LlamaIndex 发文介绍其在 LlamaParse 中实践的 Agentic OCR 思路。核心观点是：把文档解析当作单步转换的传统 OCR 和单次推理的 VLM，在表格、图表等长尾文档上会失败，且失败方式隐蔽（列错位、丢行、缺页眉页脚）。Agentic OCR 指系统能自行决定如何读取文档、调用工具或专用模型，并根据结果迭代调整，例如选定区域细看、请求方向校正、把表格交给专用模型、拒绝无效修正。文章提出三个要求：阅读策略随文档自适应、修正必须有证据支撑、执行要有明确边界和目标。原文信息有限，未给出具体评测数…
推荐理由做 RAG 和文档解析的人可以对照检查自己的 pipeline：单步 OCR 在表格上会静默出错，需要可验证的迭代流程。
开发者 Yash K Saini 为朋友 Akash 做了一个终端里的模拟技术面试工具 grill，基于开源模型、完全本地运行、不联网。它会克隆你的代码仓库并定位值得提问的行，例如 unsafe 块、锁、生命周期、spawned task、useEffect、forEach(async ...)、any、空 catch 等。在 Akash 的 4 个公开仓库上扫描出 116 处可疑点，其中排第一的是 miccli 项目 src/audio.rs:62 处一个与实时音频回调共享的 Arc<Mutex<...>>。面试…
推荐理由想练「讲自己项目」式面试的人可以直接本地跑，扫描器能自动找出代码里最可能被追问的那几行
开发者发布 OriginTrace，一个基于 Sanity Context MCP 的 AI 内容溯源工具，用于检测 DEV.to 文章是否被抄袭。工具通过 Serper API 搜索全网，抓取最多 15 个候选页面，用词重叠、5-gram shingling、LCS 比率等多信号分析判断抄袭，并检查是否署名或回链，给出 credited_syndication 或 unattributed_repost 的判定。内置对话式 AI Agent 可查询溯源数据并生成 DMCA 下架模板，所有检查结果以结构化 JSON…
推荐理由做内容或写博客的人可以用它查自己的文章被谁抄了，还能直接生成 DMCA 模板
Anthropic 发布 Opus 5.5 在 Claude 和 Claude Code 中的使用指南。相比前代 Opus，Opus 5.5 在长链条多步骤任务上提升最大，早期测试者让它连续数小时执行编码任务、几乎无需人工干预。指南给出三条建议：一次性交代完整任务并说明完成标准；删除提示词中的「think carefully」等语句，因为模型每次回复前都会自行思考；长任务运行中可直接追加指令，无需重启。设计类任务需明确列出不想要的风格，否则模型会回退到默认样式。
推荐理由用 Opus 5.5 的人可直接照做：删掉「think carefully」、一次给全任务和完成标准
开发者 Maneshwar 在 DEV 发文，讲述自己此前从未打开过 Blender，却借助 blender-mcp 让 Claude Code 驱动 Blender 完成了一段蜘蛛侠荡秋千的 3D 动画，没有手动画一帧。原理是 Blender 内插件开一个 socket 服务，外部 MCP server 一边对 LLM 说 MCP、一边通过 TCP 转发 JSON 命令，核心工具 execute_blender_code 可在 Blender 内运行任意 Python（bpy API），再配合视口截图回传形成「改…
推荐理由想用 Claude 操作 Blender 的人可以照抄这套 MCP 架构：插件开 socket
Karpathy 在 X 上分享理解语言模型输出的技巧：让 LLM 用 ASD-STE100（航空航天维护文档的受控语言规范）解释内容，可读性更高，也可要求「80% 接近该规范」；比文字更好的是让模型生成图表，再进一步是输出 HTML 交互网页。他最看好的是定制解释视频，可尝试「用 3b1b 风格解释 X，用我的 ElevenLabs API key 做旁白」，并称这已开始可行。他认为随着模型变强，人类工作会上升到监督与理解层面，同时可要求生成大量一次性软件产物。
推荐理由四个可直接照做的提示词技巧，含 ASD-STE100 和 3b1b 风格视频生成，今天就能试
开发者用 OpenCode 配合 Muse Spark，分 15 次提示词构建了 GrantQuest，将 25 个真实奖学金做成 RPG 任务：资格要求是关卡，材料是背包，截止日期是倒计时，通关得 XP。项目为每条奖学金数据加了新鲜度标记：30 天内验证且未过期标为 FRESH，否则需重新核实，以应对奖学金信息常年过期的问题。无需登录注册。构建中遇到 Vercel 部署 404（Next.js 导入 web/ 上级目录文件）等问题。
推荐理由可参考其用 AI 分步提示词做完整小项目的流程，以及数据新鲜度标记的设计思路
OpenRouter 发布指南，介绍如何把固定评测集接入 CI，像单元测试一样在 prompt 变更时拦截不合格的合并。核心做法：评测用例提交进仓库、只经 PR 审核修改；脚本在通过率低于阈值时以非零退出码让任务失败。文中提醒，应在 job 级别而非 workflow 级别做路径过滤，否则被跳过的必需检查会一直 pending 卡住合并；阈值应通过反复跑未改动分支来测，而非拍脑袋定死。temperature 和 seed 只在模型 supported_parameters 中列出时有效，多数投票式重复采样则对所有模…
推荐理由给 Agent 加 CI 评测门的完整步骤，含 GitHub Actions 路径过滤这个容易踩的坑
开发者 Vidisha Gupta 发布开源项目 The Code Exorcist，用 Next.js + Sanity 搭建一个 AI Bug 分诊应用。开发者粘贴报错堆栈和出错代码，Groq 上的 Llama 模型同时读取两者，定位根因、标注 Bug 类别与威胁等级并给出修复方案，随后状态进入 pending_human_review。人类在 Sanity Studio 中用两个自定义操作做最终决定：BANISH 批准修复并结案，或 Send Back 打回重分析并重置状态。每个决定都记录操作人、动作、时间戳…
推荐理由可参考它的 Agent 到人工审批闭环设计：状态机 uncontained→pending_human_review→b…
原文信息有限：Simon Willison 记录他当天参观了纽约城市博物馆的展览「He Built This City: Joe Macken's Model」——一座 50 x27 英尺的纽约城市模型，由 Joe Macken 用巴尔沙木和纸板耗时 21 年建成。他表示展览超出预期，并提醒展览将于 10 月 12 日结束。该内容与 AI 无关。
推荐理由与 AI 无关的博物馆参观随笔，对关注 AI 的读者没有可用的信息。
OpenRouter 发布教程，把 Agent 工具调用失败拆成两类分别测试：选错工具，或选对工具但参数错误。指南给出三种方法——无参考 LLM 评判、确定性参数校验、轨迹对比。参数校验又分结构与取值两步：JSON Schema 只能拦住格式错误，schema 合法的 order_id 仍可能是错的（用户问 ord_7281，模型传 ord_7282）。跨模型对比时需保持测试用例、评分规则、模型设置和路由配置一致。
推荐理由做 Agent 评测可直接照搬这套拆分方法，避免只查 tool_calls 是否存在而漏掉参数错误
OpenRouter 发布教程，介绍如何从生产流量中构建 golden eval 数据集：由人工审核过的生产输入与预期输出配对组成，纳入 Git 版本管理，每次部署前运行。指南给出五步流程，并说明规模选择——约 10 条用于排查单个问题，100 至 1000 条用于完整回归集；强调覆盖失败模式比数量更重要，数据集、评分标准和基线需一起版本化，否则无法区分回归来自模型、提示词还是数据集变化。
推荐理由想给自家产品做回归测试的团队可直接照搬五步流程和 10/100/1000 条规模标准
开发者发布开源笔记工具 Ledge.sh，在 Markdown 代码块上按 ⌘↩ 即可执行 shell 命令、Python、SQL 和 AI 提示，输出直接流式显示在块下方。每个笔记拥有独立持久 shell，cd、环境变量、虚拟环境可跨次运行保留；支持通过 ssh 把笔记和 shell 放在远程服务器上运行，关闭笔记本后任务继续。Apache-2.0 开源，支持 macOS Apple Silicon、Linux、Windows 11 WSL、iPhone/iPad 和 Android（beta），另有每小时加密备…
推荐理由想在 Markdown 里直接跑 shell、SQL 和 AI 提示的人可以装来试，开源免费且支持 ssh 远程执行。
开发者发布 IdeaConnectionAccuracy 基准，用三个任务测试 LLM 生成创意列表时的连贯性、精确性和覆盖度。连贯性任务要求模型围绕"可持续城市发展"生成 3-4 个逻辑相关且彼此区分的想法，由评审 LLM 按严格标准判定，任一标准失败即整体失败。精确性任务要求返回恰好 n 个编号想法，分别检查数量、相关性和格式。覆盖度任务要求列出概念的所有主要相关主题，由评审返回单一布尔判定。测试覆盖四个模型，原文未给出具体得分。
推荐理由做 LLM 评测或 Agent 输出校验的开发者可参考这三个失败模式的拆解思路。
一位 QA 工程师分享了自己用 Obsidian 管理测试文档、并用 Claude 辅助日常工作的做法。她将 Obsidian 作为「第二大脑」，用 Markdown 本地存储笔记，并创建了技术任务和业务任务两类模板：前者用于数据库迁移、consumer 创建、API 等场景的测试计划，后者用于产品发现阶段与 Product Owner 一起确定测试层级、风险及缓解措施。她提到 Markdown 格式便于与 AI 集成，但原文未给出 Claude 的具体使用细节。
推荐理由做 QA 或测试的人可以拿走一套 Obsidian 模板思路：技术任务和业务任务分开建模板
LlamaIndex 发文指出，VLM 不适合处理表单类文档：表单包含文本框、复选框和标签等结构，Markdown 无法表达，而 VLM 面向通用推理优化，推理能力提升并不能带来更好的解析结果。表单对准确性要求极高，复选框勾选与否会直接改变下游 Agent 的动作。LlamaIndex 用 JSON 树结构表示表单，字段含 id、label、field（checkbox/text/signature）和 value，并称 LlamaParse 以更低成本超过通用 VLM。
推荐理由做票据、表单类文档抽取的团队可参考其 JSON schema 设计，避免用 VLM 硬解表单
ToolJet 发布教程，介绍如何用其 MCP 为新加坡一家商业地产集团的法务运营团队搭建合同义务审查应用。应用包含三个页面：审查页将合同 PDF 与提取出的义务并排显示，点击行可跳转并高亮对应条款，附评论面板与审批时间线；义务日历按负责人分组，标记进入通知期的条目；合同登记页支持按类型、状态、物业筛选。数据、查询和界面由 Agent 生成并整合在一个 ToolJet 应用中，团队可直接运行和编辑，无需维护代码。原文给出了完整构建提示词，可一次性复现该应用。
推荐理由附完整构建提示词，可一次性复现三页合同审查应用，做法律/文档类 Agent 可直接参考
DEV Community 作者撰文谈 AI FOMO，称每周都有 MCP、Agent、循环工程等新教程，他选择跳过大部分，只挑少数方向跟进。文章认为基本功仍比以往更重要：大量代码库仍存在 N+1 查询、缺少分页、SQL 注入等问题，其中多数写于 AI 热潮之前。作者建议先建立真实技能，再用 AI，顺序不能反，并提到自己写了《Street-Smart Coding》一书。原文为个人观点文章，无具体数据。
推荐理由被 Agent、MCP 教程淹没时，这篇提醒你 N+1、分页、SQL 注入这些老问题还没解决
MarkTechPost 发布一篇教程，用 Meta 开源的 AugLy 库搭建覆盖图像、文本、音频的多模态数据增强与鲁棒性测试流程。内容包括：处理依赖兼容问题、生成可复现的合成数据集、使用函数式与类式 API、元数据与强度追踪、概率组合、边界框感知变换和自定义变换；并做两组鲁棒性实验——图像失真下的感知哈希拷贝检测基准，以及文本分类器面对对抗扰动、Unicode 混淆、净化和对抗训练的表现。最后把音频增强接入 PyTorch Dataset 和 DataLoader，并建立可查询的元数据仓库。
推荐理由想给多模态训练数据做增强、或测模型抗扰动能力的，可直接照抄这套 AugLy + PyTorch 流程
一个网页工具可将分词器与字体结合，编译出「token 空间字体」，让每个 token 占据相同宽度，从而在视觉上看出文本被如何切分。页面提供 DeepSeek V4.1 Flash × Inter 等预设，支持上传自己的分词器，编译在浏览器本地完成，大分词器可能需数分钟，可下载 TTF、CSS 和构建报告。还给出在 Discord（Vesktop + Vencord 主题）和 Slack 中按用户 ID 应用该字体的步骤，代码块仍用普通等宽字体。
推荐理由想直观理解 token 切分、或做提示词长度调试的人，可直接编译自己模型的字体看切分效果
LlamaIndex 在博客中介绍其 Extract 产品如何用 0 到 1 的置信度分数区分可直接自动通过和需要人工复核的提取结果。用户设定置信度阈值，达到阈值的值自动接受，低于阈值的进入复核。文章给出确定阈值的方法：先建代表性数据集并标注正确答案，跑提取后从低阈值逐步提高，直到自动接受值的精确率达到目标，再用另一份数据集验证，并随文档分布变化定期重跑。在 ExtractBench 上，Extract Agentic Plus 阈值约 0.77 时精确率达 97%，此时 576,975 个被接受值中 559,66…
推荐理由做文档抽取的团队可直接照搬这套定阈值流程，0.77 阈值下 97% 精确率、自动通过约三分之二字段。
一位开发者复盘了自己在 Agent 评测中犯的 7 个错误，每个都耗费了数天时间。核心问题只有一个：一直在修模型，而不是修度量。典型例子包括：测试套件显示 359 个测试通过，但 Agent 真实通过率只有 20%，原因是 65 个断言文件中有 57 个格式错误，测试框架返回 0/0 却被当作通过；模型精确率 1.00、召回率 0.02 仍被判为通过，因为它找到了能反复触发的退化模式；召回率卡在 0.087，真正原因是对比池未限定在源领域，限定后升至 0.170/0.228，模型本身未做任何改动。
推荐理由做 Agent 评测的人可以直接对照自查：0/0 要当错误处理，精确率 1.00 加召回率近 0 是危险信号。
Simon Willison 发布了一个讲解 CSS shadow roots（影子 DOM）的交互式教程页面，通过可操作示例演示样式封装、继承、slots、parts 以及 JavaScript 访问等机制，展示 shadow root 如何创建带私有样式表的隔离 DOM 树。该页面由他向 Fable 5.1 Medium 输入提示词「构建一个用交互示例解释 CSS shadow roots 的作品」生成。原文未提供更多技术细节。
推荐理由想搞懂 shadow DOM 样式隔离和 slots 机制的前端开发者，可直接打开示例边点边学。
OpenRouter 实测了 37 个嵌入模型，按用途给出推荐：英文 RAG 首选 openai/text-embedding-3-small；输入超过 8192 token 用 voyageai/voyage-4-large（32000 token 上下文）；多语言检索用 qwen/qwen3-embedding-8b（支持 100 多种语言、32768 token、公开权重）；代码检索用 voyageai/voyage-code-4；图文检索用 google/gemini-embedding-2。最便宜的付费文…
推荐理由做 RAG 选嵌入模型可直接照抄：英文用 3-small，超 8192 token 换 Voyage 4
OpenRouter 发布教程，介绍 TypeSafe 的决策模型 Jev 及如何在 TypeScript 中调用其 API。Jev 接收非结构化输入（字符串、JSON 对象或字符串数组），返回带概率的类型化判断，由代码决定后续动作。请求由 state 和 questions 组成，问题分 choice、noul、score 三种类型，并行评估同一 state。choice 答案含获胜选项、各选项概率及 0-1 置信度；noul 只返回单一概率；score 返回加权平均、各等级概率、置信度和等级说明。教程以电商平台…
推荐理由想给内容审核接决策模型 API 的开发者，可拿到请求结构和三种问题类型的返回字段定义