Anthropic Applied AI 团队发布指南，讲解何时把 orchestrator 下的路由器、规划器和领域子智能体合并进单个主 Agent 循环。文中对比显示，带 skills 的单智能体在质量上常优于一提示全包和子智能体设计，且成本和延迟更低，一家客户改用单循环后运行时间约快 2x。
推荐理由：Anthropic 根据多个企业部署对比总结何时把子智能体合并进主循环，并给出迁移套件、评估集和分阶段合并方法，可直接迁移到自己的 Agent 架构决策。
meng shao@shao__meng精选AI 评分7676Claude 编写了 Claude Code 约 90% 的代码。 从六月到九月，合并的 PR 数量翻了一倍多，而回退的占比下降了 40% 以上。 我们撰文介绍了我们如何改变代码审查来实现这一目标，以及如何采用它： https://claude.dev/blog/solving-code-review-at-anthropic/
推荐理由：原文拆解了 Anthropic 重构代码评审的七层防线和收敛问题的具体解法，对引入 AI reviewer 的团队有可迁移的做法。
Anthropic Claude Code 团队详解在 Claude 写约 90% 代码的情况下如何组织代码审查：审查从终点关卡变为持续进行，每个 PR 经过验证、必需 CI、AI 审查、安全审查、按风险分级的人工审批和合并队列六层检查，再辅以快速回滚。
推荐理由：Anthropic 自家团队复盘 Claude 代码审查流程，给出分层检查、风险分级审批等可直接迁移的落地做法和真实收敛数据。
数字生命卡兹克@Khazix0918精选AI 评分7575推荐理由：作者实测开源Skill Anatomy并给出成本、耗时和适用模型的数字，可帮读者判断是否值得装来生成科普视频。
作者数字生命卡兹克分享开源 Skill Anatomy，其理念是"物体本身，就是解释"，可将抽象原理做成可交互的机械模型动画，还能在其上生成带讲解配音的科普视频。
推荐理由：作者实测了开源 Anatomy Skill 生成原理科普视频的效果，还给出额度消耗、耗时和模型配置等一手数据，方便读者评估是否上手。
Lydia Hallie ✨@lydiahallie精选AI 评分6969推荐理由：原文给出 Claude Code 空闲压缩的具体关闭参数和阈值设置方法，读者可直接迁移到自己的 settings. 配置。
Anthropic 发布工程复盘，因 Claude 使日均合并代码量从 2026 年 5 月约 2,500 增至 9 月超 30,000，五个月内自研版本控制系统 Scion 并完全替代 git，同时推出代码评审工具 Antique。
推荐理由：Anthropic 自建版本控制系统 Scion 的完整复盘，给出面向智能体规模负载的设计原则、架构细节和实测收益，可迁移到其他大规模仓库场景。
Anthropic 发文详解其自研版本控制系统 Scion：因 Claude 使日均合并代码从 2026 年 5 月约 2,500 次增至 9 月超 30,000 次，git 难以承载，团队七人在五个月内构建 Scion 和代码评审工具 Antique 并完成迁移。
推荐理由：Anthropic 复盘自研版本控制 Scion 的设计原则与迁移经验，为面临类似 agent 规模代码压力的团队提供了可借鉴思路。
MeshyAI@MeshyAI精选AI 评分7070以下是如何用 Claude Opus 5.5 + Blender + Unreal Engine + Meshy 构建这样一款游戏…… 诀窍是给每个工具只分配一项任务，但有一种聪明的设置方式： - 第 1 步：安装 Claude Code、Unreal Engine 5 和 Blender 5.1+，除了 Claude 订阅外全部免费 - 第 2 步：通过 Blender 的 MCP 插件连接 Blender，并通过 Meshy MCP 配合 API key 连接 Meshy - 第 3 步：先用 Opus 头脑风暴 5 个游戏创意，选一个，让它在开始构建任何东西之前先扩展这个创意 - 第 4 步：告诉它你的 GPU，这样它就能把画质推到你的机器能运行的极限 - 第 5 步：Meshy 生成道具和角色，Opus 将它们导入 Blender 并进行清理 - 第 6 步：Opus 把所有内容带入 Unreal：关卡、光照、HUD、小地图 - 第 7 步：试玩，然后每次提示添加一个功能：战斗、敌人、任务 谁负责什么： > Meshy：3D 模型 > Blender：清理、摆放、材质 > Unreal：光照、物理、实际的游戏 > Opus：在一个聊天中运行这三者 而真正的成本…… 一次完整首次构建大约花了 4 小时，以及每周 Max 订阅约 19% 的额度 把第一关做好，之后的关卡会快得多，因为资源已经存在了
推荐理由：原文给出七步工具分工流程和实际耗时与费用，读者可以直接照搬搭建游戏的工作流。
Anthropic 发布基于 Claude Managed Agents（beta）的每日简报参考实现，按计划读取 Slack 和 GitHub 来源并向 Slack 发布简报。
推荐理由：文章把定时智能体自动化拆成可复用的六个组件，并给出书签、台账和权限等可直接迁移的防错规则。
Lydia Hallie ✨@lydiahallie精选AI 评分6868对于低于 100K token 的提示，价格为每百万 token $0.10 / $0.50，缓存读取为 $0.01。 超过 100K token 时，每百万 token $0.50 / $2.50，缓存读取为 $0.05。
推荐理由：原文给出具体命令和阈值，让 API 计费用户能通过设置 autocompact 窗口留在更低的 token 定价档。
Claude Code 推出云端会话：每个任务在独立 VM 上运行，仓库克隆到新分支，可从 claude.ai/code、手机、Desktop、终端和 Slack 启动并跟踪，完成后产出可转 PR 的分支，Pro、Max、Team、Enterprise 计划不额外收费。
推荐理由：作者用四个真实云会话实测并行修复、文档校对和结构化日志，给出本地与云会话的选择边界和七个适用工作流。
Baseten 工程师参考 MetaInfer 论文，让 Claude Code（Fable 5）为 Qwen-3.6-35B-A3B（NVFP4，单张 B200）自动构建推理引擎 VibeQwen，单流解码比 vLLM 0.25.1 快 90%，首 token 从 28ms 降至 12ms，并发 32 时吞吐高 71%。
推荐理由：作者亲测用智能体生成定制推理引擎，给出了相对 vLLM 的具体性能数据和成本，可帮助读者评估自动优化的实际可行性。
Claude Code 现已支持 mods，即用户编写的函数，可改变 Claude Code 的渲染内容、进入提示词的内容以及工具调用。Anthropic 的 Lydia 展示了三个示例：实时上下文分解、agent 侧边栏和悬停显示邮箱地址，并从零构建了邮箱示例。详情见 https://claude.dev/blog/getting-started-with-claude-code-mods/
推荐理由：原文来自官方，介绍了 mods 能改变渲染、提示词和工具调用，并给出上手链接，读者可以据此评估是否尝试。
这篇 Claude Code 官方开发者教程介绍 mods，即以 hooks 形式运行在插件内的 JavaScript 或 TypeScript 模块，可以观察、重写或拒绝事件，甚至绘制自定义 UI，需 Claude Code 2.1.287 或更高版本。
推荐理由：教程从空文件夹完整构建一个 mods 插件，并给出事件链、状态保持和热重载等可直接复用的实践要点。
Anthropic 在 claude-api skill 中新增 /claude-api build-eval 和 /claude-api hillclimb 两个命令，前者在代码库内通过访谈式流程构建评测集并验证 grader，后者以一次一改动、train/test 分离并检测过拟合的方式迭代优化应用。
推荐理由：Anthropic 官方讲解了评测设计的关键原则，并给出 build-eval 和 hillclimb 两个命令的用法与真实优化案例，可迁移到自己的应用调优。
Anthropic 官方文档介绍针对 Claude Opus 5.5 的提示词模式，覆盖 effort 校准、无人值守智能体运行、安全拒绝、进度更新、多应用工作流、视觉输入和前端设计等场景。
推荐理由：官方文档梳理了从 Claude Opus 5 迁移到 5.5 时的具体提示词与 harness 调整点，可直接对照排查现有集成的问题。
ClaudeDevs@ClaudeDevs精选AI 评分6767推荐理由：原文把 Opus 5.5 的降价幅度换算成 Claude Code 中单个任务的实际成本，并提供计算器供读者自行测算。
Anthropic 工程师 Addy Osmani 拆解 Opus 5.5 在 Claude Code 中完成任务的成本构成：turns、缓存读取、输出 token 和模型选择四个因素决定账单。Opus 5.5 输入输出价格比 Opus 5 降 20%，缓存读取降 60%，官方估算典型任务整体运行成本低 40%；文中还给出 effort 分级、缓存命中率维护、/usage 自查等省钱做法。
推荐理由：原文拆解了 Opus 5.5 上一个任务的账单构成，并给出 effort、缓存、压缩等可自查可迁移的成本优化方法。
Anthropic 员工 Thariq Shihipar 深入评测了 effort 设置对 Claude Code 中 Fable 5.1 和 Opus 5.5 输出的影响。
推荐理由：作者结合实测和 Terminal-Bench 3.0 数据解释 effort 档位的适用场景，读者可据此调整自己用 Claude Code 的验证与迭代流程。