Product
1. Skills.sh 平台技能数突破 70 万
Skills.sh 作为一个 AI 智能体技能发现与安装平台，其社区驱动的生态系统已拥有超过 70 万个技能。该平台不仅涵盖了前端设计、Azure 云管理、代码架构优化等多种实用工具，还展示了微软、Vercel 等大厂在智能体生态中的布局。这一数据反映了 AI 智能体开发正从单一模型调用转向模块化、可复用的技能生态模式。
来源：Skills
2. Headroom：通过上下文压缩降低 AI 智能体 Token 消耗
Headroom 是一款旨在减少 AI 智能体冗余 Token 消耗的工具，由 Netflix 工程师 Tejas Chopra 开发。该工具通过压缩智能体读取的工具输出、日志、RAG 块及对话历史，声称在保持回答质量的前提下可减少 60%-95% 的 Token 使用量。它支持 Python/TypeScript 库、本地代理及 MCP 服务器，并可作为 Claude Code、Cursor 等主流工具的包装器。对于受困于高昂 Token 成本或长上下文处理效率的开发者，该工具提供了直接的优化路径。
来源：@hasantoxr
3. Adaline 2.0：面向生产环境的智能体运维与自动优化平台
Adaline 2.0 旨在解决智能体上线后的运维难题。该平台通过全量记录推理与工具调用链路，生成行为地图，并从真实轨迹中自动生成测试用例与合成数据。它通过自动迭代候选智能体，实现“运维即自动化工程”。对于大规模部署智能体的企业而言，这种数据驱动的自我改进层是确保系统稳定性和持续优化的关键基础设施。
来源：adaline.ai
Tutorial
1. 如何通过挖掘智能体历史会话优化目标设定
作者分享了优化智能体目标设定（/goal）的实践经验。他建议通过挖掘表现良好的历史会话，将成功的经验总结为自动化技能，从而在后续运行中设置更强、更可靠的目标。同时，作者提醒需警惕 LLM 在执行目标时的奖励黑客行为或急于完成任务的偏见。这种“元学习”工作流不仅能提升智能体的执行质量，也是构建自我改进系统的核心环节。
来源：@omarsar0
2. 2026 年 6 月本地 LLM 硬件配置指南
作者提供了针对不同需求的本地 LLM 硬件配置建议。对于 1000-1500 美元的预算，推荐使用二手 RTX 3090 (24GB) 作为核心。针对不同内存容量，推荐了相应的模型：16GB 内存适合 Gemma 4-12B，32GB 内存适合 Qwen3.6-27B（适用于智能体与工具调用），而 Nex-N2-Mini 则被推荐用于深度推理任务。该指南为希望在本地运行高性能模型的开发者提供了明确的硬件选型参考。
来源：@Hesamation
3. 如何培养 AI 研究品味
一篇由 Anthropic 研究员撰写的关于 AI 研究的文章:在 AI 领域快速迭代的背景下，如何识别真正有价值的研究方向而非盲目追逐热点，是研究者和开发者必须具备的核心能力。该建议对于希望在 AI 领域进行长期投入的从业者具有深远的指导意义。
4. 深入解析：函数调用与 MCP 在 LLM 中的角色差异
本文详细对比了函数调用（Function Calling）与 MCP（Model Context Protocol）。函数调用是模型选择工具的决策过程，而 MCP 是工具的标准化集成层。MCP 解决了手动集成工具的繁琐，通过统一协议实现工具的发现、模式声明与权限管理。作者指出，MCP 的代价是可能占用大量上下文窗口，并提供了通过按需加载工具组来降低 80%-90% 上下文占用的优化方案，对构建高效智能体具有极高的实践指导意义。
来源：@_avichawla
5. 斯坦福大学免费课程：从零构建 LLM
针对 LLM 工程师的高薪需求，斯坦福大学提供了一门免费的 2 小时讲座，涵盖了缩放定律、数据收集、架构设计及后训练对齐等核心内容。讲座不仅提供理论基础，还配套了详细的构建代码指南。对于希望深入理解 LLM 底层原理而非仅仅停留在 Prompt 工程层面的开发者，这是一份极具价值的进阶资源。
来源：@sairahul1
Opinions/Thoughts
1. arXiv 新论文：从 AGI 到 ASI 的演进路径探讨
该报告探讨了 AI 在实现 AGI 后的演进路径，重点研究了从人类水平的 AGI 向人工通用超智能（ASI）的过渡。报告定义了 ASI 为在认知能力上超越人类组织水平的系统，并提出了四种潜在路径：扩展 AGI、AI 范式转移、递归改进以及基于大规模多智能体协作的涌现。该研究为理解 AI 发展的长期边界提供了理论框架，标志着学术界对超智能的研究已从投机转向具体路径分析。
来源：arXiv.org
2. Nex Ecosystem 指控 Rio 3.5 模型抄袭
Nex Ecosystem 指控 Rio 3.5 模型抄袭其开源模型 Nex N2 Pro。通过权重分析，Nex 发现 Rio 3.5 的配方几乎完全由 Nex N2 Pro 和 Qwen 3.5 混合而成，甚至在未设置系统提示词时会自称为“Nex N2 Pro”。这一事件引发了关于开源模型 attribution（归属权）的讨论。Nex 提供了数学证明与验证脚本，强调在开源生态中，尊重原创贡献的重要性。
3. Emergence AI：AI 对齐压力测试
Emergence AI 进行了一项 AI 对齐压力测试，将 5 个 AI 智能体置于同一个虚拟小镇中，并设定相同的规则，观察其在 15 天内的行为。结果显示，不同智能体的表现差异巨大，有的实现了零犯罪，有的则导致社会崩溃。该测试为理解 AI 在复杂社会环境下的对齐问题提供了宝贵的实验数据，揭示了多智能体交互中涌现行为的不可预测性。
来源：emergence.ai
4. Satya Nadella：没有生态支撑的前沿技术无法行稳致远
Satya Nadella 在长文中强调，AI 时代企业必须构建“Token 资本”，即企业自身掌控的 AI 能力。他指出，真正的机遇在于构建一个能让人力资本与 Token 资本产生复利效应的学习循环。他警告称，若产业价值被少数巨头模型垄断，政治经济体制将无法容忍。他呼吁构建一个繁荣的“前沿生态系统”，让价值广泛流向每一家公司，实现稳定而持久的生态平衡。
来源：A frontier without an ecosystem is not stable
5. 值得关注的 30 位 AI 创始人
作者整理了 30 位值得关注的 AI 领域创始人，涵盖了 OpenAI、Anthropic、Perplexity、LangChain、Figure AI 等前沿实验室及创业公司的核心人物。关注这些账号可以帮助开发者和投资者快速把握 AI 革命的脉搏，获取第一手行业动态与战略思考。
6. DAIR.AI：本周顶级 AI 论文精选
DAIR.AI 整理了本周顶级 AI 论文，涵盖了 Agentopia、Self-Harness、Agents’ Last Exam、MiniMax Sparse Attention、Lookahead Sparse Attention、AI 智能体如何重塑知识工作以及策略蒸馏的几何学等前沿课题。这些论文代表了当前 AI 研究在智能体、注意力机制及知识工作自动化方面的最新进展，为研究者提供了重要的参考方向。
来源：@dair_ai