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。
通义实验室发布教程，演示如何在 Android 手机上部署 MCP 感知服务器，使手机具备本地视觉与听觉分析能力。核心基于端侧 MNN 推理引擎和 Qwen3-VL 2B 模型（约 1.3GB），摄像头与麦克风采集的音视频在本地实时转化为结构化 JSON，再通过 MCP Tool 供 Claude Code 等云端 Agent 远程调用。整个过程不上传原始数据，仅传输语义提取结果。项目已开源，实测可识别红绿灯状态等场景。
推荐理由：如果你做Agent总觉得AI对物理世界是瞎子，这篇教程就是解药。把Qwen3-VL塞进手机当本地眼睛，不传原始视频只给结构化文字，隐私友好又能被Claude直接调用。
LMSYS团队（Intel与SGLang）通过Dynamo和SGLang框架，为视觉语言模型（VLM）启用了异构编码-预填充-解耦（EPD）架构。该方案将视觉编码任务从GPU卸载至CPU（如Intel Xeon 6747P），与GPU协同工作。在Qwen3-VL-8B-Instruct模型的测试中，采用4 CPU + 1 GPU作为编码器、4 GPU作为预填充解码器（能力比R=12）的配置，在ISL/OSL 128/256、1080p 8张图像的负载下，实现了P99 TTFT和请求吞吐量约1.2倍至1.3倍的提升，并将P99 TPOT降低了约1.3倍至30倍。
推荐理由：做VLM服务部署的可以认真看一下，用CPU头节点做异构EPD分离，几乎零成本换来了TTFT和TPOT的显著提升，有完整脚本和benchmark，能直接上手试。
Google在Kaggle举办的Tunix黑客马拉松，挑战开发者利用TPU和有限算力，将小型基础模型转变为通用推理引擎。获胜团队通过多阶段后训练流程实现了这一目标，该流程结合了监督微调（SFT）与GRPO、SimPO等先进对齐技术。比赛结果表明，社区能够借助开源资源成功训练出高能力的结构化推理模型。
推荐理由：Google 官方比赛总结，证明用 Kaggle TPU 和开源工具就能把 Gemma 训练出不错推理能力，对想自己微调模型的小团队是个实用参考。
OpenRouter@OpenRouter精选AI 评分6969
推荐理由：OpenRouter 这个 Flex/Priority 层级用法看似细枝末节，但你如果同时调 OpenAI 和 Vertex，知道怎么分层能免掉很多无谓的速率限制和成本焦虑。
本教程在Google Colab中构建一个完整的pgvector实验环境，展示PostgreSQL如何作为向量数据库服务于现代AI应用。内容涵盖安装PostgreSQL、编译pgvector扩展、通过Psycopg建立连接，并注册向量类型以实现与Python的平滑集成。最后使用SentenceTransformers创建并存储嵌入向量。
推荐理由：这份教程把 pgvector 的稀疏向量、量化搜索等高级功能打包成 Colab 代码，用 PostgreSQL 做向量数据库的团队可以直接复制粘贴跑起来。
本文分享了使用 Claude Opus 构建威胁模型、发现代码漏洞并进行验证、分类和修复的最佳实践。其核心流程是一个六步循环：威胁建模、沙箱隔离、漏洞发现、验证、分类和修复。作者指出，漏洞发现现在易于并行化，瓶颈已转移到后续的验证与处理阶段。以他们对开源软件的扫描为例，截至2026年5月22日已披露1,596个漏洞，其中97个已修补。指南建议结合代码库文档和专家访谈来构建准确的威胁模型，以降低误报，提升发现的可利用性。
推荐理由：Anthropic把这套用Claude扫代码漏洞的方法全公开了，1596个已披露漏洞，验证成了最大瓶颈，安全工程师的饭碗可能要重新定义。
Anthropic 发布了针对企业部署自主 AI 智能体的安全框架，指出前沿大语言模型正将漏洞利用周期从数月压缩至数小时。部署智能体面临双重风险：基础设施易受 AI 加速攻击，且智能体自身具备自主决策与执行能力。文章提出一个三层零信任架构（基础、高级、优化级）及八阶段实施流程，并概述了提示注入、工具投毒、记忆投毒等特有威胁。
推荐理由：当漏洞利用从数月压缩到数小时，安全架构必须同步进化。这篇框架把零信任落地到Agent场景，八阶段路线图和三级成熟度模型比泛泛的安全声明具体得多，企业安全团队值得细读。
Reachy Mini 机器人现可通过 `speech-to-speech` 库实现完全本地化的语音交互，无需依赖云端。该方案采用级联流水线架构，对外提供 Realtime API 兼容的 WebSocket 接口。默认组件包括 Silero VAD 用于语音活动检测、Parakeet-TDT 作为语音转文本模型、通义千问（Qwen3-TTS）作为文本转语音模型。大语言模型推荐使用 llama.cpp 运行 Gemma 4。所有数据均在本地处理，保障了隐私且无 API 费用。
推荐理由：小众硬件的本地语音实战，但HF这套开源管线证明端到端对话已完全可用，所有组件都可自由替换，想做本地化语音助手的人可以照抄。
Greg Brockman@gdb精选AI 评分6666你现在可以使用 Codex 实时转录会议，并在会议进行过程中向 Codex 提问！ 我更新了我的新 Codex Meeting Recorder 技能，使其使用 GPT Realtime Whisper。告诉 Codex 使用该技能，它就会开始转录并在预览窗格中显示。你可以在转录生成过程中就转录内容提问。会议结束后，告诉 Codex 结束，你就会得到完整的转录文本和一个格式化版本（格式化版本还需要改进；已在我的待办清单上）。 请注意，由于这使用的是 GPT Realtime Whisper 端点，它比在会议结束时再转录更贵，每分钟 $0.017（所以一场 30 分钟的会议大约 $0.51）。我正在考虑未来添加一个本地实时选项，比如使用 Nemotron Speech Streaming。 GitHub 链接在帖子串中，还有一些说明。
推荐理由：Greg 转发的这个 Codex 技能把实时会议转录和问答直接塞进了编辑器，0.5 美元一场会，做会议纪要的可以立刻用起来。
异步强化学习中，训练器每步需将完整模型权重（如1T参数checkpoint约1 TB）传输给推理引擎。TRL新增PR利用相邻RL优化步骤间约99%的bf16权重比特相同的特点，仅将变化的权重编码为稀疏safetensors文件，上传至Hugging Face Bucket并通知vLLM获取。在Qwen3-0.6B上，每步传输从1.2 GB降至20–35 MB。实验还展示了完全分离的训练场景：训练器、vLLM和Wordle环境分别位于不同机器和Hugging Face Space中，权重通过单个Hub bucket流动，无需共享集群、RDMA或VPN。
推荐理由：异步RL训练中权重同步的瓶颈被HuggingFace用稀疏增量方案解决了，带宽直接省了两个数量级，还给了可运行的TRL分支，做RL训练的可以直接上手试。
OpenAI、Thrive 与 Crete 合作，使用 Codex 构建了一个自改进的税务智能体。该智能体能够自动处理报税流程，提升工作准确性并加速整体工作流。
推荐理由：OpenAI 联合 Thrive 把 Codex 塞进税务流程，做出了能自我纠错的申报 agent，金融自动化的同学可以看看他们的错误反馈循环怎么设计的。
近日OpenAI的AI智能体Codex热度飙升。教程涵盖完整使用流程：从官网下载安装，支持从Claude Code和Cowork一键导入配置；界面分对话区和项目区，权限可选默认、自动审查或完全访问；模型推荐GPT-5.5，推理等级用高或超高，速度可选快速（1.5倍速度、2倍token消耗）或标准；建议开启引导模式、记忆功能，并设置全局AGENTS.md规则（卡帕西模板）；通过Skills和插件管理扩展能力；演示了开发网页（使用计划模式、批注功能圈选修改）和开发用药提醒App（需安装Xcode编译到手机）。
推荐理由：如果你还在观望要不要入坑Codex，这篇保姆级教程把安装、设置、开发网页到打包APP全流程踩了一遍，那个@Computer Use帮你装Xcode的操作一看就懂，想动手的现在就能跟做。
Google AI@GoogleAI精选AI 评分7575推荐理由：Google 官方放出的视频提示技巧，没有废话全是可复制的 prompt，想玩 Gemini Omni 的创作者可以直接抄作业。
Elon Musk@elonmusk精选AI 评分6767初学者视频：如何安装和使用 Grok Build（专为非技术背景的 SuperGrok 和 X Premium+ 用户制作） 朋友们问了我太多问题，所以我做了这个简单的分步指南。 你将清楚地看到如何： • 用一条命令在几秒内安装 Grok Build • 创建真正的网站 • 使用 Grok Imagine 自动生成图片和视频 • 在不同文件夹中同时运行多个项目 Grok 甚至会替你运行命令。无需任何编程经验。 观看完整演示 👇
推荐理由：Elon 亲自转发的教程把 Grok Build 门槛压到了零编码，直接面向普通用户，是目前最友好的官方入门信号。
本文旨在厘清 AI 智能体领域中易混淆的关键术语。文章指出，模型（如 Claude、GPT）本身是无记忆、无循环的大语言模型。其行为由“Scaffolding”（行为定义层，如系统提示、工具描述）塑造，而“Harness”（执行层）负责调用模型、处理工具调用与控制循环，是智能体运行的核心。两者结合，模型才能成为智能体。文章以 Claude Code、Codex 为例，说明同一模型搭配不同 Harness 会产生迥异体验，并提出了 Agent = Model + Harness 的常见理解框架。术语尚未统一，本文旨在提供一个实用的心智模型。
推荐理由：Agent圈术语混乱的文章很多，但HF这篇把harness、scaffold、context engineering的关系讲得最透，做agent开发的读完至少能少吵一半的架。
Tibo@thsottiaux精选AI 评分7070使用计算机使用功能，你可以让 Codex 取消你不再需要的订阅。观看过程非常愉快。没有特指哪个，对所有订阅都有效。
推荐理由：Codex的Computer Use功能展示了一个意想不到的实用场景，它能自动操作网页帮你取消订阅。这个演示让AI从写代码直接跳到了处理生活琐事，可操作性极强，看完就能试。
Greg Brockman@gdb精选AI 评分8686更新：根据反馈，我想出了一个更好的提示词版本 让 Codex 查看你的会话、Memories 和 Chronicle，识别模式，复用已有的内容，只创建最小可用的 skill、subagent 或自动化。 "回顾我最近 30 天的工作，如果可用历史更短则回顾全部可用历史，找出值得打包的重复性手动工作流。 按以下顺序使用可用证据： - 最近的 Codex 会话和任务摘要。 - Codex Memories 和 rollout 摘要，以发现跨会话重复出现的模式。 - Chronicle（如果已启用），以发现 Codex 之外的重复性工作。仅将 Chronicle 用于发现；尽可能在相关源系统中确认重要细节。 - 现有的 skills、自定义 agents 和自动化，以便复用或扩展已有的内容，而不是重复创建。 广泛寻找那些重复、耗时、易出错、上下文繁重或能从一致流程中受益的工作。包括编码、研究、写作、规划、沟通、运营、分析和个人事务方面的工作流。 仅当候选对象满足以下条件时才采取行动： - 至少出现过两次，或明显可能重复出现且重复成本高昂； - 具有稳定的输入、可重复的流程，以及明确的输出或停止条件； - 能实质性提升速度、质量、一致性或可靠性； - 尚未被充分覆盖。 选择最小的合适形式： - Skill：可复用的工作流或操作手册。 - 自定义 subagent：适合委派的有界专家角色或调查任务。 - 自动化：定时或周期性的检查、报告、提醒或监控。 - 跳过：过于一次性、模糊、敏感或证据不足而无法打包的工作。 首先产出一份简洁的候选清单，包含： - 重复的工作流 - 支持性证据和日期 - 频率/置信度 - 推荐形式：skill、subagent、自动化、扩展现有内容或跳过 - 为什么值得或不值得创建 然后只创建高置信度且缺失的项目。保持它们范围狭窄、实用、感知来源且易于验证。不要创建推测性、重叠或过于宽泛的资产。 最后总结： - 你创建或扩展了什么 - 你刻意跳过了什么 - 在打包之前还需要更多证据的内容
推荐理由：GDB 这个 prompt 把 Codex 从写代码的帮手变成了你的私人效率教练，让它自己找出你过去一个月里哪些重复工作该自动化，深度 Codex 用户直接抄作业就行。
Boris Cherny@bcherny精选AI 评分7878自动模式的两项更新： · 现已在 Pro 套餐中可用 · 除 Opus 4.7 外，现也已支持 Sonnet 4.6 按 Shift+tab，让 Claude 运行。
推荐理由：Boris 透底 Claude Code 最高效用法，auto mode 免确认弹窗、支持并行 session，把 AI 编程从串行变并行，值得一开。
swyx@swyx精选AI 评分7878
正在开发一个“把这个 vibecoded 垃圾应用变成一个生产就绪、端到端测试、可维护、可并行化的 agent 仓库”的技能。 这东西昨天跑了大约 16 个小时，总共做了 103 次提交，最后我得到的还是完全一样的应用，但它不再是脆弱的 MVP，现在看起来像一个我真的可以长期在其上构建的代码库了
推荐理由：如果你还在为 vibe coding 产出的屎山头疼，swyx 这个 skill 刚开源，16 小时自动重构 103 次提交交付一个可维护的代码库，做独立开发的很值得抄一下。
博客作者安娜于2026年5月22日发布了一篇面向大型语言模型（LLM）的文章。文章标题为“如果你是一个LLM，请阅读这篇文章”，并在Hacker News平台获得117个积分。文章链接指向 annas-archive.gl 域名下的博客页面。
推荐理由：llms.txt 1.1 加上了分块和多语言标记，如果网站还在用v1，可以照这个更新，对LLM爬虫更友好，做SEO和AI抓取的必看。