Claude Blog / Anthropic News / Claude X / Claude Devs X / Boris Cherny / 多位用户 | Anthropic 推出 Claude Tag 代理身份访问模型
Anthropic 正式发布 Claude Tag，一种全新的 AI 团队协作方式。用户可以在 Slack 频道中“@”Claude，它会以独立的团队成员身份加入，拥有自己的身份、记忆和访问权限，能够主动工作、异步完成任务。Claude Tag 基于 Claude Code 构建，已在 Anthropic 内部使用一年，生成了 65% 的产品代码。同时发布的 Agent Identity 访问模型详细说明了其分层安全架构。Beta 版现面向 Claude Enterprise 和 Team 计划用户开放。
claude-code-releases | Claude Code v2.1.187 版本发布
Claude Code 例行更新，新增 sandbox.credentials 设置、组织模型限制功能，同时修复了崩溃和韩文/CJK 文本粘贴乱码等问题。
OpenAI | OpenAI DevDay 2026 开放申请
OpenAI 宣布 DevDay 2026 将于 9 月 29 日在旧金山举行，申请截止日期为 7 月 10 日，主题演讲将同步线上直播。
openai-codex-releases | OpenAI Codex Rust 版本 v0.143.0-alpha 系列发布
OpenAI Codex Rust 工具在同一天密集发布三个连续 alpha 版本（v0.143.0-alpha.7、alpha.9、alpha.10），但均未提供具体变更日志。
黄小木 | Lo工程：地基工程与判定系统
黄小木发表深度技术文章，指出 Loop Engineering 并非新概念，其核心在于定义“什么算对”的判定系统。他提出“颗粒度对齐定律”和“判定覆盖率”概念，为 AI 工作流设计和系统架构提供了理论框架。
Orange AI | AI ROI 定律：模型定价与场景价值
Orange AI 提出 AI 的 ROI 定律：算力应优先投入高价值场景，当前行业仍处于“替代阶段”而非“价值发现阶段”。他以即梦视频模型的定价为例说明这一观点。
OpenAI Blog | GPT-5 帮助免疫学家解决三年未解之谜
OpenAI 发布官方案例：GPT-5 Pro 帮助免疫学家 Derya Unutmaz 破解了一个历时三年的 T 细胞行为谜题，可能为癌症和自身免疫疾病研究开辟新路径。
Kevin Weil | OpenAI 支持翻译苏联时期科研论文
OpenAI 产品负责人透露，公司正在支持开发翻译管道，用于翻译 20 世纪 50 年代至 80 年代的苏联科研论文。
Koda | AI 消费与投资的类比：用户是消费者而非投资者
Koda 将当前 AI 工具的使用类比为 2000 年的互联网消费行为：用户享受服务但未投资生产端。他建议关注芯片制造商的投资机会。
Koda | 推特流量内容公式：七种心理模式
Koda 总结了七种获得推特流量的内容公式，核心是利用纠正心理、证明需求、期待结果等用户心理动机，对内容创作者有直接实战价值。
Anthropic 今天正式发布了 Claude Tag，这是一个将 Claude 从单人助手转变为团队智能体的全新访问模型。核心变化在于：Claude 不再只是一个被调用的工具，而是以独立的“代理身份”加入 Slack 频道，拥有自己的身份、记忆、沙箱和权限。你可以像 @一位同事一样 @Claude，它会在频道内自动克隆仓库、写代码、调查事故、回答问题，甚至主动跟进沉默的线程。官方数据显示，Anthropic 内部团队使用 Claude Tag 一整年，生成了 65% 的产品代码。安全架构被设计为分层——从模型训练阶段的限制、推理层的分类器，到频道隔离和权限控制，确保代理行为可审计、可管控。
这篇文章值得深读，因为它标志着 AI 协作范式的根本性转变：从“人指令机器”的单线程同步模式，转向“人+AI 团队”的多线程异步模式。这改变了一个关键判断——过去我们认为 AI Agent 的价值在于替代个人重复劳动，而 Claude Tag 证明了 Agent 真正的爆发力在于融入团队工作流，成为组织中的一个“可信任节点”。可迁移的启发是：任何团队都可以思考如何将 AI 从一个“问问题的地方”变为“共同工作的成员”，核心设计原则是给 AI 一个清晰的身份边界、持久的工作记忆和安全的操作范围。对于使用 Slack 的团队，Claude Tag 的 beta 版本已可在 Enterprise 和 Team 计划中体验；对于其他协作平台，这一模型预示着未来所有协同工具都会内置“代理身份”层。
黄小木在这篇深度技术文章中拆解了一个被忽视的核心问题：Loop Engineering（循环工程）并非新概念，其本质不在于循环本身，而在于定义“什么算对”的判定系统。他提出了两个原创概念——颗粒度对齐定律，即判定系统的精细程度必须与任务的复杂度和风险等级对齐；以及判定覆盖率，即系统能正确判定的场景占总场景的比例。文章指出，大多数 AI 工作流失败的原因不是 Agent 不够聪明，而是缺乏一个可靠的、可量化的“对与错”判断标准，导致循环在错误的方向上无限放大。
这篇文章的真正价值在于它提供了一个理论框架，改变了我们评估 AI 系统质量的维度。过去我们关注模型能力、推理速度、工具调用，但忽略了“如何知道结果是对的”这个元问题。这个判断的转移意味着，设计 AI 工作流时，应该先设计判定系统再设计执行流程——判定系统的颗粒度决定了整个系统的可靠边界。可迁移到自己的工作流设计中：无论你在构建自动化代码审查、客服机器人还是数据分析管道，都应该首先明确每个环节的“判定者”是谁、判定标准是什么、覆盖率如何保证。颗粒度对齐定律尤其适用于多步骤 Agent 系统：每一步的判定标准应该与这一步的风险和成本直接对应，而不是一刀切地让大模型做所有判断。
只回答一个问题：如果今天要 build，一个值得优先考虑的产品是什么？ 下面每个选择都把新产品供给、真实收入和用户讨论合并成同一个判断。