TorchNeuron 性能剖析（第 1 部分）：AWS Trainium 上的系统级性能分析
Hugging Face 讲解如何在 AWS Trainium 上对 TorchNeuron 进行系统级性能分析，定位推理耗时。教程从零配置 torch.profiler，并用 Neuron Explorer 追踪框架分发、运行时调度与硬件执行。分析围绕 RMSNorm 的逐项运算、内置融合内核和 torch.compile 三种实现展开。
#教程/实践
Hugging Face BlogAI 评分3636
Latent Space精选AI 评分7676 Claude Mods 如何让智能体运行框架转向人的注意力
Dan McAteer 结合数周实践，分析 Claude Mods 如何通过可编程插件，把 Claude Code 的运行框架变成人与智能体协作的注意力界面。与 ChatGPT Intelligent UI 由模型生成界面、Cursor 按团队策略分配审查不同，Claude Mods 允许用户与 Claude 共同编写代码，决定何时提示、展示什么以及提供哪些操作。
推荐理由：通过对比 Claude Mods、ChatGPT 与 Cursor，文章将注意力界面的差异落在由谁设计交互方式这一层。
爱范儿AI 评分5353 实测 iPhone Duo 远程指挥 Mac Studio，搭建本地 AI 智能体工作流
APPSO 用 21499 元的 iPhone Duo 和 86749 元的 Mac Studio，搭建并实测了手机远程管理本地 AI 智能体任务的工作流。Mac Studio 通过 LM Studio 提供本地模型接口，由 DeepSeek Harness 规划任务、调用工具和操作文件，手机断连不会取消后台任务。
OpenAI NewsAI 评分4444 OpenAI 如何构建兼顾用户信任与相关性的 ChatGPT 新型广告技术栈
OpenAI 讲解了 ChatGPT 基于大语言模型的广告技术栈如何构建，以兼顾用户信任与广告相关性。该技术栈理解对话意图，将广告与回答分开，并支持大规模投放相关广告。
UX Collective精选AI 评分7171 AI 不在乎你的职位名称：用任务清单评估职业风险
Patrick Neeman 提出一套配有 Claude 提示词的五步方法，按实际任务而非职位名称评估 AI 替代风险。核心是检查任务成果能否用两句话描述、核验是否比制作更快，再按每周耗时加权，并让 Claude 尝试高暴露任务以检验实际输出。其余步骤包括审视职业阶段、深化领域知识和围绕决策重写作品集，建议每六个月重新评估，把时间转向需要本人判断的工作。
推荐理由：把职业风险拆成任务能否简述、产出能否快速核验两个问题，再按耗时加权，可将笼统的岗位焦虑转成具体的工作调整依据。
AWS Machine Learning BlogAI 评分3838 超越 KV cache：使用原生 PyTorch 在 AWS Trainium2 上训练和部署 i14 的 Laplace 3B 线性注意力模型
i14 与 AWS 讲解如何用原生 PyTorch 在 Trainium2 上训练和部署 Laplace 3B。模型每序列状态固定为 29.5 MB，不随上下文长度增长。单实例训练约每秒处理 120,000 tokens，推理在 1,280 路并发下每秒输出 11,544 tokens。
Simon WillisonAI 评分6868 Battle Drones 开发复盘：用 AI 编码构建支持音频联机的即时战略游戏
Simon Willison 复盘了用编码智能体开发 Battle Drones 的过程，这款浏览器即时战略游戏经过 12 次主要迭代和 321 次智能体提交，支持手机与桌面端。
AWS Machine Learning BlogAI 评分4343 通过 AWS 上的 Smartsheet MCP 为 AI 智能体提供工作流上下文
AWS 讲解如何通过 Amazon Quick 和 Kiro 连接已正式可用的 Smartsheet MCP Server，将项目数据接入 AI 智能体工作流。该服务提供超过 40 个工具，支持读取、写入和管理表格等数据。业务用户可用自然语言更新任务，开发者可在 IDE 内查看项目规格、更新状态并跟踪依赖。
AWS Machine Learning BlogAI 评分4343 如何在 AWS 上通过 Smartsheet MCP 为 AI 智能体提供工作管理上下文
AWS 演示如何将 Smartsheet MCP Server 接入 Amazon Quick 和 Kiro，让 AI 智能体在现有工作流中读取、更新和管理项目数据。该服务器已正式可用，提供超过 40 种工具，支持通过自然语言管理表格、行、列和自动化；两条接入路径分别面向业务团队和开发者。
AWS Machine Learning BlogAI 评分4444 从数据到决策：用 Amazon Quick 和 Amazon Bedrock AgentCore 构建对话式供应链智能
AWS 演示如何用 Amazon Quick 和 Amazon Bedrock AgentCore 构建对话式供应链工作流，并讲解部署方法。该方案通过 MCP 工具连接业务系统，支持中断评估、缓解建议和紧急询价，所有变更均需指定人员批准。示例将跨五个系统、耗时45–60分钟的流程缩为单一工具内的三次提示词交互，数分钟完成。
UX PlanetAI 评分2121 Claude Haiku 5.5、Sonnet 5.5 与 Opus 5.5：不同任务该选哪个模型？
Claude Haiku 5.5、Sonnet 5.5 与 Opus 5.5 的选型指南聚焦不同任务中的模型选择，涵盖产品设计、编程、原型制作、研究和日常工作。现有正文仅提供指南简介，未展示具体比较结果或各类任务的推荐模型。
GitHub Blog · AI & ML精选AI 评分6666 3 位 Java Champion 如何使用 GitHub Copilot 提高开发效率
3 位 Java Champion 分享了使用 GitHub Copilot 开发功能、迁移内容和排查缺陷的实践，强调提供上下文、验证结果并由开发者承担交付责任。
推荐理由：将需求澄清、任务专属验收关卡和确定性检查串成反馈闭环，为把智能体的快速执行转化为可维护的软件提供了可迁移方法。
Smashing MagazineAI 评分2525 用 CSS `random()` 函数拥抱趣味性的不完美设计
作者通过 CodePen 演示，探索 CSS `random()` 如何为网页排版、弹跳字母和卡片布局增添可控的随机效果。该函数无需 JavaScript 即可生成伪随机值，支持步长与缓存键，已在 Safari 提供，并正向 Chrome 156 推出。
GitHub Blog · AI & MLAI 评分5454 如何在 VS Code 中继续 GitHub Copilot app 会话
GitHub 介绍如何将 GitHub Copilot app 会话直接转入 VS Code，保留对话、代码改动和工作上下文并继续开发。在会话中选择 Open in VS Code，即可打开关联的工作树，在编辑器中逐行审查差异、继续与 Copilot 对话、手动修改代码并运行本地测试。完成后提交并推送原会话关联的分支，即可更新已有拉取请求，无需复制文件或手动重新关联。
Meta EngineeringAI 评分4343 GenRecs Tokenization：以稳定模型词表变革 Meta 广告推荐
Meta 的 GenRecs Tokenization 用稳定语义词表表示广告等项目，改进广告召回与排序。它融合内容与互动信号，帮助模型理解缺乏互动历史的新项目。与 GEM 和 Adaptive Ranking Model 配合后，广告转化量提升 +0.35%。
Meta Engineering精选AI 评分6565 Meta 如何通过精简编排器提高 AI 智能体可靠性
Meta 讲解薄编排器架构，将路由和可靠性检查留给确定性流程，把领域推理交给隔离上下文的专业 AI 智能体。其 1,300 行编排器将 20+ 个工作流分派给 14 个专业智能体，通过调整工作流模板复用现有智能体，并在运行时按需加载领域知识。新数据列的配置准备从人工操作的三至四天、此前配置驱动系统的约一天缩短至不到一小时，约三分之二的系统改动无需人工大幅修改即可落地。
推荐理由：将确定性路由与领域推理解耦，并通过工作流模板复用专家智能体，为复杂多步骤任务提供了可迁移的架构设计方法。
Meta Engineering精选AI 评分7575 深入 Meta Prometheus：吉瓦级超级集群的建设与可靠性工程
Meta 详解吉瓦级超级集群 Prometheus 的硬件、网络与可靠性工程，其第一阶段已完成并用于训练 Muse 基础模型。集群目前拥有数十万 GPU，正向约 1 million GPUs 扩展；Muse Wonder 预训练和强化学习运行的有效训练时间占比分别超过 85% 和 90%。
推荐理由：通过备用 GPU、分层故障恢复与逐项归因的工程实践，解释超大规模训练如何减少中断并提高有效吞吐量。
UX PlanetAI 评分2121 为 Claude Code 创建自定义技能：你需要了解的要点
Claude Code 自定义技能创建指南涵盖 SKILL.md 的理解，以及首个技能的构建、测试与优化。内容围绕创建自定义技能的实践流程展开，从理解文件到动手构建，再到测试和优化。
Smashing MagazineAI 评分5050 你的组织是否在错误地推进 AI 应用？
组织推进 AI 应用时，常将其视为技术部署，忽视员工的使用需求、工作动力和失业焦虑。有效的应用需要针对岗位的培训、持续支持与试验时间，并考虑通过职业发展、薪酬或缩短工时激励员工。组织还应支持已在尝试 AI 的员工分享经验，并营造允许犯错的环境，而非仅靠管理层要求推动使用。
Meta Engineering精选AI 评分6666 Meta 如何用 AI 原生工程构建 Forum
Meta 复盘了用 AI 智能体构建独立群组应用 Forum 的工程实践，小团队在八周内实现了与 Facebook Groups 核心功能对齐。团队将规划、构建、测试和验证纳入智能体循环，通过直接读取应用状态的工具和隔离原型代码的构建方案支持开发，同时保留工程师对架构、产品目标和上线结果的决策与签核。
推荐理由：这份工程复盘给出了可迁移的实践路径，将自动验证、可直接检查的环境状态和构建隔离纳入智能体开发流程，而非只改提示词。
Meta EngineeringAI 评分2727 2026 世界杯：Meta 流量纪录、峰值曲线与大规模可靠性保障
Meta 复盘世界杯期间多平台流量破纪录及基础设施保障，WhatsApp 在决赛期间每秒消息量超过 30 million，创平台纪录。流量峰值主要出现在比赛间歇，系统通过预留容量、自动扩容和分国家降级吸收冲击。WhatsApp 提前对超过 100 项内部服务进行负载测试，赛事期间未暂停持续部署。
Google DeepMindAI 评分4545 如何用 Google Antigravity 加速抗菌肽搜索
Google DeepMind 演示了生物学家如何用 Google Antigravity 筛选新型抗菌肽候选物，所获候选物正接受湿实验验证。流程结合 ProtNLM 功能预测、跨数据库检索与结构分析，将原需数天的筛查压缩为一次协作会话。此次新增的 Biomolecular Structure Viewer 支持研究人员与 AI 智能体共同查看、标注蛋白质三维结构。
Apple Machine Learning精选AI 评分6161 如何用 MLX 与 RDMA 在 Mac Studio 上运行本地及分布式大语言模型推理
Apple 演示使用 MLX 与 Thunderbolt RDMA 在 Mac Studio 上运行本地及分布式推理，四台 M5 Ultra 以张量并行运行 Muse Spark Open，在 8,192 tokens 上下文下达到 36.73 tokens/s。
推荐理由：通过同一组模型的单机与多机测试，对比流水线并行和张量并行在首 token 延迟、生成速度及通信开销上的差异。
GitHub Blog · AI & MLAI 评分5656 GitHub 解读密钥检测模型：如何用 ModernBERT 减少误报与扫描成本
GitHub 详解密钥扫描管线，以正则筛选候选字符串，再由微调的 ModernBERT 结合上下文区分真实凭据与非敏感字符串。相比此前的 LLM 管线，新管线的提交后扫描执行时间中位数降低 86%，服务成本降低超过 98%，并使通用密钥检测得以扩展至推送保护。离线评估的精确率提高 13%、召回率提高 19%；客户 A/B 实验中，按仓库所有者加权的告警接受率提高 11.5%。
Google DeepMind精选AI 评分7575 Google DeepMind 推出面向机器人任务的 Gemini 4 Argon
Google DeepMind 推出 Gemini 4 Argon，展示机器人控制、Real2Sim、物理理解和自我改进四类应用，在 ERQA 物理空间推理基准上取得 87%。
推荐理由：从真实场景重建仿真、生成训练数据再回到实体机器人评估，文中案例提供了将物理推理接入机器人训练流程的具体路径。
GitHub Blog · AI & MLAI 评分5959 GitHub Copilot app 入门：如何让 Copilot 了解你的代码库
GitHub Copilot app 入门教程讲解如何结合自定义指令、智能体技能、自定义智能体与 MCP 服务器，让 Copilot 按项目规范工作。
Anthropic Engineering精选AI 评分7272 Anthropic 重设计源码管理的工程实践：从 git 迁移至 Scion
Anthropic 详解内部版本控制系统 Scion 的设计与迁移实践，以应对日均代码合并量从 2026 年 5 月约 2,500 次增至 9 月超过 30,000 次的负载。
推荐理由：将客户端始终在线作为设计前提，把历史查询与合并计算移至服务端，为应对智能体海量代码变更提供了可迁移的架构思路。
Nielsen Norman GroupAI 评分3333 同理心地图：设计思维的第一步
同理心地图帮助 UX 团队可视化用户态度与行为，建立对用户需求的共同理解，并识别现有研究的数据缺口。它以言语、想法、行为和感受 4 个象限呈现单个用户或同类用户群体的状态；即使研究不足也可绘制，但必须明确区分证据与假设。
GitHub Blog · AI & MLAI 评分4343 AI 正在改变开发者工作：GitHub 建议强化的三项技能
GitHub 建议开发者强化三项技能：指导 AI 智能体、审查 AI 输出，以及利用节省的实现时间解决更大问题。GitHub Copilot 内置的 Rubber Duck 智能体会用第二个模型审查计划、代码和测试，但开发者仍需自行判断。随着 AI 承担更多实现工作，开发者应更重视客户需求、架构权衡与技术决策。
GitHub Blog · AI & MLAI 评分5858 GitHub Copilot app 入门：如何用 canvases 构建自定义工作流
GitHub Copilot app 的 canvases 教程演示了如何通过 /create-canvas 技能，用自然语言创建用户与智能体共享的自定义工作流界面。描述需明确工作流、用户操作和智能体操作，生成后可继续调整，并保存为项目共享或个人扩展。用户与智能体的修改会即时反映在共享状态中，无需额外发送或同步，也可从 Awesome Copilot 安装现成扩展后再定制。
Nielsen Norman Group精选AI 评分7272 AI 使用何时应披露？Nielsen Norman Group 提出 PACED 框架
Nielsen Norman Group 总结研究并提出 PACED 框架，从政策、受众、场景、用户预期和 AI 贡献程度五方面判断是否披露 AI 使用。研究显示，AI 披露对信任、真实性和质量的影响并不一致；当内容依赖真诚、创造力或个人判断时，负面反应可能更明显。EU AI Act 的相关透明度义务已于 2026 年 8 月开始实施，文章建议在可能被第三方披露时优先考虑主动披露。
推荐理由：文章将分散的 AI 披露研究归纳为 PACED 五因素框架，帮助内容团队结合政策、受众与 AI 参与程度作出披露决策。
Nielsen Norman GroupAI 评分4848 AI 如何运作、用户如何看待它：Nielsen Norman Group 学习指南
Nielsen Norman Group 汇集文章、视频和播客资源，帮助读者理解 AI 的运作方式及用户对它的认知。指南涵盖模型训练、模型幻觉、提示词交互模式、信任与拟人化，以及信息查找和搜索行为，强调准确的心智模型有助于提高使用效率、避免问题。
Mistral AI精选AI 评分6464 Mistral AI 复盘如何用 AI 智能体迁移复杂遗留代码
Mistral AI 复盘了协助一家欧洲能源运营商将 40,000 行 Fortran 77 储层模拟代码迁移到 C++ 的实践。团队先建立数值一致性验证框架并整理文档，在尝试全自主迁移和多智能体协作后，采用人工监督编码、测试和审查智能体逐模块迁移的流程。首轮覆盖总计 300,000 行代码中的核心功能，原代码可独立运行；依赖外部系统或缺少可运行基线的迁移不在本次讨论范围内。
推荐理由：案例将数值一致性验证、文档整理和人工审查串成迁移流程，为复杂遗留系统如何划分智能体职责提供了可迁移的方法。
One Useful Thing精选AI 评分7676 ChatGPT、Claude 与 Gemini 怎么选？Ethan Mollick 的 AI 实用指南
Ethan Mollick 结合亲身实测给出 AI 选用指南，建议低风险聊天按偏好选择，实际工作优先考虑 ChatGPT 或 Claude 的智能体工具。指南比较了云端与本机智能体，并展示邮件备课、核查书稿和操作 Blender 等任务；他报告 GPT-5.6 Sol 在 Codex 中用 30 分钟追查了 195 条参考文献，且未发现其反馈有错误。
推荐理由：通过区分云端与本机智能体的工作方式，并展示邮件权限设置造成的不同结果，这份指南为任务委派提供了具体的比较依据。
Anthropic Engineering精选AI 评分7878 Anthropic 如何在不同产品中隔离 Claude 并限制风险范围
Anthropic 详解 claude.ai、Claude Code 和 Claude Cowork 的隔离架构，以及限制智能体潜在破坏范围的工程经验。三者分别采用临时容器、结合人工监督的沙箱和本地虚拟机；Claude Code 用户批准了约 93% 的权限请求，引入操作系统级沙箱后，权限提示减少了 84%。
推荐理由：通过权限疲劳与获准域名泄露的案例，提供按用户监督能力选择隔离强度、并将网络白名单视为能力授权的设计思路。
Berkeley AI ResearchAI 评分3737 自适应并行推理：高效推理扩展的下一种范式分析
Berkeley AI Research 梳理并行推理进展，分析让模型自主决定何时拆分任务、启动多少并发线程及如何协调的自适应并行推理。现有方法多由外部预设并行结构，难以适应不同问题；顺序推理则面临延迟增长与上下文累积导致的性能退化。
Anthropic Engineering精选AI 评分7373 Claude Managed Agents 如何通过解耦“大脑”与“双手”实现扩展
Anthropic 详解 Claude Managed Agents 的架构，将 Claude 及其运行框架、执行沙箱和会话日志解耦，使各组件能独立替换与故障恢复。持久化会话日志支持按需检索历史上下文，凭据隔离与代理机制避免沙箱中的代码直接接触认证凭据。沙箱改为按需配置后，无需立即使用沙箱的会话可直接开始推理，p50 首 token 延迟（TTFT）降低约 60%，p95 降低超过 90%。
推荐理由：将运行循环、执行环境与事件日志拆成独立接口，为长时运行智能体提供了可迁移的故障恢复设计，也让上下文管理能随模型演进。
Anthropic Engineering精选AI 评分7979 Anthropic 如何构建 Claude Code auto mode，让跳过权限确认更安全
Anthropic 详解 Claude Code auto mode 的设计，通过输入层提示词注入探测和执行前动作分类，减少人工审批并拦截超出用户授权的危险操作。
推荐理由：通过区分危险动作识别与用户授权判断，文章揭示了自动审批的关键边界，可帮助判断哪些任务适合交给分类器审批。