ITPub博客

本周AI圈动态纷呈：Cursor推iOS版实现移动端接管AI编程任务；Git 2.55优化体验；Claude Sonnet 5、LongCat-2.0等新模型强化Agent能力；开源工具如CodexBar、agents-cli降低AI编码门槛；Meta试水算力云，Together AI获8亿美元融资。

AI 能力越来越强，但对开发者来说，更关键的问题不是它能不能回答问题，而是能不能在边界清晰的前提下接入真实系统，完成可验证的任务。

我用 Codex app 做了一个 AI 志愿填报 Demo

foyer 是一个用 Rust 编写的高效、用户友好的 Hybrid Cache 库，它将内存缓存和磁盘缓存无缝集成，旨在提供高并发、低延迟的数据存储与读取能力。

我们平时说 AI 回答慢，一般是遇到这两种情况：一个是问题发出去之后，它隔了一会儿才开始回复；另一个是它已经开始回复了，但输出速度很慢，像是一个字一个字往外蹦。

把 CLAUDE.md、Rules、Skills、Subagents、Hooks、Output styles 和 append system prompt 放在一起比较，Coding Agent 里的规则，究竟应该放在哪里

对个人开发者来说，MCP Server 可能只是本地跑起来的一个小服务；但到了企业环境里，真正有用的 MCP Server 往往都在更封闭的位置

刚刚过去的周末，DeepSeek 发布了一篇关于推理加速的新论文：《DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation》，内容聚焦在大模型推理服务中的一个具体问题：在真实高并发场景下，Speculative Decoding 如何既提升生成速度，又减少目标大模型的无效验证计算？S

LLM 能不能参与编译器优化，让程序跑得更快？

这期的「周一上线」，一边是社区继续整活，一边是模型、工具和基础设施继续更新。

手机跑大模型听起来很酷，但真的跑起来之后，问题就接踵而来了。

大多数人打开 Kimi，只是把它当成一个聊天框。输入一个问题，等它回答，然后关掉页面。当然这用法没毛病，但 0xMovez 给出了他的 Kimi 最佳实践，在本文中我们将一同感受他是如何让 300 个 Agent 一起干活，并让 Claude 当“包工头”验收成果的。我们可以重点关注下 Kimi K2.6 里的 Agent Swarm。Kimi K2.6 可以从一个 prompt 启动最多 300

MCP 是一套让 Agent 连接外部资料和工具的通用方式

SkillOpt 更关注的是：把 skills 放进一套可以训练、验证和持续更新的流程里

先让 Agent 按照一个 Skill 去处理新 Issue，再让另一个 Agent 定期读取人类反馈，把这些反馈整理成可复用规则，最后通过 PR 更新原来的 Skill 文件

把上下文管理和缓存命中率放在一起考虑：一边减少冗余内容，一边尽量维持稳定的上下文布局

一边，Cursor、GitHub Copilot 继续把 AI Coding 推向开发工作台；另一边，支付宝、腾讯 WorkBuddy 也开始让 AI 真正替用户跑流程、发起支付。

把退役智能手机里的主板拆出来，重新组装成一个小型计算集群，用来跑一些通用云计算任务

从一粒进球开始，我们来拆一下体育 App 背后常见的几条技术链路

从 VAR 到半自动越位识别，梳理世界杯判罚背后的 AI 技术链路，以及 AI 与裁判在关键判罚中的分工。