Anthropic 工程团队发布文章，系统讲解如何为 AI 智能体设计评测，涵盖任务、trial、评分器、transcript、outcome 等核心概念，以及代码、模型、人工三类评分器的组合方式。文章区分能力评测与回归评测，并分别给出编码智能体和对话智能体的评测方法，例如 SWE-bench Verified 与 Terminal-Bench 的确定性评分思路。文中还建议以评测驱动开发，由专门团队维护核心基础设施、产品与领域专家贡献评测任务，并附录了 Harbor、Braintrust、LangSmith、Langfuse、Arize 等评测框架。
匹配字段标题、摘要、正文
Anthropic 工程博客介绍了让 Claude Agent SDK 跨多个上下文窗口持续工作的两段式方案：首个会话由 initializer agent 搭建环境，包括 init.sh 脚本、claude-progress.txt 进度日志和初始 git commit，后续每个会话由 coding agent 只推进一个功能并留下结构化更新。文章指出，即便 Opus 4.5 在 Claude Agent SDK 上循环运行，仅给高层提示也会出现一次性做完整个应用和过早判定完成两类失败，因此用 JSON 格式的功能清单标记 passes 状态，并要求智能体用 git 提交和进度文件保持环境整洁。测试环节需显式提示使用浏览器自动化工具做端到端验证，作者也提到 Claude 视觉与浏览器自动化工具的限制仍会漏掉部分 bug。
匹配字段标题、摘要、正文
Anthropic 工程博客提出用代码执行替代直接工具调用，把 MCP 服务器呈现为文件系统上的代码 API，让智能体按需加载工具定义并在执行环境中过滤数据。文中给出的 Google Drive 到 Salesforce 示例把 token 用量从 150,000 降到 2,000，节省 98.7%。文章还介绍了渐进式披露、结果过滤、隐私保护与状态持久化等做法，并提醒运行智能体生成的代码需要沙箱、资源限制和监控。
匹配字段标题、摘要
Anthropic 应用 AI 团队撰文提出上下文工程，将其视为提示词工程的延续，核心是在 LLM 有限的注意力预算内挑选最小的高信号 token 集合。文章指出随着上下文 token 增多，模型准确召回信息的能力会下降，即上下文衰减，因此系统提示词、工具、示例和消息历史都应保持信息充分而紧凑。针对长周期任务，文章介绍了压缩、结构化笔记和多智能体架构三种绕开上下文窗口限制的做法，并提到 Claude Code 采用即时检索与预加载结合的混合策略。
匹配字段标题、摘要、正文
Anthropic 工程团队发布文章，介绍为 LLM 智能体编写高效工具的流程：先搭建工具原型并在本地测试，再用贴近真实场景的评测任务衡量表现，最后借助 Claude Code 分析评测记录并迭代改进。文章给出的原则包括只实现少量针对高价值工作流的工具、用命名空间区分功能边界、只返回高信号上下文、通过分页与截断控制 token 消耗，以及像向新同事介绍那样提示词工程化地写工具描述。文中提到 Claude Code 默认将工具响应限制在 25,000 tokens，并称在精确改进工具描述后 Claude Sonnet 3.5 在 SWE-bench Verified 上达到 SOTA。
匹配字段标题、摘要、正文
Anthropic 工程团队公开了 Claude Research 功能背后的多智能体架构：由主智能体规划并派生并行子智能体搜索，采用 orchestrator-worker 模式。内部评测显示，以 Claude Opus 4 为主智能体、Claude Sonnet 4 为子智能体的多智能体系统在内部研究评测上比单智能体 Claude Opus 4 高出 90.2%，但多智能体系统消耗的 token 约为普通对话的 15 倍。文章还给出提示词设计、工具描述、LLM-as-judge 评估以及生产环境可靠性方面的具体经验。
匹配字段标题、摘要、正文
Anthropic 介绍 think 工具，它让 Claude 在生成回复过程中插入一个专门的思考步骤，用于处理工具返回结果、遵循复杂策略和多步顺序决策。在 τ-bench 客服场景中，航空领域配合优化提示词后 pass^1 从基线 0.370 提升到 0.570，零售领域单用 think 工具达到 0.812；SWE-bench 中加入该工具使表现平均提升 1.6%，助力 Claude 3.7 Sonnet 取得 0.623 的 SOTA 分数。文章给出 think 工具的定义示例、优化提示词写法，并指出非顺序工具调用和简单指令遵循场景不会带来提升。
匹配字段标题、摘要
Anthropic 工程博客总结与数十个团队共建 LLM 智能体的经验，指出最成功的实现并未使用复杂框架，而是采用简单可组合的模式。文章区分了由预定义代码路径编排的工作流与由 LLM 自主决定流程和工具使用的 Agent，并给出提示词链、路由、并行化、编排者-工作者、评估者-优化者五种工作流模式及各自适用场景。作者建议从直接调用 LLM API 和简单提示词起步，仅在简单方案不足时才增加多步智能体系统的复杂度，并强调工具文档与 agent-computer interface（ACI）的设计投入应与 HCI 相当。
匹配字段标题、摘要、正文
Anthropic 提出 Contextual Retrieval 方法，通过 Contextual Embeddings 和 Contextual BM25 两项子技术，将 top-20 检索失败率降低 49%（5.7% 降至 2.9%），叠加 reranking 后降低 67%（5.7% 降至 1.9%）。该方法用 Claude 3 Haiku 为每个分块生成 50-100 token 的上下文说明，再拼接到分块前进行嵌入和建立 BM25 索引，配合 prompt caching 时生成上下文化分块的一次性成本为每百万文档 token 1.02 美元。Anthropic 同时提供了可直接部署的 cookbook。
匹配字段标题、摘要
Artificial Analysis 在 Coding Agent Index v2.0 中实测 GitHub Copilot 的 Copilot Fusion，其每任务成本为 5.59 美元，而 Claude Code 搭配 Opus 5.5（max）为 11.42 美元，性能仅低 2 分。Copilot Fusion 是运行时编排系统，在 Claude Opus 5.5、Claude Sonnet 5.5、GPT-6 Astra 和 GPT-6 Sol 等 Anthropic 与 OpenAI 模型间选择协调。它在 Terminal-Bench 4.0 上以 71 分领先，FrontierCode 得 51 分排第三，每任务使用 7.2M tokens，约为 Claude Code 中 Opus 5.5 的一半。
匹配字段摘要、正文
Linux 稳定内核在 10 月 11 日和 15 日修复了 IPv4 TCP 握手路径中的释放后使用漏洞 CVE-2026-98432，内核 CNA 评为 CVSS 3.1 9.8 严重，影响 4.4 及之后的版本。截至 10 月 29 日，Ubuntu 各版本内核仍标记为受影响，RHEL 8、9、10 与 Amazon Linux 2 默认内核尚无修复。Anthropic 称其 Claude 模型在实验室写出了针对带 multipath TCP 监听器服务器的远程 root 利用代码，但未公开。
匹配字段摘要
ARC Prize 公布 Anthropic 的 Claude Sonnet 5.5 在 ARC-AGI 各代基准上的成绩：ARC-AGI-3 在 provider adapter harness 下为 72.4%、成本 8.2K 美元，在标准 harness 下为 24.3%、成本 7.4K 美元；ARC-AGI-2 为 83.9%、每任务 0.55 美元；ARC-AGI-1 为 96.5%、每任务 0.14 美元。ARC Prize 称 Sonnet 5.5 在 ARC-AGI-3 上的 72.4% 值得关注。
匹配字段摘要、正文
这篇教程介绍用 AI 从 0 到 1 搭建个人网站或产品落地页的两步工作流：先建一份飞书文档作为单一事实源，存入个人介绍、项目案例和服务清单，让 AI 通过飞书命令行工具读取，改文字后网页可自动同步；再拆零件式给参照，从现成设计站扒代码、截图或提炼风格关键词喂给 AI 组装。作者按 8 个工序整理了近 70 个网站，涵盖 shadcn/ui、Aceternity UI 等组件库，Motion、GSAP、Three.js 等动效资源，Godly、Land-book、Awwwards 等整站审美站，以及 v0、Lovable、Google Stitch 等 AI 建站工具和 Anthropic 的 frontend-design 等 4 个设计 Skill。文中提醒参考交互风格和调用开源组件没问题，但不要原样搬运他人整站视觉原图、品牌配图和文案，商用前需确认授权协议，Tailwind Plus 和 Mobbin 完整版为付费订阅。
匹配字段摘要
一份 AI 建个人网站的实战教程给出两步工作流：先建飞书文档作为内容底稿，让 AI 通过飞书命令行工具读取，改文档即可同步页面；再从现成设计站扒组件、动效和排版喂给 AI 组装。作者按 8 个工序整理了近 70 个站点，包括 shadcn/ui、Aceternity UI、Magic UI 等组件库，Motion、GSAP、Three.js、Spline 等动效工具，Godly、Land-book、Awwwards 等整站灵感站，以及 v0、Lovable、Google Stitch 等 AI 建站工具和 Anthropic 的 frontend-design 等 4 个设计 Skill。文中提醒参考交互风格和调用开源组件可以，但不要整站搬运视觉原图和文案，商用前需看清授权协议，Tailwind Plus 和 Mobbin 完整版为付费订阅。
匹配字段摘要、正文
作者在智能体修 bug、故障排查和长会话记忆三项任务上对比了 Meta 的 Muse Wonder 与 Anthropic 的 Claude Fable 5.1。Muse Wonder 在故障排查中与 Fable 5.1 同为 10 分，修 bug 拿到 6 项隐藏测试中的 5 项，记忆任务 25 分满分；Fable 5.1 因 cyber 安全过滤拒绝了记忆测试 50 轮中的 34 轮，该项得 0 分。尽管 Meta 标价每百万 token 输入 4 美元、输出 20 美元，低于 Fable 5.1 的 10 美元和 50 美元，但 Muse Wonder 单任务消耗 token 更多，三项测试总成本 2.24 美元，高于 Fable 5.1 的 1.85 美元。
匹配字段摘要、正文
Anthropic 的 Claude Code 团队公开了其代码审查流程：把大部分阅读交给机器，人工只处理高风险决策。团队称 6 月到 9 月合并的 PR 数量翻倍以上，回滚比例下降超过 40%；内部 PR 获得实质审查意见的比例从 16% 升到 54%。流程分六层，包括提交前用测试和子智能体验证、每个 PR 的 Claude 审查、可阻断的安全审查、自动化检查、按风险分级的人工批准，以及合并队列和快速回滚。
匹配字段摘要、正文
Artificial Analysis 的 Coding Agent Index 显示，Anthropic 的 Sonnet 5.5 在 Claude Code 中以 max 档拿到 68 分登顶，xhigh 档为 63 分。单任务成本从 max 的 14.19 美元降至 xhigh 的 3.33 美元，降幅 77%，代价是少 5.5 个 Index 分。max 档输出 token 量为 xhigh 的 4.8 倍、轮数为 3.4 倍，三项基准分数均有提升，其中 Terminal-Bench 4.0 从 58.1% 升至 66.2%。
匹配字段摘要、正文
Ethan Mollick 在 Gemini 4 发布前花了不少时间试用，认为它相比前代 Gemini 是大幅跃升，也是首个跨过 Fable/Mythos/Astra 门槛的非 OpenAI、非 Anthropic 模型，个性与品味明显区别于 Claude 或 Astra。在创意写作等方面它至少与 OpenAI、Anthropic 持平，但在复杂多智能体任务上落后，且倾向于对结论过于笃定、略显偷懒，Antigravity 工具链也不如竞品。他仍预计以 Gemini 4 为基础会带来模型能力的快速提升。
匹配字段摘要、正文
Image-to-WebDev Arena 更新显示，Anthropic 的 Claude Opus 5.5（Max）以 1749 分登顶，Claude Sonnet 5.5（xHigh）以 1740 分、9 分之差位列第二，两款模型均进入帕累托前沿。价格方面，Opus 5.5 的混合输入输出 token 价格为 $16/M，比第三名 GPT-6 Astra 的 $40/M 低 60%；Sonnet 5.5 为 $8/M，比 Opus 便宜 50%，且排名高于 GPT-6 Astra 而成本低 80%。该榜单评估模型从图像和截图生成网站的能力，以及涉及多步推理和工具调用的智能体编码工作流。
匹配字段摘要、正文
天体物理学家 Brice Ménard 与 Claude Science 合作，制作出首张完整的紫外天图。他引导 Claude 查找已有数据集、将其合并，并用统计推断补全天空未被观测的区域，这项工作原本需要人类数周，借助 Claude 只用了几天，且他同时还在处理其他项目。Anthropic 称这张图是实用的教学工具，也说明这类缓慢、低优先级的科研工作如今因 AI 变得可行。
匹配字段摘要