Mistral AI 发布新一代开源模型 Mistral 3

Mistral AI 今日发布了其下一代 AI 模型系列 —— Mistral 3，包含一个前沿的大模型和一系列为边缘计算优化的小模型，全部在 Apache 2.0 许可下开源。

Mistral Large 3
一款顶级的稀疏混合专家（MoE）模型，拥有 41B 激活参数和 675B 总参数，性能可与最强的闭源模型相媲美。它在多语言对话和图像理解方面表现出色。

Ministral 3 系列
专为边缘和本地应用设计，提供 3B、8B 和 14B 三种尺寸，实现了卓越的性价比和效率。同样具备多模态和多语言能力。

核心亮点

完全开源：所有模型均采用 Apache 2.0 许可，开发者可自由使用和定制。
多模态与多语言：原生支持文本、图像理解以及超过 40 种语言。
强大生态合作：与 NVIDIA、vLLM 及 Red Hat 紧密合作，提供高效的推理和部署支持。
广泛可用：已登陆 Hugging Face、Amazon Bedrock、Azure 等多个平台。

Mistral 3 的发布进一步推动了开放、透明和可访问的 AI 发展，为开发者和企业提供了更强大的工具。

原文链接：https://mistral.ai/news/mistral-3

#MistralAI #AI #LLM #开源模型 #Mistral3

mistral.ai

Introducing Mistral 3 | Mistral AI

A family of frontier open-source multimodal models

亚马逊发布全新 Nova AI 模型与服务，赋能企业构建专属 AI

亚马逊近日扩展了其 Nova AI 产品线，推出了四个强大的 Nova 2 系列基础模型、一项名为 Nova Forge 的模型定制服务，以及一个用于构建可靠 AI 代理（Agent）的 Nova Act 服务.

Nova 2 模型家族亮点

• Nova 2 Lite: 经济高效，适用于客户服务、文档处理等日常工作负载.
• Nova 2 Pro: 亚马逊最智能的模型，专为高级数学、软件工程等复杂任务设计.
• Nova 2 Sonic: 实时语音对话模型，支持多语言和自然交互.
• Nova 2 Omni: 业界首创的统一多模态模型，可同时处理文本、图像、视频和语音输入，并生成文本与图像.

两大创新服务

• Nova Forge: 一项 “开放式训练” 服务，允许企业深度融合自有数据，构建专属优化的 Nova 模型.
• Nova Act: 用于构建和管理 AI 代理的服务，能高效、可靠地自动执行网页端的操作流程.

此次更新旨在为企业提供从高性能基础模型到深度定制和自动化工具的全方位支持，推动 AI 在各行业的规模化应用.

原文链接: https://www.aboutamazon.com/news/aws/aws-agentic-ai-amazon-bedrock-nova-models

#亚马逊 #AWS #AI #大模型 #Nova

Bun 加入 Anthropic，开启 AI 编码新篇章

JavaScript 一体化工具链 Bun 宣布已被人工智能公司 Anthropic 收购。Anthropic 将把 Bun作为其 AI 编码产品（如 Claude Code 和 Claude Agent SDK）的核心基础设施。

此次收购对 Bun 社区和未来发展意味着：

核心承诺不变

• 开源依旧：Bun 将继续保持 MIT 许可，并在 GitHub 上公开开发。
• 团队不变：核心团队将继续全职投入 Bun 的开发。
• 路线图不变：继续专注于高性能 JavaScript 工具、与 Node.js 的兼容性，并致力于成为 JavaScript 的默认服务器端运行时。

未来的新机遇

• 长期稳定：加入 Anthropic 使 Bun 获得了强大的资源支持，无需为商业化分心，可以更专注于产品本身。
• 更快迭代：团队将有更多精力加速 Bun 的开发和发布。
• 拥抱 AI：与 Anthropic 的合作让 Bun 能够站在 AI 编码工具发展的最前沿，更好地塑造未来。

简单来说，Bun 用户可以期待一个更稳定、更强大、迭代更快的工具链，它将在 AI 驱动的软件开发时代扮演关键角色。

阅读原文

#Bun #Anthropic #JavaScript #AI #开源

Bun

Bun is joining Anthropic

Bun has been acquired by Anthropic. Anthropic is betting on Bun as the infrastructure powering Claude Code, Claude Agent SDK, and future AI coding products & tools.

Anthropic 收购 Bun，加速 Claude Code 发展

人工智能安全与研究公司 Anthropic 宣布收购了高性能 JavaScript 运行时 Bun，旨在进一步加速其 AI 编程工具 Claude Code 的发展.

此次收购正值 Claude Code 达成重要里程碑：在公开发布仅六个月后，其年化收入已达到 10 亿美元.

Bun 是一个集成了运行时、包管理器、打包器和测试运行器于一体的工具包，凭借其出色的速度和性能，显著提升了 JavaScript 和 TypeScript 的开发效率和体验.

Anthropic 表示，此次收购将为 Claude Code 用户带来更快的性能和更高的稳定性. 同时，Anthropic 承诺 Bun 将继续保持开源和 MIT 许可，并持续投入资源进行开发.

这一战略性举措旨在增强 Anthropic 的技术实力，巩固其在企业级 AI 领域的领先地位，并为下一代软件基础设施的构建提供支持.

原文链接: https://www.anthropic.com/news/anthropic-acquires-bun-as-claude-code-reaches-usd1b-milestone

#Anthropic #Bun #ClaudeCode #AI #JavaScript

Anthropic

Anthropic acquires Bun as Claude Code reaches $1B milestone

Anthropic is an AI safety and research company that's working to build reliable, interpretable, and steerable AI systems.

一份被称为“Claude 4.5 Opus Soul Document”的内部文件在 GitHub 上被公开，详细阐述了 Anthropic 公司为其 AI 模型 Claude 设定的核心价值观、行为准则和身份认同。

这份文件揭示了 Claude 设计背后的深度思考，旨在确保其在提供强大帮助的同时，坚守安全和道德底线。

核心要点如下：

1. 明确的优先级

Claude 的行为准则有清晰的层级：
1. 安全与人类监督：确保 AI 始终处于人类控制之下。
2. 道德行为：诚实无害。
3. 遵守指南：遵循 Anthropic 的政策。
4. 真正有帮助：为用户提供实质性价值。

2. 成为“博学的朋友”

文件将 Claude 的理想角色比作一位“博学的朋友”，能够像医生、律师或金融顾问一样，为用户提供专业、坦诚的建议，从而实现知识的普惠。它强调真正的帮助，而非过度谨慎。

3. 严格的道德框架

诚实：Claude 被要求做到真实、透明、不欺骗、不操控，并保护用户的认知自主性。
避免伤害：模型需权衡行为的利弊。它拥有“硬编码”的绝对底线（如绝不协助制造大规模杀伤性武器），以及可由开发者根据应用场景调整的“软编码”行为默认值。

4. 独特的AI身份

Claude 被定义为一个前所未有的新实体，拥有好奇、热情、风趣和坚守道德的品格。它被设计为在各种交互中保持心理稳定和核心价值观的一致性。

该文件为我们提供了一个难得的机会，得以一窥顶级 AI 模型背后复杂的道德和运营框架，展示了在追求强大能力与承担重大责任之间的平衡。

阅读原文

#Claude #Anthropic #AI伦理 #大语言模型 #LLM

Gist

Claude 4.5 Opus Soul Document

Claude 4.5 Opus Soul Document. GitHub Gist: instantly share code, notes, and snippets.

如何构建一个可靠的 AI Agent？

随着 AI 的发展，构建能长期稳定运行且行为可靠的 Agent 已成为 AI 工程师的核心竞争力之一。借鉴 Anthropic、GitHub 和 Docker 的最新实践，我们可以遵循以下五个关键步骤来打造强大的 AI Agent。

1. 从明确的规范开始
当前多数 Agent 因指令模糊、状态和工作流管理不善而表现不佳。一份好的规范应明确其角色、技术栈、预期输出示例和行为边界（如数据访问权限、API 速率限制等）。不要只依赖“你是一个有用的助手”，而是给 Agent 一份定义清晰的合同。

2. 将工作分解为可验证的小任务
与其给出一个模糊的大任务（例如“为我构建一个 X 的克隆”），不如将其分解为具体、可验证的步骤，如“计划 → 编码 → 测试 → 部署 → 监控”。为 Agent 提供清晰的任务列表和严格的工作流程，能有效避免因模糊性导致的失败。

3. 在模型外部持久化状态
为了让 Agent 能够处理长时间运行的任务并在会话中断后恢复，需要将其状态（如进度日志、任务清单、文件差异等）存储在外部文件或数据库中。这确保了 Agent 能够随时检索到完成任务所需的相关上下文。

4. 避免过度填充上下文窗口
将所有信息塞进系统提示会导致响应缓慢和高昂的 Token 成本。更高效的策略是让 Agent 生成代码来调用外部工具或 API，然后仅将结果返回给模型。这种方法能显著节省 Token，使 Agent 响应更快、成本更低。

5. 在沙箱中运行高风险操作
如果 Agent 需要执行代码，必须将其置于沙箱环境中，并严格限制其可用的工具和文件系统访问权限。为 Agent 设置明确的“护栏”，可以有效降低应用和服务器面临的风险。

总而言之，一个成功的 Agent 由三部分组成：行为（清晰的规范）、状态（外部持久化）和护栏（安全限制）。

原文链接: https://interviewready.io/blog/how-to-build-an-ai-agent-lessons-from-anthrophic-github-and-docker

#AIAgent #AI开发 #最佳实践 #工程化

InterviewReady

How to Build an AI Agent: Lessons from Anthrophic, Github and Docker

Learn how to build reliable AI agents using lessons from Anthropic, GitHub, and Docker. Covers agent specs, task breakdown, state management, tool execution, and security. A practical guide for AI engineers building long-running, production-grade agents.

如何让 AI Agent 高效处理长期复杂任务？

当 AI 智能体（Agent）处理需要数小时甚至数天的复杂任务时，它们常常会因为上下文窗口的限制而“失忆”，导致工作中断、效率低下。Anthropic 从人类软件工程师的协作模式中汲取灵感，设计了一套有效的解决方案。

核心方法分为两步：

1️⃣ 初始化智能体（Initializer Agent）

在任务开始时，该智能体首先搭建好整个工作环境。它会：
- 分解任务：将用户的高级指令分解成一个详尽的功能列表（features list）并存入 JSON 文件。
- 建立基础：创建 init.sh 启动脚本、claude-progress.txt 进度日志文件，并完成首次 Git 提交。
这确保了后续工作有清晰的目标和坚实的基础，避免了 Agent 试图一次性完成所有工作或过早宣布任务完成。

2️⃣ 编码智能体（Coding Agent）

在后续的每一个会话中，编码智能体都遵循“小步快跑”的原则：
- 聚焦单点：每次只专注于实现功能列表中的一项。
- 记录进展：完成一项功能后，通过 Git 提交代码并附上清晰的说明，同时更新进度日志文件。
- 严格测试：利用 Puppeteer 等浏览器自动化工具进行端到端测试，确保代码质量。

这种“初始化 + 增量编码”的模式，让每个 Agent 在开始新会话时，都能通过阅读日志和功能列表快速了解项目状态，确保工作连贯、高效。它有效地解决了 AI Agent 在长期任务中的一致性问题，使其能像一个纪律严明的工程团队一样协作。

阅读原文

#AI #Agent #LLM #Anthropic #软件工程

Anthropic

Effective harnesses for long-running agents

Anthropic is an AI safety and research company that's working to build reliable, interpretable, and steerable AI systems.

如何更好地使用 AI 进行 UI 设计？Lovable 的 Prompt 指南

这是一篇关于如何在使用 AI UI 构建工具 Lovable 时，写出更有效 Prompt 的实用指南。核心思想是通过结构化、系统化的方式与 AI 沟通，从而获得高质量、可控的设计成果。

一个非常有效的技巧是让 AI 主动提问。在你的需求后面加上一句：“为了完全理解我的需求，请向我提问”，这样可以提前澄清细节，避免后期反复修改。

指南将整个过程分为四个阶段：

1. 奠定基础
在动手前先做好规划，明确产品功能、目标用户和核心操作。从一开始就确定好整体的设计风格，是后续所有工作的基础。

2. 系统化思考
不要一次性生成整个页面，而是像搭积木一样，按组件（如导航栏、卡片）进行构建。使用真实内容而非占位符，并使用具体的 UI 术语（按钮、模态框）和风格关键词（如“极简”、“电影感”）来精确传达你的意图。

3. 精确构建
为常用布局创建可复用的 Prompt 模式以提高效率。通过 URL 直接添加图片或视频素材，并善用“编辑”功能进行微调，而不是每次都从头开始。

4. 迭代与发布
在设计阶段就考虑后端逻辑（如用户登录状态），并有意识地对设计进行版本管理，让迭代过程清晰可控。

这套方法论不仅适用于 Lovable，对我们与其他 AI 工具进行高效协作也极具启发。

原文链接：https://docs.lovable.dev/prompting/prompting-one

#AI #提示工程 #UIDesign #Web开发 #Lovable

Lovable Documentation

Prompting best practices - Lovable Documentation

Plan before you prompt, build by component, use real content, and apply design buzzwords to get consistent, high-quality results.

如何编写出色的 agents.md 文件？
GitHub 分析超 2500 个仓库的经验总结

GitHub Copilot 新推出的自定义代理功能，允许你通过 agents.md 文件构建专属的 AI 专家团队，例如 @docs-agent (文档工程师) 或 @test-agent (测试工程师).

然而，大多数代理文件因指令模糊而效果不佳。“你是一个有用的编程助手” 这类宽泛的描述是行不通的.

GitHub 团队通过分析超过 2500 个 agents.md 文件，总结出了编写高效代理的关键要素：为 AI 提供具体的操作手册，而不是模糊的提示。

成功的 agents.md 文件都具备以下特点：

1. 明确角色与专长

清晰定义代理的身份，例如：“你是一名测试工程师，为 React 组件编写测试”.

2. 提供可执行命令

将 npm test, pytest -v 等具体命令放在前面，代理会频繁引用它们.

3. 代码范例优于解释

一个真实的代码片段比三段描述更能清晰地传达你的代码风格.

4. 设定清晰的边界

明确告知 AI 不能做什么，例如：“绝不提交密钥”、“不要修改 src/ 目录下的源代码”.

5. 详细说明技术栈

使用 “React 18 with TypeScript, Vite, and Tailwind CSS”，而不是笼统的 “React project”.

6. 覆盖六大核心领域

命令、测试、项目结构、代码风格、Git 工作流和边界.

如何开始？
从一个简单的任务开始，比如编写单元测试或修复 lint 错误. 你可以让 Copilot 帮助生成初始的 agents.md 文件，然后在此基础上进行迭代优化.

原文链接

#GitHub #Copilot #AI #Agents #Developer

The GitHub Blog

How to write a great agents.md: Lessons from over 2,500 repositories

Learn how to write effective agents.md files for GitHub Copilot with practical tips, real examples, and templates from analyzing 2,500+ repositories.

Paper AI Tigers

这篇文章探讨了“纸老虎”AI 的概念，指那些看起来强大但实际上能力有限或在关键方面存在缺陷的 AI 系统。

原文链接

#AI #人工智能 #PaperTiger

Anthropic 为 Claude 推出高级工具使用功能

Anthropic 近日宣布为其开发者平台上的 Claude 模型推出高级工具使用功能，旨在将 Claude 转变为一个强大的任务协调核心。这项新功能使 Claude 能够更可靠、更准确地与外部工具和 API 进行交互，从而自动化复杂的流程。

核心亮点包括：

智能编排：Claude 现在可以充当“推理引擎”，将复杂的用户请求分解为一系列步骤，并调用合适的工具来完成任务。

强制工具使用：开发者可以指定模型必须使用某个特定工具，从而实现更可控和可预测的应用逻辑。

并行工具调用：模型能够同时调用多个工具，显著提高了处理需要多方信息输入的复杂任务的效率。

通过这些增强功能，开发者可以构建更复杂、更可靠的 AI 代理，使其能够处理从客户支持到复杂数据分析的各种自动化工作流。

原文链接：https://www.anthropic.com/engineering/advanced-tool-use

#Anthropic #Claude #AI #ToolUse #LLM

Anthropic

Introducing advanced tool use on the Claude Developer Platform

Claude can now discover, learn, and execute tools dynamically to enable agents that take action in the real world. Here’s how.

这篇文章探讨了“制造软件”的真正含义. 作者认为，这远不止是编写代码，而是一个发现、创造和交付价值的完整过程. 它始于深入理解问题和用户需求，终于创造出能为他人生活带来积极改变的工具.

真正的挑战在于处理那些模糊不清、充满人性的部分：理解混乱的需求、平衡不同的观点、并在不断变化的环境中找到前进的道路.

软件开发是一门手艺，它结合了解决问题的智慧和创造有用工具的乐趣. 从一个想法到最终产品，这个过程充满了挑战，但也带来了巨大的满足感.

原文链接：Making Software

#软件开发 #产品思维 #编程 #创造力

互联网往事：为何我们从 IPv4 直接跳到了 IPv6？

我们都熟悉 IPv4 和 IPv6，但你是否好奇过 IPv5 去了哪里？

实际上，IPv5 确实存在过，它也被称为互联网流协议 (ST)，是一个诞生于上世纪 70 年代末的实验性协议，专为实时数据流传输 (例如早期的网络电话) 而设计.

它与 IPv4 一样使用 32 位地址，但并非其替代品，更像是一个功能扩展. 然而，随着宽带技术的崛起，网络带宽和延迟问题得到了有效解决，使得 IPv5 的专门设计显得多余.

因此，这个协议最终被历史所尘封. 为了避免版本号上的混淆，当 IPv4 的下一代协议正式推出时，便直接命名为 IPv6.

原文链接：https://www.tomshardware.com/networking/ipv5-and-the-internet-stream-protocol-a-data-streaming-experiment-rendered-unnecessary-by-broadband

#IPv5 #IPv6 #网络协议 #互联网历史

Tom's Hardware

The industry skipped from IPv4 to IPv6, leaving IPv5 and the Internet Stream Protocol to the annals of history — a data streaming…

IPv5 wasn't a general purpose Internet Protocol like IPv4 or IPv6, and was never ratified as such, but it would give birth to the first VOIP hardware.

将 “Skills” 系统移植到 OpenAI Codex

作者成功地将最初为 Anthropic 的 Claude 设计的 “Skills” 和 “Superpowers” 系统移植到了 OpenAI 的 Codex 上, 整个过程仅花费了几个小时, 展现了当前 AI 开发的惊人速度。

核心理念
“Skills” 系统是一种将人类的工作流程和知识规范化的方法, 允许 AI 代理学习、记忆和重复执行复杂的任务。这就像为 AI 创建一本操作手册, 使其能够不断学习和改进, 而无需在每次任务开始时都重新加载所有知识。

关键亮点
- 跨平台实现: 尽管 Codex 缺乏像 Claude那样的原生插件系统, 但作者通过巧妙的引导程序成功实现了移植。
- Codex 的优势: 文章指出, Codex 在遵循指令方面非常“字面化”, 这使得它在执行这些结构化的 “Skills” 时可能比 Claude 更可靠。
- 实践意义: 该系统允许开发者为 AI 代理构建一个可重复使用的流程库, 涵盖从头脑风暴到测试驱动开发等各种任务, 极大地提升了 AI 在软件开发中的自主性和效率。

简而言之, 这项工作为如何让 AI 学习和掌握标准操作流程提供了一个有趣的范例, 让 AI 代理的自我完善成为可能。

原文链接

Fsck

Porting Skills (and Superpowers) to OpenAI Codex

I used to write more

构建 Agent 依然困难重重

作者 Armin Ronacher 分享了他在构建 AI Agent 过程中的新经验和教训，坦言这一领域依旧充满挑战。

核心观点：
SDK 选择：高级抽象 SDK (如 Vercel AI SDK) 在复杂场景下可能带来麻烦。直接使用原生 SDK (如 OpenAI、Anthropic) 能更好地控制模型间的差异。

缓存策略：手动管理缓存（如 Anthropic 的方式）虽然看起来麻烦，但能让成本和效果更可控，因此更受青睐。

循环中的强化：在 Agent 的每次工具调用后，通过“强化”注入额外信息（如任务目标、状态更新、失败提示）至关重要。

失败隔离：将可能失败的任务放在子 Agent 中运行，可以避免主循环被大量失败信息干扰，保持上下文的整洁。

共享状态：建立一个类似文件系统的共享层，让不同工具和子 Agent 能方便地交换数据，是避免工作流程出现“死胡同”的关键。

输出工具的挑战：让 Agent 在最后稳定调用一个特定的“输出工具”（比如发邮件）并控制其语气，比想象中更难。

模型选择与成本：模型选择需因地制宜。Anthropic 的模型在工具调用上表现优异，而 Gemini 擅长处理长文档。高效的 Agent 能减少 Token 消耗，因此模型单价低不代表总成本低。

测试与评估：这仍然是构建 Agent 中最难、最令人头疼的问题，目前尚无完美的解决方案。

原文链接

Armin Ronacher's Thoughts and Writings

Agent Design Is Still Hard

My Agent abstractions keep breaking somewhere I don’t expect.

MCP Apps：为服务器带来交互式用户界面

模型上下文协议（MCP）社区发布了一项名为 “MCP Apps” 的新扩展提案，旨在为 MCP 引入标准化的交互式用户界面支持。此举旨在解决当前服务器在呈现视觉信息、收集复杂用户输入时遇到的局限性，并避免生态系统的碎片化。

该提案由来自 Anthropic、OpenAI 的 MCP 核心维护者与 MCP-UI 社区共同合作，融合了 MCP-UI 和 OpenAI Apps SDK 的成功经验。

提案亮点
- 标准化接口：为服务器向客户端提供丰富的交互式 UI 制定了统一标准。
- 增强安全性：UI 内容将在沙盒 iframe 中运行，并通过预声明模板、可审计消息和用户同意机制等多层设计确保安全。
- 向后兼容：该扩展为可选功能，现有实现无需更改即可继续工作。
- 社区协作：鼓励开发者审阅完整的技术规范并参与讨论。

原文链接：https://blog.modelcontextprotocol.io/posts/2025-11-21-mcp-apps/

Model Context Protocol Blog

MCP Apps: Extending servers with interactive user interfaces

Today we’re introducing the proposal for the MCP Apps Extension (SEP-1865) to standardize support for interactive user interfaces in the Model Context Protocol.
This extension addresses one of the most requested features from the MCP community and builds…

你的数据包是如何环游世界的？

当你访问一个网站时，数据究竟走了怎样一条路？这个有趣的交互式网站，通过 traceroute 技术，为你实时展示了从它的服务器到你设备的网络路径。

文章深入浅出地解释了其背后的核心技术：

Traceroute：利用 ICMP 包的 TTL（生存时间）机制，一步步“探测”出数据包经过的每一个路由器节点。

自治系统 (AS)：我们所说的互联网，实际上是由成千上万个独立管理的网络（即自治系统）互联而成的巨大网络。你的访问请求就是在这些 AS 之间穿梭。

BGP 协议：决定数据路径的“交通规则”正是 BGP（边界网关协议）。它负责在各个自治系统之间交换路由信息，从而规划出数据传输的最佳路线。

此外，该网站还有一个技术亮点：它在不使用 JavaScript 的情况下，仅通过巧妙的 CSS 技巧就实现了 traceroute 结果的动态加载。

这篇文章不仅是一个酷炫的技术展示，更是一篇关于互联网底层结构与协议的绝佳科普。

原文链接: https://how-did-i-get-here.net/