精讲 1
技术OpenAI Blog本周精选70/100
今天这期 AIWatch 早报围绕「product、tips、Anthropic」展开，先用一段导语把当天主线收束起来，再按今日头条、推荐精选和补充速览逐条介绍。聚焦 20 · 关注 0 · 跟进 10。
如果只有 20 分钟，先读：OpenAI 发布分析报告，指出 SWE-Bench Pro 编码基准测试存在可靠性问题，引发对 AI 模型评估准确性的担忧 → OPC Skills：面向"一人公司"的 Agent Skills 开源库 # 10 个 Skills 分为 4 类，累计 51K+ 次安装 ① 市场调研层 · requesthunt（v2.3.0，最活跃）：从 Reddit ... → OpenAI 发布了新一代语音模型 GPT-Live，用于增强 ChatGPT 语音交互的自然度。
今天的主线不是孤立新闻，而是「product、tips、Anthropic」在不同层面的同步推进。
正文内容概括OpenAI 发布分析报告，指出 SWE-Bench Pro 编码基准测试存在可靠性问题，引发对 AI 模型评估准确性的担忧。该发现对开发者评估 AI 编码能力的方法提出了挑战。
核心观点提炼高信息密度，值得细读
正文内容概括OPC Skills 发布面向一人公司的 Agent Skills 开源库，包含10个技能分4类，累计51K+次安装，覆盖市场调研、数据采集、设计生产和增长基建。
核心观点提炼常规快讯，保留列表
正文内容概括OpenAI 发布了新一代语音模型 GPT-Live，旨在提升 ChatGPT 语音交互的自然度。该模型现已用于 ChatGPT Voice 功能，为开发者提供了更流畅、更接近真人对话的语音交互能力。
核心观点提炼高信息密度，值得细读
正文内容概括开发者 dax 透露 GPT-5.6 模型发布，团队使用量激增 5 倍，强调其可靠性和易用性。
核心观点提炼常规快讯，保留列表
正文内容概括Sakana AI 的 Fugu 和 Fugu-Ultra 通过动态模型编排实现接近 SOTA 的基准性能，不依赖单一提供商。
核心观点提炼常规快讯，保留列表
正文内容概括OpenRouter 在聊天室中推出了一键零数据保留功能，允许用户以完全隐私的方式并排比较模型。
核心观点提炼常规快讯，保留列表
正文内容概括Google AI Studio 新增从 GitHub 导入项目并同步回传的功能，简化了开发工作流。
核心观点提炼常规快讯，保留列表
正文内容概括用户称赞 Grok 4.5 在单智能体迭代中优于 Opus，Cursor 宣布与 SpaceXAI 合作训练该模型，称其为迄今最强大的模型。
核心观点提炼常规快讯，保留列表
正文内容概括Anthropic 成员基于 Claude Code 团队经验，提出未来 AI 产品团队的五种角色原型：原型师、构建者、清扫者、增长者、维护者。
核心观点提炼常规快讯，保留列表
正文内容概括Anthropic 将举办线上直播，展示从单用户 Claude Code 到多用户 Claude Tag 的演进过程，并深入讲解其在 Slack 中的工作机制。
核心观点提炼常规快讯，保留列表
正文内容概括Claire Vo 通过视频教程演示了如何使用 ClaudeDevs SDK 构建自定义 harness 来管理 Sentry 错误，实现自动化修复。
核心观点提炼常规快讯，保留列表
正文内容概括Fireworks AI 发布 GLM 5.2 Fast 模型，以约 400 tok/s 速度将原定 1 个月的项目在 4 天内完成，强调高速推理对开发效率的提升。
核心观点提炼常规快讯，保留列表
正文内容概括Modal CTO 探讨 AI 基础设施为 Agent 体验而演进的必要性，分享构建新 Agent 云的经验与见解。
核心观点提炼常规快讯，保留列表
正文内容概括Anthropic 发布了一小时 AI 构建工作坊，讲解为何放弃提示工程、自修复系统构建及单人替代五人团队的方法。
核心观点提炼常规快讯，保留列表
正文内容概括Addy Osmani 提出工程师应守住 AI 代码生成的外环问责，强调质量、裁决与可交代性，并指出信任-验证缺口与认知成本。
核心观点提炼常规快讯，保留列表
正文内容概括Anthropic 与 AE Studio 合作提出 GRAM 训练方法，将双用途能力（如病毒学知识）放入可移除模块，以平衡帮助与危险。
核心观点提炼常规快讯，保留列表
正文内容概括Anthropic 营销团队使用 Claude Cowork 自动化周报生成和活动搭建，将数天手动工作压缩至数小时，并分享了具体技能构建和验证流程。
核心观点提炼常规快讯，保留列表
正文内容概括Anthropic内部使用Fable 5的最佳实践指出，强模型时代瓶颈从模型能力转向用户能否在开工前挖掘所有未知，并提供了盲点扫描、多版原型、偏差日志等具体方法。
核心观点提炼低价值或偏离 AI-Dev
正文内容概括博主点评了关于编写 AI Agent Skill 的文章，指出人类引导 AI 写 Skill 最佳，强调技能应小而精、按需加载、针对模型薄弱领域并需测试。
核心观点提炼常规快讯，保留列表
正文内容概括SpaceXAI 确认将于今日发布 Grok 4.5，称其为 Opus 级别模型，但更快、更省 token 且成本更低。
核心观点提炼常规快讯，保留列表
本节暂无内容。
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
正文内容概括Anthropic 官方博客解释了 Claude Code 中模型选择与 effort 级别的区别，指导开发者根据任务复杂度选择模型和调整 effort 级别。
核心观点提炼常规快讯，保留列表
正文内容概括Anthropic 将 Claude Cowork 扩展到移动端和网页端，支持跨设备会话、后台持续运行和移动端审批，并延长了使用额度促销期。
核心观点提炼常规快讯，保留列表
正文内容概括在 Claude Fable 5 即将从订阅计划中移除的背景下，@EXM7777 提出了一套方法论，旨在将顶级模型的高价值判断与思考方式提纯为可永久复用的资产。核心是“可重做性测试”筛选标准，即判断任务是否依赖顶级模型的独特判断力。具体包括五个动作：将判断力植入工作区、进行顾问式审计、构建第二大脑、设置无人值守的高价值产出目标、以及安装思考方式记录器。这些方法帮助开发者和研究者将前沿模型的短暂能力转化为长期可用的资产。 核心观点： 1. 可重做性测试是核心筛选标准：能重做的任务（如建网站）跳过，不能重做的（依赖顶级判断力）才做。 2. 动作1要求将判断力写入CLAUDE.md，形成弱模型也能执行的标准化操作手册。 3. 动作5的思考方式记录器通过SKILL.md自动记录推理过程，实现资产的自动复利。
核心观点提炼高信息密度，值得细读
正文内容概括Claude 开发者团队分享了两种多智能体模式：Advisor（顾问）模式和 Orchestrator（编排者）模式，通过组合 Sonnet 5 和 Fable 5 实现接近顶级模型性能并大幅降低成本。Advisor 模式中 Sonnet 5 作为执行者，低频率调用 Fable 5 获取建议，在 SWE-bench Pro 上达到 Fable 5 约 92% 的性能，成本仅约 63%。Orchestrator 模式中 Fable 5 作为编排者规划并委派任务给多个 Sonnet 5 worker，在 BrowseComp 上达到 Fable 5 约 96% 的性能，成本仅约 46%。开发者可根据任务类型选择模式以优化性价比。 核心观点： 1. Advisor 模式在 SWE-bench Pro 上以 $1.40 成本实现 ~84% 准确率，相比纯 Fable 5 的 $2.25 成本节省约 37%。 2. Orchestrator 模式在 BrowseComp 上以 $18.53 成本实现 86.8% 准确率，相比纯 Fable 5 的 $40.56 成本节省约 54%。 3. Orchestrator 模式相比纯 Sonnet 5 准确率提升约 9 个百分点，成本仅增加约 $2.5。
核心观点提炼高信息密度，值得细读
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
正文内容概括Claude Code 官方提出「Loops」设计范式，将 Agent 工程从经验直觉提升为可复用设计语言。该范式定义了四种循环类型：Turn-based、Goal-based、Time-based 和 Proactive，每种类型由触发、停止、工件和适用场景四个变量确定。文章还强调了关键工程实践，如自验证、事件驱动优先、模型分级路由等。对开发者而言，这提供了一套系统化的 Agent 设计方法论，有助于提升复杂任务的自动化程度和可靠性。 核心观点： 1. 四种循环类型（Turn-based、Goal-based、Time-based、Proactive）由触发、停止、工件、适用场景四个变量确定，可组合使用。 2. Goal-based 循环的有效性取决于退出标准的可确定性，确定性指标（如测试通过数、分数阈值）效果最好。 3. Proactive 循环中，模型分级路由是关键成本控制手段：routine 用小模型，判断性决策用最强模型。
核心观点提炼高信息密度，值得细读
正文内容概括Lilian Weng 系统梳理了通过 Harness Engineering 推动 AI 递归式自我改进（RSI）的方法。她认为 RSI 短期内不会从模型直接重写权重开始，而是从模型改进其部署系统（harness）开始。文章归纳了 Workflow Automation、File System as Persistent Memory、Sub-agent & Backend Jobs 三类基础设计模式，并深入探讨了 Context Engineering、Workflow Design、Self-Improving Harness、Evolutionary Search 等优化路径。最后指出了评估器弱、记忆退化、多样性坍缩等七大瓶颈。对开发者而言，这提供了从系统设计角度实现 AI 自我改进的实用框架。 核心观点： 1. STOP 递归改进在 GPT-4 上有效，但在 GPT-3.5/Mixtral 上反而退化，说明基座模型强度是关键前提。 2. Self-Harness 通过 weakness mining、bounded edits 和 held-in/held-out 双重回归测试，能学到 model-specific 指令。 3. Darwin Gödel Machine 在 SWE-bench Verified 上从 20% 提升到 50%，但仅在评估易量化的领域有效。
核心观点提炼高信息密度，值得细读
正文内容概括Anthropic 联合创始人 Ben Mann 及团队回顾了 Claude Code 从 2022 年 VS Code 插件到命令行工具的研发历程。早期模型在智能体编程上表现糟糕，团队通过强化学习训练逐步突破，解决了 bash 工具、代码执行环境等关键问题。2024 年 Labs 团队成立后，Boris Cherny 将内部工具 clide 重构为 Claude CLI，最终演变为 Claude Code。该历程揭示了强化学习训练和智能体架构在编程自动化中的核心作用。 核心观点： 1. Claude Code 的智能体能力源于 2022 年搭建的强化学习代码库，从简单函数编写逐步升级到自主软件工程。 2. 早期 clide 工具已支持并发启动 100 个 Claude Haiku 处理超上下文窗口的代码库。 3. Boris Cherny 在两天内用 API 原型出 Claude CLI，核心元素已包含截图读取 Apple Music 等自主操作。
核心观点提炼高信息密度，值得细读
正文内容概括Sakana AI 发布了翻译功能 Sakana Translate，支持日英中双向翻译并可转换为口语、简洁、大阪方言等风格。
核心观点提炼常规快讯，保留列表
摘要由 LLM 生成，请以原文为准。