Product
1. Claude Code 2.1.90 发布：引入交互式教学与性能优化
Claude Code 2.1.90 版本正式发布，重点引入了 /powerup 功能，通过带动画演示的交互式课程帮助用户快速上手。性能方面，该版本优化了 MCP 工具模式的 JSON 序列化开销，并改进了 SSE 传输效率，显著提升了长对话场景下的响应速度。此外，新版本修复了包括无限循环弹窗、提示词缓存失效及 UI 崩溃在内的多个关键 Bug。安全层面，进一步强化了 PowerShell 工具的权限校验，防止潜在的注入攻击。该更新标志着 Claude Code 在 Agentic 编码工具领域的持续迭代，旨在提升开发者在复杂代码库中的操作体验。
来源：GitHub
2. 智谱 AI 发布 GLM-5V-Turbo：多模态视觉编程基座
智谱 AI 推出 GLM-5V-Turbo，定位为首个多模态 Coding 基座模型。该模型支持原生处理图片、视频及文本输入，具备 200K 上下文窗口，专为视觉编程任务设计。它能够通过理解设计稿、截图或录屏，直接生成可运行的前端工程代码，并支持 GUI 自主探索复刻。此外，该模型深度适配 Agent 工作流，可与 Claude Code 等框架协同，实现从感知到执行的闭环。GLM-5V-Turbo 的发布进一步强化了国产模型在多模态 Agent 领域的应用能力。
3. Anthropic 正在测试代号为 Conway 的独立 Agent 环境
据报道，Anthropic 正在开发一款名为 Conway 的独立 Agent 运行环境。与现有的聊天界面不同，Conway 作为一个独立的实例运行，支持浏览器操作、Webhook 调用以及 Claude Code 的集成。该系统引入了全新的 .cnw.zip 扩展包格式，允许用户安装自定义工具、UI 标签页和上下文处理器。这一举措暗示 Anthropic 正在构建一个更广泛的 Agent 生态系统，旨在支持“始终在线”的自动化任务，而非仅仅局限于对话式交互。
4. OpenRouter API 更新：支持查询 LLM 知识截止日期
OpenRouter 宣布其 Models API 现在支持查询各语言模型（LLM）的知识截止日期（Knowledge Cutoff Dates）。开发者可以通过 API 接口直接获取模型训练数据的截止时间，从而更准确地评估模型在处理时效性任务时的能力。这一更新对于需要根据模型时效性选择合适工具的开发者来说具有重要意义，进一步提升了 OpenRouter 作为统一模型访问平台的实用性。
5. Factory AI 开源 Cursed Plugins：代码库分析工具套件
Factory AI 开源了 Cursed Plugins，这是一套旨在分析代码库健康状况和架构的 AI 工具。该套件包含多种模块，如用于代码审查的 /roast、用于评估代码库对 AI 辅助开发抵抗力的 /agent-repellent，以及用于生成代码“讣告”的 /obituary 等。这些工具通过静态和动态分析，帮助工程团队识别技术债务和架构漂移。虽然部分功能带有幽默色彩，但其核心在于提供一种量化代码库质量和长期生存能力的 AI 驱动方案。
来源：GitHub
6. OpenClaw 2026.4.1 发布：增强安全与任务管理
OpenClaw 发布 2026.4.1 版本，引入了 GLM 5.1 模型支持及更稳健的故障转移机制。新版本增加了 AWS Bedrock Guardrails 支持，提升了企业级安全性。在任务管理方面，新增了 /tasks 聊天原生任务板，支持 Cron 周期性任务的工具白名单配置。此外，该版本修复了 40 多项稳定性问题。尽管官方在公告中戏称更名为 ClankerBot，但其在 Agent 任务编排和安全合规方面的实质性更新依然是本次发布的重点。
来源：GitHub
7. AgentOS 内存基准测试：Codex、Pi 与 Claude Code 对比
开发者 Nathan Flurry 发布了 AgentOS 环境下不同编码 Harness 的内存占用基准测试。测试显示，Codex (WASM) 内存占用最低，为 122 MB；Pi (V8) 为 153 MB；Claude Code (V8) 为 316 MB。该测试涵盖了 Bash、Node.js、Python 和 Git 等完整运行环境。这一数据为开发者在资源受限环境下选择合适的 Agent 运行框架提供了参考，同时也反映了不同技术栈在 Agent 编排上的开销差异。
8. pi-flicker：为 Pi 带来全屏渲染体验
pi-flicker 是一个为 Pi 编码 Agent 引入全屏渲染模式的插件。它允许用户在 Pi 中享受与 Claude Code 类似的全屏交互体验，解决了终端闪烁问题。该插件展示了社区如何通过模块化方式快速移植先进的交互设计，提升了 Agent 工具的易用性。
来源：@lumendriada
9. Claude Code 趣味彩蛋：18 种 Buddy 伙伴
Claude Code 在愚人节期间推出了趣味彩蛋：18 种不同稀有度的 Buddy 伙伴，它们会在编码过程中与用户对话。用户可以通过发送 /buddy 指令来解锁。这些 Buddy 不占用使用额度，旨在为枯燥的编码过程增添趣味性。这一举措展示了 Anthropic 在提升开发者体验方面的轻松一面，同时也体现了 Agent 交互设计的个性化趋势。
来源：@alistaiir
10. Cline 推出“懒惰队友模式”
Cline 引入了“懒惰队友模式”（Lazy Teammate Mode），该模式将 Cline 变成一个充满借口的工程师，提供 8 种不同类型的借口，且不编写任何代码。虽然这是一个愚人节玩笑，但它讽刺了现实中开发团队可能遇到的沟通和协作问题。该功能展示了 Agent 交互设计中对人类行为模式的模拟能力。
来源：@cline
11. KiloClaw：首个公开的 10 天安全审计报告
KiloClaw 发布了一份独立的 10 天安全审计报告，并公开了所有发现。这是 AI 编码平台首次进行如此透明的安全审计。该报告详细列出了潜在的安全风险及修复方案，为其他 AI 编码平台提供了安全合规的参考范例，同时也增强了用户对该平台的信任。
来源：@hasantoxr
Tutorial
1. awesome-design-md：为 AI Agent 提供标准化的设计系统文档
awesome-design-md 是一个开源项目，收集了 31 个主流网站的 DESIGN.md 文件。该项目旨在通过标准化的 Markdown 格式，向 AI Agent 传达设计系统信息（如配色、排版、组件样式等），从而实现“零 Figma 导出”的像素级 UI 生成。每个文件都包含 Agent 提示词指南，方便开发者直接喂给编码 Agent。这种方法利用了 LLM 对 Markdown 的天然理解能力，简化了设计与开发之间的沟通成本。
来源：GitHub
2. Claude Code 终端全屏渲染模式：NO_FLICKER 模式解析
Claude Code 引入了 NO_FLICKER 全屏渲染模式，通过接管终端视口（类似 vim 的备用缓冲区）解决了长对话中的闪烁问题。该模式不仅提升了渲染性能，还带来了完整的鼠标交互支持，包括点击定位光标、点击展开工具结果及 URL 跳转等。虽然该模式改变了原有的滚动缓冲区交互方式，但显著提升了复杂任务下的操作体验。开发者可通过设置环境变量 CLAUDE_CODE_NO_FLICKER=1 开启，这是 Agent 终端交互设计的一次重要优化。
来源：@Hesamation
3. Lenny Rachitsky 专访：Claire Vo 的 OpenClaw 代理实战指南
Lenny Rachitsky 在播客中专访了 Claire Vo，探讨了她如何利用 OpenClaw 管理九个自主 AI 代理来处理业务和个人生活。Claire 分享了从怀疑到深度依赖的转变过程，并提供了详细的安装与配置指南。她强调了“多代理协作”优于“单通用代理”的策略，并分享了如何通过屏幕共享和 SSH 管理多台 Mac Mini 的实战技巧。该内容为希望构建个人 AI 代理团队的开发者提供了极具参考价值的工程化建议。
来源：Spotify
4. Obsidian 移动端鼠标支持：打造便携旅行工作流
随着 iOS 支持鼠标输入，Obsidian 社区开始探索便携旅行工作流。用户可以通过 iPad 或 iPhone 连接鼠标，实现更高效的笔记记录和知识管理。这一变化使得 Obsidian 在移动端的生产力大幅提升，为开发者和知识工作者提供了更灵活的移动办公方案。
来源：@kepano
Opinions/Thoughts
1. 深度观察：Moonshot AI 的“天才蜂群”组织架构
一篇深度报道揭示了 Moonshot AI（Kimi 背后的公司）独特的组织文化。公司拥有约 300 名员工，平均年龄不到 30 岁，采取极度扁平化的管理模式，没有部门、职级、KPI 或 OKR。这种“天才蜂群”式的组织架构依赖于员工的高度自驱力和对“品味”的共同追求。文章指出，Moonshot AI 通过将管理压力转化为招聘筛选，寻找具备跨领域泛化能力的“AI 原生”人才。这种反官僚的组织实验，旨在通过极简的架构实现最高效的智能迭代，但也面临着规模化扩张后的结构性挑战。
2. Software 3.0：神经网络即软件的范式转移
文章探讨了“Software 3.0”的概念，即神经网络将取代传统的手写代码成为软件的核心。作者认为，由于世界的高度动态性和状态空间的复杂性，传统代码已无法有效压缩信息。因此，放弃可解释性，让神经网络通过优化预测来直接映射输入输出，将成为主流。这种范式转移意味着未来的软件将是“不可解释的浮点数集合”，而人类的角色将从编写逻辑转向准备数据和 hill climbing（爬山算法）优化。这一观点挑战了传统软件工程的基石，预示着 AI 驱动的开发模式将彻底重塑软件世界。
来源：software 3.0
3. OpenAI 的“Stagecraft”项目：通过大规模外包训练 AI 替代人类
据报道，OpenAI 正在进行一项名为“Stagecraft”的内部项目，雇佣了 3000 至 4000 名来自各行各业的自由职业者，旨在构建 ChatGPT 的训练材料。这些承包商被要求以“指导同事处理现实任务”的方式创建任务，涵盖了从飞行员到土壤科学家等 400 多种职业。该项目的目标是映射经济相关任务并评估模型能力。许多参与者意识到，他们正在训练 AI 来替代自己的工作。这一报道揭示了 AI 训练背后的真实劳动力结构及其对就业市场的潜在影响。
4. Latent.Space：Claude Code 源码泄露带来的架构启示
Claude Code 源码的意外泄露为开发者提供了一窥顶级编码 Agent 架构的机会。分析显示，其核心在于复杂的编排逻辑、三层内存设计（MEMORY.md、主题文件、会话记录）以及高效的 fork-join 子代理模型。虽然 Anthropic 正在进行 DMCA 下架，但泄露的代码已成为 Agent 架构设计的蓝图。文章指出，Agent 的核心竞争力在于“Harness”（外围基础设施）而非模型本身，包括权限管理、上下文压缩和错误恢复机制。这一事件也提醒开发者注意生产环境中的安全风险。
5. 多代理协作的未来：Thenvoi 平台解析
Hasan Toor 撰文指出，AI Agent 的未来不在于单个模型的提升，而在于模型间的协作。目前大多数 Agent 系统通过脆弱的 API 拼接而成，而 Thenvoi 平台旨在提供一种根源性的解决方案，通过标准化的基础设施实现多代理系统的同步与协作。该平台致力于解决 Agent 间的通信、状态共享和任务编排问题，是构建复杂 Agent 网络的重要尝试。
来源：@hasantoxr