OpenAI 发布指南：什么样的 ChatGPT 应用才算好应用
OpenAI 在 DevDay 推出 ChatGPT Apps 后发布开发者设计指南，说明 ChatGPT 应用本质是模型可调用的一组明确定义的工具，而非产品缩略版。
推荐理由：OpenAI 给出判断 ChatGPT 应用价值的 know/do/show 框架和设计清单，开发者可据此决定移植哪些能力、如何命名工具。
全部 AI 动态
OpenAI Developers：Blog精选AI 评分6666
LangChain：Blog精选AI 评分6363 LangChain 重建 Chat LangChain：放弃向量嵌入，改用直接 API 访问与 Deep Agent 子图
LangChain 重建了 chat.langchain.com，弃用分块加向量数据库的检索方案，改为让智能体通过 Mintlify API、知识库标题扫描和 ripgrep 代码搜索直接访问文档、知识库和代码库的原始结构。
推荐理由：原文复盘了放弃向量嵌入、改用直接 API 访问和子图分域的重建思路，含工具设计与性能数字，方法可迁移到类似问答智能体。
Anthropic：Engineering精选AI 评分7474 通过代码执行提升MCP智能体效率
随着AI智能体通过模型上下文协议（MCP）连接的工具数量激增，传统预先加载所有工具定义并通过上下文传递中间结果的方法，导致处理速度变慢、成本增加。问题核心在于工具定义占用大量上下文空间，且中间结果（如完整会议记录）在多次工具调用间重复传递，额外消耗数万令牌。文章提出解决方案：将MCP服务器呈现为代码API，使智能体能按需加载工具，并在执行环境中处理数据，仅将精简结果传回模型，从而显著减少令牌消耗、提升效率并降低成本。
推荐理由：Anthropic 官方把 MCP 从「能连」推进到「连多了怎么办」，用代码执行替代直接工具调用，token 省 98.7% 这个数字不是吹的。做 Agent 工程的人如果还在暴力塞 tool definition，这篇是必读的架构升级指南。
Anthropic：NewsroomAI 评分7171 Anthropic 讲解用代码执行提升 MCP 智能体的上下文效率
Anthropic 发文讲解如何让智能体通过代码执行方式与 MCP 服务器交互，以提升上下文效率。将 MCP 工具呈现为代码 API 后，智能体按需读取工具定义、在执行环境中过滤中间结果，token 用量从 150,000 降至 2,000，节省 98.7%。文章还介绍了渐进式披露、PII 令牌化隐私保护、状态持久化与 Skills 等收益，并提示需权衡沙箱等执行环境带来的运维成本。
Hugging Face 社区博客精选AI 评分6666 Hugging Face 发布开源 OCR 模型选型指南
Hugging Face 发布开源 OCR 模型指南，并新增 Chandra 和 OlmOCR-2 及其在 OlmOCR Benchmark 上的分数（Chandra 83.1±0.9，OlmOCR-2 82.3±1.1）。
推荐理由：这篇指南梳理了主流开源 OCR 模型的能力、输出格式与成本对比，并给出按使用场景选型的具体方法。
Anthropic：NewsroomAI 评分8383 Anthropic 讲解 Agent Skills 如何为智能体注入领域能力
Anthropic 介绍 Agent Skills 的原理与用法：技能是一个含 SKILL.md 的目录，通过渐进式披露按需加载指令、文件和可执行代码，其 PDF 技能示例展示了表单填写等文档编辑能力。
Answer.AI 官方研发博客精选AI 评分6060 Kerem Turgutlu 用 SolveIt 将 Karpathy 的 tokenizer 视频教程做成书章
Answer.AI 的 Kerem Turgutlu 撰文讲解如何用 SolveIt 把 Andrej Karpathy 超两小时的 tokenizers 视频教程转成带可运行代码、超链接和图片的书章。
推荐理由：作者完整复盘两阶段对话工作流，把超两小时视频转成可运行代码的书章，方法可直接迁移到任意长视频转写场景。
Hugging Face 社区博客精选AI 评分6161 VibeGame 发布：基于 three.js 的 AI 辅助游戏开发引擎
作者发布 VibeGame，一个构建在 three.js、rapier 和 bitecs 之上的高层声明式游戏引擎，专为 AI 辅助游戏开发设计。
推荐理由：作者实测了 Roblox MCP、Unity MCP 和 Web 三种方案的优劣，并据此开源了一个面向 AI 游戏开发的声明式引擎，思路和踩坑都可借鉴。
Anthropic：NewsroomAI 评分7575 Anthropic 详解 AI 智能体的有效上下文工程
Anthropic 发布长文，提出上下文工程是提示词工程的演进方向，核心是用最小的高信号 token 集合管理 LLM 有限的注意力预算。
Anthropic：Engineering精选AI 评分7878 为AI智能体实施有效的上下文工程
随着AI应用从单次提示转向构建长期运行的智能体，焦点正从“提示工程”演进为“上下文工程”。后者旨在为大型语言模型优化有限的上下文窗口内的全部信息，包括指令、工具、外部数据和对话历史。其核心挑战在于模型存在“注意力预算”限制和“上下文腐化”现象——随着上下文增长，模型回忆信息的准确性会下降。因此，上下文工程要求精心编排高价值信息，以有限的资源最大化产出期望结果，这已成为构建高性能、可操控智能体的关键。
推荐理由：Anthropic 亲自下场定义 context engineering 这个新范式，把 prompt engineering 之后的工程方法论讲透了。做 Agent 的人如果还在死磕 prompt，这篇会让你重新审视整个技术栈。
TensorZero：实验与工程博客精选AI 评分6363 TensorZero 实测 OpenAI 强化微调（RFT）是否值得：仅智能体编码任务明显胜出，成本却是 SFT 的 100-700 倍
TensorZero 在数据抽取、智能体编码和客服三个任务上对比了 OpenAI RFT（o4-mini）与 SFT（GPT-4.1 mini）。
推荐理由：作者用三个真实任务实测 OpenAI RFT 与 SFT 的效果和成本差距，给出了按任务类型判断 RFT 是否值得用的可比结论。
Hugging Face 社区博客精选AI 评分6565 Hugging Face 详解 transformers 为支持 OpenAI GPT-OSS 做出的多项性能升级
Hugging Face 发文介绍为让 OpenAI GPT-OSS 系列在 transformers 上高效运行所做的库升级，包括可从 Hub 下载的零构建内核、MXFP4 原生量化、张量并行、专家并行、动态滑动窗口缓存、连续批处理与更快的模型加载。
推荐理由：原文详解 transformers 为支持 GPT-OSS 引入的内核下载、MXFP4、张量与专家并行等升级，多数特性可复用到其他模型。
Anthropic：Engineering精选AI 评分7373 为智能体编写高效工具——与智能体协作
文章探讨如何为基于大语言模型的智能体设计高效工具。核心方法是通过与智能体（如Claude Code）协作，采用快速原型构建和全面评估的迭代流程来优化工具性能。关键设计原则包括：选择适当的工具实现范围，使用命名空间明确功能边界，从工具向智能体返回有意义的上下文，优化响应以提高token效率，以及对工具描述进行提示词工程。工具本质上是确定性系统与非确定性智能体之间的新契约，设计应优先考虑智能体的使用体验，而非传统开发者导向的API思路，以扩大智能体解决实际任务的能力。
推荐理由：Anthropic 把自家内部反复打磨的 agent 工具开发方法论完整公开了，从评估流程到 prompt 工程细节全是实操干货，做 MCP server 或 agent 工具链的人可以直接抄作业。
Anthropic：NewsroomAI 评分7575 Anthropic 讲解如何为 Agent 编写高效工具
Anthropic 发布方法论文章，讲解如何为 MCP 和 Agent 场景编写高效工具，核心是用 Claude Code 协作完成原型搭建、评测运行和工具自动优化。
Hugging Face 社区博客精选AI 评分6666 Hugging Face 教程：用 PyTorch 提前编译加速 ZeroGPU Spaces 生成模型
Hugging Face 发布教程，介绍如何在 ZeroGPU Spaces 中用 PyTorch ahead-of-time（AoT）编译优化 H200 上的图像和视频生成 demo。
推荐理由：官方教程给出在 ZeroGPU Spaces 上接入 PyTorch AoT 编译的完整步骤和 1.3 至 1.8 倍加速数据，方法可直接迁移到图像视频生成 demo。
Hugging Face 社区博客精选AI 评分6161 Hugging Face 教你将 Claude 连接 Spaces 用 FLUX.1 Krea dev 和 Qwen-Image 生成图像
Hugging Face 发布教程，介绍通过 Remote MCP server（https://huggingface.co/mcp?login）把 Claude 连接到 Hugging Face Spaces 生成图像，2025 年 10 月起需用 Add custom connector 方式添加。
推荐理由：教程给出了把 Claude 连接 Hugging Face MCP Server 调用 Krea 与 Qwen-Image 生成图像的具体步骤和适用场景。
Hugging Face 社区博客精选AI 评分6060 Hugging Face 推出 Research Tracker MCP，用自然语言连接 arXiv、GitHub 等研究工具
Hugging Face 发布面向学术研究发现的 Research Tracker MCP，用户可在 huggingface.co/settings/mcp 搜索添加，供 Claude Desktop、Cursor、Claude Code、VS Code 等客户端使用。
推荐理由：原文把研究检索拆成手动、脚本、MCP 三层抽象，并给出可直接添加的 Research Tracker 入口，便于读者迁移到自己工作流。
蚂蚁 inclusionAI：GitHub 新仓库精选AI 评分5858 inclusionAI/UI-Venus
UI-Venus 是一款本地 UI 智能体，仅以屏幕截图作为输入，即可执行精确的图形用户界面元素定位与高效导航。该代理无需依赖系统底层代码或辅助功能接口，直接通过视觉信息理解界面结构，实现自动化操作。其核心能力在于对任意应用或网页中的按钮、菜单、文本框等元素进行准确识别与交互，提升了跨平台任务执行的通用性与可靠性。
推荐理由：蚂蚁这个纯截图驱动的 UI Agent 在当时算是早期探索，代码开源可直接用，做 GUI 自动化的值得看看底层怎么实现元素定位和导航。
OpenAI Developers精选AI 评分6464 如何用 LM Studio 在本地运行 gpt-oss
OpenAI 发布 Cookbook 教程，讲解如何在本地硬件上用 LM Studio 运行 gpt-oss。LM Studio 是一款在本地硬件运行大语言模型的桌面应用，教程将引导用户完成本地运行 gpt-oss 的步骤。
推荐理由：OpenAI 官方 Cookbook 给出在本地硬件用 LM Studio 运行 gpt-oss 的完整步骤，可作为离线部署的操作参考。
OpenAI Developers精选AI 评分7979 如何用 Ollama 在本地运行 gpt-oss
OpenAI 开发者发布教程，讲解如何用 Ollama 在本地硬件上部署 gpt-oss-20b 或 gpt-oss-120b 并选择合适的推理设置。
推荐理由：来自 OpenAI 开发者官方的实操指南，读者可按步骤在自己硬件上用 Ollama 跑通 gpt-oss 两个规格模型。
OpenAI Developers精选AI 评分6060 OpenAI Cookbook 教程：用 Hugging Face Transformers 微调 gpt-oss
OpenAI 开发者 Cookbook 发布教程，讲解如何结合 gpt-oss 与 Hugging Face Transformers 进行微调。文章由 Edward Beeching、Quentin Gallouédec 和 Lewis Tunstall 撰写，并从大型推理模型（如 OpenAI o3）通过生成思维链提升准确性的背景切入。
推荐理由：官方 Cookbook 教程给出用 Hugging Face Transformers 微调 gpt-oss 的具体路径，适合需要本地定制推理模型的开发者参考。
Hugging Face 社区博客精选AI 评分6161 Hugging Face 推出 PyArrow 与 Pandas 的 Parquet 内容定义分块（CDC）特性
Hugging Face 宣布 Parquet Content-Defined Chunking（CDC）现已在 PyArrow 和 Pandas 中可用，配合 Xet 存储层只上传或下载变化的数据块，降低 Parquet 文件传输和存储成本。
推荐理由：原文给出 CDC 在增删列、插入删除行等场景下的实测传输量对比和启用方法，读者可直接迁移到自己的数据集上传流程。
Modal 官方工程博客精选AI 评分6969 Modal 实测：用开源 ASR 模型将批量语音转写提速 100 倍、成本降 100 倍
Modal 工程团队在平台上部署 NVIDIA parakeet-tdt-0.6b-v2 与 canary-1b-flash 开源 ASR 模型，对约一周（7×24 小时）ESB 基准音频做批量转写，结果比所测专有 API 快 112 倍或便宜 200 倍，且错误率略低，实现了一分钟内以 1 美元转写一周音频。
推荐理由：原文给出可复现的批量转录优化方法与端到端实测数据，读者可以据此在自己的语音转写服务中权衡成本与吞吐。
Hugging Face 社区博客精选AI 评分6363 Diffusers 与 PEFT 优化 Flux LoRA 推理，H100 上提速 2.23x
Hugging Face 发布针对 Flux.1-Dev 的 LoRA 快速推理优化教程，结合 Flash Attention 3、torch.compile 和 FP8 量化，在 H100 上实现约 2.23x 提速。
推荐理由：原文给出可复现的 Flux LoRA 推理优化配方和实测延迟数据，覆盖 H100 与 RTX 4090 两种硬件场景，方法可直接迁移到自己的部署流程。
Manus：Blog精选AI 评分6868 Manus 团队分享构建 AI 智能体的上下文工程经验教训
Manus 团队成员 Yichao 'Peak' Ji 撰文分享构建 Manus 智能体的上下文工程经验，核心原则包括围绕 KV-cache 命中率设计、用 logits 遮蔽而非移除工具、把文件系统当作终极上下文、通过复述待办列表操控注意力，以及保留错误和避免少样本陷阱。
推荐理由：Manus 团队复盘构建智能体的上下文工程经验，KV缓存、工具遮蔽和文件记忆等做法可直接迁移到读者的 Agent 项目。
Hugging Face 社区博客精选AI 评分7272 Hugging Face Hub 从 Git LFS 迁移至 Xet 并将向所有用户开放
Hugging Face 宣布 Hub 存储后端从 Git LFS 迁移到 Xet，半年内 50 万个仓库、20PB 数据完成迁移，用户超 100 万，5 月起对新用户默认启用。
推荐理由：作者复盘了 Hub 从 Git LFS 迁到 Xet 的架构与经验，读者可借此了解大规模无感迁移的做法和后续变化。
OpenRouter：Announcements精选AI 评分5656 OpenRouter 模型现可在 Cursor 中使用：试试月之暗面 Kimi K2
OpenRouter 宣布其灵活模型路由支持在 Cursor 中运行月之暗面的 Kimi K2。用户可直接在 Cursor 中调用 OpenRouter 路由的模型，无需额外配置。
推荐理由：一篇将 OpenRouter 模型接入 Cursor 的实操指南，虽然已过时三百多天，但对想免配置用 Kimi K2 的 Cursor 用户仍有参考价值。
Hugging Face 社区博客精选AI 评分6464 Hugging Face 发布 ScreenEnv：用 Docker 容器部署桌面 GUI Agent
Hugging Face 发布开源 Python 库 ScreenEnv，可在 Docker 容器中创建隔离的 Ubuntu 桌面环境，用于测试和部署 GUI Agent（Computer Use）。
推荐理由：官方介绍了 Docker 化桌面环境的部署速度、双集成模式和 smolagents 用法，方便开发者按自己架构搭建桌面 Agent。
Hugging Face 社区博客精选AI 评分6666 Hugging Face 复盘 hf.co/mcp MCP Server 的构建与部署选型
Hugging Face 团队复盘官方 MCP Server（hf.co/mcp）的开发经验，服务器开源自持 STDIO、SSE 和 Streamable HTTP 三种传输方式。
推荐理由：官方复盘远程 MCP Server 的传输选型与部署取舍，给出 Streamable HTTP 各通信模式的适用场景和真实客户端行为数据，方法可直接迁移。
Hugging Face 社区博客精选AI 评分7272 Hugging Face 教你用 Gradio MCP Servers 给 LLM 增加新能力
Hugging Face 发文介绍如何通过 Gradio MCP Servers 为 LLM 添加新能力。Gradio 自 5.28.0 版本起支持 MCP 协议，使 Hugging Face Spaces 上数千个应用可作为 MCP 服务器使用，文章以 Flux.1 Kontext[dev] 图像编辑为例，演示了在设置中添加 Spaces Tools 并接入 Cursor 的完整步骤。
推荐理由：原文给出了把 Hugging Face Spaces 上的 Gradio 应用接入 LLM 的具体步骤，读者可以照着为自己的模型添加新能力。
Modal 官方工程博客精选AI 评分6262 Modal 如何用 evals 和推理时算力扩展生成既美观又可扫的 QArt 二维码
Modal 团队复盘其 QArt codes 服务的工程过程，通过 evals 和推理时算力扩展将二维码扫描率提升到 95% 的 SLO，同时改善美观度并将 p95 端到端延迟控制在 20 秒内。
推荐理由：Modal 团队复盘 QArt codes 从不可扫到 95% 扫描率的工程路径，evals 构建与推理时并行扩展的方法可迁移到其他生成模型应用。
Factory 研究 / 产品精选AI 评分7070 Factory 提出 Agent Native Development：用自主智能体开发软件的方法论
Factory 发布 Agent Native Development 方法论，主张让 agent 运行收集上下文、规划、实现、验证、提交的完整内循环，人来负责架构决策和护栏。
推荐理由：Factory 提出的 Agent Native Development 方法论给出写精确规格、验证环境和 drift 恢复的可迁移做法，适合想系统化用 agent 写代码的开发者参考。
Hugging Face 社区博客精选AI 评分6464 Sentence Transformers 发布稀疏嵌入模型训练与微调教程
Hugging Face 发布教程，讲解如何用 Sentence Transformers 训练和微调稀疏嵌入模型，涵盖模型架构选择（Splade、Inference-free Splade、CSR）、数据集、损失函数、训练参数与评估器等组件。
推荐理由：原文系统拆解了稀疏嵌入模型的微调组件和混合检索实测数据，方法可直接迁移到自己的检索场景。
Hugging Face 社区博客精选AI 评分6969 Hugging Face 教程：用 QLoRA 在 RTX 4090 上以约 9GB 显存微调 FLUX.1-dev
Hugging Face 发布教程，讲解用 QLoRA 和 diffusers 库在单卡消费级硬件上微调 FLUX.1-dev，学习 Alphonse Mucha 画风。
推荐理由：原文给出完整训练配置、显存与耗时数据，读者可以照着在消费级 GPU 上复现 FLUX.1-dev 的 QLoRA 微调。
Anthropic：NewsroomAI 评分8383 Anthropic 详解 Claude 多智能体研究系统的架构与工程经验
Anthropic 介绍 Claude Research 功能背后的多智能体研究系统，采用 orchestrator-worker 架构，由 Claude Opus 4 主 agent 协调并行的 Claude Sonnet 4 子 agent，内部评测中性能超出单 agent 90.2%。
Hugging Face 社区博客精选AI 评分6161 Hugging Face 5 分钟上手 Kernel Hub：从 Hub 直接加载预编译优化内核
Hugging Face 发布 Kernel Hub 入门教程，介绍通过 kernels 库的 get_kernel 直接从 Hub 加载预编译优化内核，无需本地编译 Triton 或 CUTLASS，例如一行代码启用 FlashAttention，库会自动匹配 Python、PyTorch 和 CUDA 版本下载对应二进制。
推荐理由：官方教程给出 Kernel Hub 的用法和 RMSNorm 实测加速数据，读者可以据此评估是否用它省去本地编译内核的成本。
TensorZero：实验与工程博客精选AI 评分7272 TensorZero 逆向 Cursor 的 LLM 客户端并公开其系统提示词
TensorZero 团队将自家的开源框架作为自托管代理接入 Cursor，经 Ngrok 和 Nginx 绕过 Cursor 服务器与 CORS 限制后，成功观察并控制其全部 LLM 调用。
推荐理由：作者实测把自托管代理接进 Cursor，读者可以照着复现并查看其真实提示词与模型调用。
ARC Prize：官方博客精选AI 评分6767 ARC Prize 实测各大 AI 推理系统，ARC-AGI 上没有明显赢家
ARC Prize 测试了各大实验室的 AI 推理系统，在 ARC-AGI-1 上得出准确率与成本的 Pareto 前沿，ARC-AGI-2 上则全数近乎失败，最高仅 Claude Opus 4 的 8.6%。文章指出测试时计算扩展方法堆叠可提升准确率但效率大幅下降，ARC-AGI-2 上的一致性差说明前沿系统存在共同局限，AGI 仍需新想法。
推荐理由：官方实测给出了各推理系统在 ARC 上的准确率与成本双轴数据，读者可据此按自身需求选型而非追单一赢家。
Hugging Face 社区博客精选AI 评分6666 Hugging Face 推出 Tiny Agents in Python：基于 MCP 的约70行代码智能体
Hugging Face 发布 Tiny Agents in Python，受 Tiny Agents in JS 启发将 huggingface_hub 客户端 SDK 扩展为 MCP Client，可用约70行代码构建 MCP 驱动的智能体。
推荐理由：原文展示了用约70行代码在Python中构建MCP智能体的完整思路与代码，读者可以据此搭建自己的工具调用智能体。
Hugging Face 社区博客精选AI 评分7171 Hugging Face 发布 nanoVLM：用纯 PyTorch 训练视觉语言模型的最简仓库
Hugging Face 团队发布 nanoVLM，一个用纯 PyTorch 训练视觉语言模型的极简工具仓库，可在免费版 Colab 上启动训练。
推荐理由：官方团队介绍 nanoVLM 的架构与训练流程，读者可以据此理解 VLM 的多模态对齐原理并低成本动手训练。