述。

9月17日周四
  1. 公众号：卡尔的AI沃茨65

    用GPT6加Hyper3D Rodin搭建可互动3D个人作品集的实操教程

    作者用GPT6搭配Hyper3D Rodin的MCP，花一下午做出了可逛、可交互的3D个人作品集网页，场景含35个精细建模。流程为GPT-6画参考图并写交互代码，Rodin生成3D模型，BANG把模型按结构拆成独立零件以实现零件级动画，作者还把整个流程打包成skill发布在github.com/LearnPrompt/3Dworkshop。

  2. GitHub Blog87

    GitHub 用 Copilot 智能体将 Copilot 运行时从 TypeScript 迁移到 83 万行 Rust

    GitHub 工程师 Stephen Toub 复盘用 Copilot 智能体在约 14.5 周内将 Copilot agent runtime 从 TypeScript/Node.js 全量重写为 832,378 行生产 Rust，AI 智能体完成大部分代码，共 128 个 PR 增量合入 main 并持续发布。

    推荐理由：当事工程师复盘用 AI 智能体在数月内将 Copilot 运行时迁往 Rust 的全过程，策略、回归样本和成本数据对同类迁移有直接参考价值。

  3. 公众号：数字生命卡兹克65

    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。

  6. Tessl：产品与工程博客56

    以系统用例为核心的规格驱动开发：作者在 AI Native DevCon 分享企业级实践

    作者在 AI Native DevCon 演讲中介绍其以系统用例和领域模型为核心的规格驱动开发方法，跳过计划与任务阶段，直接用用例驱动代码生成。文章覆盖绿地与遗留系统现代化两条不同流程、基于风险的分层评审、Spring PetClinic 逆向建模演示，并建议用技能、guardrails、MCP 服务器和自包含系统架构搭建 harness，以实现接近确定性的生成。

9月16日周三
  1. Tripo58

    Tripo 官方转发开发者 @koguGameDev 的实测：用 GPT image 2 生成参考图、Tripo P2.0 做 3D 生成，再让 Astra 通过 MCP 操作 Blender 完成拓扑、UV 与 IK 绑定，导入 UE5.8 实现四足机器人动画。动画实现两次失败，作者认为模型在把需求转化为设计与实现时仍需懂行者衔接，但 AI 带来的能力普惠会催生更多涌现。

    引用kogu@koguGameDev

    今は経験や知識がブーストするとこも多いだろうけど、これがいつまで続くのかなとも思う。 たとえばこのUEで動かす作業途中の4脚ロボでやってることの経過。 「今ある生成AIのツールでどういったゲーム用の動かすモデル作りのパイプラインが可能かを、Astraという新しい汎用言語モデルの限界を加味して検証」 って作業の一部で、 「GPT image 2で3D生成用にガイド作って生成した画像を、Tripo P2.0で3D生成しつつ、Astraに元画像と3Dモデル両方をリファレンスにBlenderをMCPで操作させ、モデリングの知見と示唆を与えながら方法論を固定しつつ試作」 って流れで出来た3Dオブジェクトに、 「パーツのトポロジを簡単に整え、UV展開をぐちゃぐちゃでない程度に補正させたら、外形から想定できる可動範囲やパターンを推測させた上で、剛体とIK制御を想定したリギングを完了」 したモデルをUE5.8に持ってって、 「『4脚と柔軟な胴部や爪先が一体となって自然な動きで歩行や走行し、段差や傾斜や障害物があっても滑らかに対処する』仕組みをAstraに丸投げしてみたら"ソルバー全部書きましょう！"って言うんでやらせてみたらまともに設計できなくてしばき倒して」 が動きの実装1回目で大失敗。 「もっと確実な公式のサンプル実装ベースで、そもそも要求に対する根本的なアプローチが間違ってるよ。なぜこの半端な見込み設計で都度修正やっちゃうの」 とやり直させて失敗した2回目、がこの動画時点。今3回目作業中だけど、こいつらはやっぱりIKとかのような連動する代物の扱いを自作させると、とことんアホになる。 IKを知らないわけでも、多脚の全身制御の実装事例を読めないわけでもない。でも要求から設計や実装を導くのになった途端、それらを繋ぐとこがポンコツになる。だから繋ぎ方が分かってる人間が示唆しないと膨大な手探りで悲惨なことになるし、知らない人がうまく行くのは偶然になってしまう。 --- こんな感じで進めてるこの一連、ゲームに関わりが無い人にはまさに「分かってる解像度」に見えると思う。でもそれは新しいモデルをどう使うかって検証だからで、新モデル時のリセット祭りはこういうことに使うと決めてるから。 重要なのは、こんなのではない膨大なブーストが与えてくれる下支えであり、もっとたくさんの小さな「知らないだけで手が出なかった」が消えることで生まれる創発だと思う。 そしてこういうテストも次の次の世代ぐらいで無意味になるほど、理解は高まってるかもしれない。なんならこのポストを与えて「何をやってるの？」とか、「この人の失敗繰り返さず多脚の動き作って」とかで、今のモデルでも知見も追いつけるし実装もできちゃうかもしれない。 「分かってる人」が持つ利点なんて、知と目と手がここまで伸びた以上、そんなに大きなものじゃないと思ってる。

  2. OpenRouter：Announcements73

    DeepSeek V4 哪些型号支持图像输入？OpenRouter 逐款梳理与调用指南

    OpenRouter 梳理其目录中的 DeepSeek V4 系列图像输入支持情况：V4.1 Flash 原生读图（2026年9月10日上线，$0.15/$0.60 每百万 token）。

    推荐理由：原文逐一列出 DeepSeek V4 各型号是否支持图像输入、价格和调用方式，并给出文本-only 型号配视觉模型的两段式替代方案。