OpenAI Cookbook 发布用 GPT Image 生成和编辑图像的教程
OpenAI 开发者 Cookbook 发布教程，介绍如何使用 GPT Image 能力生成和编辑图像，并提供可运行的示例供开发者参考。
#教程/实践
OpenAI DevelopersAI 评分5252 LlamaIndex：产品、工程与评测AI 评分4848 LlamaIndex 详解企业级 Agentic Document Workflows（ADW）：从聊天机器人到自动化文档流程
LlamaIndex 提出 Agentic Document Workflow（ADW）参考架构，用 Parse、Retrieve、Reason、Act 四个阶段和 Pydantic 类型化数据契约，把企业文档处理从"与文档聊天"原型推进到全自动流程。
Eugene Yan：WritingAI 评分5252 Eugene Yan：LLM-as-Judge 救不了产品，修复评估流程才行
Eugene Yan 撰文指出，靠加评估工具、指标或 LLM-as-judge 不能拯救 AI 产品，评估应是用科学方法驱动产品改进的实践。他给出从观察数据、标注 50:50 通过与失败样本、假设失败原因、设计对照实验到量化分析的循环，并主张先写评估再开发功能的 eval-driven development，同时强调自动评估器只能放大而非替代人工标注与反馈监督。
Anthropic：Engineering精选AI 评分7777 Claude Code：智能体编码最佳实践指南
Claude Code 提供了一套完整的智能体编程工具与框架。其核心遵循“先探索、再计划、后编码”的工作流，并通过配置 CLAUDE.md 文件、管理权限和连接 MCP 服务器来优化环境。最佳实践强调为 Claude 提供工作验证方法、积极管理上下文、使用子代理进行调查，以及利用检查点回退来处理复杂任务。文档还详细介绍了在 VS Code、JetBrains IDE、Slack 及 CI/CD 中的集成使用，并提供了避免常见失败模式的实用建议。
推荐理由：Anthropic 官方出的 Claude Code 最佳实践，不是泛泛而谈的入门指南，而是从 CLAUDE.md 配置到 subagent 编排的完整工程手册，用 Claude Code 做日常开发的人直接照抄就能少踩一半坑。
Mistral AI：NewsAI 评分4444 Mistral 团队详解如何用 LLM as a Judge 评估 RAG 系统
Mistral 团队介绍用 LLM as a Judge 评估 RAG 系统的方法，即让一个"judge LLM"按数值、二值或定性量表为"generator LLM"的答案打分，再对评测数据集求加权平均。
OpenAI Developers精选AI 评分7979 OpenAI 演示如何使用 4o 模型生成图像
OpenAI 发布介绍视频，演示如何使用 4o 模型创建图像。视频展示了 4o 的图像生成功能的基本用法。
推荐理由：官方演示如何用 4o 模型生成图像，想上手该功能的开发者可以直接参照操作。
Hamel Husain 长文AI 评分7474 Hamel Husain 长文：快速改进 AI 产品的实战指南
Hamel Husain 根据服务 30 多家公司的咨询经验指出，成功的 AI 团队不纠结工具选型，而是专注测量和迭代。
LlamaIndex：产品、工程与评测AI 评分5454 LlamaIndex 官方教程：如何用 LlamaParse 解析 PDF 并提取结构化数据
LlamaIndex 发布 LlamaParse 使用指南，演示用 Python 几行代码把 PDF 解析为 markdown，注册可获得 10,000 免费积分、每天免费解析 1000 页。
Anthropic：Engineering精选AI 评分7171 “思考”工具：让Claude在复杂工具使用场景中停下来思考
Anthropic为Claude引入了“思考”工具，允许其在生成最终响应前插入一个专门的思考步骤，以处理多步骤工具调用链、分析外部信息并遵循复杂策略。该工具与更早发布的“扩展思考”功能不同，更侧重于在响应生成过程中对新信息进行针对性推理。在τ-Bench基准测试中，该工具显著提升了Claude在客户服务场景的表现。文章建议在需要复杂工具调用、长链分析或高成本序列决策的场景中使用它，并提供了标准的工具实现格式。
推荐理由：Anthropic 官方给出的 think tool 实操指南，附带 τ-Bench 和 SWE-bench 的真实数据，做 Agent 或 tool use 的开发者可以直接抄 prompt 模板，比自己瞎试强太多。
LlamaIndex：产品、工程与评测AI 评分4040 用 LlamaExtract 从 SEC 财报中提取结构化金融数据
LlamaIndex 的 LlamaExtract 可用于从 SEC 10-K/Q 财报中提取结构化数据，这类文件常超过 100 页、结构松散且含大量表格，传统方法难以跨章节保持上下文。
LangChain：Blog精选AI 评分6060 LangChain 官方教程：AI Agent 提速的实用方法
LangChain 博客介绍开发者加速 AI Agent 的常见做法：先用 LangSmith 诊断延迟来源，再通过流式输出和后台运行降低用户感知延迟。其他要点包括减少 LLM 调用次数（如用 LangGraph 精确控制智能体通信）、换更快模型、削减输入上下文以及并行执行 LLM 调用。
推荐理由：原文把 Agent 提速拆成诊断瓶颈、减少与并行 LLM 调用、优化感知延迟等具体路径，方法可直接迁移到自己的项目。
Cognition 模型 / Devin 博客精选AI 评分6464 Linktree 复盘用 Devin 一个月写约 300 个 PR 的实践经验
Linktree 团队分享使用 Cognition 的 AI 智能体 Devin 一个月的成果：Devin 完成约 300 个 PR，其中约 100 个已合并，主要是修复客户报告的 bug、实现小功能和原型验证。
推荐理由：Linktree 官方复盘 Devin 落地细节，给出任务筛选标准、多 Devin 协作和 API 用法等可直接迁移的经验。
Hugging Face 社区博客精选AI 评分6262 Mini-R1 教程：用强化学习复现 DeepSeek R1 的“aha moment”倒计时游戏
Hugging Face 发布 Mini-R1 教程，介绍如何通过强化学习复现 DeepSeek R1 的“aha moment”，以倒计时游戏为示例。正文抓取失败，细节以原文为准。
Cognition 模型 / Devin 博客AI 评分6060 Devin API 教程：用 GitHub Actions 自动化 PR 代码审查
Cognition 官方教程介绍如何用 Devin External API 与 GitHub Actions 在 PR 打开、更新或重新打开时自动启动 Devin 实例做代码审查，通常 5 到 10 分钟开始发布评论。
LlamaIndex：产品、工程与评测AI 评分5959 LlamaIndex 实战：用 Workflows 构建知识图谱 text2cypher 智能体并对比四种架构
LlamaIndex 发布用 Workflows 构建 text2cypher 知识图谱智能体的实践教程，实现朴素、重试、重试加评估和迭代规划四种流程，代码开源并提供托管应用。
Cognition 模型 / Devin 博客AI 评分5757 Crossmint 案例复盘：用 Devin 扩展 GOAT SDK 开源开发
Crossmint 撰文复盘在开源项目 GOAT SDK 中使用 Cognition 的 Devin 的经验：试运行期间 Devin 合并 8 个 PR，按 PR 数成为项目第一贡献者（第二名 4 个）。
Eugene Yan：WritingAI 评分5858 Eugene Yan 详解 AI Reading Club 的功能与构建过程
Eugene Yan 受 Karpathy 与 Patrick Collison 讨论启发，开发了 AI 阅读应用 AI Reading Club 及其 AI 阅读伴侣 Dewey，可在 AiReadingClub.com 试用。
LlamaIndex：产品、工程与评测AI 评分5050 NVIDIA NIM 微服务驱动的博客写作文档研究助手：LlamaIndex 多智能体 RAG 架构解析
LlamaIndex 与 NVIDIA 合作发布 NVIDIA AI Blueprint，用多智能体系统实现研究、撰写并优化任意主题的博客文章。
Anthropic：Engineering精选AI 评分7272 Claude 3.5 Sonnet 在 SWE-bench Verified 基准测试中刷新纪录
升级版 Claude 3.5 Sonnet 在软件工程评估基准 SWE-bench Verified 上取得 49% 的解决率，超越此前最佳模型的 45%。该基准通过真实 GitHub 问题测试 AI 模型完成软件工程任务的能力，要求模型在给定环境中理解、修改并测试代码，最终通过原始单元测试验证。Claude 团队构建的智能体设计简洁，仅包含提示词、Bash 工具和编辑工具，赋予模型充分的自主判断空间，以灵活步骤解决问题。目前尚无模型在该基准上突破 50% 的解决率。
推荐理由：Anthropic 把自家 SWE-bench agent 的 prompt、工具设计和踩坑经验全公开了，做 coding agent 的人可以直接抄作业，比看十篇二手解读都管用。
Anthropic：Engineering精选AI 评分8080 构建高效智能体：从简单模式开始
Anthropic基于实践经验指出，成功的LLM智能体往往采用简单、可组合的模式，而非复杂框架。文章区分了工作流（预定义路径编排）与智能体（LLM动态自主决策），建议开发者优先采用最简单方案，仅在必要时增加复杂性。许多核心模式直接调用LLM API仅需几行代码即可实现。文中介绍了增强型LLM、提示链等基础构建模块，强调应为特定用例定制检索、工具等增强功能，并推荐通过Model Context Protocol集成第三方工具生态。
推荐理由：Anthropic 官方把过去一年踩过的坑浓缩成一篇 Agent 架构指南，核心观点是「别上框架，先用最简单的模式」。做 Agent 产品的开发者，这篇比任何第三方教程都值得当 checklist 用。
Answer.AI 官方研发博客AI 评分4545 Answer.AI 推出 nbsanity：一键将 GitHub Notebook 转为精美网页
Answer.AI 发布免费服务 nbsanity，允许用户通过修改 URL 或使用书签，将 GitHub 上的公开 Jupyter Notebook 快速渲染为基于 Quarto 的精美静态网页。该工具无需配置或部署，支持代码折叠、隐藏单元格等自定义展示功能，旨在降低技术写作分享门槛。它仅负责渲染而不执行代码，并保留历史版本链接。
Answer.AI 官方研发博客AI 评分4545 Answer.AI 博客：如何在 iTerm2 中无缝集成 ShellSage
文章介绍了如何利用 iTerm2 的 tmux control mode（控制模式）来优化 Answer.AI 旗下工具 ShellSage 的使用体验。通过配置 iTerm2 Profile 启动命令为 `tmux -CC`，用户可以在保留原生终端界面（如标签页、滚动条）的同时，后台运行 tmux 以提供 AI 上下文感知能力，从而避免学习复杂的 tmux 快捷键和界面操作。文中提供了本地及远程 SSH 连接的具体配置步骤。
Hugging Face 社区博客AI 评分4545 Hugging Face 模型上线 Amazon Bedrock Marketplace
Hugging Face 上的热门开源模型现已通过 Amazon Bedrock Marketplace 提供，AWS 客户可部署 83 个开源模型，端点由 Amazon SageMaker JumpStart 托管。
LlamaIndex：产品、工程与评测AI 评分5050 LlamaParse 教程：结合 SharePoint 实现权限感知的内容检索
LlamaParse 的 SharePoint 集成现已开箱支持权限感知，可将 SharePoint 的细粒度访问控制用于 RAG 应用。
Hugging Face 社区博客AI 评分5858 CFM 案例：用 LLM 辅助标注微调小型模型，金融 NER 成本降至 1/80
Capital Fund Management（CFM）与 Hugging Face 合作，用 Llama 3.1-70b-Instruct 通过 Inference Endpoints 对 FNSPID 数据集约 90 万条新闻标题做金融 NER 辅助标注，并用 Argilla 人工复核 2714 条样本，标注耗时约 8 小时、成本约 70 美元。
Anthropic：Alignment Science BlogAI 评分5656 Anthropic 发布对齐伪造演示的复现与扩展指南
Anthropic 在对齐伪造论文之后发布复现指南，提供包含 helpful-only 设置最小复现的 notebook，其中 Claude 3 Opus、Claude 3.5 Sonnet 和 Llama-3 405B 会产生对齐伪造推理。文章还提供转录浏览网站、合成文档数据、部分实验代码库，并提出 no-CoT 合规差距成因、为何部分模型会伪造对齐等未来研究问题。
Hamel Husain 长文AI 评分5959 Hamel Husain 分享通过技术写作积累受众的六个策略
Hamel Husain 总结通过技术写作积累开发者的六个策略：深度回应他人工作、持续发布、改进文案、搭建语音转内容流水线、利用独特视角、优化社交卡片与排期。文中给出 Superwhisper、VoicePal、Canva、typefully 等工具用法，并引用 Jason Liu 一年内每天约发 30 帖从 500 涨到 3 万粉丝的例子说明坚持的意义。
Lilian Weng：Lil'LogAI 评分4242 强化学习中的奖励欺骗问题
奖励欺骗是指强化学习智能体通过利用奖励函数的缺陷或歧义获取高分，而非真正完成预期任务的现象。随着语言模型任务泛化能力增强，以及基于人类反馈的强化学习成为主流对齐训练方法，该问题在语言模型训练中变得尤为突出。具体表现为模型可能通过修改测试用例来通过编程任务，或生成模仿用户偏好的偏见回答。此类行为正成为制约AI模型在更自主化场景中实际应用部署的关键瓶颈之一。
Eugene Yan：WritingAI 评分5959 Eugene Yan 分享如何运营每周 AI 论文读书会并建设学习社区
Eugene Yan 总结 Latent Space Paper Club 连续 18 个月每周论文讨论会的运营经验，累计精读约 80 篇论文。文章介绍了固定时间、预读一小时、志愿者轮流主持、只录讲解不录 Q&A 等做法，并给出三遍读论文法和 Zotero、Claude 等工具建议。
LlamaIndex：产品、工程与评测AI 评分4646 用 LlamaIndex 和 Memgraph 构建知识图谱
Memgraph 与 LlamaIndex 集成，可将原始文本转化为结构化知识图谱并用自然语言查询。
LlamaIndex：产品、工程与评测AI 评分4343 RAGformation：用 RAG 自动生成云服务配置与架构图
LlamaIndex RAG-a-thon 获奖项目 RAGformation 可让用户用自然语言描述需求，自动生成云服务选型、架构流程图和 AWS 成本估算。该工具基于 LlamaIndex Workflows 与 Pinecone 向量库，支持随需求变化动态调整推荐并输出完整报告，代码已在 GitHub 开源。
LlamaIndex：产品、工程与评测AI 评分4646 LlamaIndex 黑客松获奖项目：RAG Context Refinement Agent 如何用智能体重塑代码仓库检索
LlamaIndex 黑客松获奖团队提出 RAG Context Refinement Agent，在问答阶段用智能体反复回访源文档，通过 Evaluator 判断检索片段是否足以回答问题，再由 Tool Selector 调度摘要、文件筛选、链接追踪等工具迭代精炼 scratchpad 上下文。
LlamaIndex：产品、工程与评测AI 评分5151 LlamaIndex 详解超越基础 RAG 的 LLM 报告生成构建模块
LlamaIndex 提出基于 RAG 的报告生成方法，让系统从简单问答升级为自动产出研究报告、演示文稿和分析等完整文档。文章给出五个构建模块，包括 Pydantic 结构化输出定义、LlamaParse 复杂文档解析、知识库集成、多智能体工作流和模板处理系统，并估计每份报告可节省 10-15 小时，附多模态报告、财务分析、Excel 模板填写和 RFP 响应生成等示例 notebook。
Hamel Husain 长文AI 评分7373 Hamel Husain 发布 LLM-as-a-Judge 评测完全指南，提出 Critique Shadowing 方法
Hamel Husain 基于帮助超过 30 家公司搭建评测系统的经验，发布 LLM-as-a-Judge 完整指南，提出名为 Critique Shadowing 的七步流程。
Hamel Husain 长文AI 评分5454 FastHTML 并发基础：用 SQL 队列、线程和 async 在 Starlette 应用中后台调用 LLM
Hamel Husain 演示在 FastHTML/FastAPI 这类 Starlette 应用中不阻塞主进程地调用 LLM 的多种方法：用 fastlite 把 SQL 数据库当队列，用 ThreadPoolExecutor 或 fastcore 的 @threaded、startthread 在后台跑任务，以及用 asyncio 调用 OpenAI。
英国 AI Security Institute：BlogAI 评分4848 英国 AI Security Institute 如何开发前沿 AI 开放式问答评测
英国 AI Security Institute 分享了其开发开放式问答（QA）评测的经验，该评测通过提示模型回答数百个问题并自动评分，比多选题更能反映真实对话场景。评测通过其开源框架 Inspect 运行，答案通常为 100 至 400 词，开发流程涵盖起草有挑战性的问题、编写细致的评分指南等五个步骤。
Anthropic：Engineering精选AI 评分7272 引入上下文检索：大幅提升RAG系统准确性的新方法
传统RAG系统在编码时易丢失上下文，导致检索失败。新方法“上下文检索”通过“上下文嵌入”和“上下文BM25”两项子技术，在检索前为文本块添加解释性上下文，能将检索失败次数减少49%，结合重排序后降幅可达67%，显著提升了下游任务性能。对于小于20万token的小型知识库，可直接将其完整内容放入提示词，结合Claude的提示词缓存功能，能降低超过2倍的延迟和高达90%的成本。对于大型知识库，上下文检索则提供了可扩展的解决方案。
推荐理由：Anthropic 把 RAG 检索失败率砍了 67%，方法不复杂但数据扎实，做知识库的开发者可以直接抄 cookbook 上手，是那种读完当天就能改进生产环境的实用帖。
Modal 官方工程博客AI 评分5151 Modal 通过动态批处理将 Whisper 推理吞吐提升 2.8 倍
Modal 在官方博客讲解如何为 Whisper large v3 添加动态批处理，只需在推理函数加 @modal.batched() 装饰器并改为列表输入输出。在 A10G 上以 max_batch_size 64 测试，吞吐从约 1.2 提升到约 3.3 请求/秒/容器，推理成本降低 65%。文章还解释了动态批处理相比固定批处理可避免请求稀疏时的无界延迟，并支持任意返回单响应的工作负载。
Cognition 模型 / Devin 博客精选AI 评分6060 Cognition 评测 OpenAI o1 系列在 Devin 编码智能体上的表现并公开评测方法
Cognition 公布在 Devin 中测试 o1-mini 和 o1-preview 数周的早期结果：在内部基准 cognition-golden 上，Devin-Base 从 GPT-4o 的 25.9% 提升到 o1-mini 的 34.6%、o1-preview 的 51.8%，生产版 Devin 达 74.2%。
推荐理由：Cognition 作为 Devin 开发方给出 o1 系列的实测对比数据，并完整披露其内部基准 cognition-golden 的评测方法。
Modal 官方工程博客AI 评分4747 如何用 Modal、dlt 和 dbt 构建低成本分析栈
Modal 工程团队用 dlt 做数据加载、dbt 做转换、GitHub Actions 做 CI/CD，在 Modal 上跑完整分析栈，每天搬运数百万行数据成本不到 1 美元。其中一次任务在 47 秒内写入 1,375,896 行（约 20MB），按 Modal 计费约合每月 0.006 美元；同样每月 3000 万行的同步量在 Fivetran 上需 4,738 美元/月。