Product
1. 小米发布 MiMo-V2.5 系列开源模型
小米正式发布了 MiMo-V2.5 和 MiMo-V2.5-Pro 两款开源模型。其中，MiMo-V2.5-Pro 被定位为小米目前最强的模型版本；而 MiMo-V2.5 则主打原生全模态能力，并具备强大的智能体执行特性。此次发布进一步丰富了开源模型生态，为开发者提供了更多高性能的选择，特别是在全模态交互和智能体应用场景下具有显著潜力。
来源：Redirecting… | Xiaomi MiMo-V2.5-Pro
2. VS Code 1.117 发布，支持自带 API Key
VS Code 1.117 版本正式发布，面向 Copilot Free、Pro、Business 及 Enterprise 用户全面开放“自带 API Key”（BYOK）功能。开发者现在可以直接在 VS Code Chat 中配置偏好的模型提供商（如 OpenRouter 或本地运行的 LM Studio），从而在合规性、性能或成本控制上获得更大灵活性。此外，该版本还改进了聊天渲染性能及终端 Copilot CLI 的集成体验。
3. OpenAI 发布 ChatGPT 工作区智能体
OpenAI 正式推出 ChatGPT 工作区智能体（Workspace Agents），旨在处理跨工具、跨团队的复杂任务与长周期工作流。该功能允许企业用户通过描述逻辑和规则，构建能够自动执行任务的智能体，如自动筛选销售线索、汇总客服工单或定期生成报告。智能体支持连接 Slack、Gmail、Google Drive、Salesforce 等主流协作工具，不仅能读取信息，还能直接进行操作。目前该功能以研究预览版形式向 ChatGPT Business、Enterprise 及 Edu 计划用户开放，标志着 OpenAI 在企业自动化领域与微软 Copilot 及各类 RPA 工具展开正面竞争。
来源：@OpenAI
4. Google 开源 DESIGN.md 规范
Google Labs 开源了 DESIGN.md 的草案规范，旨在为 AI 智能体提供一种跨工具、跨平台的通用设计语言。通过 DESIGN.md，智能体可以理解设计系统的意图，并根据品牌规范生成 UI，同时自动验证 WCAG 可访问性规则。该规范允许设计师在不同项目中无缝迁移设计规则，避免重复劳动，是 AI 辅助设计领域标准化进程的重要一步。
来源：Google
5. Claude Code 2.1.118 功能更新详解
Claude Code 2.1.118 版本带来了多项功能增强与修复。新增功能包括 Vim 视觉模式（v/V）、DISABLE_UPDATES 环境变量以完全禁用更新、自动模式 opt-in 提示的“不再询问”选项，以及插件版本验证标签。修复方面，重点解决了 MCP OAuth 认证、macOS 钥匙串竞争、文件监视器错误及插件安装依赖冲突等问题。此外，该版本还合并了 /cost 和 /stats 命令，并增强了钩子（Hooks）调用 MCP 工具的能力。
Tutorial
1. Skillify：将智能体错误转化为永久结构化修复
作者提出了一种名为“Skillify”的实践，旨在解决 AI 智能体重复犯错的问题。核心逻辑是将每一次失败转化为一个永久的结构化修复：一个包含测试的“技能”（Skill）。该流程包含 10 个步骤，从编写 SKILL.md 合约、确定性代码、单元测试到集成测试、LLM 评估及 resolver 触发器配置。通过这种方式，智能体不仅能修复当前错误，还能通过测试套件防止错误再次发生。作者强调，智能体的可靠性不应依赖于 prompt 调整，而应通过构建可测试的确定性基础设施来实现。
来源：How to really stop your agents from making the same mistakes
2. Vercel：AGENTS.md 优于技能定义
Vercel 的研究发现，在 Next.js 16 API 评估中，将压缩后的 8KB 文档索引直接嵌入 AGENTS.md 比使用传统的“技能”（Skills）定义效果更好。技能定义在没有明确指令的情况下表现平平，而 AGENTS.md 索引实现了 100% 的通过率。这一发现表明，对于编码智能体而言，提供版本匹配的文档索引比封装复杂的技能工具更有效，为智能体知识管理提供了新的思路。
来源：Vercel
3. Claude：构建连接生产系统的智能体
文章分析了连接智能体与外部系统的三种路径：直接 API 调用、CLI 和 MCP（Model Context Protocol）。作者指出，直接 API 调用在小规模场景下可行，但在大规模下会导致 M×N 的集成问题；CLI 虽有优势，但缺乏通用层。MCP 成为生产级智能体的首选，因为它提供了一个标准化的连接层。文章还分享了构建 MCP 服务器、上下文高效客户端以及将 MCP 与技能（Skills）结合的模式，为生产级智能体集成提供了架构指南。
来源：Claude
4. Claude Design：AI 设计工具的潜力与局限
Claude Design 是一款利用 Opus 4.7 视觉模型生成网站、幻灯片和动画的 AI 工具。文章指出，其通过上传 DESIGN.md 文件应用品牌规范的能力，对传统设计软件（如 Figma）构成了竞争威胁。作者分享了利用“Cowork”提取品牌资产并结合 Claude Design 进行设计的 workflow，并强调了人类“品味”在 AI 时代作为核心差异化因素的重要性。尽管该工具在快速原型设计上表现出色，但目前仍处于研究预览阶段，存在 bug 且 token 消耗巨大。
来源：How to AI
Opinions/Thoughts
1. 定义持续学习（Continual Learning）
文章探讨了 LLM 持续学习的原则性定义，提出了五个核心需求：保持通用性能、处理顺序学习、适应不同数据分布、数据效率以及技能的组合性。作者对比了参数化学习（修改权重）与 harness 记忆（上下文学习）的优劣，认为虽然 harness 记忆在灵活性上有优势，但参数化学习在扩展智能密度和自动组合知识方面具有更大的潜力。文章还提出了关于 scaffold 训练、知识覆盖及数据效率的开放性问题，为后续的持续学习研究奠定了理论基础。
来源：Defining Continual Learning
2. 多智能体系统：什么在真正起作用？
文章总结了多智能体系统在实践中的有效模式。作者指出，虽然“并行智能体群”在很多场景下表现不佳，但“单线程写入、多智能体贡献智能”的模式在生产中非常有效。文章重点介绍了两个实验：一是“代码审查循环”，通过让 coding 智能体与 review 智能体在不同上下文下迭代，显著提升了 bug 检测率；二是“智能朋友”模式，通过让较小的模型在遇到困难时调用更强大的模型，实现了性能与成本的平衡。作者强调，多智能体系统的核心挑战在于上下文工程与通信桥接，而非简单的并行执行。
来源：Multi-Agents: What’s Actually Working
3. Chamath Palihapitiya 2025 年度信
Chamath Palihapitiya 在 2025 年度信中分享了对 AI 市场、地缘政治及投资策略的深度思考。他指出，AI 正在重塑全球经济，而物理基础设施是 AI 发展的最大瓶颈。他认为，反垄断与赢得 AI 竞赛可能存在冲突，且市场正在从 P/E 估值转向关注自由现金流。信中还讨论了 AI 带来的终端价值风险，以及在 AI 不确定性时代构建“不可剥削”投资组合的重要性。
4. Shopify 的 AI 转型：2026 使用量爆发
Shopify CTO Mikhail Parakhin 在访谈中分享了 Shopify 如何通过 AI 实现“相变式”的内部转型。公司已实现近乎全员的 AI 采用，并从简单的工具使用转向构建内部基础设施（如 Tangle、Tangent、SimGym）以实现研究、实验和客户行为模拟的自动化。Shopify 正在积极使用 Liquid AI（一种非 Transformer 架构）处理低延迟搜索和大规模目录工作负载。Parakhin 强调，AI 编码的瓶颈已从生成转向 PR 审查和 CI/CD 稳定性，并呼吁建立高质量的自动化批判循环。
来源：Latent.Space