教程实践

Claude Code 循环工程入门：四类循环原语与 /goal、/loop、/schedule 用法

Claude 官方博客发布 Claude Code 循环工程入门指南，把智能体循环分为回合制、目标驱动、时间驱动和主动式四类，并说明各自的触发方式、停止条件与适用场景。

在 HF Jobs 上用一条命令运行 vLLM 服务器

在 HF Jobs 上用一条命令即可运行 vLLM，获得私有、按秒计费的 OpenAI 兼容端点。端点通过 HF token 鉴权，可用 curl 或 Python OpenAI 客户端调用；文章还给出 SSH 调试、Gradio 对话和作为 Pi 编码智能体后端的配置，并对比 HF Jobs 与 Inference Endpoints 的适用场景。

Anthropic 分享构建人类与多智能体协作团队的实践

Anthropic 在博客中提出多人智能体（multiplayer agents）概念，指能同时与多名人类协作的 AI 模型，它们拥有独立凭证、记忆和技能，并常驻 Slack 等团队协作工具。

huggingface_hub 如何用 AI 起草、人工把关实现每周发版

huggingface_hub 将发布周期从每 4 到 6 周一次缩短到每周一次，用 GitHub Actions 编排整个流程，由开源权重模型起草 release notes 和 Slack 公告，再由人工审核后发布。

Anthropic 说明 Claude Code 中 CLAUDE.md、skills、hooks 与 subagents 的适用场景

Anthropic 在 Claude Blog 发文对比 Claude Code 中 CLAUDE.md、rules、skills、subagents、hooks 和 output styles 的加载时机与上下文成本，并给出各自适用的指令类型。

Strands Agents 与 LeRobot 如何从 Hugging Face Hub 部署到机器人硬件

AWS 以 Apache 2.0 开源的 Strands Robots 把 LeRobot 的硬件抽象、仿真和策略推理封装成 AgentTools，让单个 Strands 智能体从 Hugging Face Hub 数据集走到真实机器人。

智能体如何串联两个 Hugging Face Space 搭建 3D 巴黎画廊

一个编码智能体通过读取 Hugging Face Spaces 的 agents.md，串联图像生成 Space ideogram-ai/ideogram4 与单图 3D 重建 Space VAST-AI/TripoSplat，自动搭建出展示巴黎地标 3D Gaussian splat 的静态网站。

如何把 GitHub CI 迁移到 Hugging Face Jobs

Hugging Face 发布教程，介绍如何把 GitHub Actions 的 CI 任务迁移到 Hugging Face Jobs 上运行。作者为 Trackio 搭建的方案只需把 runs-on 改成 hf-jobs-* 标签，CPU CI 耗时从 GitHub 托管的 1m40s 降到 1m10s，GPU 测试在 t4-small 上 45 秒跑完、成本不到 1 美分。

NVIDIA Nemotron 3.5 ASR 如何微调适配特定语言、领域或口音

NVIDIA 在 Hugging Face 博客给出 Nemotron 3.5 ASR 的微调流程，用约 2000 小时希腊语和保加利亚语数据微调后，在 80ms 流式设置下 WER 分别从 35 降到 24、从 22 降到 15。

OpenAI 的数据智能体只用一个模型和 13 个工具，在 1.5 exabytes 数据和 90,000 张表上运行，设计上刻意保持简单。数据平台工程负责人 Emma Tang 介绍了其架构，以及让单一 LLM 在 90,000 张表上保持可靠的六层上下文。文章还包含 OpenAI 内部使用 Codex 的三个场景，以及五条供团队构建领域智能体参考的实践经验。

Anthropic 如何用 Claude 实现自助式数据分析

Anthropic 在官方博客中介绍，其内部 95% 的业务分析查询已交由 Claude 自动完成，整体准确率约 95%。文章给出智能体分析栈的四层结构，即数据基础、真相来源、技能和验证，并归纳出概念与实体歧义、数据陈旧、检索失败三类主要错误来源。Anthropic 称未加技能时 Claude 回答分析问题的准确率不足 21%，加上技能后稳定超过 95%，部分领域可达约 99%。

Anthropic 分享 Claude Code 内部使用 skills 的经验

Anthropic 的 Claude Code 团队分享了内部数百个 skills 的使用经验，并把它们归纳为九大类别，包括库与 API 参考、产品验证、数据获取分析、业务自动化、代码脚手架、代码质量审查、CI/CD 部署、运行手册和基础设施运维。

Anthropic Claude Code 团队如何重构 AI 原生工程组织的流程

Anthropic Claude Code 团队负责人复盘了智能体编码成为默认工作方式后对工程流程的重写：规划从六个月路线图改成 just-in-time，遇到问题先问 Claude 并追问能否自动化，代码评审由 Claude 处理风格、缺陷和测试，人只在法律风险、信任边界与安全代码、产品判断等需要领域专长处介入。

PyTorch 性能分析（一）：torch.profiler 入门指南

Hugging Face 博客发布 PyTorch profiling 系列第一篇，以矩阵乘法加加法为例讲解 torch.profiler 的用法。文章说明 profiler 会导出统计表格和 Perfetto 时序 trace 两类产物，并演示如何用 warmup 消除冷启动开销、区分 CPU 与 GPU lane 以及读懂嵌套的调度链，最后附上速查表。

Sierra 工程师复盘如何独自用 AI 编码智能体在 4 个月内完成产品本地化

Sierra 工程师 Stephen Burgess 复盘用 AI 编码智能体独自完成产品本地化，耗时不到 4 个月，而他在 Slack 参与的同类项目需 10 人团队 9 到 12 个月。他经历 IDE 智能体、云端智能体、批量调用 Claude 脚本三轮迭代，并发现技能文档过长会超出上下文窗口反而推高错误率，最终把工作重心从执行迁移转向设计反馈循环。

Anthropic 发布 Computer Use 最佳实践，向阳乔木对其要点做了总结。Claude 4.6 系列分辨率上限为最长边 1568 像素、总像素 1.15 mp，Claude Opus 4.7 为 2576 像素、3.75 mp，推荐默认分别使用 1280x720 和 1080p。

Anthropic 分享用 LLM 保障源码安全的六步流程

Anthropic 发布指南，介绍如何用 Claude Opus 通过威胁建模、沙箱、发现、验证、分诊、修补六个步骤查找并修复源码漏洞。文中称截至 2026 年 5 月 22 日其开源软件扫描已披露 1596 个漏洞，其中 97 个已修补，瓶颈已从发现转向验证、分诊与修补。

Hugging Face 让 Reachy Mini 完全本地运行语音对话

Hugging Face 发布教程，用自家 speech-to-speech 库把 Reachy Mini 的对话链路全部搬到本地，无需云服务、API key，音频不出本机。

作者指出只安装 Skill 还不够，为更好触发和应用，需要把 Skill 写入 Agent.md，并给出安装更新 Waza 的提示词，要求以后各种开发设计优先使用这套 skill。转引内容显示 Waza 支持 Claude Code、Codex、Cursor 和 Pi 作为 agent 运行时，包含 8 个 skill，无框架、无遥测。

MiniMax 拆解 M2 无法说出“马嘉祺”的原因：SFT 导致稀疏 token 的 lm_head 漂移

MiniMax 内部调查确认，MiniMax M2 无法生成“嘉祺”等低频 token 的根因是 SFT 数据覆盖不均导致 lm_head 表示漂移，输入侧 embedding 几乎不变故理解能力保留。调查还发现日语 token 严重退化与小语种混杂同源，加入全词表覆盖合成数据后，日俄混杂率从 47% 降至 1%，定向测试通过率从 4/16 升至 13/16。