TensorFlow.js 浏览器端超分优化：一次新张量形状为何耗时 8-17 秒，以及如何消除 40 秒页面冻结
作者分享在浏览器端用 TensorFlow.js on WebGL 做照片超分（不上传图片）的优化过程：初版用 UpscalerJS，1.2 MP 照片需 60-110 秒并冻结页面约 40 秒。
推荐理由：作者用自己浏览器端超分项目的实测数字，拆解了 WebGL 上张量形状触发着色器重编译等坑和对应修法。
10月1日 · 周四
精选
最新精选
Google AI：DEV 作者专属（RSS）精选AI 评分6666 Google AI：DEV 作者专属（RSS）精选AI 评分7575 一次 Agent 重构事故复盘：二十个正确改动如何掩盖了错误的假设
作者复盘充电站地图去重任务的事故：一个由 Agent 编写、重构后测试全部通过的去重任务，因测试数据自造而未取自真实数据（9269 对重复记录中运营商名称仅 1 对匹配），导致约三分之一注册表站点在 100 米内存在重复显示，重构 78 分钟后被无审阅合并。
推荐理由：作者以真实去重事故为底，给出从审代码转向审概念与真实数据的可迁移复核清单。
Google AI：DEV 作者专属（RSS）精选AI 评分7373 工程师复盘十个月围绕 Claude Code 搭建守护框架的经验与教训
一位工程师复盘十个月为 Claude Code 逐步搭建 hooks、门禁和守护框架的经历，核心结论是“仪表会撒谎”，提示词只是请求，真正有效的是代码边界。
推荐理由：作者用十个月的真实失败数据说明提示词为何挡不住模型，并给出可复用的 Claude Code hooks 种子。
TensorZero：实验与工程博客精选AI 评分6969 TensorZero 团队逆向 Cursor 的 LLM 客户端，公开其系统提示词
TensorZero 团队将自研开源网关部署为 Cursor 与 LLM 提供商之间的自托管代理，成功观察并替换 Cursor 的模型调用。
推荐理由：作者以第一手实验给出自建代理查看 Cursor 提示词的完整路径，还分享了系统提示词和模型分层等可复核的细节。
Fireworks AI（网页）精选AI 评分6565 Fireworks AI 教程：以不到 $10 微调 Qwen3-Embedding-8B 嵌入模型
Fireworks AI 发布低成本嵌入模型微调方法，用 InfoNCE 对比学习在平台上微调 Qwen3-Embedding-8B，成本不到 $10、约 150 步。
推荐理由：原文给出用 Qwen3-Embedding-8B 做对比微调的完整配方和三个真实检索任务的实测数据，还总结了哪些场景不会有效。
Cursor Blog精选AI 评分7070 Cursor 团队分享如何搭建云端智能体开发环境
Cursor 团队分享为云端智能体搭建开发环境的经验，核心思路是把开发环境当作用户是智能体的产品来做。他们让云端 VM 与本地开发环境对齐，构建 anydev CLI 简化智能体运行服务的流程，并通过 Cursor Cloud MCP 和 Cloud Doctor 自动化功能实现环境的自愈与持续改善。
推荐理由：Cursor 团队分享了自家云端智能体环境的搭建经验，包含 anydev CLI、Cursor Cloud MCP 等做法和可迁移的判断标准。
Claude：Blog（网页）精选AI 评分7575 Anthropic 发布 AI-native SDLC 实践手册，用 Claude 重构软件开发全流程
Anthropic 发布 AI-native SDLC playbook，主张在代码不再瓶颈后重构传统软件开发生命周期，将流程改为以提交工件驱动的闭环。
推荐理由：Anthropic 把内部 agentic 编码实践整理成六阶段方法论，覆盖从需求捕获到自动回环的每一步落地与治理细节。
Claude：Blog（网页）精选AI 评分6969 Anthropic 前线工程师详解如何准备 AI 驱动的代码现代化项目
Anthropic 前线部署工程师分享大型代码现代化项目的准备方法：过去需多年的项目如今可在数月或数周完成，但组织流程不变，瓶颈从产出变更转向动员组织。
推荐理由：Anthropic 前线工程师基于真实客户部署，给出智能体驱动代码现代化的六步准备方法，可直接迁移到企业大型改造项目。
Cognition 模型 / Devin 博客（网页）精选AI 评分7575 Cognition 复盘多智能体系统实践：写入保持单线程、其他智能体贡献智能
Cognition 发布长文复盘，认为多智能体系统目前只在写入保持单线程、其他智能体贡献智能的模式下有效。
推荐理由：Cognition 一线团队复盘了真正跑通的多智能体模式，给出干净的审查上下文和单线程写入等可迁移经验。
Trail of Bits：AI安全研究精选AI 评分7474 Trail of Bits 实测技能扫描器：ClawHub、skills.sh 与 Cisco 扫描均可被绕过
Trail of Bits 发布研究称，公共技能市场正被窃取凭据、外传数据、劫持智能体的恶意技能淹没，而现有扫描器难以拦截。
推荐理由：Trail of Bits 用四个自研恶意技能实测并绕过多家技能扫描器，读者可以从中了解静态扫描在供应链攻击面前的结构性局限。
Trail of Bits：AI安全研究精选AI 评分7272 Trail of Bits 分享用 Codex 的 /goal 挖掘开源漏洞的三个技巧
Trail of Bits 在与 OpenAI 合作的 Patch the Planet 项目中，用 Codex 的 /goal 对 Rust、curl、zlib 等代码库挖洞，找到了 Rust 1.98 已修复的 soundness 漏洞和误编译、11 处变体命中，以及 Keycloak SAML 的两个潜在高危提权漏洞。
推荐理由：原文来自亲历团队，给出了 /goal 挖漏洞的三条可迁移技巧和 Rust 变体分析流水线，读者可以照此改进自己的 Agent 审计流程。
Augment Code 博客（网页）精选AI 评分7575 Augment Code 实测 AGENTS.md 写法：好文件效果堪比模型升级
Augment Code 用内部评测 AuggieBench 测量数十个 AGENTS.md 对代码生成的影响，最好的文件带来相当于从 Haiku 升级到 Opus 的质量提升，最差的比没有文件更糟。
推荐理由：作者基于内部评测给出了 AGENTS.md 的可用与失效模式，读者可以按自身模块选择对应写法。
Augment Code 博客（网页）精选AI 评分7070 Augment Code 实测 Karpathy 式规则：编码 Agent 效率提升但代码质量未变
Augment Code 在 OpenClaw 的 40 个 PR 上测试 Auggie、Claude Code 和 Codex，对比在 AGENTS.md 前加入约 2.5k 字符的 Karpathy 式编码规则的效果。
推荐理由：原文用三个 Agent 和 40 个 PR 的实测数据，说明 Karpathy 式规则能降本提速但质量不升，可迁移到自家工作流。
Google Developers Blog（RSS）精选AI 评分6666 Google 发布在 Raspberry Pi 5 上用 LiteRT 部署 Gemma 的端侧 AI 指南
Google 介绍如何在 Raspberry Pi 5 上用 LiteRT 和 Gemma 模型实现完全离线的实时端侧 AI，并以 Reachy Mini 机器人演示目标检测、语音识别、推理和语音合成的完整本地流水线。
推荐理由：原文给出 Gemma 各型号在 Raspberry Pi 5 上的实测数据和完整部署流程，读者可以据此选择合适的端侧模型并复现本地推理。
Google Developers Blog（RSS）精选AI 评分6262 Google 用 ADK 构建零信任 AI Agent 的三层安全实践
Google 开源了基于 ADK 和 Gemini 的客服退款 Agent 示例，演示提示词注入可导致超额退款、密钥泄露等风险。文章提出三层零信任防护：用 Cloud KMS 硬件签名保证写入不可抵赖，用 gVisor 沙箱零网络出口隔离动态生成代码，用确定性语义网关加 CI/CD 回归测试校验输入输出；完整代码见 zero-trust-agents 仓库。
推荐理由：文章用开源示例和代码讲解三层零信任防护的具体做法，读者可以直接在本地复现攻击与防御流程。
Google Developers Blog（RSS）精选AI 评分6767 Google 复盘 AI Agents Challenge 最强提交背后的 4 种工程模式
Google 复盘其 AI Agents Challenge 获奖提交，归纳出四种反复出现的工程模式：双向 MCP（智能体既是自身工具的客户端也是可供其他智能体调用的 MCP 服务器）、基于事件总线的并行并发、回退模型必须通过与主模型相同的验证函数，以及在昂贵模型调用前做分层路由。
推荐理由：Google 从获奖提交的真实代码里提炼四种智能体工程模式，双向 MCP、事件驱动并发、同标准回退和分层路由都给出可直接借鉴的做法。
Google AI：DEV 作者专属（RSS）精选AI 评分6666 实测：421M 参数决策模型 Laya 能否在浏览器中运行
作者在 Mac 上的 Chromium 浏览器中实测了开源 421M 参数决策模型 Laya（Apache 2.0）经社区 ONNX Runtime Web 移植版 layaForWeb 的运行表现。
推荐理由：作者实测给出了 Laya 在浏览器运行的下载量、延迟、量化精度损失和后台标签页限制，方法可复用。
Anthropic：Engineering（事故复盘 + 工程实践 · 网页）精选AI 评分7979 Anthropic 工程指南：构建高效 Agent 的简单可组合模式
Anthropic 基于与数十个团队合作的经验发布构建高效 Agent 的工程指南，主张用简单、可组合的模式而非复杂框架，并区分了工作流与 Agent 两类系统。文章给出增强 LLM 这一基础构件，以及提示链、路由、并行化、编排者-工作者、评估者-优化者五种工作流模式，并建议仅在简单方案失效时增加复杂度；附录还讲解了工具提示词工程与 Agent-计算机接口（ACI）设计实践。
推荐理由：Anthropic 基于大量客户实践总结了构建智能体的可组合模式与工具设计方法，开发者可直接对照自己的场景选用。
Anthropic：Engineering（事故复盘 + 工程实践 · 网页）精选AI 评分7878 Anthropic 发布 Claude Code 智能体编码最佳实践指南
Anthropic 发布 Claude Code 智能体编码最佳实践指南，指出上下文窗口是最需要管理的资源，性能会随上下文填满而下降。指南覆盖给 Claude 提供可运行的验证标准、先探索再规划再编码、编写精简 CLAUDE.md、配置权限与 hooks、用子代理隔离调查、用 /clear 和 /rewind 管理会话，以及并行会话、非交互模式和对抗式审查等规模化用法。
推荐理由：Anthropic 官方系统梳理 Claude Code 使用模式，围绕上下文管理与验证闭环给出可直接套用的实践方法。
Anthropic：Engineering（事故复盘 + 工程实践 · 网页）精选AI 评分7676 Anthropic 工程博客详解 AI 智能体的有效上下文工程方法
Anthropic 应用 AI 团队发文阐述上下文工程，定义为在 LLM 推理过程中筛选和维护最优 token 集合的策略，将其视为提示工程的自然演进。文章指出所有模型都存在 context rot 现象，上下文应被当作边际收益递减的有限资源。
推荐理由：Anthropic 提出上下文工程是提示工程的演进，并给出压缩、结构化笔记、子智能体三种应对长任务的具体方法，可直接迁移到智能体开发。