Product
1. MOSS：通过源代码重写实现自主智能体自我进化
MOSS 研究提出，当前智能体进化局限于提示词、技能文件等文本层，无法触及路由、钩子顺序及状态不变性等核心代码逻辑。该系统通过源代码级重写，在生产环境中实现智能体自我进化。每个进化周期锚定生产故障证据，由外部编码智能体 CLI 修改代码，并经由临时试验工作者验证后，通过受控容器交换进行部署。在 OpenClaw 任务中，该方法在单周期内将平均评分从 0.25 提升至 0.61。研究认为，源代码级进化是图灵完备的，是文本可变范围的严格超集，标志着“自我进化”智能体的新基准。
来源：arXiv.org
2. AI 智能体研究周报：代码作为智能体骨架的崛起
本周 AI 领域重点关注智能体架构的演进，特别是将“代码作为骨架（Code as Harness）”视为核心研究对象。研究指出，代码骨架应具备可执行、可检查、有状态和受控四个属性，优于传统的 JSON 调用编排。此外，OpenAI 内部模型成功自主解决了 80 年前的单位距离猜想，标志着 AI 在数学研究中的突破。其他进展包括 MeMo 记忆模型、Meta 的 AIRA 架构搜索系统以及通过弱模型批判循环提升编码性能的方法。这些研究共同表明，智能体系统的进步正从模型规模扩展转向架构与编排层面的创新。
3. Browser Use Terminal：Rust 编写的浏览器代理 TUI
Browser Use Terminal 是一款由 Rust 编写的终端 TUI 工具，旨在通过自然语言控制浏览器完成任务。它结合了自研的 LLM 引擎与 Chrome 的 CDP 协议，支持使用用户登录态的 Chrome、无头浏览器或云端模式运行。该工具允许用户实时观察、干预、停止、重试和恢复任务，并自动记录历史、截图和工件。其设计目标是比现有的 Browser Harness 更快、更便宜，为开发者提供了一个可控的浏览器自动化代理环境。
来源：GitHub
4. AccountyCat：基于上下文的 macOS 专注助手
AccountyCat 是一款 macOS 菜单栏应用，通过读取活跃应用和窗口标题来判断用户是否在专注工作。它仅在文本信息不足时才截图辅助判断，不会强行封锁应用或网站，而是以猫咪消息的方式温和提醒用户。该应用旨在学习用户的专注上下文，而非执行死板的封锁策略，从而区分“必要的 YouTube 教程”与“无意义的刷视频”。这种基于上下文的智能提醒方式，为开发者提供了一种更人性化的专注力管理方案。
来源：GitHub
Tutorial
1. AI 工程从零开始：涵盖数学、模型到多智能体系统
GitHub 项目“ai-engineering-from-scratch”提供了一套完整的 AI 工程课程，包含 20 个阶段、435 节课，耗时约 320 小时。课程涵盖线性代数、Transformer、LLM、智能体及 MCP 服务器构建，强调从底层数学原理出发，通过手写代码构建每一个组件。该课程旨在填补当前 AI 教育中“只教碎片知识”的空白，让学生在完成课程后能够独立构建端到端的 AI 系统。所有内容免费开源，支持 Python、TypeScript、Rust 和 Julia。
来源：GitHub
2. Stanford 讲座：AI 时代的弱点与建模挑战
该讲座探讨了 AI 时代如何更好地建模变化，并提出了“弱链接（Weak links）”论点。讲座指出，在讨论 AI 影响时，应关注系统中的薄弱环节，而非仅仅关注模型能力的提升。通过对复杂系统的建模，可以更准确地预测 AI 带来的结构性变化。该内容对于理解 AI 代理在复杂环境中的表现、识别潜在的系统性风险以及制定更稳健的 AI 部署策略具有重要的理论和实践意义。
来源：@omarsar0
Opinions/Thoughts
1. AI 时代工程团队管理：Anthropic 的实践与反思
Anthropic 的工程负责人 Fiona Fung 分享了在 AI 时代管理工程团队的经验。核心观点包括：当编码成本趋近于零，瓶颈转移至验证、评审和协作；应砍掉陈旧的半年路线图和繁琐流程，转向“即时规划”；代码应成为唯一的“事实来源”；经理必须从一线 IC 做起以保持对技术的敏感度。她强调，AI 时代的技术辩论应从白板画图转向直接对比 Claude 生成的多个 PR。尽管如此，她也坦承在跨平台团队意义、自动化评审边界及角色模糊后的公平感设计上仍面临挑战。
2. Lenny Rachitsky 访谈：AI 时代的工程与 SaaS 预测
Lenny Rachitsky 访谈了 Every 的 CEO Dan Shipper，探讨了 AI 对工程团队和 SaaS 行业的影响。Shipper 预测，未来每个公司都会在 Slack 中拥有一个“超级智能体”，Claude Code 和 Codex 将成为知识工作的操作系统。他认为 AI 不会导致就业末日，反而会使 PM 和设计师更加重要。此外，他看好 SaaS 股票的未来，认为随着用户自带 AI Token，SaaS 产品的经济模型将发生演变。访谈强调了 AI 时代“前线部署工程师”角色的重要性。
来源：WorkOS — Your app, Enterprise Ready.
3. Armin Ronacher：AI 时代开源项目的维护挑战
Armin Ronacher 分享了在开源项目中使用 AI 代理（Pi）的经验。他指出，AI 改变了 Issue 追踪器的角色，Issue 不再仅仅是用户反馈，还被用作 AI 的提示词输入。然而，这也带来了“垃圾 Issue”泛滥的问题，即 95% 由 AI 生成且包含错误诊断的 Issue，这反而增加了维护者的负担。他强调，在 AI 时代，维护者需要建立新的过滤机制，以区分人类的真实反馈与 AI 生成的低质量噪声，并呼吁社区关注如何提升 AI 辅助下的开源协作质量。
4. AI 行业的反思：寻找反题中的投资机会
文章运用黑格尔辩证法（正题-反题-合题）分析了 AI 行业现状。当前 AI 的“正题”是盲目追求规模、速度和中心化，而“反题”则是日益增长的社会不信任、法律挑战及基础设施集成失败。作者认为，真正的市场机会在于构建“反题”解决方案：受限的 AI、去中心化基础设施以及以人为本的工具。AI 的大规模采用将取决于其从“破坏性 disruptor”向“无缝集成 utility”的转变。对于投资者和构建者而言，关注那些解决隐私、控制和安全等结构性问题的项目，才是 contrarian 的投资机会。
来源：Artificial Intelligence Made Simple
5. Dan Shipper：自动化之后的实际工作预测
Dan Shipper 在访谈中分享了关于自动化对工作影响的实用预测。他认为，AI 进步创造了更多人类工作，而非更少。在 Every，他们广泛使用 Claude Code 和 Codex，但并未裁员，而是改变了工作方式。他预测未来工作将发生在 AI 原生环境中，且每个智能体都需要人类监督。他看好 SaaS 股票，认为 AI 时代 SaaS 的经济模型将发生演变。访谈强调了 AI 时代“前线部署工程师”角色的重要性，并对 AI 时代的职业发展给出了务实的建议。
来源：Every
6. Reiner Pope：从底层逻辑门看 AI 芯片设计
MatX CEO Reiner Pope 深入探讨了 AI 芯片的硬件设计原则，从逻辑门到 GPU、TPU 和 FPGA 的架构演进。他强调，数据移动（读写寄存器）在能耗和面积上远比计算本身昂贵。因此，现代 AI 芯片设计核心在于优化计算与通信的比例，例如通过脉动阵列（Systolic Arrays）实现局部数据复用。此外，低精度算术（如 FP4）在面积效率上的二次方缩放优势，使其成为未来 AI 硬件设计的关键方向。该讨论揭示了 AI 硬件性能瓶颈的本质，解释了为何专用 ASIC 优于通用 CPU。
7. AI 基础设施的资本集中：Exa、Modal 与 Turbopuffer
AI 基础设施领域出现资本集中趋势，Turbopuffer 实现盈利，Modal 和 Hark 获得巨额融资。研究趋势正从单智能体系统转向复杂的子智能体编排。OpenAI 的 Codex 正在扩展至跨设备的持久操作工作流。此外，HBM（高带宽内存）在 AI 芯片成本中的占比持续攀升，反映了算力瓶颈的物理本质。开发者工具正围绕检索、流式传输、沙箱和安全边界进行整合，标志着 AI 基础设施正从实验原型向生产级平台演进。
来源：Latent.Space