Product
1. Claude Code 新版本引入 ‘eval’ 命令：支持自动化基准评估
Claude Code 2.1.198 版本引入了全新的 ‘eval’ 命令，这是一项重大 CLI 更新。该命令附带多项相关选项，包括 —ablation， —case， —judge-model， —keep-temp， —no-scaffold 等，允许用户运行自动化的基准评估。此外，还出现了新的模型 ‘claude-eval-’。这表明 Anthropic 正在为开发者提供更强大的内建测试和评估框架，有助于在开发流程中更系统地衡量代理性能。详细的 CLI 表面变更记录在专门的元数据文件中。
来源：GitHub
2. Anthropic 宣布 Claude Fable 5 全球重新上线：附带加强安全分类器和行业框架
Anthropic 官方宣布，Claude Fable 5 在因美国政府出口管制而暂停 19 天后，已于 7 月 1 日面向全球用户恢复。重新部署的模型配备了新的安全分类器，专门用于识别和阻止更多的网络安全任务，短期内可能导致一些常规编码和调试任务回退到 Opus 4.8。Anthropic 还宣布，已开始与亚马逊、微软、谷歌等 Glasswing 合作伙伴共同起草一个评估 AI 越狱严重程度的共识框架。同时，正在扩大与美国政府在模型测试和安全保障方面的合作，包括预发布访问和联合研究。Fable 5 在促销期内（至7月7日）可消耗用户每周50%的订阅额度。
3. Sakana AI 的 Fugu 模型现已在 OpenCode 上可用
Sakana AI 宣布，其多代理编排模型 Fugu 现已集成到开源编码代理工具 OpenCode 中。Sakana AI 团队透露，在开发 Fugu 的多智能体编排能力时，他们本身就是用 OpenCode 来验证其模型的。他们与 OpenCode 团队共享一个核心理念：编码代理的未来应该是一个开放的、集体的生态系统。这一合作强化了开源编码代理生态系统的趋势。
4. Google 发布 Gemini Spark 重大更新：Mac 应用、MCP 支持与 App 生态扩展
Google 宣布对 Gemini Spark 进行大规模更新。除了登陆 macOS，主要更新还包括：支持自定义 Model Context Protocol 以构建更个性化的助手；与 Canva、Dropbox、Instacart、OpenTable 和 Zillow 等应用深度集成；连接 Google Tasks 和 Keep，将头脑风暴转化为待办事项；以及实时追踪体育、股票、新闻等动态话题。这些更新将 Gemini Spark 从一个单纯的对话助手转变为更具主动性和集成能力的 AI 代理，旨在全天候协助用户的数字生活。该功能同样仅限美国地区 Google AI Ultra 订阅者使用。
来源：Google
5. aidex CLI：快速查询 AI 模型信息的终端工具
开源项目 aidex 提供了一个命令行界面工具，帮助开发者快速获取不同 AI 语言模型的详细信息。该工具现已使用 models.dev 数据库作为数据源。开发者可以通过简单的命令列出不同提供商（如 OpenAI、Anthropic、Google）的模型，根据输入输出模态过滤，比较推理型聊天模型，或者按输入成本排序。这个工具解决了持续追踪最新模型价格和能力的痛点，被设计为随时更新的 npm 包。
来源：GitHub
6. summarize.sh：一个 CLI 工具还能变身内容定制化助理
开发者 Peter Steinberger 展示了其开发的一个名为 Summarize 的多功能 CLI 工具（以及 Chrome 侧面板）。它可以干净地提取和总结网页、文件、YouTube 视频甚至播客的内容。其特色在于使用了一个按优先级排序的提取管道：对文章使用 Readability，对文件使用 markitdown，对媒体使用 Whisper，并使用 Firecrawl 作为备用。支持本地、付费和免费等多种模型。作者展示了一个高级用例：指示 Codex 下载并转录整个 AI 工程师大会的所有会议内容，然后再根据他自己的兴趣进行个性化定制总结。这表明该工具可以成为强大的信息管道。
来源：summarize
7. OpenCode 2.0 即将公开测试：主打自建技能热重载以优化缓存
OpenCode 2.0 的开发者 dax 透露，该版本之所以耗时良久，是因为他们重新设计了整个系统以支持热重载。这意味着用户可以请求代理为自己创建一个技能（或者手动创建），该技能会立即被系统识别并生效，且不会破坏缓存。这一设计对于开发者代理的迭代和使用体验至关重要。dax 表示，目标是在本周末发布公开测试版。
来源：@thdxr
Tutorial
1. 我错了：Claude Cowork 的最佳实践是 ‘Skills + Projects’
作者在发布超过 2000 万阅读量的 Claude Cowork 指南后，公开发文纠正了自己之前的建议。他承认之前推荐使用文件和文件夹的设置是错误的，会导致信息泄露和难以维护。他现在强烈推荐仅使用 Skills（通过 /commands 实现的可复用能力）和 Projects（上下文工作区）。他建议关闭大部分设置，对复杂任务使用 Opus 或 Fable，简单任务使用 Sonnet/Haiku。同时推荐了使用 AskUserQuestion 让 Claude 主动收集上下文、结合 Wispr Flow 语音输入优化提示效率、每 20 条消息左右开启新会话以节省令牌等具体技巧。他还强调了在团队间共享 Skills 和 Projects 以实现协作的重要性。
来源：How to AI
2. Theo 分享 Fable 5 省令牌秘籍：不用 xhigh、教会 Fable 用 Codex 打下手
开发者 Theo 分享了他如何在大量使用 Claude Fable 5 的情况下不触发速率限制的实用经验。他的四个技巧包括：只在 ‘高’ 努力程度下使用 Fable，认为更高的设定反而可能输出更差；在 Claude Code 的配置文件中教会 Fable 如何作为编排者，将大量具体实现任务委托给 OpenAI 的 GPT-5.5（Codex）；在 CLAUDE.md 中编写了详细的模型优先级分配策略；对于令牌消耗大的任务（如计算机使用、代码库分析），则使用其他模型执行并将结果报告给 Fable。这种方法实现了模型间的优化组合。
来源：@theo
Opinions/Thoughts
1. Google 新研究 RLMF：让 LLM 通过元认知反馈学会诚实表达不确定性
Google 发表新论文提出 RLMF（带元认知反馈的强化学习），旨在解决 LLM 高置信度幻觉和无法识别知识边界的系统性问题。该方法分为两阶段：首先校准自报置信度的准确性，然后通过定向输出编辑将置信度映射为自然语言的不确定性表达。RLMF 在多种任务上达到了最先进的忠实校准水平，同时在保持准确性的前提下，相比标准 RL 提升了最高 63%。研究指出，当前多数修复方案是外挂式校准，而 RLMF 将模型的元认知能力直接转化为训练信号，在偏好优化中根据自我判断质量优化排序，并利用相同的自我判断来选择高价值训练数据。该研究为构建更可信赖的 LLM 提供了全新范式。
来源：arXiv.org
2. Kent Beck 谈软件工程未来：编码只是小部分，信任与人类沟通无法自动化
The Pragmatic Engineer 发表了对软件工程传奇人物 Kent Beck 的深度访谈。Beck 认为，在AI时代，编码只是软件工程中很小的一部分，大量的人类工作——建立信任、沟通理解、领域知识——是无法被自动化的。他分享了自己从 Apple 被解雇、与 Ward Cunningham 合作发现 TDD、参与撰写敏捷宣言、以及在 Facebook 的冲击性体验。他提出了 ‘探索、扩展、提取’ 的 3X 模型，并认为焦虑是他发明 TDD 的动力。他强调，软件工程中最重要的始终是人与人之间的沟通和理解，而AI将使这一部分变得更加关键。
3. Anthropic 平台工程主管揭秘：如何构建 AI 原生工程团队
文章分享了对 Anthropic 平台工程负责人 Katelyn Lesse 的采访，揭示了这家 AI 公司如何构建 AI 原生工程团队。关键要点包括：‘AI 原生’意味着将 AI 无缝嵌入工作流；团队结构虽然保持传统的跨职能形态，但并行度和工程师自主性大幅提升；所有代码均由 AI 生成，但工程师仍需负责设计、架构和引导 AI 代理达到期望结果；产品经理变得更重要，因为瓶颈从实现转向了决策；没有专门的 QA 工程师，而是依赖自动化测试和 AI 评估。审阅 AI 生成代码现在成为一项核心工程技能。公司强调工程师的责任和问责制始终不能被 AI 替代。
4. FARS 系统：大规模全自动科研产出 166 篇论文并公开失败案例
新发表的论文介绍了 FARS，一个完全自动化的 AI-for-AI 科研系统，旨在大规模运作多种科研主题。FARS 通过阶段特定代理（负责构思、规划、实验、写作）在共享工作空间协作，记录提案、代码、日志、结果和手稿。其首次公开部署产生了 166 篇跨越 67 个细粒度 AI/ML 主题的完整论文。与以往仅展示精选案例不同，FARS 保留了完整语料库（包括失败案例），并由 282 份志愿者评审对 140 篇论文进行了评估。结果显示出 FARS 能够产出可审阅的成果，但同样暴露了在研究范围、方法论和完整性方面存在的重复失败模式。该研究展示了全自主科研系统在规模化应用中的真实能力与局限。
来源：arXiv.org