Product
1. OpenAI 发布 GPT-Live：可边说边听的实时语音架构
OpenAI 推出 GPT-Live，让模型在说话的同时能够“听见”用户，使双向语音对话更接近自然交谈。为在 ChatGPT 规模下实现这一点，团队从客户端到模型重写了整个语音技术栈。新架构保证音频持续流动，使更深层的推理与工具调用不会打断对话节奏。这是从“轮替式”语音助手向“全双工、可被打断”实时交互的关键转变。其意义在于语音 Agent 的延迟与连贯性瓶颈被结构性缓解，利于实时翻译、陪练、客服等场景。技术细节（专用快速通道、握手往返次数压缩）尚未完全披露。
来源：@OpenAI
2. DeepSeek V4 Flash 0731 开源 14 个量化版本，284B MoE
Atomic 在 Hugging Face 上发布了 DeepSeek V4 Flash 0731 的 14 个量化版本，主打“质量与体积”的最佳平衡。该模型为 284B 参数的混合专家（MoE）架构，并采用量化感知训练（quantization-aware training），官方 checkpoint 已将路由专家以量化形式存储。这意味着社区可在消费级或中等显卡上部署接近原版质量的大模型。对自托管与边缘推理是重要供给。需关注实际推理速度与各量化档的质量衰减曲线。
3. open-git：为 Agent 而生的代码托管，CI 变红自动修 PR
open-git 定位为“为 Agent 设计的代码托管平台”，内置 autopilot：当 CI 变红时自动修复你的 Pull Request。它把 Agent 深度嵌入代码托管与协作流程，而非仅作为外部工具调用。这对追求高度自动化 CI/CD 与 AI 维护的团队是有意思的新选项。成熟度、私有部署与权限模型需评估。
来源：open-git
Tutorial
1. 拆解 .claude/ 文件夹：CLAUDE.md、规则、命令与权限
这篇指南系统拆解了 Claude Code 项目中的 .claude/ 文件夹结构：以 CLAUDE.md 作为 Claude 的“指令手册”，随项目增长拆分到 rules 文件夹，并用 commands 沉淀可复用工作流。还覆盖了 skills、agents 与 permissions 的配置方法。对想从“黑盒使用”转向“工程化配置 Claude Code”的团队是不错的入门与规范参考。核心是强调把上下文与流程显式化、版本化。
来源：Anatomy of the .claude/ folder
2. 本地 AI 硬件选型：容量×带宽×软件栈（2026 版）
这篇文章提出本地 AI 硬件的三要素框架：容量决定模型能否装下，带宽决定“盒子能不能喘气”（实际吞吐），软件栈决定规格表能兑现多少。作者按内存带宽对硬件排序（如 Mac Studio M3 Ultra 等），帮助选型者跳出“显存越大越好”的误区。对自建本地推理工作站的团队是务实的选型参考。核心观点：脱离带宽谈容量会严重高估实际速度。
来源：Memory Bandwidth for Local AI Hardware (2026 Edition)
3. Agentic Coding：赌对“原语”而非框架
Robin Wieruch 在这篇文章中主张：在大型、需要高度定制化的代码库中，应押注“原语（primitives）”而非封装过深的框架。他以一个需要三种自定义图表的真实外包项目为例，说明原语如何带来更大的可控性与扩展性。对在 agentic coding 中追求可控、可维护架构的团队是值得反复读的思辨。核心：原语被严重低估，它决定你能把编码 Agent 用到多深。
来源：Agentic Coding: Bet on the Primitives - Robin Wieruch
Opinions/Thoughts
1. 研究：Agent 记忆系统真的需要额外调用 LLM 吗？
这篇论文检验了一个被默认的假设：Agent 的生产级记忆栈是否真的需要额外调用模型。现状是，生产记忆系统在摘要交互、写记录、重排检索时都会额外调用模型，每一次都耗费 token 与延迟，而摘要还会悄悄丢弃信息。研究正是要回答这些调用到底值不值。对构建 Agent 记忆的团队是直击成本与信息损耗痛点的思辨。结论可能重塑记忆栈的默认设计。
来源：@dair_ai