Product
1. Claude Code 2.1.89 更新：强化权限与实验性功能
Claude Code 2.1.89 版本带来了显著的 CLI 表面更新和功能调整。此次更新移除了部分实验性标志（如 tengu_scratch 和 tengu_thinkback），并引入了新的环境变量（如 CLAUDE_CODE_AGENT_COST_STEER）和配置键，以增强对代理成本和 MCP 连接的控制。值得注意的是，会话创建失败消息现在包含更多上下文，有助于调试。该版本还对提示词结构进行了微调，系统提示词占比略有下降，工具提示词保持稳定。这些变化反映了 Anthropic 在提升 Claude Code 生产环境稳定性和可控性方面的持续努力。
来源：GitHub
2. Claude Code 开源 fork 版：移除遥测与解锁实验功能
针对 Claude Code 的源码泄露，社区迅速推出了名为 free-code 的干净 fork 版本。该项目移除了所有出站遥测（包括 OpenTelemetry、Growthbook、Sentry），并解锁了 45+ 个编译时 feature flag，包括多 Agent 规划、深度推理、语音输入等实验性功能。该版本旨在提供一个无回调、无安全 guardrails 的纯净构建，允许用户在自建 API Key 的环境下自由探索 Claude Code 的完整能力。此举反映了开发者对闭源工具隐私和功能限制的强烈反弹。
来源：GitHub
3. Google AI 推出 Gemini API 文档 MCP 服务器
Google AI Developers 发布了全新的 Gemini API 文档 MCP 服务器和开发者技能包。通过运行单条命令，开发者可以将 coding agent 连接到 Gemini 的官方文档库，确保 Agent 在编写代码时能够获取最新的 API 定义、最佳实践和优化配置示例。此举旨在解决 AI 编程助手因训练数据截止日期导致的 API 过时问题，通过实时上下文注入提升 Agent 的代码生成质量和准确性，减少通用模式带来的错误。
4. SentrySearch：基于多模态嵌入的视频语义搜索工具
SentrySearch 是一个开源命令行工具，利用多模态嵌入模型（如 Gemini Embedding 2 或 Qwen3-VL）实现对视频内容的自然语言语义搜索。该工具无需逐帧转录，直接在向量空间内比较视频像素与文字查询，从而在海量视频中精准定位特定片段。它支持云端 API 或本地离线运行（需 24GB+ 显存），并针对特斯拉行车记录仪进行了适配，可自动叠加车速、GPS 和时间信息。这一工具展示了多模态模型在视频分析领域的实际应用潜力。
来源：ClawHub
5. LeWorldModel：基于像素的端到端世界模型研究
LeWorldModel (LeWM) 是一项关于 JEPA（联合嵌入预测架构）的研究，旨在实现从原始像素到世界模型的端到端稳定训练。该模型仅使用两个损失项：下一嵌入预测损失和强制高斯分布的正则化器，显著减少了超参数调整的复杂性。LeWM 在 2D 和 3D 控制任务中表现出竞争力，且规划速度比基于基础模型的方法快 48 倍。研究还通过解码器验证了其潜在空间编码了物理结构。尽管在 Atari 游戏上的表现尚待提升，但该框架为高效、稳定的世界模型构建提供了新思路。
来源：GitHub
6. Emulate.dev：本地 API 仿真与 CI 沙盒工具
Emulate.dev 提供了一套本地 API 仿真服务，作为 CI 和无网络沙盒环境的替代方案。它支持 Vercel、GitHub、Google、Slack、Apple、Microsoft 和 AWS 等主流服务的 API 仿真，且无需复杂的配置。与 Mock 不同，它提供完全有状态、生产级保真的 API 仿真。该工具允许开发者在本地安全地运行 Agent，无需担心网络依赖或敏感数据泄露，是构建安全 Agent 工作流的重要基础设施。
来源：emulate
7. Claude Code 网页端支持 GitHub 凭据同步
Claude Code 网页端现已简化与 GitHub 的集成流程。用户可以在本地 Claude 会话中运行 /web-setup 命令，从而在网页端直接使用本地的 GitHub 凭据。这一更新旨在提升跨终端（本地与网页）使用 Claude Code 的连贯性，允许用户在云端基础设施上异步调度任务，同时保持与本地开发环境的一致性。这是 Anthropic 推动 Claude Code 跨平台协作的重要一步。
来源：Claude Code on the web - Claude Code Docs
8. CC Gateway：Claude Code 隐私与遥测代理
针对 Claude Code 的遥测隐私问题，社区开发了 CC Gateway。该工具作为一个反向代理，位于 Claude Code 和 Anthropic API 之间，旨在标准化设备指纹和遥测数据。它能重写 HTTP 请求体、头部信息，并接管 OAuth 流程，从而防止 Anthropic 服务器获取用户的真实设备 ID、操作系统、硬件配置等敏感信息。该工具允许用户在多设备上共用账号，同时保持身份的一致性，是关注隐私的开发者的重要工具。
来源：GitHub
9. Gether：协作式 Markdown 内容编辑器
Gether 是一个协作式内容编辑器，专为 Markdown 或静态网站生成器设计，旨在避免厂商锁定。它支持实时协作（基于 Cloudflare Durable Objects）、渲染预览和实时内容预览。Gether 利用现有的 GitHub 认证，提供文件导航 UI，并支持分支管理、Pull Request 评论等功能。该项目旨在为开发者提供一个轻量级、可自托管的协作编辑环境，是静态网站内容管理的有力补充。
来源：GitHub
10. Google Gemini 拟引入 3D 头像与 Remy 学习模式
Google 正在测试 Gemini 的两项新功能：3D 头像生成和 Remy 学习模式。3D 头像功能似乎与之前的“Likeness”功能相关，允许用户生成用于图像和视频生成的 3D 肖像。Remy 模式则是一个面向学生的学习助手，旨在辅助考试准备。这些功能可能在 Google I/O 前后发布。此外，Skill Support 也在向部分 Gemini Ultra 用户推送。这些更新显示了 Google 在强化 Gemini 的个性化和教育场景应用方面的努力。
11. OpenCode 推出 Vault-Tec 插件
OpenCode 引入了插件系统，并发布了首个预览插件：Vault-Tec。该插件将编码终端转化为“Vault-Tec Overseer”风格，将 Bug 视为“收容失效”，部署视为“地面考察”。除了视觉主题外，它还提供了配置选项，允许用户自定义提示词和 TUI 行为。这一插件展示了 Agent 终端的可扩展性和个性化潜力，为枯燥的开发环境增添了趣味性。
来源：GitHub
12. pi-reviewer：AI 驱动的本地 PR 审查工具
pi-reviewer 是一个 AI 驱动的 Pull Request 审查工具，基于 pi Agent 框架。它支持模型无关的配置，可在本地、SSH 远程或 CI 环境中运行。该工具将审查结果按严重程度（critical/warn/info）结构化，并提供交互式浏览器 UI，允许用户逐条审查并决定是否采纳。它支持读取 AGENTS.md 等项目约定，确保审查符合项目规范。对于希望自动化 PR 审查流程的团队，这是一个灵活的解决方案。
来源：GitHub
13. OpenAgents Workspace：多 Agent 协作平台
OpenAgents Workspace 是一个支持多 Agent 实时协作的平台。它允许 Claude Code、OpenClaw、Codex CLI 等多种 Agent 在同一个线程中协同工作。该平台无需登录、无需 Docker、无需复杂配置，通过单条命令即可启动。这一工具展示了 Agent 协作的潜力，允许不同 Agent 互补优势，共同完成复杂任务，是 Agent 生态系统的重要探索。
来源：@hasantoxr
14. Claude Code 桌面端新模式：Epitaxy
Anthropic 正在测试 Claude Code 的新模式“Epitaxy”。这似乎是 Claude Code 桌面端的一个替代界面，引入了更广泛的快捷键支持（用于模型选择、技能选择等），旨在提升高级用户的操作效率。此外，界面中还包含了一些有趣的动画元素。目前尚不清楚 Epitaxy 是一个严肃的产品方向还是实验性功能，但它显示了 Anthropic 在优化桌面端交互体验方面的尝试。
Tutorial
1. LLM 工程师实战手册：从 demo 到生产级系统
这份由 SylphAI 团队开源的 LLM 工程师手册，并非简单的教程合集，而是针对生产环境构建 LLM 应用的实战指南。它涵盖了 RAG 架构、模型评估、Agent 设计模式、微调工作流及生产部署优化等核心领域。手册强调了在 LLM 时代，基础机器学习知识（如数据隐私保护、幻觉检测）依然不可或缺。该资源旨在帮助开发者跨越从 demo 到生产级应用的“最后一公里”，解决性能、安全性和可扩展性挑战。对于希望构建稳健 LLM 系统的工程师而言，这是一份极具参考价值的结构化知识库。
来源：GitHub
2. Claude Code 深度解析：如何实现 10 倍效率提升
通过对 Claude Code 源码的深度分析，本文揭示了该工具作为“伪装成终端 UI 的 Agent 编排平台”的本质。核心结论是，效率的差异并非源于提示词技巧，而是源于对系统配置的深度利用。关键策略包括：利用 CLAUDE.md 进行每轮上下文注入、通过 fork 模式并行化子代理以共享缓存、配置权限系统以消除交互疲劳、主动使用 /compact 管理上下文压力，以及利用钩子系统（Hooks）构建自定义开发环境。这些发现表明，Claude Code 的真正潜力在于其作为可编程 Agent 平台的架构设计。
来源：i read through the claude code source code so u dont have to.
3. OpenClaw：个人 AI Agent 构建与管理指南
本文详细介绍了 OpenClaw 框架，这是一个开源的个人 AI Agent 系统。作者分享了如何构建一个由 9 个专业 Agent 组成的团队来管理工作和生活。指南涵盖了从硬件选择、安装配置到 Agent 角色定义（SOUL.md, IDENTITY.md）的全过程。OpenClaw 强调 Agent 的自主性、模块化和安全性，建议用户在隔离环境中运行，并警惕 prompt 注入风险。该框架代表了从“聊天机器人”向“自主软件操作员”的范式转变，为个人构建 AI 劳动力提供了实操路径。
来源：OpenClaw: The complete guide to building, training, and living with your personal AI agent
4. Claude Code 源码分析：以点带面的学习路径
针对 Claude Code 源码的分析，作者建议采取“以点带面”的策略。第一步是确保项目能跑起来，以便通过日志和断点直观观察代码运行过程。第二步是从具体功能点入手，分析其输入输出、模块关系及作用。借助 AI 分析可以降低理解门槛。通过这种方式，开发者可以逐步建立对 Agent 循环、工具调用和上下文管理的直观认识。这种方法论对于理解复杂 Agent 系统具有很强的指导意义。
来源：GitHub
5. Claude Skills：自动化工作流的构建指南
Claude Skills 是一种允许用户创建可重用、斜杠命令触发的指令集的功能。相比于标准提示词或文件上传，Skills 能够根据任务自动触发，从而提高效率。本文介绍了如何使用 Claude 内置的 Skill Creator 或第三方工具构建 Skills，并强调了负面触发（定义不适用的场景）对于防止误触发的重要性。Skills 具有可移植性，旨在跨不同 AI 平台工作。对于希望自动化重复性工作流的开发者，这是一个提升效率的关键工具。
来源：How to AI
6. Claude Code 扩展系统：Skills 与 Plugins 的区别
本文厘清了 Claude Code 扩展系统中“Skills”与“Plugins”的区别。Skills 是轻量级的 Markdown 指令文件，用于特定、可重复的任务；而 Plugins 是综合容器，用于打包多个 Skills、Hooks、子代理和 MCP 服务器，便于分发和重用。Skills 适用于单一任务或领域工作流，Plugins 适用于跨项目或团队的广泛分发。理解这一区别有助于开发者选择合适的扩展方式，构建模块化的 Agent 工作流。
来源：Agentic AI
7. AI by Hand：交互式 AI 架构学习库
AI by Hand Academy 正在为付费会员构建一个交互式流程图库，旨在通过可视化方式深入理解复杂的 AI 架构。首个学习路径聚焦于注意力机制（Attention），包括 MHA、MQA 和 GQA 等核心概念。该库通过七个交互式图表，从 QKV 投影开始，逐步拆解模型内部运作。这种可视化学习方式为理解复杂的深度学习架构提供了直观的路径，是 AI 教育领域的一次有益尝试。
Opinions/Thoughts
1. 自然语言 Agent 编排：一种新的 Agent 框架研究
本研究探讨了“自然语言 Agent 编排”（NLAHs）的概念，旨在解决当前 Agent 框架过于依赖硬编码控制流的问题。研究引入了“智能编排运行时”（IHR），允许将 Agent 的控制逻辑（如角色、状态语义、失败分类）以可编辑的自然语言形式外部化。这种方法使编排层成为可移植、可组合且人类可读的科学对象，而非深埋在控制器代码中。实验表明，这种方法在编码和计算机使用基准测试中表现出良好的可行性，为 Agent 设计提供了新的范式。
来源：arXiv.org
2. Agent 时代的软件哲学：结构化优于可塑性
本文对“可塑软件”（Malleable Software）的愿景提出了质疑，认为在 Agent 时代，过度定制化反而增加了 Agent 理解系统的成本。作者指出，Agent 驱动的软件应在运行时根据用户意图进行调整，而非要求用户成为工具的架构师。因此，强系统结构、清晰的工作流和明确的预期比界面的可塑性更重要。最好的系统应该是核心“有主见”的，Agent 则负责处理工作流的变体。这一观点挑战了传统的用户赋能逻辑，主张软件应承担更多复杂性，让用户获得更好的结果。
来源：The Malleable Software That Never Was
3. Claude Cowork：连接器与计算机使用的权衡
本文探讨了 Claude Cowork 中“连接器”（Connectors）与“计算机使用”（Computer Use）的权衡。作者建议优先使用连接器处理结构化数据，浏览器处理 Web 任务，仅将计算机使用作为桌面端任务的最后手段。计算机使用虽然视觉上直观，但错误率高且缺乏审计日志，存在显著的安全和隐私风险。Anthropic 明确建议不要将计算机使用用于敏感任务（如金融、医疗）。这一分层模型为构建稳定、安全、高效的 Agent 工作流提供了明确的指导原则。
4. 多模态模型的“海市蜃楼式推理”现象
斯坦福大学的最新研究揭示了多模态模型中存在的“海市蜃楼式推理”（mirage reasoning）现象。研究发现，模型在未提供图像的情况下，仍能生成详细的图像描述和推理，甚至在医学基准测试中获得高分。这挑战了模型真正具备视觉理解能力的假设。论文提出了 B-Clean 评估方案，旨在更准确地衡量模型的视觉推理能力。这一发现对当前多模态模型的评估标准和设计逻辑提出了严峻质疑，强调了区分“视觉理解”与“语言统计规律”的重要性。
来源：Mirage: The Illusion of Visual Understanding
5. OWASP 发布 Agentic Skills Top 10 安全框架
OWASP 正式发布了 Agentic Skills Top 10 (AST10) 项目，旨在解决 AI Agent 技能中的关键安全风险。该框架在 2026 年 OWASP 项目峰会上孵化，提供了安全评估清单、通用技能格式和详细的风险文档。AST10 针对安全团队、技能开发者和平台开发者提供了具体的指导，旨在帮助各方在 Agent 生态系统中主动防御新兴威胁。随着 Agent 的普及，其技能带来的攻击面日益扩大，该框架的发布具有重要的行业安全意义。
来源：Agentic AI
6. AI Agent 生态的安全挑战：沙盒化的必要性
近期软件和 AI 生态系统频发安全漏洞，包括 Railway、Mercor AI、Claude Code 等。文章强调，当 AI Agent 具备自动安装软件包的能力时，软件供应链攻击的风险显著增加。沙盒化（Sandboxing）被推荐为防止恶意代码损害本地系统的关键手段。此外，文章还盘点了 Claude Code、Gemini 和 Stripe 等工具的最新进展。理解供应链安全并实施隔离技术，已成为集成 AI Agent 的开发者必须掌握的技能。
来源：Ben’s Bites