Claude Code 推出动态工作流功能
Anthropic 在 Claude Code 中发布动态工作流（Dynamic Workflows），允许 Claude 即时编写定制化的 JavaScript 脚本以协调子智能体（subagents）。
推荐理由：官方详解动态工作流机制与六大模式，提供从代码迁移到深度研究的实战案例及Token预算技巧。
#教程/实践
Anthropic Claude.dev 开发者博客精选AI 评分8383 Together AI Blog精选AI 评分6565 Together AI 发布 MiniMax M3 高效推理服务方案
Together AI 宣布作为 MiniMax M3 的首选云合作伙伴，通过深度性能优化支持该模型在生产环境中高效运行，并将在未来几天开放权重后直接提供端点服务。
推荐理由：Together AI 详细披露了 MiniMax M3 在稀疏注意力、KV 缓存管理及多模态预处理上的底层工程优化，展示了实现百万 token 上下文高效服务的具体技术路径。
Together AI BlogAI 评分4242 Together AI 如何构建全球最快的语音转文本技术栈
Together AI 通过优化 NVIDIA Parakeet-TDT 0.6B v3 和 OpenAI Whisper Large v3，实现了极低的语音转文本延迟。其核心改进包括使用 TensorRT 多配置文件加速编码器、利用条件 CUDA graph 将解码器分支移至 GPU 实现 2-3 倍提速，以及消除 CPU 冗余数据拷贝。
Ai2 / Allen Institute for AIAI 评分4545 基于 Molmo、MolmoWeb 和 Olmo 3 构建无障碍检测工具 PointCheck
开发者 Brendan Works 利用开源模型 Molmo、MolmoWeb 和 Olmo 3 构建了网页无障碍检测工具 PointCheck。该工具通过 Playwright 模拟键盘导航，结合视觉模型检查屏幕渲染效果以验证焦点指示器可见性，并由 Olmo 3 生成报告。PointCheck 支持完全自托管，旨在弥补传统代码静态检查在感知层面的不足。
Anthropic Claude.dev 开发者博客精选AI 评分7070 Claude Code 开发者指南：为何及如何使用 HTML 替代 Markdown 生成输出
Anthropic Claude Code 团队成员 Thariq Shihipar 建议将 HTML 作为主要输出格式以替代 Markdown，利用其更高的信息密度、视觉清晰度和易分享性来优化复杂任务的沟通效率。
推荐理由：作者分享了在 Claude Code 中用 HTML 替代 Markdown 的具体场景与提示词，展示了如何利用富文本特性提升信息密度和交互性。
Andrej KarpathyAI 评分3636 Karpathy建议LLM输出HTML
顺便说一句，这招很管用：在查询末尾要求你的 LLM “将回复结构化为 HTML”，然后在浏览器中查看生成的文件。我也尝试让 LLM 以幻灯片等形式展示输出，效果也不错。更广泛地说，在我看来音频是
Anthropic Claude.dev 开发者博客精选AI 评分8383 Claude Code 团队分享构建经验：Prompt Caching 至关重要
Claude Code 团队指出 Prompt Caching 是长运行智能体产品可行性的关键，能显著降低延迟和成本。文章分享了静态内容前置、通过消息而非修改系统提示词传递更新、会话中不切换模型或工具集等优化策略。此外，还介绍了利用 defer_loading 处理 MCP 工具以及通过共享父级前缀实现无缓存破坏的上下文压缩方法。
推荐理由：原文详细拆解了 Claude Code 围绕 Prompt Caching 的架构设计，提供了避免缓存失效的具体工程模式。
Anthropic Claude.dev 开发者博客精选AI 评分6868 Claude Code 团队分享智能体工具设计原则与迭代经验
Anthropic Claude Code 团队分享了智能体工具设计的核心原则，强调需根据模型自身能力塑造工具并持续迭代。
推荐理由：原文通过 AskUserQuestion、Task 和 Guide Agent 等案例，展示了 Claude Code 如何根据模型能力演进调整工具设计。
Andrej KarpathyAI 评分4040 Karpathy谈LLM构建个人知识库
LLM 知识库 最近我发现非常有用的一件事：使用 LLM 为各种研究兴趣主题构建个人知识库。通过这种方式，我最近的 token 吞吐量中，很大一部分不再用于处理代码，而是用于处理
Andrej KarpathyAI 评分4545 Karpathy分享nanochat自动调优成果
三天前，我让 autoresearch 对 depth=12 的 nanochat 模型进行了约 2 天的调优。它发现了约 20 项能改善验证损失的改动。昨天我测试了这些改动，发现它们都是可叠加的，并且能迁移到更大（depth=24）的模型上。将所有这些改动堆叠起来，