Product
1. Claude Platform 正式登陆 AWS，支持托管 Agent 与企业级集成
Anthropic 宣布 Claude Platform 现已在 AWS 上全面可用，企业客户可直接通过 AWS 身份验证、计费及合规框架访问 Claude 的全套功能。此次集成不仅支持 Claude Managed Agents，还涵盖了代码执行、技能扩展及 Advisor 策略等高级工具。所有新功能与 Beta 测试版将与原生 Claude API 同步上线，旨在简化企业级 AI 部署流程。通过 AWS IAM 和 CloudTrail，企业能够保持现有的安全审计与权限管理标准。此举标志着 Claude 在企业级 AI 基础设施领域的进一步渗透，为大规模部署 Agent 提供了更稳健的路径。
来源：Claude
2. Claude Code 引入 Agent View，实现多会话并行管理
Claude Code 推出 Agent View 功能，旨在解决开发者在并行运行多个 Agent 时面临的终端管理混乱问题。用户现在可以在一个统一界面中查看所有会话的状态，包括是否需要人工干预、任务进度及最后响应。该功能支持在不离开当前上下文的情况下进行“窥视”与回复，并允许通过 /bg 命令将任务转入后台。此更新显著提升了开发者同时管理多个 Agent 任务的效率，标志着 Claude Code 从单任务工具向多任务调度中心的演进。
来源：Manage multiple agents with agent view - Claude Code Docs
3. Cursor 集成 Microsoft Teams，实现协作式 Agent 任务委派
Cursor 现已正式集成至 Microsoft Teams，用户可通过在频道中 @Cursor 直接委派任务或提取代码库信息。该集成会自动根据提示词和上下文选择合适的代码库与模型，并在执行任务后自动生成 PR 供团队评审。Cursor 会在实施方案前读取整个对话线程，确保 Agent 具备充分的上下文理解。此举旨在将 AI 编程能力直接嵌入企业协作流中，减少在 IDE 与沟通工具之间的切换成本，提升团队协作效率。
来源：Cursor
4. Hermes Agent：支持任意模型的后台计算机使用功能
Nous Research 推出的 Hermes Agent 现已支持 macOS 后台计算机使用功能。与 Anthropic 的原生方案不同，该功能通过
cua-driver驱动，允许任何具备工具调用能力的模型（如 Claude、GPT、Gemini 或本地 vLLM 模型）在后台控制桌面，而不会干扰用户的鼠标、键盘焦点或切换 Spaces。该驱动利用 macOS 私有 SPI 实现事件合成，确保了在窗口被遮挡时仍能保持 Chromium/Electron 的可访问性树。这一开源方案为开发者提供了更灵活的 Agent 桌面自动化选择。
来源：Computer Use (macOS) | Hermes Agent
5. OpenAI 发布 Daybreak 安全平台，强化代码库防御能力
OpenAI 推出了名为“Daybreak”的全新网络安全产品，该平台结合了 GPT-5.5 模型与 Codex 代码分析能力，旨在构建自动化安全防御体系。Daybreak 能够扫描代码库、识别漏洞、自动生成补丁并执行检测与响应。平台提供三个访问层级，包括针对防御性安全操作的“Trusted Access for Cyber”和针对进攻性工作的“GPT-5.5-Cyber”。此外，Daybreak 还能基于代码库构建威胁模型，模拟攻击路径。该产品已获得 Cloudflare、Cisco 等八家安全巨头的支持。
Tutorial
1. MDXG：Markdown 交互体验规范，提升文档可读性
MDXG（Markdown Experience Guidelines）是一项旨在提升 Markdown 文档交互体验的规范。针对当前 Markdown 文档在长篇幅下缺乏导航和结构的问题，MDXG 定义了虚拟页面、导航、搜索和主题化等交互标准。该规范不改变 Markdown 语法，而是作用于呈现层，使得任何现有的 .md 文件都能通过实现 MDXG 的接口获得多页面导航体验。MDXG 旨在解决 AI 生成的长文档难以阅读的痛点，为编辑器、文档平台和 AI 界面提供统一的交互参考。
来源：MDXG
2. Simon Willison：利用 Shebang 行实现 LLM 脚本化执行
Simon Willison 分享了如何在其 LLM CLI 工具中使用 Shebang 行（#!/usr/bin/env -S llm -f）来编写可执行脚本。这种方法允许用户直接将自然语言提示词作为脚本内容，甚至通过 YAML 模板构建复杂的自动化任务。通过 -S 参数，用户可以将参数传递给 LLM，并利用 -x 选项提取响应中的代码块。这一技巧极大地简化了将 LLM 集成到 shell 工作流中的过程，使得编写“自然语言脚本”成为可能，为自动化任务提供了极高的灵活性。
来源：Using LLM in the shebang line of a script
3. AI with Eric：Pi AI Agent 与 DeepSeek V4 Flash 的本地部署教程
本教程详细介绍了如何设置和使用 Mario Zechner 开发的 Pi AI Agent，并结合本地运行的 DeepSeek V4 Flash 模型。内容涵盖了安装配置、本地模型连接、自定义插件创建以及构建一个简单的游戏。通过该教程，开发者可以学习如何将 Pi Agent 与高性能本地模型结合，实现完全离线的 AI 编程辅助。这对于追求隐私保护和低延迟的开发者而言，是一份极具参考价值的本地化部署指南。
4. Thariq：Claude Code Agent View 的高效管理技巧
Thariq 建议在包含所有代码库的高层目录（如
~/Projects）中启动claude agents，以便统一管理所有会话。Agent View 能够自动追踪哪些会话需要人工输入，并提供便捷的恢复机制，让开发者能够轻松从上次中断的地方继续工作。作为 Agent View 的开发者之一，他强调该功能是 Claude Code 原生管理多会话的最佳方式，类似于为 Claude Code 量身定制的 tmux，旨在帮助开发者在并行处理多个任务时保持高效。
来源：@trq212
Opinions/Thoughts
1. 澄清时机对长程 Agent 的影响：并非越早越好
一项针对长程 Agent 的研究表明，关于“澄清越早越好”的直觉在很大程度上是错误的。研究发现，目标澄清在执行过程的 10% 之后几乎失去所有价值，而输入澄清则在 50% 左右仍有价值。研究通过强制注入框架在不同阶段提供地面真值澄清，发现超过中点后进行任何澄清的效果反而不如不澄清。该研究量化了澄清的需求曲线，并指出当前 frontier 模型在澄清时机上普遍存在过度询问或从不询问的问题。这为优化 Agent 的交互策略提供了关键的量化依据。
来源：arXiv.org
2. Garry Tan：构建“神经系统”而非“聊天窗口”的个人 AI
Garry Tan 分享了其构建个人 AI 系统的经验，强调 AI 不应仅被视为聊天窗口，而应作为操作系统。他通过“技能化（Skillify）”将重复性工作转化为可复用的技能，并构建了一个包含 10 万页知识库的“大脑”。该系统通过 OpenClaw 路由，调用不同模型处理特定任务，实现了从会议准备到书籍映射的全自动化。他认为，未来的竞争优势在于构建能够自我进化的“神经系统”，而非依赖单一模型。通过开源 GBrain 和 OpenClaw，他鼓励开发者通过构建 compounding 系统来提升个人生产力。
来源：Meta-Meta-Prompting: The Secret to Making AI Agents Work
3. Codex 的野心：从 Agent 调度到插件生态的进化
Codex 等 Agent 应用正收敛于“左侧列表、中间对话、右侧工作区”的三栏布局，这不仅是界面进化，更是 Agent 闭环工作的必然要求。Codex 的野心在于实现“几乎任何任务”的自动化，但目前仍缺乏二次编辑能力。作者认为，MCP 和 Skill 仅解决了连接与执行问题，而“插件机制”才是补全 Agent 能力拼图的关键。通过构建类似 App Store 的插件生态，Codex 可以将文件预览、专业编辑等功能外包给社区，同时解决 Skill 难以商业化的痛点。这为中小团队提供了在 Agent 平台上做垂直插件的红利窗口。
来源：@dotey