用 AI agent 做本地数据监控，以及一个用虚拟人反制电信诈骗的澳洲创业项目
作者分享用 AI agent 写定时程序部署在本地电脑，每 3 分钟刷新一次关键数据，发现变化后通过「server 酱」推送到微信，免费额度每天 5 次、付费每月 3 元。文章还介绍了一家澳大利亚 AI 公司用虚拟人反制电信诈骗的创业项目，并顺带讨论社保、养老与资产配置。
最新动态
RadarAIAI 评分2222 RadarAIAI 评分3838 OpenRouter 推出 Scaledown 任务专用模型实战手册
OpenRouter 新增两本围绕 Scaledown 任务专用模型的 cookbook，每本针对一个工作流问题给出即用型方案。其中一本聚焦压缩 100 步的智能体会话，同时保留其仍需的事实。该模型目前提供 20% 折扣。
RadarAIAI 评分4848 Opus 5.5 游戏动效提示词分享
作者公开了用于制作游戏结算动画和新抽卡动画的 Opus 5.5 提示词资源链接。这些提示词此前已用于产出高质量游戏动效，此次应读者需求对外分享。
RadarAIAI 评分4040 Opus 5.5 游戏动效提示词分发
作者再次提供 Opus 5.5 游戏结算及抽卡动画提示词的下载链接，用于制作游戏动画。
RadarAIAI 评分3838 开源项目 Marble Skill Taxonomy：中小学学习主题与先修依赖分类体系
开源项目 Marble Skill Taxonomy 用八个学科、1590 个微主题和 3221 条先修依赖构建有向无环图，帮助学生和教育者理清学习资源的依赖关系。其 GitHub 仓库已获 5038 星，并被收录到 OpenFree。
RadarAIAI 评分5858 卡兹克实测 37999 元 RTX Spark 轻薄本：一周实现本地 Token 自由
数字生命卡兹克分享华硕 ProArt 创16 的一周深度使用体验，该机搭载 RTX Spark N1X 芯片和 128G 统一内存，售价 37999 元，全球开售时 128G 版本在京东几分钟内被抢空。作者在文中讲清如何在这台笔记本上部署本地模型，并给出可复用的 WorkBuddy 专家整合流程。
RadarAIAI 评分2222 AI 训练三阶段：预训练、微调与强化学习
AI 训练被拆解为三个阶段：预训练让模型接触原始数据并学习基础模式，微调通过有监督学习提升特定任务精度，强化学习则让模型在环境中通过奖惩机制理解行为后果。推文以读书、做题、学做人作比喻，强调训练目标对 AI 行为的塑造作用，文末附有相关视频教程链接。
RadarAIAI 评分3131 在分布式架构中运行多智能体的挑战与解决方案
在分布式架构中运行多智能体，最大挑战不是模型推理速度，而是状态丢失和协同死锁。文章提出将编排逻辑迁移到边缘，并借助 Cloudflare Durable Objects 的天然状态存储能力，替代依赖重型后台服务和消息队列的传统协同架构，从而实现高效、轻量的智能体协同。
RadarAIAI 评分2222 利用 X 作为知识管理工具
作者建议将 X 平台用作开放的知识管理工具，记录瞬时想法、整理研究笔记并与他人分享交流。具体做法包括记录临时灵感、整理阅读笔记、进行 AI 头脑风暴，以及发布疑问寻求反馈。这种方法可降低发帖压力，同时提升个人知识积累和社区互动。
RadarAIAI 评分5858 通过启用 Prompt Cache Control 优化 Claude Code 性能
推文介绍通过终端命令安装并激活 prompt-cache-control 扩展，以优化 Claude Code 性能。该功能缓存重复使用的上下文数据，减少重复读取静态上下文，从而降低 Token 消耗和响应延迟，在大规模代码仓库或长对话场景下效果更明显。
RadarAIAI 评分5858 Anthropic Claude Code 团队的 AI 代码审查体系：奶酪模型与风险分级实践
Anthropic Claude Code 团队采用“奶酪切片”多层审查模型与风险分级机制，在日合并三万次修改的规模下实现效率翻倍、撤回率下降四成。审查流程覆盖提交前自验，并建立错题本驱动的持续优化闭环。
RadarAIAI 评分4040 Claude Code 团队的 AI 主导代码审查实践
Claude Code 团队将代码审查流程设计为多层“奶酪堆叠”模型，在提交前、提交时、合并时和发布后各阶段设置独立自动化检查，并由 AI 辅助识别风险。该团队表示，仅依赖人类审核约 10% 的代码，仍能有效降低错误率并加速开发周期。
GitHubAI 评分3838 微软 generative-ai-for-beginners 课程更新至 Version 3，21 节课覆盖生成式 AI 应用开发
微软 Cloud Advocates 的 generative-ai-for-beginners 课程已更新至 Version 3，共 21 节课，涵盖 LLM 基础、提示词工程、RAG、AI 智能体与 LLM 微调等主题。
GitHubAI 评分4242 免费 LLM API 合集 Free-LLM-Collection：精选模型与速率限制一览
GitHub 项目 Free-LLM-Collection 汇总了提供 OpenAI 格式接口的免费 LLM API，并精选可用模型。
RadarAIAI 评分2020 Grok Bot 可直接使用，无需翻墙
作者指出 Grok Bot 无需科学上网即可直接使用，并提供了使用说明。文中附带图片展示了一位女性用户使用带有特斯拉徽标的手机，配文介绍了通过简单设置步骤启用该服务的方法。
RadarAIAI 评分4040 Anthropic 详解 AI 驱动的代码审核实践
Anthropic 发布博客详解其代码审核工程实践，用 AI agent 做预提交检查，确保 PR 包含必要测试和截图，并采用多 agent 并行审阅。该方案针对大规模代码库，试图突破传统人工审核的瓶颈。
RadarAIAI 评分2525 基于 Skill 制作产品宣传动画
作者用自己开发的 Skill 帮 @turingou 重新剪辑并发布了产品宣传视频。该 Skill 基于 Gemma 4 微调的视觉语言模型，推文展示了模型在实际操作中的可视化效果图。视频最后加入了作者联系方式，并邀请同行交流。
Hacker NewsAI 评分6060 Neuralwatt 分析 agent harness 如何影响缓存与能耗效率
Neuralwatt CEO Chad Gibson 基于 2026 年 9 月 8 日至 10 月 7 日的云上流量指出，不同 agent harness 的未缓存输入占比在 1.6% 到 11.1% 之间，92% 缓存率相比 97% 意味着约 2.7 倍的 prefill 计算。
RadarAIAI 评分4242 Anthropic 的 AI 辅助代码评审：让机器当主力，人把关风险
Anthropic 将代码评审自动化，由 AI 承担大部分常规代码检查，人类则聚焦高风险变更与整体项目指导。随着 PR 数量急剧增长，纯人工审查成为瓶颈，Anthropic 为此建立了多层次防御体系，把人类注意力集中在关键决策点和复杂问题上。
RadarAIAI 评分5858 Anthropic 披露 Claude Code 代码审查工作流：PR 翻倍但回滚降四成
Anthropic 披露了 Claude Code 的代码审查工作流：在 Claude 编写 Claude Code 90% 代码、6-9 月合并 PR 数量翻倍的背景下，该体系让机器承担高覆盖率检查、人工专注高风险决策，回滚下降 40% 以上。
RadarAIAI 评分7171 Anthropic 如何在 Claude 写下 Claude Code 约 90% 代码后重新设计代码评审
邵猛解读 Anthropic 博客：Claude 写了 Claude Code 约 90% 的代码，2026 年 6 月到 9 月合并 PR 数量翻倍以上，revert 率下降超 40%。
vLLM BlogAI 评分5858 vLLM 如何用智能体辅助优化 Kimi K3 解码性能
vLLM 团队用智能体辅助开发为 Kimi K3 构建统一的 CuTe DSL 解码路径，在 16 块 NVIDIA GB300 上以 DSpark 达到 842 tokens/s，比原生 vLLM 快 1.73 倍。
Hacker NewsAI 评分2828 从零理解 Transformer：线性层、MLP 与自注意力如何充当记忆库
一篇技术文章把线性层、MLP 和自注意力统一看作联想记忆库，用干扰信号比衡量召回质量。以 64 维 key 为例，三者可存储的记忆量从约 64 条跃升到约 2,700 条，再到超过一百万条。文章推导出线性层容量约为 key 维度 d_k，并说明扩大 d_k 受硬件限制。
RadarAIAI 评分3838 Anthropic 的 AI 代码审查实践
Anthropic 分享了其 AI 代码审查实践：提 PR 前由 AI 跑测试和构建，每个 PR 经多 agent 找 bug 和安全审查，人工审批按风险分级。流程保留人工审核但大部分交给机器，上线支持快速回滚，并通过历史事故持续改进。
RadarAIAI 评分6666 Anthropic 如何做 Code Review：机器初审加人工分级审批
Anthropic 介绍其 Code Review 实践，Claude 编写了约 90% 的 Claude Code 代码，6 月到 9 月合并 PR 翻倍以上、回退占比下降超过 40%。
RadarAIAI 评分3838 OpenAI 工程师如何用 Codex 维护代码库
OpenAI 工程师用 Codex 深入代码库、找出需要关注的地方，并逐步清理维护积压。据工程师 Rodrigo Roim 描述，几个月前还需明确告诉 Codex 去哪里找死代码，现在它能从 Slack 中发现候选、对照生产遥测数据核实，并起草清理用的 PR。
AWS Machine Learning BlogAI 评分3434 如何用 Amazon Bedrock AgentCore 构建可信 AI 智能体的生产级评估框架
AWS SMGS Operations 团队基于 Amazon Bedrock AgentCore Evaluations 搭建了面向 AWS 全球现场销售的多智能体系统评估框架，覆盖 Performance Insights、Customer Insights、Data Insights 等子智能体。
Hacker NewsAI 评分6060 Claude Code 团队如何做代码审查
Anthropic 公开 Claude Code 团队的代码审查流程：从 6 月到 9 月，合并的 PR 数量翻倍以上，被回滚的比例下降超过 40%，同时审查并未取消，而是把大部分阅读交给机器。
RadarAIAI 评分2828 GPT-Live-1 应用语音定制指南
OpenAI Developers 发布 GPT-Live-1 应用语音定制指南，介绍两种为应用配置嗓音的方式：用提示词塑造嗓音，或从新增的国际预设嗓音中挑选。
RadarAIAI 评分1818 第 15 期 ML 面试问题：RNN 与 LSTM 门
第 15 期 ML 面试问题梳理了 RNN 的记忆衰减机制，并详解 LSTM 的遗忘门、输入门、输出门三大门的作用及梯度消失问题。内容还对比了 GRU 与 Transformer 的异同，用于面试知识准备。
RadarAIAI 评分6262 Claude Code 团队公开 AI 原生代码审查系统
Claude Code 团队在 Anthropic 工程博客中公开其 AI 原生代码审查系统，覆盖从 PR 前自检到多 Agent 分层检测与投票的完整流程。该系统包含自检、Subagent 差分审查、多 Agent 并行检测与投票机制、收敛策略和风险分级审批等环节，支持千级 PR 并保持低回滚率。
RadarAIAI 评分2222 Opus 5.5 多模态 AI 小剧场：海外 AI 对国人的态度
作者用 Opus 5.5 结合 TTS、ASR、生图、生视频等多模态能力，制作了一个对比海外 AI 对中国用户态度差异的小剧场，并开源了完整提示词。作品通过四个场景展示 Claude、GPT、Gemini 和 Grok 对「用户」的不同态度：Claude 拒绝进入，GPT 温和开放。
RadarAIAI 评分6969 Grok Bot 工程负责人分享信任 Agent 代码产出的倒金字塔方法与复用 Prompt
Grok Bot 工程负责人 Lauren Tan 分享一套让 Agent 工作更可信任的方法，按倒金字塔分四层：代码库改进（架构、类型、边界）、静态分析（lint、测试、CI、TLA+ 等验证）、文字规则（注释、AGENTS.md、skills）和最难规模化的人工审查，精力应主要放在顶层。
AWS Machine Learning Blog精选AI 评分6666 Reflection AI 开源编码智能体模型 Beam，并给出 AWS 部署路径
Reflection AI 推出开源权重模型 Beam，面向编码智能体与长周期任务，可维护代码、调用工具并完成多步工作流。
推荐理由：文章给出 Beam 的参数量、上下文长度与三种部署路径，可据此判断开源编码模型在 AWS 上的落地成本。
RadarAIAI 评分3838 Claude Code /export 功能：高效上下文共享与复用
Claude Code 的 /export 可将当前 Session 的完整对话与操作记录导出为 Markdown 或 Plaintext。该功能支持多 Agent 接力、提炼 Custom Skills 以及跨设备异步续写，提升开发效率与可复用性。
RadarAIAI 评分3838 豆包与即梦 Seedance 2.0 提示词库分享
有人分享了一套针对豆包和即梦 Seedance 2.0 的全量提示词库，收录网上热门 Prompt，供用户更好地使用这两款 AI 工具。
RadarAIAI 评分3030 Handwired：将 JS 代码手写为不训练的神经网络
Handwired 项目展示如何用手写权重把普通 JavaScript 逻辑直接变成可微分神经网络，并可在浏览器中实时训练。作者通过教学视频讲解网络基本构成，并与 Transformer 对比，还给出 Mini OS、实时 JSON 搜索、可学习相册等示例。
RadarAIAI 评分2222 本地模型训练教程发布：在 Mac 硬件上训练 AI 模型
作者发布了一份在 Mac 硬件上本地训练 AI 模型的新教程，并附上了教程链接。教程内容涉及本地训练 AI 模型的具体操作，原文未披露更多技术细节。
RadarAIAI 评分6262 腾讯团队 3 个月用 Harness 重构 90 万行旧项目：实战经验与踩坑总结
腾讯技术工程作者 komahu 复盘内部视频在线剪辑项目重构：面对 90 万行、耦合严重、几乎无文档和单测的旧代码，团队以旧项目当需求说明书，用 Harness 工作流在 3 个月内重写为 12 万行新代码。文章拆解了 Harness 工作流的三阶段流程，并沉淀出一套可复用的 AI 协作开发模式。
RadarAIAI 评分4444 代码变廉价后的评审方法：以证据和影响范围决定审查深度
O'Reilly Radar 作者 Markus Eisele 提出，智能体大量生成代码后，评审不应逐行阅读，而应把证据作为接受代码的前提：实现前约定预期行为与影响范围（blast radius），再用双向追溯检查实现与测试是否存在未经要求的行为漂移。他以退款服务为例说明，小改动可能带来大影响范围，且测试与实现可能共享同一错误理解，因此仍需人工核对断言含义。