Product
1. Claude Code 硬件监工：墨水屏物理交互
开发者归藏利用 M5Paper 墨水屏开发板，为 Claude Code 打造了一款物理状态监工设备。该设备通过蓝牙连接电脑，支持多会话状态监控、触屏切换以及物理按键审批操作。相比官方的桌面插件，该方案解决了终端审批繁琐、离开电脑无法操作的痛点，并利用物理按键增强了高风险操作的仪式感。此项目展示了 AI 时代个人开发者利用模块化硬件与 AI 辅助开发，快速实现物理世界交互触点的潜力。
2. Autogenesis：自进化代理协议
arXiv 论文《Autogenesis》提出了一种自进化代理协议（AGP），旨在解决现有代理协议（如 A2A、MCP）在跨实体生命周期管理和版本追踪上的不足。该协议通过资源基质协议层（RSPL）将提示、代理、工具、环境和记忆建模为版本化资源，并利用自进化协议层（SEPL）实现改进的提出、评估与提交闭环。这一架构为构建能够动态实例化、检索并自我优化的多代理系统提供了理论基础。
来源：arXiv.org
3. ML-Master 2.0：长周期科研代理
研究团队推出的 ML-Master 2.0 在 MLE-Bench 上表现优异，核心在于引入了“分层认知缓存（HCC）”架构。该架构通过短、中、长期记忆分层，解决了长周期科研代理在跨实验周期中难以保持战略连贯性的问题。研究指出，长周期代理的瓶颈不在于推理能力，而在于状态管理。通过将上下文管理重构为认知积累过程，代理能够有效避免重复错误并实现迭代修正。
来源：arXiv.org
4. Firecrawl 开源 Web Agent
Firecrawl 开源了其 Web Agent 框架，该框架基于 LangChain 的 Deep Agents 构建，旨在从网络获取结构化数据。它为开发者提供了构建 Deep Research、价格监控或媒体内容生成产品的开源基础。该 Agent 结合了网页抓取 API 与 AI 模型，支持结构化输出和并行子代理，开发者可以根据需求替换模型、添加技能并进行部署。
来源：GitHub
5. LinkedIn MixLM：10 倍速 LLM 排序系统
LinkedIn 推出的 MixLM 排序系统，通过将长文本描述压缩为预计算的“软嵌入”Token，解决了 LLM 在搜索排序中的延迟瓶颈。该系统采用编码器-排序器架构，实现了 10 倍的吞吐量提升，并显著改善了用户活跃度。MixLM 的成功证明了通过潜空间压缩将文档“阅读”与“排序”解耦，是实现高吞吐量 AI 搜索系统的有效路径。
6. 本周 AI 论文精选（4.13-4.19）
本周 AI 论文精选汇总了十篇重要研究，涵盖了自主科研代理、代理评估基准、记忆迁移学习及 AI 安全风险等领域。重点包括 Anthropic 的自动化对齐研究、AiScientist 的“文件即总线”架构、AlphaEval 生产导向基准、NVIDIA 的 Nemotron 3 Super 模型、以及关于“潜意识学习”的风险研究。这些研究共同指向了 AI 代理系统向自主化、生产化及安全可控方向发展的趋势。
Tutorial
1. 代理技能构建与优化实战
Elvis 分享了构建和优化代理技能的实战经验，强调了技能结构化设计的重要性。通过将提示词与工件模板作为资源连接，并利用 Chart.js 等工具生成可视化输出，可以显著提升代理的分析能力。该分享涵盖了从技能开发到调优的全过程，旨在帮助开发者构建更高效、更具洞察力的代理系统，并预告了相关的实战教学活动。
来源：Building & Optimizing Agents Skills
2. AI 原生初创公司的工程实践
旧金山 AI 原生初创公司 Weave 通过重构工程工作流，实现了 75% 的代码由 AI 生成。团队强调深度系统理解而非单纯的“氛围编程”，并采取了轻量级规划、可选的人工代码审查以及内部工具优先的策略。这种模式展示了 AI 如何从辅助工具转变为开发生命周期的核心，挑战了传统软件开发规范，为小型高速度团队提供了竞争蓝图。
3. 基于 Multica 与 Impeccable 的工作流
Pseudoyu 分享了其基于 Multica 和 Impeccable 的开发与设计工作流。Multica 通过命令行连接本地 Runtime，实现了 AI 员工的协作与知识共享；Impeccable 则通过将 UI 设计拆解为步骤，显著提升了 Web3Insight 项目的设计效率。该实践展示了如何通过克制的工具组合，构建出高效、可扩展的 AI 协作形态。
来源：周报 #107 - 基于 Multica 与 Impeccable 的开发/设计工作流
Opinions/Thoughts
1. AI 生产力架构：薄外壳与厚技能
Garry Tan 提出的“薄外壳（Thin Harness）、厚技能（Fat Skills）”架构，揭示了 AI 代理生产力差异的本质。模型本身并非瓶颈，关键在于如何通过结构化设计管理上下文与执行逻辑。该架构将判断与模式识别置于“潜空间”，将 SQL、编译代码等确定性任务置于“确定性空间”，并通过“技能文件”实现可复用的流程封装。这种设计不仅提升了执行效率，还使系统具备了随模型迭代而自动进化的能力，实现了生产力的复利增长。
2. 裸模型与穿衣模型：AI 架构之争
本文探讨了 AI 架构中“裸模型”与“穿衣模型”的区别。裸模型指未经架构封装的原始 LLM，容易产生幻觉和不可靠输出；而穿衣模型则是通过 harness、resolver 和确定性工具封装后的系统。作者认为，模型的不稳定性是工程问题而非哲学问题，通过将智能置于技能层、执行置于确定性代码层，可以构建出可靠的 AI 系统。这一观点反驳了将 LLM 视为单纯“胡言乱语机器”的悲观论调。
来源：Imagine if naked people were stupider. It turns out, naked models actually are.
3. Claude Opus 4.7：Token 成本与性能分析
Simon Willison 的测试显示，Claude Opus 4.7 采用了新的分词器，导致相同文本的 Token 消耗量比 4.6 版本增加了约 46%，图像处理 Token 消耗量更是高达 3 倍。尽管单价未变，但由于 Token 膨胀，实际使用成本预计将上涨约 40%。这一变化提醒开发者在评估新模型时，需关注分词器更新对成本和上下文窗口利用率的实际影响。
4. Google DeepMind：AI 代理投毒框架
Google DeepMind 的论文《AI Agent Traps》系统梳理了针对 AI 代理的六大类攻击方式，包括内容注入、语义操控、认知状态陷阱、行为控制、系统性陷阱及人在回路陷阱。研究指出，攻击者无需破解模型本身，只需篡改环境即可劫持代理。论文强调了代理与人类在感知上的“鸿沟”，并提出了包括训练阶段对抗增强、推理阶段运行时防御及生态层面干预在内的多层防御框架。
来源：Google Deepmind论文解读：如何给AI Agent 投毒
5. Vercel 安全事件通报
Vercel 披露了一起安全事件，起因是一名员工使用的第三方 AI 工具 Context.ai 被入侵，导致攻击者获取了该员工的 Google Workspace 权限，进而访问了 Vercel 内部系统。Vercel 已采取保护措施并建议受影响客户轮换凭证。此事件凸显了 AI 工具在企业供应链中的安全风险，提醒开发者在集成第三方 AI 服务时需严格审查权限。
来源：Vercel April 2026 security incident | Vercel Knowledge Base
6. 产品经理的职业危机与重塑
Nikhyl Singhal 在 Lenny’s Podcast 中指出，未来两年将是产品经理职业史上最混乱的时期，约 50% 的 PM 面临被 AI 替代的风险。他认为，传统的“名企光环”已不再重要，PM 必须跨越“重塑门槛”，掌握 AI 优先的技能。他预测企业将进行大规模裁员并转向 AI 优先的招聘模式，PM 需要在 AI 工具中寻找“快乐时刻”以保持竞争力。