Shopify 宣布将所有移动应用从 React Native 迁回 Swift 和 Kotlin 原生开发。2020 年全面拥抱 React Native 曾带来巨大成功：一次开发多端复用、节省时间、让非移动端开发者也能参与。但随着 LLM 能力大幅提升，它能基于 iOS 实现生成 Android 版本、帮助开发者跨栈工作，并通过共享规范、测试和评审保持两端一致，使得双平台原生维护成本不再成为决定性因素。Shop 应用从概念验证到全量原生重建仅用 12 周上线。Shopify 承诺平稳移交 React Native Skia、FlashList 和 Restyle 等开源项目。
作者分享了客户端开发的技术选型思考，梳理 Web、跨端（Electron、Tauri、Flutter）与原生三条路线的权衡，提出研发效率、体验、性能的『不可能三角』。以自己的 Mac 清理工具 Mole 为例，讲述为何 Windows 版选择 C# + WinUI 3，如何用脚本同步设计 token 与多语言保持两端一致，并详细介绍在 Mac 上通过 Parallels、Claude Code、远程终端与真机测试开发 Windows 软件的工作流，以及混合多语言调用（Swift 调 JS、Rust 调 JS）解决难题的实践，认为 AI 时代规则抽象比代码抽象更重要，测试验证是工程师核心价值。
文章详细介绍 Apple Foundation Models 的 Private Cloud Compute（PCC）方案的开发者申请与使用流程。作者区分了 Foundation Models、端侧模型与 PCC 模型的定位，说明 PCC 申请的本质是申请 Apple 管理的 Managed Capability，需要经过账户授权、App ID、Entitlement 和 Provisioning Profile 的完整签名链路。文章覆盖了资格确认、Capability Requests 提交、Xcode 自动签名配置、最小调用代码示例，并强调 Build Succeeded 后仍需检查签名产物、走完 Archive、TestFlight 和真机验证。最后给出文档类 App 的分层架构建议：端侧模型处理轻任务、PCC 处理长上下文任务、第三方模型作为备选，并总结了三类常见失败案例。
文章详细介绍了 Shopify 23,000 名工程师如何通过 Claude Code 实现 96% 的代码自动化。核心策略包括：构建统一的 LLM 代理层以控制成本，并行运行多个 Agent 处理不同模块，利用 MCP 服务器集成内部文档与 API，以及将 CLAUDE.md 纳入版本控制。工程师角色正从代码编写者转向架构审查者，通过护栏机制保障安全。
作者认为 Agent Evaluation 是少数仍需人力判断、未来难以被 AI 彻底取代的职业方向，并推荐了 Hugging Face 公开的 Training Agent 课程作为入门资料。课程共六节：1）Agentic Evaluations，讲解如何评估 Agent 及 benchmark 与真实体验的差异；2）Agent 强化学习的难点，包括环境搭建与 reward 设计；3）用 Agent 执行轨迹做 SFT 微调；4）将大模型能力蒸馏给小 Agent；5）SFT 后用 GRPO 继续 RL 训练；6）用 OpenEnv 搭建真实环境并训练 coding agent。视频公开在 YouTube，代码全部开源。
本期早报围绕智能体系统建设展开：一是 Anthropic 负责人解释 Claude 交付架构，将会话记录、运行框架与沙箱执行环境分离，使失败恢复不影响工作连续性；二是 LangChain 分享设计智能体的实践，将设计师的审美判断沉淀为技能与知识库，中位费用从 8 美元降至 0.50 美元；三是 Ai2 研究检验 LLM 判断研究想法新颖性的可靠性，发现提示词变化可导致准确率剧烈波动。此外还涵盖 Google A2UI 推理格式、Optiver 模型接入平台、小红书 AllSpark 数据管线及 K2 Lab 垂直 AI 产品等内容。
本文深入介绍xAI（文中称SpaceXAI）的Grok Bot如何运作：每个Bot运行在持久化的云端Linux虚拟机上，拥有浏览器、文件系统和终端。核心亮点是'团队化'使用模式——以Chief of Staff为中心，配合各司其职的专家Bot，并由人工审批关键操作。文中以客服事件处理为例：三个Bot（IncidentWatch、Support Bot、IncidentSweep）协作，10分钟内清理204个工单。文章分7部分讲解Bot的组织架构、工程harness、技能与记忆、审批机制及可复制的搭建方案。
本文介绍了 Claude Code 团队在 AI 生成约 90% 代码的情况下如何重构代码评审流程。团队将代码评审从人工逐行阅读转变为分层自动化体系：包括 PR 前的 Claude 自验证、子代理 diff 审查、内部 skill（bug 猎捕、diff 缩减等）、以及每个 PR 的 AI 评审，仅将人类注意力保留给高风险决策。通过 CLAUDE.md 和 REVIEW.md 等文件向评审者注入项目上下文，并快速回滚机制兜底。6 月至 9 月间合并 PR 数量翻倍，回滚率下降超 40%，实现了用最少人工环节保障代码质量的目标。
Thorsten Ball 分享了 2026 年 10 月他与 AI Agent 协作的工作方法：使用最新最强的模型，不必担心代码库积累 slop；提示时描述 What 而非 How；让 agent 贯通整个软件开发生命周期（运行、部署、看日志、处理 bug 报告），并为其提供定制工具；通过盲测实验评估 agent 对代码库知识的利用；不要手动管理上下文，让 compaction 工作；请求不可反驳的证明（端到端演示、前后对比数据）；拥抱异步工作流，给 agent 更大任务；利用定时唤醒等自动化功能；只审查高影响范围的代码。这些实践展示了 agent 驱动开发的新范式。
文章基于 YC Paper Club 播客，剖析 LLM 推理成本真相：按两年模型寿命摊算，推理总算力约为训练的 12 倍。decode 阶段 MFU 仅 5%，瓶颈在显存带宽而非算力。DeepSeek 通过 KV cache 保留 72 小时、radix attention、零开销调度等手段将缓存命中率做到 96%，实现 38 美元一卡时、80% 毛利。文章还讨论了 SSM 等被低估的模型结构、服务商质量参差（同一模型不同服务商差距超开源闭源差距）以及开源推理生态的规模，指出推理成本优化才是 LLM 竞争的胜负手。
文章通过梳理FDA及微软、OpenAI、Anthropic、Google等公布的实际案例，证明AI已在医疗领域真实落地：FDA已授权超1600种AI医疗设备，主要应用于医学影像、心脏疾病、糖尿病筛查等。大语言模型也进入医院工作流程，如微软Dragon Copilot服务超10万名临床医生，OpenAI帮助波士顿儿童医院节省6万小时工作时间，Claude助力Banner Health整理病历，Google辅助生成诊疗记录。作者指出需区分三个问题：技术已落地是事实，医疗AI市场正在形成但规模尚小，科技公司的巨额投资回报仍需时间验证。
本文介绍如何利用 Claude Projects 和 Virlo 工具，把 Claude 打造成虚拟的"内容负责人"，替代年薪 12.8 万美元的员工。作者展示了如何通过 Virlo 追踪 TikTok 热门趋势的生命周期（Fresh/Rising/Peaking/Fading），判断入场时机是否合适，并将 Virlo 接入 Claude，通过编写详细指令让 Claude 自动分析趋势数据，并结合自身业务生成可直接拍摄的视频脚本。文章以房地产、SaaS、餐饮、美容等行业的真实趋势为例，说明每周一即可获得定制的拍摄方案。
文章系统讲解了构建生产级 AI Agent 的五个层次：上下文工程、循环工程、Jev 工程、Harness 工程和评估工程，并以新员工类比逐一解释。核心内容包括：上下文窗口管理（稳定内容前置、利用 prompt caching、工具过多时改用搜索、用子代理减少主上下文占用）；循环与工作流的区别（能否预先写清步骤），强调循环需要明确目标、外部检查器等四要素。每个层次都配有构建方法与面向初学者的捷径方案（通过 Viktor 这类 AI 员工工具实现）。目标是让小团队用可靠的 Agent 承担重复性工作，实现不增人力的规模扩张。
