拿来就能用的实操内容：提示词技巧、工作流搭建、工具用法与踩坑经验。
Anthropic 分享了内部使用 Claude Code 的 Skills（技能）功能的经验。Skills 是指令、脚本和资源的文件夹，智能体可发现并调用它们以提升准确性和效率。Anthropic 内部已有数百个活跃使用的技能，它们可归为九类，包括库和 API 参考、产品验证、数据获取与分析、业务流程与团队自动化、代码脚手架与模板、代码质量与审查等。最佳技能专注于单一类别，涵盖过多功能会混淆智能体。团队发现，投入时间优化验证类技能对 Claude 输出质量的提升最显著。
推荐理由：这不是产品公告，而是从几百个内部技能中血泪总结出的实战手册。如果你想让Claude Code真正变成你的工程副驾驶，这9类技能和‘gotchas’章节至少省你三个月踩坑。
Anthropic 使用 Claude 自动化了 95% 的业务分析查询，整体准确率约 95%。其关键在于构建智能体分析栈（agentic analytics stack），通过数据基础层、维护验证流程和技能（skills）分别解决概念-实体歧义、数据过时和检索失败三大错误来源。相比编码场景，数据分析的难点在于将用户问题映射到正确的数据实体，而执行 SQL 反而是简单的。Anthropic 的数据科学团队因此得以专注于因果建模、预测和机器学习等战略工作。
推荐理由：Anthropic 把内部用 Claude 搞自助分析踩过的坑全摊开，技能模板和「语义层优先」的强制流程是实打实的干货，做数据 agent 的团队可以直接抄作业。
4月发布的DharmaOCR（结构化OCR模型）在巴西葡萄牙语文档提取任务中，使用直接偏好优化（DPO）作为监督微调（SFT）后的第二训练阶段。SFT无法直接惩罚文本退化（重复循环），而DPO以模型自身失败输出（退化循环）作为负样本进行偏好训练，使所有测试模型族的文本退化率平均降低59.4%，最高达87.6%（如Nanonets-OCR2-3B从1.61%降至0.20%）。传统DPO多用于聊天对齐，该工作将其扩展至客观的OCR任务，证明DPO可针对性修复特定失败模式。
推荐理由：DPO 不只能对齐，这篇直接用模型自身的垃圾输出当反例，把 OCR 的重复错误平均降了 59%。思路不复杂，但告诉做结构化生成的工程师：训练数据里最该保留的就是模型犯的错。
Codex 和 Claude Code 的额度限制基于 5 小时滚动窗口：从发送第一条消息开始计时，窗口结束后不会自动重置，需等下次发消息才开启新窗口。提前数小时发送一条短消息，可使重置时间落在工作时段内，从而在核心工作时间获得两个完整窗口。设置方法：Codex 在左侧“自动化”中建每日定时任务；Claude Code 可通过客户端 Routines 或 CLI 版 crontab 配置。注意 5 小时窗口之上还有周额度上限，需合理规划。
推荐理由：一个很小的窗口重置技巧，但能让你在核心工作时段多拿一倍额度，做 Agent 开发的直接抄自动化设置就好。
SiliconFlow@SiliconFlowAI精选AI 评分6767
推荐理由：把 karpathy 的 llm-wiki 创意拆成了可复制的 recipe，跟着教程用 SiliconFlow + opencode + OMO 就能搭一个自进化的知识库，相当实用。
火山引擎 Seedance 2.0 提出 AI 视频创作新范式 Vibe Creating，核心是让创作者放下技术负担，用故事表达代替复杂 Prompt 参数。该范式强调用富有画面感的语言描述场景、情绪和叙事，模型自行理解意图并完成景别、光影、节奏的诠释，避免过度规定镜头调度。适用于文学作品可视化、影视预演等场景，并配套发布《Vibe Creating 实践手册》及可执行的 Prompt Skill，从创意到高质量提示词一步到位。
推荐理由：火山引擎把 Seedance 2.0 的用法提炼成「Vibe Creating」方法论，核心是教人用故事感代替镜头术语，虽然不涉及模型升级，但附带可直接套用的手册和 Skill，做 AI 短视频的可以当成 Prompt 指南。
Claude Code团队工程总监Fiona Fung提出，AI时代软件工程瓶颈从“写代码太贵”转移至验证、评审与安全。团队采用JIT规划，先做原型再补文档；遇到重复工作追问“能否自动化”，形成肌肉记忆。代码评审中Claude承担60-70%风格检查与漏洞捕捉，人类聚焦法律、安全与产品判断。角色边界模糊，PM写代码、工程师用Claude起草文案，招聘看重品味与判断力而非代码产出速度。
推荐理由：瓶颈从写代码转移到验证，这判断太准了。更实际的是自动化那些重复三次以上的事，这套逻辑正在Claude Code团队验证，值得每个带团队的人照抄。
vLLM 与 Red Hat、Andrew Ng 的 DeepLearning.AI 联合推出免费课程《Fast & Efficient LLM Inference with vLLM》，约 1.5 小时，含 9 节视频和 3 个 JupyterLab 动手实验。
推荐理由：课程覆盖压缩、部署、基准测试全流程，用可视化讲清 KV cache 和量化原理，并配三个可动手的实验。
ClaudeDevs@ClaudeDevs精选AI 评分7373如何让 Claude Code 在交回工作前检查自己的成果？ 看看如何编码你的手动检查，让 Claude 自己关闭反馈循环：
推荐理由：如果你用Claude Code写代码，这个官方视频值得立刻打开——它教你把手动检查编码进去，让Claude自己形成反馈循环，能省掉大量反复修改的时间。
Rohan Paul@rohanpaul_ai精选AI 评分7575
推荐理由：Karpathy的学习方法贴，虽然只是一张图，但可能是你今年最该抄的作业，直接改掉低效学习模式。
Together AI 宣布成为 MiniMax M3 的首选云合作伙伴，并将在 M3 以开放权重发布后为开发者提供托管端点。
推荐理由：作为 MiniMax M3 的首选云合作方，作者拆解了自家推理团队的稀疏注意力内核、分页注意力集成与网关级多模态预处理等优化手法，含可借鉴的工程细节。
Google AI Developers@googleaidevs精选AI 评分6868从杂乱到清晰。观看 @Antigravity 中的并行子智能体对数百个营销资产进行分类和重命名，消除手动文件管理。
推荐理由：Google 官方演示的并行子代理整理文件，是 AI agent 在办公自动化里最实用的展示之一，做内容管理和营销的可以看看。
Google Gemini@GeminiApp精选AI 评分7171轻松将自己添加到Gemini的视频创作中。 以下是如何使用Gemini Omni创建一个外观和声音都像你的数字分身。🧵
推荐理由：官方给了个傻瓜教程，看一遍就能在视频里塞进自己的数字分身，做短视频和教学的可以省掉真人出镜的麻烦。
OpenRouter@OpenRouter精选AI 评分7575
OpenRouter 上的 Guardrails 是市场上最强大的：为你的 AI 流量提供集中式安全与治理 预算限制、ZDR、模型与提供商限制、提示注入防御，以及 DLP / 敏感信息检测，分层融入你掌控的规则中！🧵
推荐理由：如果你在跑 agent 并担心成本爆炸，OpenRouter 这个教程手把手教你设预算上限和注入防御，抄完就能上线，别再裸奔了。
一名用户以200英镑的价格购入了一块数据中心级GPU，并将其成功安装到自己的游戏电脑中。文章记述了这一非标准硬件改装过程、遇到的技术挑战以及最终实现本地运行大语言模型的体验。
推荐理由：一个200英镑的二手 V100 加适配器，就让游戏电脑用上了 32GB 显存，跑 Qwen3.6-27B 达到 32 tok/s，噪音问题也解决了。对于想低成本本地跑大模型的人，这篇 DIY 手记很实用。
StepFun@StepFun_ai精选AI 评分8080我现在正在一台 dgx spark 上运行 stepfun 新的 step 3.7 flash。 198b 的视觉模型，跑在一台就摆在桌上的机器上。以下是如何帮你省下大约 3 小时抓耳挠腮的加载时间，因为我已经替你抓过了。 官方 README 告诉你需要 stepfun 自己的 llama.cpp fork。你不需要，主线 ggml-org 就能跑得好好的，视觉功能什么的都行，64k。别花一个小时去构建一个 fork，结果发现不用它模型也能加载。 下面这个才是真正会吃掉你一整晚的：模型占了你约 121gb 统一内存池中的 104gb，而 spark 没有 swap。请求的上下文太大，它不会干净地崩溃，而是会静默地颠簸，内核把模型页换出、再从磁盘反复读回，循环往复，而你只能盯着“loading”发呆。 判断的信号是 read_bytes。如果它涨过 104gb 的模型大小还继续涨，同时进程内存钉在 99% 且日志毫无进展，那就是卡死了。杀掉它，它不会自己恢复。 在 q8 kv cache 上加载视觉投影器时，64k 就是 128gb 机器上的上限，超过它就会在 clip loader 里颠簸，模型加上 KV 加上视觉缓冲区全都在争抢你剩下的那约 17gb。 想要完整的 256k 上下文？去掉视觉，换成 q4 kv cache，这样就能装下，121gb 里用 114gb。这就是他们 README 没有明说的取舍：大上下文是真的，只不过得用 q4 cache，而且仅限文本。 而且它是个推理模型。问它点东西，如果你得到空白回复，不是你把它弄坏了，是你把 max_tokens 设得太低，它把整个预算都花在思考上了。答案就在 reasoning_content 里。给它留点空间。 这就是那 3 小时。确切可用的参数和权重在回复里。
推荐理由：把 198B 的视觉模型塞进一台桌面盒子，还跑通了，这本身就是个小里程碑。更关键的是，这篇实战直接帮你绕开了三个大坑，省下的三小时够你喝杯咖啡慢慢试了。
作者展示了如何在浏览器中通过 Pyodide 和 Service Worker 运行 Python ASGI 应用。此前的 Datasette Lite 使用 Web Workers，但无法执行 `<script>` 标签中的 JavaScript。新方案由 Claude Opus 4.8 协助完成开发，解决了这一问题。作者已展示了基础的 ASGI FastCGI 演示和运行 Datasette 1.0a31 的演示，并计划后续将此方法应用于升级 Datasette Lite。
推荐理由：Simon Willison 用 Service Worker 让 Python ASGI 在浏览器里真正跑了起来，这个技巧补上了 Datasette Lite 长期缺的 JS 执行能力，搞 Pyodide 的值得看看。
Google 使用其开发工具 Google AI Studio，通过氛围编程（vibe coding）方式，创建了一个关于 Google I/O 2026 主要公告的在线测验。
推荐理由：Google 用 AI Studio 自己 vibe code 了个 I/O 测验，是想展示普通人也玩得转，但 quiz 本身信息量不大，想体验 vibe coding 的可以顺手玩玩。
本文是 PyTorch profiling 系列的开篇，从最简单的矩阵乘法加偏置操作出发，逐步讲解如何使用 `torch.profiler` 进行性能分析。涵盖 profiler 设置、导出统计表格与 Chrome trace、解读 CPU 和 GPU 活动的时序关系，以及 `torch.compile` 对底层 CUDA kernel 调用链的影响。实验基于 NVIDIA A100-SXM4-80GB GPU 运行，面向基本掌握 PyTorch 但缺乏 profiling 经验的读者。
推荐理由：PyTorch profiling 的陡峭学习曲线劝退了很多人，这篇用从零开始的方式把 trace 拆解得明明白白，想做性能优化的同学该收藏。
该篇文章标题涉及“Claude Code”的可配置选项，但提供的正文内容仅包含一张图片和一个外部链接，未给出任何关于模型版本、参数、性能、价格或功能的具体信息。根据规则，无法在摘要中提及原文不存在的细节。
推荐理由：如果你在用 Claude Code，这份从源码里扒出的隐藏配置清单能让你摆脱默认模式，好多选项官方文档压根没提。