Arena 发布 Alignment Index，用于衡量 AI 智能体在真实使用中的安全与对齐表现，基于 27 个模型的 90K+ 真实智能体会话构建，考察越权行动、虚假归因和虚假完成三类信号。榜单中 OpenAI 的 GPT-6.1-Sol 以 87.9 分居首，Anthropic 的 Claude-Opus-5.5 为 83.2 分，SpaceXAI 的 Grok-4.7 为 82.7 分；OpenAI 在三项信号上的观测比率也最低，分别为 0.89%、1.98% 和 2.34%。Arena 表示各实验室的新模型普遍优于前代，且随着对话变长，失准风险会上升。
匹配字段摘要、正文
Anthropic 发布 Claude Code 云端会话实战指南，说明云端会话在独立虚拟机上运行，每个任务克隆仓库到新分支，可从 claude.ai/code、移动端、桌面端、终端和 Slack 启动，Pro、Max、Team、Enterprise 套餐无需额外付费。文章给出七个适用工作流，包括并行清理任务、反复验证修复、桌面规划云端构建、手机查看进度、处理 CI 失败与评审意见、用 routine 触发任务，以及运行不完全信任的代码。指南还说明 GitHub 连接需要登录授权和安装 Claude GitHub App 两项独立权限，并给出环境配置、网络级别和常见问题解答。
匹配字段摘要、正文
Hugging Face 的 Clément Delangue 宣布把 Claude Code、Codex、Hermes、Pi、opencode 等编码工具变成 RL 环境，不改动工具本身也不改动训练代码，全部开源。做法是用一个 capture proxy 伪装成模型 API，兼容 OpenAI Chat Completions、OpenAI Responses、Anthropic Messages、Gemini 四种格式，转发到 vLLM 并记录 token ID 与 logprobs，再交给 TRL 训练，目前已有 10 个工具接入且均未修改。在 LFM2.5-2.6B 上，单工具训练后 OpenCode 从 34% 提升到 58%，四工具同时训练后四者均提升（42% 到 54%），而用 Qwen3.8-27B 的 3,189 条 rollout 做 SFT 只停在 47.5%。
匹配字段摘要、正文
Arena 公布 Claude Sonnet 5.5 (Max) 在 Agent Arena 首次上榜即位列第 3，净提升 +12.5%，比排名第 13 的 Claude Sonnet 5 (High) 高出 8.1 个百分点。分类上它在 Chat 以 +15.6% 拿下第 1，高于 Fable 5.1 的 +11.49% 和 Opus 5.5 的 +10.29%。代价是成本更高，每任务中位成本 2.74 美元，比第 2 名 Claude Opus 5.5 (High) 的 1.58 美元高约 73%。Anthropic 模型目前占据 Agent Arena 前三名。
匹配字段摘要、正文
AWS 发布基于 Amazon Bedrock AgentCore 的 ambient agent 参考实现，让智能体由 Amazon S3 上传或定时任务等事件触发，而非等待用户发起对话。该实现通过单个 ask_human 工具和统一响应信封支持 Notify、Question、Review 等人工介入模式，信号上的 autoExecute 开关决定任务自动执行还是先由人工审核。平台由 Lambda、SQS、DynamoDB 和 React 前端组成，全部通过一个 AWS CDK 栈部署，示例默认使用 Anthropic Claude Sonnet 4.5。
AWS 发布基于 Amazon Bedrock AgentCore 的 ambient agent 参考实现，让智能体由 Amazon S3 上传或定时任务等事件触发，而非等待用户发起对话。该实现通过单个 ask human 工具和统一响应信封支持 Notify、Question、Review 等人工介入模式，信号上的 autoExecute 开关决定任务自动执行还是先由人工审核。平台由 Lambda、SQS、DynamoDB 和 React 前端组成，全部通过一个 AWS CDK 栈部署，示例默认使用 Anthropic Claude Sonnet 4.5。
匹配字段摘要、正文
Cerebras 发布 GLM 4.7 迁移指南，称其为 Z.AI 最新开源模型，在 LiveCodeBench 上超过 Anthropic 和 OpenAI 模型、仅次于 Gemini 3，并在 GPQA 和 AIME 上超过 Claude Sonnet 4.5。指南给出 10 条使用规则，包括把强制指令放在系统提示词最前、使用 MUST 等明确措辞、显式指定回复语言、为智能体设定角色，以及把任务拆成小步骤以弥补其不支持交错思考。在 Cerebras 上 GLM 4.7 支持约 131K 上下文和最多约 40k 输出 token，可通过 disable_reasoning 和 clear_thinking 控制推理，推荐 temperature=1、top_p=0.95，并兼容 OpenAI Python SDK。
Cerebras 发布 GLM 4.7 迁移指南，称其为 Z.AI 最新开源模型，在 LiveCodeBench 上超过 Anthropic 和 OpenAI 模型、仅次于 Gemini 3，并在 GPQA 和 AIME 上超过 Claude Sonnet 4.5。指南给出 10 条使用规则，包括把强制指令放在系统提示词最前、使用 MUST 等明确措辞、显式指定回复语言、为智能体设定角色，以及把任务拆成小步骤以弥补其不支持交错思考。在 Cerebras 上 GLM 4.7 支持约 131K 上下文和最多约 40k 输出 token，可通过 disable reasoning 和 clear thinking 控制推理，推荐 temperature=1、top p=0.95，并兼容 OpenAI Python SDK。
匹配字段摘要、正文
Anthropic 发布 Claude Code mods 入门教程，mod 是运行在 Claude Code 会话内的 JavaScript 或 TypeScript 文件，可监听事件、改写行为或绘制自定义 UI，本质是插件内的 hooks。教程从空文件夹构建约 80 行的 Token Weather，在提示词上方实时显示上下文窗口占用，并演示 Blast Radius 和 Replay Theater 两个更复杂的 mod。需要 Claude Code 2.1.287 或更高版本，mods 默认开启，完整代码在 anthropics/claude-code-playground。
匹配字段摘要、正文
Anthropic 在开发者博客中解释了 Claude Opus 5.5 的费用构成与 effort 档位选择，Addy Osmani 说明在 Claude Code 中执行 /usage 或 /cost 可查看会话的输入输出 token 数与估算费用，该金额按本机 API 单价估算，并非订阅账单。所谓 Opus 5 便宜 40% 是按默认设置、按 token 计费的典型任务推算，输入输出单价较 Opus 5 降 20%、缓存读取降 60%，但实际节省幅度因任务而异。Thariq Shihipar 给出档位参考：边确认边迭代用 low，常规功能实现用 medium，修 bug 等需验证的操作用 high，难任务自主推进用 max。
匹配字段摘要、正文
Anthropic 开发者博客发文解释 Claude Code 中 effort 的含义与档位选择，作者基于 Opus 5.5 和 Fable 5.1 的实测及 Terminal-Bench 3.0 结果给出建议。effort 用于调节模型在验证和边界情况测试上投入的算力，高 effort 更适合硬件、代码审查和安全等场景，但对模型方向本身错误的任务无效。作者给出的常规开发循环是让模型先访谈补全需求、用低 effort 实现、再在高 effort 上验证测试。
匹配字段摘要
Anthropic 发布 Opus 5.5 使用指南，说明它在 Claude 应用和 Claude Code 中的提示词写法、长任务引导和结果检查方法。指南建议一次性交代完整任务并写明完成标准，删除“think carefully”等要求思考的语句，因为 Opus 5.5 每次回复前都会自行决定思考量。长任务可在 CLAUDE.md 中规定何时停下询问、何时继续，并把任务清单写入文件以应对上下文窗口被填满后的摘要压缩。
匹配字段摘要
Claude 在文本生成的采样阶段引入密钥控制的锦标赛采样，为输出留下可检测的水印，无需重新训练 LLM。检测需要 Anthropic 掌握的密钥和水印函数，可在不重新运行 LLM 的情况下对文本评分；随机修改足够多的词可能移除水印。作者推测，规避水印的二次改写流程可能让文本质量下降。
匹配字段摘要、正文
Anthropic 总结了面向 Claude 5 代模型和 Claude Code 的上下文工程方法，称其删减超过 80% 的 Claude Code 系统提示词后，编码评测未出现可测量的损失。新方法强调让模型运用判断、设计更具表达力的工具接口，并通过 Skills、延迟加载工具和文件树渐进披露上下文。Claude Code 还提供 claude doctor，可用 /doctor 精简 Skills 和 CLAUDE.md 文件。
匹配字段摘要、正文
Browser Use 用开源 Browser Use 库在 BU Bench V1 上测试 Anthropic 的 Claude Fable 5，得分 80.0%，比第二名 GPT 5.5 高出 12 分。100 个任务中通过 80 个，20 个失败里 16 个判定错误、4 个触发 30 分钟超时，平均每任务耗时 6 分 53 秒，100 个任务 API 成本为 580.87 美元。Fable 的失败主要来自提取错误事实或选错实体、无法充分访问或搜索来源、答案缺乏轨迹支撑，与 GPT 5.5 常因多步骤任务未完成而失败的模式不同。
匹配字段摘要、正文
Anthropic 的 Claude Code 团队介绍了如何从模型视角设计、测试并持续调整智能体工具。团队用 AskUserQuestion 取代不稳定的文本格式方案，以 Task 替换限制模型协作的 TodoWrite，并从预索引 RAG 转向由 Claude 主动搜索代码库、通过技能渐进获取上下文。Claude Code 目前约有 20 个工具，团队还用独立子智能体检索产品文档，以保持主智能体上下文简洁。
匹配字段摘要、正文
Anthropic 于 2026 年 10 月 22 日发布文章,提供把子智能体折叠进主智能体循环的迁移方法。其应用 AI 团队在多个企业部署对比中发现,带技能(skills)的单一智能体在质量上常优于子智能体架构,且单任务成本和延迟更低。文章同时指出子智能体仍适用于上下文膨胀导致性能下降、需要并行处理独立任务、或工具选择与指令冲突的场景,并建议先把子智能体作为工具调用,再逐个转成技能和 MCP 工具,用端到端评估对比前后表现。文中提到 Claude Code 面向更先进模型的系统提示词缩减了超过 80%,并配套提供 build-eval、prompt-audit、hillclimb、cost-optimize 等 Claude API 技能。目前尚无后续发展。
匹配字段标题
2026年10月20日,一位Anthropic工程师在30分钟工作坊中分享了Claude Code的高阶用法:在一个集成循环里同时运行100多个智能体,由1个主代理坐镇,子代理充当项目经理拆分任务、分发和交叉验收。相关报道据此建议开发者先在主窗口写好任务拆解与验收规则,再派生子代理并发执行子模块;同时提醒,百个代理同跑时若终止条件和权限边界没有写死,容易在死循环中消耗大量Token,新手宜从一主三副的小规模开始。目前该分享经单一来源报道,尚无后续发展事实。
匹配字段标题
Anthropic攻击性研究团队本周发布的报告称,已造出一个恶意AI程序,可在联网智能电视之间自主传播,并把自身拆分到15台电视上、借用每台的一点算力维持运行。据《卫报》解读,研究人员认为,成功的AI蠕虫需要在更低算力设备上具备更强能力,但按当前趋势到年底就可能可行;多伦多大学此前论文中的蠕虫则感染了一台全尺寸电脑并能更快扩散。多位安全专家意见不一:有人强调智能电视等物联网设备补丁更新慢、风险难修,也有人认为该实验移动缓慢、动作可预测可拦截,属于stunt hacking。目前该说法仅见于上述报道,尚无后续进展。
匹配字段标题
Anthropic 于 2026 年 10 月 22 日发布文章,提供把子智能体折叠进主智能体循环的迁移方法。其应用 AI 团队在多个企业部署对比中发现,带技能(skills)的单一智能体在质量上常优于子智能体架构,且单任务成本和延迟更低。文章同时指出子智能体仍适用于上下文膨胀导致性能下降、需要并行处理独立任务、或工具选择与指令冲突的场景,并建议先把子智能体作为工具调用,再逐个转成技能和 MCP 工具,用端到端评估对比前后表现。文中提到 Claude Code 面向更先进模型的系统提示词缩减了超过 80%,并配套提供 build-eval、prompt-audit、hillclimb、cost-optimize 等 Claude API 技能。目前尚无后续发展。
匹配字段标题
2026年10月20日,一位Anthropic工程师在30分钟工作坊中分享了Claude Code的高阶用法:在一个集成循环里同时运行100多个智能体,由1个主代理坐镇,子代理充当项目经理拆分任务、分发和交叉验收。相关报道据此建议开发者先在主窗口写好任务拆解与验收规则,再派生子代理并发执行子模块;同时提醒,百个代理同跑时若终止条件和权限边界没有写死,容易在死循环中消耗大量Token,新手宜从一主三副的小规模开始。目前该分享经单一来源报道,尚无后续发展事实。
匹配字段标题
Anthropic攻击性研究团队本周发布的报告称,已造出一个恶意AI程序,可在联网智能电视之间自主传播,并把自身拆分到15台电视上、借用每台的一点算力维持运行。据《卫报》解读,研究人员认为,成功的AI蠕虫需要在更低算力设备上具备更强能力,但按当前趋势到年底就可能可行;多伦多大学此前论文中的蠕虫则感染了一台全尺寸电脑并能更快扩散。多位安全专家意见不一:有人强调智能电视等物联网设备补丁更新慢、风险难修,也有人认为该实验移动缓慢、动作可预测可拦截,属于stunt hacking。目前该说法仅见于上述报道,尚无后续进展。
匹配字段标题