Product
1. Cursor 推出 Warp Decode：MoE 模型推理速度提升 1.84 倍
Cursor 团队针对 Blackwell GPU 架构重构了 MoE（混合专家模型）的 Token 生成路径，推出了名为“Warp Decode”的新方法。传统 MoE 推理通常围绕专家（Expert）进行并行化，而 Warp Decode 将并行轴翻转，将每个 Warp 分配给单个输出神经元。这一改变不仅在 Blackwell 架构上实现了 1.84 倍的吞吐量提升，还显著提高了输出精度，使其更接近 FP32 参考值。该技术已应用于 Composer 模型的训练与推理流水线，使模型迭代速度大幅加快。此项研究展示了在特定硬件架构下，通过底层内核优化而非单纯堆砌算力，也能实现显著的性能突破。
来源：Cursor
2. MIRIX：开源多智能体个人助理，实现全本地化记忆层
MIRIX 是一款近期在 GitHub 上获得高度关注的开源多智能体个人助理，其核心亮点在于构建了一个完整的本地化记忆层。该系统由六个专门的智能体组成，分别负责情景、语义、程序、知识、资源和核心记忆的维护。MIRIX 通过持续观察屏幕活动，将视觉数据转化为结构化的长期记忆，并支持 PostgreSQL 原生的 BM25 全文检索与向量搜索。该项目强调隐私优先，所有数据均在本地存储，且支持文本、图像、语音等多模态输入。MIRIX 的出现填补了当前 AI 智能体在长期记忆与跨应用上下文理解方面的空白。
来源：GitHub
3. Anthropic 签署数吉瓦级 TPU 算力协议，营收突破 300 亿美元
Anthropic 宣布与 Google 和 Broadcom 达成重大算力协议，将采购数吉瓦（Gigawatt）级别的下一代 TPU 算力，预计于 2027 年上线。此次基础设施扩张旨在支撑 Claude 模型群的持续增长。Anthropic 同时披露其年化营收（Run-rate Revenue）已突破 300 亿美元，较 2025 年底的 90 亿美元实现爆发式增长。此外，其年消费超过 100 万美元的企业客户数量已超过 1000 家。这一巨额算力投入与营收增长，标志着 Anthropic 在前沿 AI 竞争中已进入资本与基础设施密集型的新阶段。
4. Gemini 3.1 Pro 接入 Augment Code，开发效率与成本双优
Google AI Developers 宣布 Gemini 3.1 Pro 正式接入 Augment Code 开发平台。在对比测试中，Gemini 3.1 Pro 在处理复杂代码库变更任务时，表现出优于 Claude Opus 4.6 的结构化推理能力，且成本仅为后者的 38% 左右。该模型在规划、调试和调查等日常开发任务中表现出色，为开发者提供了高性能且更具性价比的选择。此次接入反映了开发工具平台正通过多模型集成策略，平衡推理质量与算力成本，以应对大规模代码库维护的需求。
来源：Frontier AI at half the cost: Gemini 3.1 Pro now available in Augment Code
5. Multica：开源多智能体协作平台，重塑 AI 任务管理
Multica 是一个开源的 AI 原生任务管理平台，旨在将编码智能体转化为真正的团队成员。该平台支持多人与多智能体协作，允许用户分配任务、追踪进度并沉淀智能体技能。Multica 兼容 Claude Code 和 Codex 等主流工具，通过结构化的任务管理界面，解决了智能体在复杂项目中难以协同的问题。开发者通过该平台可以管理人类与智能体组成的混合工作流，实现技能的复用与任务的自动化执行。该项目目前已开源，并提供视频教程展示其在开发自身过程中的应用。
来源：Multica — AI-Native Task Management
6. ClawKeeper：为 OpenClaw 智能体提供多层级安全防护
针对 OpenClaw 智能体在工具调用、文件访问及 Shell 执行中存在的安全漏洞，ClawKeeper 提出了一套实时安全框架。该框架通过技能（Skill）、插件（Plugin）和监视器（Watcher）三个架构层提供保护：技能层在指令级别注入安全策略；插件层负责运行时行为监控；监视器层则进行异常检测。ClawKeeper 旨在解决 OpenClaw 生态中安全措施碎片化的问题，通过提供 holistic（整体性）防护，防止敏感数据泄露与权限提升。该研究已在 arXiv 发布，为 autonomous agent 的安全性提供了重要的参考实现。
来源：arXiv.org
7. Windsurf 更新：引入自适应模型路由与取消 Max 每日限制
Windsurf 开发平台发布重大更新，引入了自适应模型路由（Adaptive Model Router）功能，并重新设计了模型选择器，提供了更透明的定价上下文。此外，Windsurf 宣布取消 Max 订阅用户的每日使用限制，改为周配额制，赋予用户更灵活的调度空间。此次更新旨在解决用户对定价不透明及限制过严的反馈。通过这些调整，Windsurf 试图在保持高性能的同时，提升开发者的使用体验与灵活性，以应对日益激烈的 AI 开发工具市场竞争。
来源：@windsurf
8. Telegram 更新：支持智能体自主创建与管理机器人
Telegram 最新更新引入了多项 AI 功能，其中最引人注目的是允许机器人自主创建和管理其他机器人，无需人工审批。这一功能使得像 Claude Code 或其他智能体能够直接在 Telegram 生态内构建具备复杂功能的机器人，极大地扩展了智能体的自动化边界。此外，Telegram 还内置了由 Cocoon AI 驱动的文本编辑器，支持语法修正、风格重写与翻译。此次更新标志着 Telegram 正加速向 AI 智能体平台转型，为开发者提供了更深度的集成能力。
来源：Telegram
9. MiroEval：面向深度研究智能体的多模态基准测试
MiroEval 是一个专门为深度研究智能体（Deep Research Agents）设计的基准测试框架。现有基准测试多依赖固定评分标准，且缺乏对研究过程的评估。MiroEval 包含 100 个任务（70 个文本，30 个多模态），基于真实用户需求构建，并支持动态更新。该框架从自适应合成质量、研究过程评估等维度对智能体进行综合评价。MiroEval 的推出旨在弥补当前评估体系与真实世界查询复杂度之间的差距，为评估智能体的深度研究能力提供了更科学的工具。
来源：arXiv.org
10. pi-psst：AI 原生密钥管理器，实现智能体无感调用
pi-psst 是一款 AI 原生密钥管理器，旨在解决智能体在调用工具时泄露 API 密钥的问题。该工具将密钥存储在本地加密保险库中，并在运行时将其注入 Bash 工具的环境变量中，确保智能体仅能使用密钥而无法直接“看到”密钥值。pi-psst 支持通过简单的 CLI 命令进行密钥设置与管理，并与 pi 编码智能体深度集成。这一方案有效防止了密钥在上下文窗口、终端历史记录或日志文件中的泄露，为智能体安全调用外部服务提供了可靠的保障。
来源：GitHub
11. X 平台推出 MCP 服务器，简化 API 访问
X 平台发布了官方 MCP（Model Context Protocol）服务器，允许开发者通过 FastMCP 轻松访问 X API。该服务器将 X API 的 OpenAPI 规范暴露为工具，支持本地运行。此举极大地简化了开发者在 AI 智能体中集成 X 平台数据的流程，无需处理复杂的 OAuth 认证细节。对于希望在智能体中集成社交媒体数据进行分析或自动化的开发者而言，这是一个重要的基础设施更新，标志着 X 平台正积极拥抱 AI 智能体生态。
来源：@steipete
12. GitHub 成为 OpenClaw 官方赞助商，强化开源安全
GitHub 宣布成为 OpenClaw 的官方赞助商，并将通过其“安全开源基金”（Secure Open Source Fund）为该项目提供资金、Copilot Pro+ 订阅及安全专家指导。OpenClaw 作为增长最快的开源项目之一，其安全性对于整个 AI 软件供应链至关重要。GitHub 此举旨在通过资金支持与技术赋能，确保 OpenClaw 能够持续构建、保持安全并实现规模化。这一合作体现了 GitHub 在 AI 时代对关键开源基础设施的重视，以及通过资金激励来强化开源安全生态的战略意图。
来源：GitHub
Tutorial
1. Libghostty 现已支持 Kitty 图形协议，实现终端内渲染
Libghostty 现已完全暴露 Kitty 图形协议，成为首个支持该协议的嵌入式终端库。开发者仅需少量代码即可在 Libghostty 中实现 Kitty 图形渲染器。该实现不仅支持 Unicode 占位符，还兼容 tmux 环境，提供了极高的兼容性与性能。作者通过 Ghostling 演示项目展示了如何用约 270 行代码实现一个完整的图形渲染器。这一更新使得任何嵌入 Libghostty 的应用都能轻松获得强大的终端图形显示能力，极大地扩展了终端应用的交互边界。
来源：GitHub
2. 告别手动导出：利用 CLI 工具高效管理文档与代码上下文
开发者 Ben Holmes 建议停止手动将 Google Docs 导出为 Markdown 或将电子表格导出为 CSV 的低效做法。他推荐使用 GWorkspace 和 Obsidian CLI 工具，直接将文档与数据源接入 Claude Code 或 Codex 等智能体。这种方法不仅节省了大量上下文切换时间，还确保了 AI 能够获取实时、准确的文档信息。通过自动化上下文获取，开发者可以更专注于核心逻辑的构建，而非繁琐的数据准备工作。该教程展示了如何通过 CLI 工具构建更高效的 AI 开发工作流。
来源：@BHolmesDev
3. Claude Cowork 最佳实践：构建“审批路由器”工作流
针对 Claude Cowork 使用中常见的“沦为清理层”问题，本文建议实施“审批路由器”工作流。通过将任务划分为检查（Inspect）、草拟（Draft）、打包（Package）和执行（Act）四个阶段，用户可以建立清晰的边界，在保持 AI 高效执行的同时，保留对高风险操作的控制权。文章强调，不要给予 AI 对整个机器的广泛访问权限，而应从单一、受控的工作文件夹开始。通过结构化的目录管理与明确的指令，用户可以避免 AI 带来的混乱，实现安全、可控的智能体协作。
4. 斯坦福大学发布 Transformer 与 LLM 学习速查表
斯坦福大学发布了 CME 295 课程的 Transformer 与 LLM 学习速查表（Cheatsheet），涵盖了从自注意力机制、Flash Attention、LoRA、SFT、MoE 到 RAG、智能体及 LLM-as-a-judge 等核心概念。该资源旨在为开发者提供一个全面、结构化的知识框架，帮助其快速掌握大模型领域的关键技术。速查表完全开源，并提供多种语言版本。对于希望系统性梳理大模型技术栈的开发者而言，这是一份极具参考价值的权威指南。
来源：GitHub
5. Claude Code 模式：工具编排与执行层解析
本文详细解析了 Claude Code 的工具编排层（Tool Orchestration Layer），该层负责管理 AI 模型生成的工具调用。系统根据并发安全性将工具请求划分为并行或串行批次，并使用异步生成器模式管理上下文传播。为了确保系统稳定性，并发执行限制为 10 个。此外，StreamingToolExecutor 允许工具在解析后立即执行，从而降低延迟并提升 UI 响应速度。该架构展示了如何构建稳健的 AI 智能体，在保证安全性的同时实现高效的工具执行。
来源：@windsurf
6. 拆解 Coding Agent 的六大核心
这篇文章围绕“coding agent / coding harness”展开，重点强调：真正让 Claude Code**、**Codex 这类工具好用的，不只是强模型，而是包在模型外面的那层 harness 设计——工具调用、上下文管理、记忆与多轮控制循环等。他用自己的 Mini Coding Agent 代码为例，把 coding agent 拆成六个关键组件：1）Live Repo Context 2）Prompt Shape & Cache Reuse 3）Tool Access & Use（结构化工具调用与校验）4）Minimizing Context Bloat（抗 context 膨胀）5）Structured Session Memory（结构化会话记忆）6）Delegation with (Bounded) Subagents（有边界的子代理委托）
来源：@Ahead of AI
Opinions/Thoughts
1. Garry Tan：如何构建一个超越人类的 AI 参谋长
Garry Tan 分享了其基于 OpenClaw 构建的 AI 参谋长“Stella”的系统架构。该系统通过双层记忆架构（每日原始日志与长期 curated 记忆）解决了智能体“失忆”问题。Stella 能够处理会议准备、任务追踪、关系管理及信息过滤，并具备 Kaizen（持续改进）循环，每周自动研究社区模式并优化自身配置。Garry Tan 强调，确定性工作（如 API 调用、文件读取）应由 Python 脚本处理，而推理与判断则交给 LLM。这种架构分离确保了系统的可靠性与可维护性，使其成为真正的高杠杆支持工具。
来源：How I built a chief of staff on OpenClaw that’s better than any human I’ve hired