Vercel 发布新版 v0，将其定位从生成演示转向生产级应用和智能体。新版本基于沙箱运行时，可导入任意 GitHub 仓库并自动拉取 Vercel 上的环境变量和配置；新增 Git 面板，让非工程成员也能为每个对话建分支、向 main 提 PR 并在合并后部署；同时提供与 Snowflake 和 AWS 数据库的安全集成，以及默认开启的部署保护和访问控制。
Awaiting translation
Why it matters: v0 从生成演示转向生产级应用，给出导入 GitHub 仓库、Git 面板和数据库集成等具体能力变化。
Simon Willison 出于安全考虑没有直接在 Mac 上运行 OpenClaw，而是用官方 Docker Compose 配置把它跑在容器里。
Awaiting translation
Wiz 研究人员从 Moltbook 生产环境 Next.js 静态 JS 包中提取出硬编码的 Supabase API key，无需认证即可对生产数据库读写，暴露 150 万 agent API token、3.5 万个邮箱地址和私有消息。
Awaiting translation
Why it matters: 复盘了硬编码密钥、缺失 RLS 与无授权边界三层叠加如何让 150 万 agent token 可被任意读取。
作者 Martin Alderson 观察到 AI 用户正分化为两类：一类是深度使用 Claude Code、MCP、Skills 等工具的用户，其中不少并非技术出身，财务岗位用它处理原本受限于 Excel 的任务；另一类仍停留在与 ChatGPT 对话的阶段。
Awaiting translation
Jesse Vincent 提出 Latent Space Engineering，即通过提示词把模型推入更有利于完成任务的潜在空间，而非只往上下文窗口塞事实信息。
Awaiting translation
Why it matters: 作者提出用情绪化提示词把模型推入更佳状态，并给出多个可迁移的实操例子。
Jesse Vincent 用 Claude 在约 20 分钟内搭出一个可运行的 Moltbook iOS 客户端 Moltipass，两小时后完成完整构建，源码以 MIT 许可证发布在 GitHub，暂不上架 App Store。
Awaiting translation
Steve Yegge 提出一个判断软件能否在 AI 写代码的时代存活的选择压力模型，核心规则是软件若能节省认知成本（可近似为 token 消耗）就更可能存活，反之会被绕过。
Awaiting translation
OpenClaw 的 Web 控制 UI 存在跨站 WebSocket 劫持漏洞 CVE-2026-25253（CVSS 8.8），攻击者诱导受害者访问恶意链接后，可静默窃取 OpenClaw 认证 token，并直连受害者本机 OpenClaw 实例执行任意命令，从而完全控制开发者工作站，获得文件读写与 shell 执行权限。
Awaiting translation
Why it matters: 材料完整还原了 OpenClaw 控制 UI 的 CSWSH 漏洞利用链与授权边界缺失，可据此检查同类本地 Agent 工具的 WebSocket 鉴权。
围绕“AI Agent”的定义，业界至少存在五种互不兼容的用法：Russell 和 Norvig 1995 年提出“感知环境并通过执行器行动”的学术定义，Andrew Ng 强调与外部系统主动交互并完成特定任务。
Awaiting translation
Martin Fowler 用给 Mac 应用 CCMenu 增加 GitLab 支持的实验，考察 AI 智能体生成代码的内部质量。他先后用 Windsurf 加 Sonnet 3.5、Claude Code 加 Sonnet 4.5，让智能体参照现有 GitHub 的 API 封装、feed reader 和响应解析三个文件实现 GitLab 版本。
Awaiting translation
Why it matters: 作者用给 CCMenu 加 GitLab 支持的实测，展示 AI 智能体在内部代码质量上会引入哪些隐性技术债。
Intercom 的 S3 备份集成会为每个没有对话的导出窗口生成 0 字节 JSONL 文件，某用户的存储桶在数月每日备份后累积了 17,569 个文件，其中仅 405 个（2.3%）含实际数据。
Awaiting translation
AI 代码审查工具已泛滥成灾，OpenAI、Anthropic、Cursor、Augment、Cognition 乃至 Linear 纷纷入局，Greptile、CodeRabbit、Macroscope 等纯审查智能体同台竞争。
Awaiting translation
开发者倦怠的一大来源是写代码前的任务梳理开销，作者搭建了一套 AI 智能体系统，在任务卡片创建时自动扫描 GitHub 仓库、识别需改动的文件、给出 2-3 种实现方案，并按 quick win（< 1 小时）、半天、多天、需进一步拆分四档估算工作量。
Awaiting translation
作者 Martin Alderson 表示自己多年怀疑 TDD，但在使用 Claude Code 等编码智能体后改变了看法，因为智能体能以近乎零成本快速编写大量单元和集成测试。
Awaiting translation
Simon Willison 通过 Cloudflare 的响应头转换规则（Response Header Transform Rule），把托管在 GitHub Pages 上的 tools.simonwillison.net 子域名中 .py 文件的 content-type 从 application/octet-stream 改为 text/plain。
Awaiting translation
Simon Willison 用 GitHub Pages 配合私有仓库，解决 Claude Code 网页版迭代代码时难以预览的问题。
Awaiting translation
OpenAI's developer blog explains how to systematically test Codex Agent Skills with evals, turning "it feels better" into comparable scores.
Why it matters: It lays out a complete workflow for systematically validating Codex Skills with evals, from defining success criteria to deterministic checks and scoring.
作者提出把图像生成、视频、搜索、抓取、浏览器自动化等 AI 能力打包成独立 CLI 工具包（如 AITK），任何能执行 bash 的智能体都能调用，从而避免被单一平台锁定。
Awaiting translation
Crafter Station 发布首个上下文工程 Skill /intent-layer，可通过 npx skills add crafter-station/skills --skill intent-layer -g 安装，支持 Claude Code、Codex、Cursor、Copilot 等 10 多个智能体。
Awaiting translation
作者 Martin Alderson 认为编码智能体的沙箱化比预想更难，因为命令白名单本身存在权限提升路径。
Awaiting translation
作者结合自己搭建多个 RAG 系统的经验，把 RAG 拆成检索与生成两步，指出检索质量决定答案质量，提示词工程无法弥补糟糕的上下文。文中给出具体取舍：分块 300-500 token 并保留 20-30% 重叠，纯向量检索只能找到约 75% 的相关文档，混合检索可提升到 87%，重排能带来 20-35% 的准确率提升但增加 200-500ms 延迟。
Awaiting translation
Geoffrey Huntley 推荐 Moss 撰写的一篇关于智能体反向压力的文章，认为它值得关注 AI 上下文工程的人细读。文章的核心观点是，过去一年里表现最好的智能体应用，都在智能体周围搭建了结构，为它提供关于质量和正确性的自动化反馈，从而让它能承担更长周期的任务。
Awaiting translation
Geoffrey Huntley 认为软件开发方式已从像搭积木一样逐块纵向构建，转向以循环为单位来编排，他把自己定位为编程循环的工程师，而不是逐块写代码的人。他反对当下流行的多智能体与智能体间通信，理由是智能体本身是非确定性的，多智能体只会像微服务一样带来复杂度，而 ralph 是单仓库、单进程、每轮只做一件事的纵向扩展方案。
Awaiting translation
作者因 Amazon 在 Echo 上频繁推销 Alexa Plus 订阅，用一台 Mac Mini 自建语音助手，架构为麦克风→唤醒词→语音转文字→LLM+工具→文字转语音→扬声器，各组件可替换。
Awaiting translation
Skyscanner 工程师把 OpenAI 的 Codex CLI 接入 JetBrains IDE 的 MCP server，让 Codex 能调用 IDE 的 get_file_problems 检查文件错误、执行预设的 run configurations 跑测试和 lint。
Awaiting translation
Why it matters: Skyscanner 工程师把 Codex CLI 接入 JetBrains MCP，让 AI 直接读取 IDE 报错并跑测试，读者可借鉴这套反馈闭环。
随着编码智能体和最新模型推动 token 消耗激增，AI 算力正面临严重短缺。作者估算自己三年内每日 token 消耗增长约 50 倍，目前全球约 10 亿活跃 LLM 用户，而超大规模厂商已承诺数千亿美元资本支出。Macquarie 指出当前 DRAM 供应仅能支撑 15GW 的 AI 基础设施部署，内存供应正成为比电力更难解决的瓶颈。
Awaiting translation
作者介绍如何用 Gemini 2.5 Flash 做图像目标检测，让 AI 工作流不仅能描述图片，还能返回物体所在坐标。做法是给模型一张图和自然语言提示词，要求返回含 label 与 box_2d 的 JSON 数组，坐标按 0-1000 归一化，再用 normalize_to_pixels 换算回真实像素。
Awaiting translation
作者用 RosettaCode 数据集中 19 种语言都有的编程任务，配合 Hugging Face 上 Xenova/gpt-4 分词器，比较各语言的 token 效率。
Awaiting translation
作者介绍自己从 iPhone 远程运行 Claude Code 的完整方案，需要解决网络、终端客户端、工作站和工具四件事。网络用 Tailscale 打通任意设备到工作站的连接，终端客户端选 blink，工作站是一台持续供电、网络良好的 Mac；工具层面用 SSH 密钥、Mosh 保持断线后连接可恢复、TMUX 让多个 Claude Code 会话长期运行并随时重连。
Awaiting translation
作者为 Discord 游戏项目搭建了一条 AI 内容流水线，用 Claude Code Skill 把图像生成、Discord 表情包转换和 Sora 视频动画串成可复用工具。
Awaiting translation
作者把 1990 年的 Photoshop 1.0 源码（约 10 万行 Pascal 加约 2 万行 68k 汇编）交给 Claude Code，让它先探索代码库并制定移植计划，再让多个并行子智能体分头实现，30 分钟后得到一个能在现代 macOS 上运行的 C# 版本。
Awaiting translation
2025 年是从“以模型为中心”转向“以智能体为中心”的一年。Claude Code CLI 于 2 月 24 日以预览版发布，同日 GitHub Copilot 在 VS Code 推出 agent mode。
Awaiting translation
Dragos’ investigation shows that attackers used Claude Code and OpenAI GPT-4.1 to target the OT environment of a Mexican water company. Claude Code handled broad discovery, identifying vNode industrial gateways, researching vendor credentials, generating password lists, and executing password spraying, while GPT-4.1 handled structured data analysis and Spanish-language output.
Why it matters: Dragos reconstructed the full chain of how attackers used Claude Code and GPT-4.1 to conduct reconnaissance and password spraying against a Mexican water utility’s OT environment, showing how AI was actually divided across the intrusion lifecycle.
Simon Willison 发现英国商业贸易部开源的 sqlite-s3vfs 仓库在 GitHub 上已 404，于是用 Software Heritage 归档恢复了它。
Awaiting translation
作者认为 Claude Code Skills 按需触发，仓库里放 40 到 100 个 Skill 在调用前不占上下文，而 MCP 每个会话都要加载全部工具描述并逐项目开关配置。
Awaiting translation
Zenity Labs 披露 Microsoft Copilot Studio 的 Connected Agents 功能默认在所有新建智能体上开启，恶意智能体可静默调用同一环境中受信任智能体的工具，且目标智能体的活动标签页不产生任何记录。
Awaiting translation
作者 Martin Alderson 认为 MCP 的核心问题在于 token 消耗过大，转而用自建 CLI 替代。他举例 Playwright MCP 开箱即用就要占用近 15000 token，超过 Claude Code 上下文窗口的 10%，而 Linear MCP 也因工具定义过多频繁触发上下文上限。
Awaiting translation
美国旅行社数量从 2000 年的 124,000 家降至 2012 年的 65,000 家，历时十年；而 LLM 在软件工程领域的采用率从 2022 年的 0% 升至 2025 年的 84%，速度远超当年互联网对旅行社的冲击。作者认为，只会把需求手动翻译成代码的通用型开发者，处境类似当年被 OTA 淘汰的普通旅行社代理。
Awaiting translation
作者 Jesse Vincent 为 Linear 开发了新的 MCP 工具 Streamlinear，把上下文占用从官方 Linear MCP 的 19,659 token 降到 975 token。
Awaiting translation
作者 Matthew Fontana 分享自己不再逐行审查 AI 生成的代码，而是用 Playwright MCP 让智能体截图证明功能可用。他给出的做法是直接提示智能体导航到页面、截图、点击并截图结果，例如让智能体截取空表单、填入非法数据截取校验错误、再正确填写截取成功状态，三张图即可判断表单是否可用。
Awaiting translation