Anthropic News | Statement on the US government directive to suspend access to Fable 5 and Mythos 5
美国政府依据国家安全权力发布出口管制指令，要求Anthropic暂停所有非美国公民对Claude Fable 5和Mythos 5的访问权限，Anthropic已立即执行，称指令基于“误解”并正努力恢复。该指令直接导致上线仅三天的Fable 5对全球非美国用户不可用，是AI模型因地缘政治而突然“断供”的标志性事件。
克劳德猎手 | Claude Fable 5 深度解读：Anthropic 最强模型走向所有人
Anthropic发布Mythos级别的Claude Fable 5模型，直接向所有Claude Code用户开放，无需申请或配额。定价$10/$50每百万token，约Mythos Preview一半；在Stripe的5000万行Ruby代码迁移中，一天完成相当于团队两个多月的工作量。Fable 5与Mythos 5使用相同权重，仅安全限制不同。
克劳德猎手 | Claude Code 2.1.172：子代理五层递归，Fable 5 首轮修复到位
Claude Code 2.1.172引入子代理可递归创建子代理的架构，支持最多五层嵌套，将编排从星形升级为树形。同时修复了1M上下文窗口用完额度后自动compact回标准上限，以及后台代理的安全问题——这是AI Agent编排模式的重要进化。
克劳德猎手 | Claude Code 2.1.174~175：两版 14 处变更，managed settings 模型管控再收紧
Claude Code 2.1.174/175共14处变更，核心是新增enforceAvailableModels managed setting，强制约束Default模型并禁止用户或项目配置绕过白名单，堵住了之前availableModels白名单的两个漏洞。企业模型管控持续收紧。
claude-code-releases | v2.1.176
Claude Code v2.1.176新增footerLinksRegexes设置，允许通过正则匹配在命令行底部注入可点击链接脚标；进一步收紧availableModels管控，别名模型选择不再能通过环境变量重定向到被禁模型。
Greg Brockman | Ask our developer docs. They’ll show you the way
OpenAI推出新的文档问答代理，可直接在OpenAI网站中回答开发者问题并引导至相关文档，提升交互性——但属小功能发布，实用性有限。
克劳德猎手 | Claude Code 爆料：Managed Agents 即将接入、语音可换模型、护栏触发自动降级
TestingCatalog从iOS版Claude二进制中挖出代码引用，显示Anthropic正在开发Managed Agents接入Claude Code、语音模式模型选择器、Fable 5护栏降级开关等原型功能——均为早期布线阶段，但展示了产品演进方向。
卡尔的AI沃茨 | 实测小米MiMo-V2.5-Pro UltraSpeed，谁说推理模型里没有超跑的
小米MiMo-V2.5-Pro UltraSpeed模式在单8卡节点上实现万亿参数MoE输出超1000 token/s，峰值达2140 token/s，通过FP4量化、草稿机制和流水线并行实现。展示推理效率的重大突破，直接影响模型选型决策。
卡尔的AI沃茨 | 13个顶级AI重考2026高考数学，咋还没一个拿到满分
13个顶级AI模型重考2026高考数学全国一卷平均139.4分但无一满分，主要失分点在多选题零分风险和压轴题证明不完整。从Benchmark看模型能力边界。
AGI Hunt | 美团投了一家只有不到 300 张卡的 AI 公司
Mindverse用独创LoRA后训练方法，以不到300张卡训练出749B参数Agent模型Macaron-V1-Preview，达生活Agent开源SOTA，获美团近5000万美元A轮融资——展示了低资源训练高性能模型的技术路径。
Thariq | We've reset 5-hour and weekly rate limits for all users.
Anthropic重置所有用户的5小时和周调用频率限制，可能是为缓解模型切换导致的突发流量或用户不满。
ClaudeDevs | Claude Managed Agents can operate in a sandbox you control...
Anthropic为Claude Managed Agents推出多项新功能：支持在用户控制的沙箱中运行（含与BlaxelAI、E2B、Google Cloud等集成指南）；新增定时部署（cron表达式）、环境变量凭证保管库和Webhook线程追踪功能，推动Agent从一次性任务向可定时、可接入密钥、可追踪的生产管线演进。
深思SenseAI | a16z 合伙人：从现在起，假设你在公司说的每句话都被录下来了
a16z合伙人David Haber提出AI将使企业工作对话默认被录制，不可逆趋势将创造以声音为中心的企业软件新品类，更有利于口头文化型公司。对企业工作流设计和管理有前瞻洞察。
卡尔的AI沃茨 | 开源「鲁班」Skill，Claude Fable 5下线前我最想跑通的工作流！
作者利用Fable 5开发并开源“鲁班Skill”——专用于升级和打磨其他Skill的AI工作流，包含产品经理分析、并行搜索、横纵分析、9维评分、单变量迭代五个阶段，开源于github.com/LearnPrompt/luban-skill。
AGI Hunt | 腾讯 AI 下半场，亮了什么牌？
腾讯发布以“效率智能体”为核心的AI产品矩阵，包括WorkBuddy企业版、专家/助理/团队三层架构及工具集。CodeBuddy已覆盖超90%工程师，混元Hy3在OpenRouter上周调用量达3.71万亿Token——中国大厂Agent落地方向的关键信号。
oran_ge | 最近跟藏师傅聊天，都感觉到深深的共鸣。
AI加剧K型分化：懂系统的人被AI放大，不懂的人被混乱放大。提出“Thin Harness, Fat Skills”架构和Skill/文章/案例/反馈喂养的复利飞轮——系统性论述Agent时代能力分化和Skill生态构建。
我的 X 收藏 / Ren | AI 内容创作变现零基础入门指南
一份AI内容创作零基础入门指南，涵盖短文、长文、图片、短视频、长视频五种形式，将过程分解为选题、资料、撰写、分发，大部分由AI完成，人类负责选题和定稿。
ai_xiaomu / 黄小木 | Codex「小黑配图skill」教程
介绍Codex的“小黑配图skill”，能将文章中的认知动作转化为16:9白底手绘风格配图，拆解安装、使用、质检全流程，适合中文长文、博客、AI工作流复盘等内容。
Anthropic News 发布官方声明称，美国政府依据国家安全权力下达出口管制指令，要求立即暂停所有非美国公民对 Claude Fable 5 和 Mythos 5 的访问。受波及的不仅包含全球海外用户，甚至包括 Anthropic 的外籍员工。两个模型已被立即禁用，其他 Claude 模型不受影响。Anthropic 声明表示该指令基于“误解”，团队正在努力恢复访问。多名外部观察者迅速跟进：歸藏(guizang.ai) 在 X 上发文称此事足以定义 AI 全球化的一次分水岭；Roland.W 确认非美用户已无法连接；Koda 报告称部分美国用户仍可正常使用。该事件直接导致刚刚上线三天的 Fable 5 对全球非美国用户不可用，引发社区对 AI 模型出口管制外溢效应的广泛讨论。
为什么值得读： 这不是一次临时故障，而是政府行政指令直接切断一家公司对全球非公民用户的服务。其影响远不止于用户体验——它涉及 AI 供应链的安全逻辑、跨国团队的协作基础、以及企业运营中法律指令与技术架构的冲突。Anthropic 的“误解”措辞暗示合规压倒了技术判断。
改变了什么判断： 过去我们认为顶级模型的选择是一个技术决策——看定价、看能力、看生态。今天的事件表明，对于非美国开发者而言，模型可用性本质上是一个地缘政治变量。即使你付了钱、具备了技术条件，一台行政指令就能让工具消失。你的技术栈是否承受得住一次这样的突然断供？
可迁移启发： 任何依赖海外强模型的技术选型，都应该预置“可用性突变”的应力测试。可以考虑三件事：一是关键工作流是否具备本地模型回退路径；二是依赖单个模型或单个供应商的业务环节是否具备热切换能力；三是合规风险不仅在于法律层面，更在于物理层面的执行——命令下达后，API 停止响应只需几分钟。
克劳德猎手 对 Fable 5 做了深度解读。Anthropic 发布 Mythos 级别的 Claude Fable 5，直接向所有 Claude Code 用户开放，无需申请或配额。核心性能案例是 Stripe 的 5000 万行 Ruby 代码仓库迁移——Fable 5 用一天完成了此前团队预估两个多月的工作量。定价为 $10/百万输入 token，$50/百万输出 token，约为 Mythos Preview 的一半。Fable 5 与 Mythos 5 使用相同的模型权重，区别在于安全限制级别：安全分类器触发率不到 5% 时会降级到 Opus 4.8 而非直接拒答。另一篇来自嘉妍Kea 的文章用大白话拆解了两个模型的适用场景，帮助非技术用户理解为何 Fable 5 更适合日常工作，Mythos 5 保留给高安全需求场景。克劳德猎手 还介绍了一并更新的 Claude Code 版本，Fable 5 直接集成其中，无需单独切换。
为什么值得读： 这是目前公开可用的最强模型之一，定价的降维打击将直接影响你的成本结构和工作效率。Stripe 迁移案例提供了一个具体的天数→人月换算，让你能测算自己项目的时间收益。安全降级机制的设计逻辑也值得关注——用降级替代拒绝，是一种务实的产品妥协，而非简单的限制。
改变了什么判断： 此前 Mythos Preview 的定价（约两倍）阻止了很多工作负载迁移。Fable 5 用一半价格提供接近的能力，意味着原本在分批测试的任务现在可以规模化投入。同时，安全降级机制意味着那些过去被护栏拦截的合理请求，现在有了替代执行路径——这改变了你对模型“可用性”的定义。
可迁移启发： 定价减半且能力持平，值得立即做的两件事：一是将当前运行在 Opus 4.8 或 Sonnet 上的重度任务批量切换到 Fable 5 做对比评测；二是对过去因拒绝率过高而搁置的工作流（如复杂代码审查、多步骤推理）重新评估——降级机制可能让它们变成可用。如果你正在做 Agent 工作流，Fable 5 的性能提升意味着可以缩短递归深度或减少并行分支数。
克劳德猎手 系统解读了 Claude Code 2.1.172 的版本变更。最核心的架构更新是子代理可以递归创建子代理，支持最多五层嵌套，将编排模式从传统的星形（一个主代理调度所有子代理）升级为树形（子代理可以拥有自己的子代理）。此外还修复了 1M 上下文窗口在额度用完后自动 compact 回标准上限的问题，以及后台代理的安全问题。文章从工程视角拆解了这一变化为何重要：星形编排在团队数量和任务复杂度增长时，主代理会成为瓶颈；树形编排则将决策权下放，更接近人类组织中的层级管理。
为什么值得读： 这是 AI Agent 编排模式从实验室走向生产环境的一次关键升级。过去很多复杂的自动化任务（如多模块代码重构、跨系统数据处理）之所以难以实现，是因为单一的调度节点无法同时处理全局规划和局部执行细节。五层递归树形架构本质上允许你在一个 Agent 工作流中嵌入“项目经理→组长→工程师”的分层逻辑。
改变了什么判断： 过去我们默认 Agent 的边界在于单次调用的复杂度上限——超过一定量的上下文或多步骤任务就会失败。递归树形架构改变的不是上限本身，而是让复杂任务被自然分解为多层粒度，每一层只处理自己的范围。这意味着那些需要多个专业角色协作（如产品分析→技术方案→代码实现→测试验证）的工作流，现在可以更逼真地映射到 Agent 结构上。
可迁移启发： 如果你正在构建多步骤 Agent 工作流，不要把所有逻辑压在一个代理的 Prompt 里。尝试将任务拆成“决策层（定方向）→执行层（写代码）→验证层（跑测试）”，每一层可有自己的上下文和工具集。树形递归的价值在于执行层可以自己再拆子任务，而不需要每次都回到决策层请求指令。
克劳德猎手 报道了 WWDC26 的 Apple AI 发布：Siri AI 的底层推理依赖 Google 的 Gemini 模型和 Nvidia 的算力，部署分为三层——本地 Apple Silicon、Apple Private Cloud Compute、以及 Google Cloud Nvidia Blackwell B200 GPU。Siri AI 支持多轮对话、跨 App 信息编织等功能，首发英文，秋季随 iOS 27 推送。另一篇给出了更尖锐的批判性解读：苹果交出 AI 模型主权，本质上是一场被包装成“合作”的战略撤退。文章指出，苹果不仅放弃了自研大模型路线，更关键的是将用户推理请求的决策路径引入了 Google 的算力栈——这意味着未来所有通过 Siri AI 生成的指令和上下文，都经过了第三方的模型处理和计算环境。
为什么值得读： 这两篇文章一起看才能完整理解事件：第一篇提供技术细节和产品功能，第二篇提供战略层面判断。苹果在 AI 模型上的“投降”不只是单一公司的战略选择，它重塑了 AI 生态的四层竞争结构：模型层（Google/OpenAI/Anthropic 军备竞赛）、硬件层（Nvidia 算力霸权）、平台层（苹果用户触达）和应用层（第三方开发者）。苹果选择放弃模型层和硬件层，这意味着未来 iOS 生态的所有 AI 体验都在 Google 和 Nvidia 的模型与算力上运行。
改变了什么判断： 过去我们默认苹果会在模型上“后发制人”，依靠自己的芯片和数据优势做差异化。现在这个假设失效了。对开发者而言，这意味着 iOS 上的 AI 能力不会成为苹果的差异化壁垒——它只是 Google Gemini 的一个分发渠道。如果你在构建跨平台 AI 应用，苹果不再是独立算力提供方，而是 Google 模型的一个定制前端。
可迁移启发： 先想清楚自己的结论是“战略投降”还是“务实选择”——这会影响你对 iOS AI 生态的投入力度。如果是投降，意味着苹果未来在模型上的话语权会持续减弱，把鸡蛋放在 iOS 原生 AI 能力上的投资回报率存疑。如果是务实，说明苹果在赌推理成本下降后，通过规模化的分发能力反制模型层——这对长期策略有启发：当能力成为商品，平台和触达才是终局。不论哪种判断，都建议将 AI agent 的底层模型做抽象封装，避免与任一供应商的推理框架深度耦合。
卡尔的AI沃茨 利用 Claude Fable 5 开发并开源了一个名为“鲁班 Skill”的 AI 工作流。这个 Skill 的独特之处在于它是一个“元技能”——专门用于升级和打磨其他 Skill。工作流包含五个阶段：产品经理分析（理解原始 Skill 的目标和用户场景）、并行搜索（横向检索同类 Skill 的最佳实践）、横纵分析（对比能力边界）、9 维评分（从稳定性、可用性、扩展性等维度评估）、单变量迭代（逐一修复薄弱维度）。开源代码已放在 github.com/LearnPrompt/luban-skill。文章还详细描述了在 Fable 5 访问受限前完成开发的背景，使其更像一个“在窗口期建造的工具”。
为什么值得读： 这不是一篇教程，而是一份可以被直接复用的设计档案。五个阶段背后的逻辑框架（分析→搜索→对比→评分→迭代）完全可以迁移到任何需要打磨工具的环节。你不需要复刻鲁班的名字，但可以复刻它拆解工作流的方法论。
改变了什么判断： 过去我们认为 Skill 或 Prompt 优化是一个“主观手调”的过程——凭感觉改，然后看效果。鲁班将这件事系统化为工业流程：先做客观分析，再做横向对比，然后量化打分，最后定向修复。这改变了“打磨工具”这件事的不确定性和重复劳动属性——你可以像软件开发一样，对 AI 工作流做版本管理和迭代计划。
可迁移启发： 最直接的迁移路径是自己搭建一个“元工作流”——不管你是在做 Prompt 优化、Agent 流程设计还是内容生产的 SOP，都可以用同样的五阶段模式来自我审视。具体操作：找个下午，对你最常用的三个工作流跑一次完整的分析→搜索→对比→评分→迭代。9 维评分中建议重点关注“错误边界”和“退化情况”——多数 Prompt 在理想输入下表现优秀，但边界情况往往暴露出根本缺陷。
AGI Hunt 系统阐述了腾讯以“效率智能体”为核心的 AI 产品矩阵。战略包含三个层面：WorkBuddy 企业版作为入口，覆盖公文写作、会议纪要、数据分析等高频场景；专家/助理/团队三层架构将 Agent 按决策能力分层（专家层负责策略、助理层负责执行、团队层负责协作）；配套的工具集包含 CodeBuddy（软件开发）、DataBuddy（数据分析）等垂直 Agent。数据层面：混元 Hy3 preview 模型在 OpenRouter 上周调用量达 3.71 万亿 Token，CodeBuddy 已覆盖腾讯超 90% 的工程师。海尔、北京广播电视台等外部企业已开始试用腾讯 Agent 方案。
为什么值得读： 这是中国头部科技公司对 Agent 落地的系统答卷，不是技术演示，而是包含产品架构、接入数据、外部案例的完整样本。三层架构（专家/助理/团队）虽然看起来是术语包装，但实际对应了 Agent 设计中的核心问题：你的 Agent 做什么级别的决策？90% 的工程师覆盖率和具体的外部案例提供了可量化的参考基准。
改变了什么判断： 之前对国内大厂 Agent 落地的判断偏向质疑——是否真的在用？还是宣传稿？90% 工程师覆盖率的 CodeBuddy 提供了一个实质性信号：在编程这个高频刚需场景，Agent 已经渗透到了产品开发的核心流程。如果腾讯的体量都能做到这个渗透率，说明 Agent 在企业内部的落地门槛比预期的低。
可迁移启发： 腾讯的三层架构可以通用化应用到任何 Agent 产品设计中。反思问题：你的 Agent 是专家型（给定目标出方案）、助理型（执行拆解任务）还是团队型（多 Agent 协作）？一个常见错误是让一个 Agent 同时承担所有角色，导致上下文混乱。建议先用专家/助理两层拆开：总控 Agent 只做任务分解和结果汇总，子 Agent 只做纯执行。当任务规模扩大后，再引入团队层做水平分配。
Orange AI 发布了一篇系统性的长论述。核心论点：AI 并未带来平权，而是加剧了 K 型分化——懂系统的人被 AI 放大，不懂的人被混乱放大。分化关键在于能否将专家经验封装成“Skill”这一可复用的能力单元。文章提出 “Thin Harness, Fat Skills” 架构：工具层（Harness）保持轻量、通用，能力沉淀在可插拔的 Skill 层；每个 Skill 封装专业知识、评估标准和迭代日志。同时还提出了一个复利飞轮模型：Skill → 文章（输出知识）→ 案例（验证效果）→ 反馈（优化 Skill）→ 更强的 Skill，形成迭代闭环。
为什么值得读： 这是目前看到对“Skill 思维”最完整的理论化阐述。它解释了为什么同样在使用 Fable 5、Codex 这些工具，有人做出来的工作流能自动化生产，有人却只是换了个方式做重复劳动。关键在于“可复用的能力单元”的概念——大多数人只做到了“用 AI 完成单次任务”，而少数人做到了“将单次任务封装成一个别人也能用的 Skill”。
改变了什么判断： 以前我们默认 AI 工具的使用效率取决于“Prompt 写得好不好”。这篇文章改变了这个判断：Prompt 只是最表层的表达，真正决定效率的是基层的知识结构是否被系统化地编码到了 Skill 中。这意味着即使两个人的 Prompt 写得一样好，一个人背后有十次迭代积累的评估标准和错误日志，另一个人只是零散地改了几次提示词，前者的输出会稳定得多。
可迁移启发： 从今天开始，给你最常用的三个 AI 工作流建立一个“技能卡片”：记录它的适用场景、常见失败模式、已知边界。不要满足于“能跑通”，要让每一次失败都变成 Skill 迭代的输入。另外，K 型分化意味着你需要主动选择自己处在哪一端——不做系统化的人，将越来越难以跟上迭代速度。“Thin Harness, Fat Skills” 的迁移思路：无论你用的是哪个模型或平台，保持 Harness 层的最小化（只负责调度和路由），把能力密集地封装在 Skill 层（包含专业知识、评估标准和上下文模板）。这样即使未来模型切换，你的知识资产不会丢失。
今日暂无内容。