精讲 1
产品Meng Shao @shao__meng本周精选67/100
正文内容概括Google 工程负责人 Addy Osmani 开源了 Agent Skills 项目，旨在解决 AI 编码智能体默认走捷径、产出不可靠代码的问题。该项目将资深工程师的生产级工程纪律固化为一个六阶段生命周期（DEFINE → PLAN → BUILD → VERIFY → REVIEW → SHIP）和 24 个可执行的技能，强制智能体遵循规格、测试、评审等流程。对开发者而言，这提供了一套可复用的工程化框架，能显著提升 AI 生成代码的质量与可靠性。
核心观点：
1. doubt-driven-development 技能通过 CLAIM → EXTRACT → DOUBT → RECONCILE → STOP 流程，针对高代价决策进行对抗性复盘，并支持跨模型升级。
2. source-driven-development 技能要求框架决策必须引用官方文档并标注未验证项，直接对抗 LLM 编造 API 的问题。
3. deprecation-and-migration 技能将代码视为负债，并配套强制与建议性弃用模式及僵尸代码清除机制。
核心观点提炼高信息密度，值得细读
产品AI Agent工程纪律工作流代码质量开源
精讲 2
产品Anthropic Newsroom当日精选64/100
正文内容概括阿尔伯塔省政府使用Claude Code在20小时内扫描4.66亿行代码并修复安全漏洞，将原本需数年的工作大幅缩短。
核心观点提炼常规快讯，保留列表
产品
精讲 3
产品Sakana AI @SakanaAILabs当日精选54/100
正文内容概括Sakana AI 发布了支持日语、英语、中文的翻译工具 Sakana Translate，具备实时长文本翻译、语气润色和词义澄清功能。
核心观点提炼常规快讯，保留列表
产品
精讲 4
产品OpenRouter @OpenRouter当日精选63/100
正文内容概括OpenRouter 发布 MCP 方案，声称在保持可比质量下将推理成本降低 24 倍。
核心观点提炼常规快讯，保留列表
产品
精讲 5
技术Meng Shao @shao__meng当日精选65/100
正文内容概括SemiAnalysis 指出 Agentic Coding Harness（如 Claude Code、Codex、OpenCode）本质是上下文编排工具，而非智能本身。其核心机制基于 LLM 的无状态特性，通过 REST 循环和 JSON Schema 实现：Harness 在每轮请求中组装系统提示、工具定义和消息历史，通过 HTTP POST 调用 LLM，模型返回工具调用意图后由本机执行并回填结果。不同 Harness 的差异仅在于上下文管理策略和 TUI/UX 设计，智能上限由底层模型决定。
核心观点：
1. LLM 无状态，Harness 必须在每轮请求中完整重建系统提示、工具定义和消息历史。
2. 工具执行发生在用户本机，LLM 仅返回 JSON 意图，攻击面在于本机执行环节。
3. 不同 Harness（Claude Code、Codex、OpenCode）的差异仅在于上下文管理策略和 TUI/UX，不决定智能上限。
核心观点提炼高信息密度，值得细读
技术Agentic Coding HarnessLLM 无状态REST 循环JSON Schema上下文管理
精讲 6
产品Sakana AI @SakanaAILabs当日精选57/100
正文内容概括Sakana AI 发布了 Sakana Translate 翻译工具，支持日英中双向翻译，强调对日语敬语、文化概念和网络俚语的语境与语气处理。
核心观点提炼常规快讯，保留列表
产品
精讲 7
产品宝玉 @dotey当日精选54/100
正文内容概括Evan Wang 发布了 PocketJS，将 QuickJS 移植到索尼 PSP，结合 SolidJS 和 Vue Vapor 实现 8MB 内存下 60fps 动画。
核心观点提炼常规快讯，保留列表
产品
精讲 8
产品Sakana AI @SakanaAILabs当日精选60/100
正文内容概括Sakana AI 发布了免费翻译功能 Sakana Translate，支持日英中互译，能保留敬语和网络俚语的语气。
核心观点提炼常规快讯，保留列表
产品
精讲 9
产品Sakana AI @SakanaAILabs当日精选49/100
正文内容概括Sakana AI 在 Sakana Chat 中发布了新功能 Sakana Translate，支持日英中三语双向翻译。
核心观点提炼常规快讯，保留列表
产品
精讲 10
产品Meng Shao @shao__meng当日精选64/100
正文内容概括腾讯正式开源 Hy3 模型，采用 295B/A21B MoE 架构与 256K 上下文窗口。相比预览版，任务成功率从 72% 提升至 90%，执行效率平均缩短 34%，文档处理 token 节省 47.4%，PPT 制作节省 49.0%（对比 GLM-5.2）。该模型已在元宝、ima、QQ 浏览器、微信读书、腾讯文档等产品中应用，形成数据循环强化。对开发者而言，Hy3 开源提供了高性价比的 MoE 大模型选择。
核心观点：
1. Hy3 采用 295B/A21B MoE 架构，上下文窗口达 256K。
2. 相比 Hy3 preview，任务成功率从 72% 提升至 90%，执行效率平均缩短 34%。
3. 文档处理 token 节省 47.4%，PPT 制作节省 49.0%（对比 GLM-5.2）。
核心观点提炼高信息密度，值得细读
产品MoE开源上下文窗口成本优化腾讯
精讲 11
技巧宝玉 @dotey当日精选61/100
正文内容概括Claude Code 团队成员 Thariq 分享了使用 Fable 5 模型的三个工作方式改变：将其视为思维伙伴、设定目标与验证方法、以及更有野心。
核心观点提炼常规快讯，保留列表
技巧
精讲 12
技术Meng Shao @shao__meng当日精选62/100
正文内容概括LandingAI 提出先分类后抽取的文档解析范式，通过逐页分类和对应 schema 抽取，解决传统盲抽的痛点，并引入视觉定位增强可追溯性。
核心观点提炼常规快讯，保留列表
技术