深度文章

本文对Grok-4-1-fast-non-reasoning模型进行了数据驱动的实测。测试基于约1.5万道题，准确率为47.6%，平均响应时间60秒，每次调用消耗685 token，成本为每千次调用1.61元。对比前代grok-3-mini，准确率从61.7%骤降至47.6%，降幅14.1个百分点；响应时间从182秒缩短至60秒，提速67%；token消耗减少，导致成本从5.2元降至1.6元。

智能体在跨越多个上下文窗口工作时仍面临挑战。我们从人类工程师身上获得启发，为长时间运行的智能体创建更有效的运行框架。

Gemini-3-pro-preview虽在评测中超越豆包成为新王者，但高成本可能严重限制其商用场景应用。每千次调用247.3元的成本是豆包的近16倍，对于日常应用如客服或内容生成，规模化部署面临显著障碍。尽管响应时间优化至64秒，但豆包的37秒在实时交互中更具优势，影响用户体验。在科研或极致准确率需求领域成本或许可接受，但普遍商用需权衡性能与费用，其医疗和推理领域优势与语言理解回退共同影响通用性

我们新增了三项 beta 功能，让 Claude 能够动态发现、学习和执行工具。下面介绍它们如何工作。

使用 Hooks 配置 Claude Code 桌面通知，在任务结束、需要输入或请求权限时收到提醒，不必一直盯着终端。

使用斜杠命令把 Claude Code 从聊天机器人改造成确定性执行引擎，并通过完整工作流自动完成整个功能开发周期。

GPT-5.1-medium实测评估了其在多个实际应用场景中的表现。医疗与心理健康领域准确率从75.6%升至77.3%，金融领域从71.3%升至75.4%，agent与工具调用从57.8%升至61.7%，显示在专业任务中能力强化。思考模式适合需要深度推理的复杂场景，但教育和法律行政领域下降，且高token消耗和响应时间可能限制日常应用。

GPT-5.1的战略转型意味着其应用场景的定位可能发生变化。模型在传统基准任务上的性能退步，表明它或许不再以复杂的专业分析、精确的数学推理或严格的指令执行见长。相反，官方强调的“更温暖、更有同理心”的特性，暗示其更适用于注重交互流畅性、情感陪伴和自然对话的场景。因此，对于需要高度精确性和逻辑深度的应用，该版本可能并非最优选择，而在强调沟通体验的领域，其潜在价值有待进一步评估。

谷歌Gemini 3 Pro作为全球最强多模态推理模型，展示了AI在复杂任务中的推理与执行能力。测试覆盖学习辅助、创意开发、代码生成和长期规划四个场景，要求生成可直接运行的代码或可交付成果。模型能够处理多模态输入，输出符合技术要求的HTML、React应用或策略报告，体现其将抽象需求转化为具体功能的能力，标志着AI在思考与实践结合上的进步。

全面介绍 Claude Code 的 MCP、CLAUDE.md、Skills、子智能体、Hooks、插件和定时任务。

作者如何构建一个能够生成 Skills、智能体和命令等内容的 Claude Code 插件，从此不再复制粘贴样板代码。

MiniMax-M2是一款专为编码与智能体应用设计的轻量级MoE模型，其轻量架构在多个能力维度实现了性能与效率的权衡。新版本在保持推理能力稳定的同时，显著优化了语言指令遵从及工具调用能力，准确率提升3.3个百分点。不过在部分专业领域的表现有所回落，体现了针对通用场景的优化侧重。

直接工具调用会为每个定义和结果消耗上下文。让智能体编写代码来调用工具，扩展性会更好。下面介绍它如何与 MCP 配合工作。

Claude Code 新增的两项沙箱功能：沙箱化 bash 工具和网页版 Claude Code，通过启用文件系统与网络隔离这两道边界，减少权限提示并提升用户安全性。

Claude 很强大，但真实工作需要流程性知识和组织上下文。介绍 Agent Skills：一种使用文件和文件夹构建专门化智能体的新方式。

上下文是 AI 智能体的一项关键但有限的资源。在本文中，我们探讨如何有效筛选和管理驱动智能体运作的上下文。

这是一份关于三个 bug 的技术报告，这些 bug 曾间歇性降低 Claude 的响应质量。下文会解释发生了什么、为什么修复花了时间，以及我们正在改变什么。

智能体的效果取决于我们提供给它们的工具。我们分享如何编写高质量工具和评估，以及如何使用 Claude 为自己优化工具来提升性能。

几周前，我从 Cursor 的智能体转向了 Claude Code，而且不准备再回去了。这篇文章介绍我的实际使用方式和最实用的技巧。