Product
1. Models.dev 更新：开源 AI 模型数据库，支持多维度筛选
Models.dev 网站完成重大更新，提供了一个全面且开源的 AI 模型数据库。新版界面支持按模型实验室、提供商及更新时间进行排序，并详细列出了各模型的上下文窗口、输入输出限制、推理能力及价格信息。该数据库涵盖了从 NVIDIA Nemotron 到 OpenAI GPT-5.5 等主流模型，为开发者对比不同模型的规格提供了极佳的参考工具。通过这种结构化的数据展示，用户可以更直观地评估不同模型在特定任务中的适用性，是 AI 选型的重要辅助资源。
来源：Models.dev — An open-source database of AI models
2. Spectrum：将 AI 代理接入主流即时通讯平台的开源框架
Spectrum 是一个开源框架，旨在将 AI 代理无缝接入 iMessage、WhatsApp、Telegram、Slack 和 Discord 等用户日常使用的通讯平台。通过该框架，开发者可以轻松构建跨渠道的代理应用，实现消息的实时处理与响应。Spectrum 提供了统一的接口，支持文本和附件的交互，并允许代理在不同平台间保持一致的逻辑。这一工具极大地降低了将 AI 代理带入用户生活场景的门槛，是实现“代理无处不在”愿景的重要基础设施。
来源：Spectrum by Photon | Bring your agents to iMessage, WhatsApp, Telegram, Slack, and beyond
3. DeepChat：统一模型与代理的开源桌面平台
DeepChat 是一个功能强大的开源 AI 代理平台，旨在统一多模型聊天、MCP 工具调用、技能（Skills）及 ACP 代理集成。该平台支持 OpenAI、Gemini、Anthropic 等主流 API，并允许用户在本地运行 Ollama 模型。DeepChat 的核心优势在于其对代理工作流的深度支持，包括通过 ACP 协议将代理作为一等公民运行，以及通过远程控制功能在不同设备间管理代理。对于寻求一站式 AI 代理开发与运行环境的开发者，DeepChat 提供了一个高度可定制且易于上手的解决方案。
来源：GitHub
4. WWDC 2026：Siri AI 与 Apple Intelligence 全面升级
苹果在 WWDC 2026 上发布了由 Apple Intelligence 和 Gemini 模型驱动的全新 Siri AI。新版 Siri 支持对话式交互、屏幕理解及跨应用操作，并将在今年晚些时候推出 Beta 版。尽管功能强大，但 Siri AI 初期将不会在欧盟地区提供。此次更新标志着苹果正式将 AI 深度集成到其操作系统中，旨在通过更自然的交互和更强的上下文感知能力，重塑用户与设备的交互方式。
Tutorial
1. Claude Code 深度实战指南：从入门到自动化编排
Claude Code 官方文档往往只罗列功能，而这份名为“Claude How To”的开源指南通过结构化的视觉教程，填补了从基础命令到复杂代理编排的认知空白。该指南涵盖了斜杠命令、内存管理、钩子（Hooks）、MCP 服务器及子代理等核心概念，并提供可直接复制的生产级模板。它不仅是功能参考，更是一套完整的学习路径，旨在帮助开发者避免在碎片化学习中浪费时间。通过 Mermaid 图表和实战案例，它展示了如何构建自动化的代码审查流水线。对于希望将 Claude Code 从简单的聊天工具升级为生产力引擎的开发者而言，这是一份极具价值的实操手册。
来源：GitHub
Opinions/Thoughts
1. Anthropic 研究：为何 AI 在生物学领域的代理化进程滞后？
Anthropic 的最新研究指出，AI 在生物学领域的代理化进展远慢于编程领域，核心原因在于生物数据基础设施的“非代理友好性”。生物数据库如同未规划汽车交通的古老城市，充斥着碎片化的格式和离散的检索脚本，导致 AI 难以高效导航。研究团队通过对比实验发现，仅靠模型能力无法保证高准确率，但引入确定性检索层（如 gget virus）后，准确率可提升至近 100%。这一发现强调了在 AI 代理时代，构建确定性基础设施对于提升工作流可靠性的关键作用。未来，生物数据库的设计必须将 AI 代理作为核心用户进行考量。
来源：Paving the way for agents in biology
2. Agentopia：多代理社会的长周期生命模拟研究
Agentopia 是一个旨在研究多代理社会长期演化的研究框架，通过模拟 100 个代理在长达 10 个模拟年的时间跨度内的互动，探索社会行为的涌现。与以往仅关注单任务得分的评估不同，该研究重点在于代理如何通过长期的社会生活学习并发展出类人智能。研究发现，长周期的模拟对于理解代理的社会化成长至关重要。该框架为研究多代理动态、社会行为漂移以及如何通过模拟社会经验提升 LLM 的社会智能提供了宝贵的实验平台。
来源：arXiv.org
3. 样本效率黑洞：AI 进步背后的数据代价
文章指出，当前 AI 的进步主要依赖于海量数据消费和强化学习（RL），而非样本效率的根本性提升。人类在极低样本下即可习得通用智能，而 AI 模型则需要数万亿 token 的训练。这种“样本效率黑洞”导致 AI 开发极度依赖资本和数据采集。虽然 AI 的低效率可以通过大规模会话进行摊销，但这种 brute-force 的路径挑战了 AI 将自然演化为人类式学习的假设。随着数据蒸馏和专家标注成为竞争壁垒，理解这一黑洞对于评估 AI 扩展极限至关重要。
4. AI 模型基准测试：Opus 与 GPT-5.5 的性能表现
Theo 对最新的 AI 模型基准测试结果表示担忧，指出 Opus 和 GPT-5.5 等模型在不同规模下的表现存在显著差异，且可重复性存疑。测试显示，Opus Low 甚至优于 Medium，而 GPT-5.5 Medium 表现最为突出。这种不一致性暗示了当前模型评估可能存在偏差，或者模型在不同任务上的表现极其敏感。作者呼吁分享更多运行数据，以提高基准测试的透明度与可信度。
来源：@theo