作者在 Teamily AI 平台上组建了一个包含三个 AI 成员和一位人类伙伴的群组，实测多 Agent 协作能力：为尚未上线的 AI 编程课制作宣传页。文章总结了多 Agent 系统易犯的三类错误（错误传递、交接丢条件、缺乏验收），并设定三个观察点：分工是否清晰、改动能否传递、交付前有无审核。实测中 AI 团队展现了组队排任务、接住反馈、按事实调整的能力，但作者强调业务前提（如课程未上线）仍需人来把关，审核报告也需追问核实依据。最终交付了可分享的宣传页 Demo，作者收获是学会了如何给 AI 团队提需求。
本文是 Agent 面试高频题详解第 3 题，围绕多 Agent 架构展开。作者结合 50 位作者、63 场面试的面经，系统梳理了六个追问方向：要不要拆、怎么拆、怎么通信、结果谁汇总等。文章指出单 Agent 在上下文膨胀、工具过多、提示词分支复杂、无法并行四方面会卡住；同时多 Agent 有 token 成本（约为普通对话 15 倍）、协调开销、信息丢失和错误传播等代价。文中总结了主从、流水线、并行分片、执行加审查、按意图转交五种结构，以及上下文、工具权限、可验收三类拆分边界，并对比 Skill、MCP、Workflow、SubAgent 等概念的适用场景，最后给出通信方式与面试应答要点。
文章解读了 Anthropic 官方发布的《打造高效的人机协作团队》，总结了让 AI 高效融入团队的 4 条经验：一是写清楚协作信息，通过会议纪要、聊天记录总结、企业知识库、项目配置文件给 AI 提供背景；二是给 AI 和人类分好工，用 Skills 文件定义 Agent 角色，实现多 Agent 协作；三是设定'北极星'目标，让 AI 主动提出建议；四是循序渐进地与 AI 建立信任。作者结合知乎回答工作流等实例，指出 AI 不会拯救混乱的团队，只会放大团队原本的样子。
本文详细介绍了Anthropic推出的Claude Science，一个面向科学家的AI工作台。文章指出，Claude Science不同于普通聊天机器人，它通过统一环境、生成可审计产物和嵌入审查机制，解决科研工作中跨工具协作的拼接、回溯和审查问题。文章阐述了其多Agent协作结构、研究契约的制定、证据链的形成、Reviewer Agent的职责，并通过Manifold Bio、Allen Institute和UCSF三个案例展示了其应用场景。最后，文章提供了适合使用Claude Science的人群和验收标准，强调其核心价值在于提高科研工作的可检查性，而非替代科学家的判断。
文章批判了将多个AI Agent拟人化为“产品经理”、“工程师”等角色进行流水线协作的“三省六部”架构。作者指出该模式忽视了LLM无专业壁垒的特性，导致推理过程在传递中衰减。通过对比Anthropic、OpenAI和Google的工程实践，文章提出真正的多Agent架构应依赖显式状态文件、并行搜索而非线性分工，并强调保持推理链连续性比角色扮演更重要。
Anthropic 工程经理 Felix Rieseberg 宣布其团队面试不再考核传统编程题，因为 Claude 等AI已能轻松完成这类题目，且团队最能出成果的人与编程题表现关系不大。他认为AI时代让入行不久的工程师有机会跑赢资历更老的员工，因为把想法做出来的成本大幅降低。文章介绍了新人面临的困境（想法不被重视、受所谓'常识'束缚），并给出五条建议：紧盯业务影响、提出大胆想法、快速做原型、一个原型聚焦一个好点子、善用新人视角。文中以两位新工程师用周末做出 Claude Code 图形界面版为例佐证。
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。
文章介绍了 Anthropic Claude Code 团队的代码审查实践，以及作者团队自研 AI 代码审查工具 HeyDeer 的落地经验。核心思路是：AI 写代码占比接近 100% 后，人工逐行审查不再可行，应把人的注意力留给真正有风险的部分。做法包括按风险分级审批（低中风险由 AI 自动批准，高风险由人判断方向）、多模型交叉审查降噪、用仓库检查落实团队规范、通过 Autopilot 自动修复问题直至收敛。作者团队跑了 8 个月未因合并有 bug 的代码导致线上事故，认为大部分创业和中小公司都适用这种方式。
Anthropic公开IPO申请，计划募集约1000亿美元，估值或达1.5万亿～2万亿美元，或成人类史上最大IPO。文章总结了招股书中11个有趣的细节：股票代码ANT与6年前蚂蚁集团IPO的巧合；收入五个季度暴涨30倍、算力投入产出比转正；账面巨亏807亿美元实为可转换票据公允价值变动；向小说家Bartz支付15亿美元版权和解金；5%-7%收入来自违规客户；与马斯克从骂战到签署1205亿算力合同；签署超5000亿美元照付不议的算力合同；7位创始人花7美元掌握50.1%投票权；设立公益基金及Windfall条款；Dario履历未提百度经历等。
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。
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。
文章介绍律师已成为 Claude 的最大用户群体，普通人也应利用 AI 审阅合同。作者详细讲解了 Anthropic 官方法律插件的安装方法（commercial-legal，含 /review、renewal-tracker 等 12 个技能），以及如何通过 cold-start-interview 和 customize 建立个人 playbook（合同规则），如限定肖像使用权 30 天、需逐条审批等。文中分享了作者因未审查合同条款而损失六位数赞助协议的教训，并给出 NDA 审查、合同签署判断、服务条款安全评估、续约追踪等 5 个实战用例，最后强调 AI 不能替代律师，敏感信息需注意隐私保护。
文章介绍了 Anthropic 发布的 Claude Opus 5.5 模型，其性能达到 Fable 5.1 水平但运行成本低 40%，尤其在长时间自主任务中表现突出。作者指出动效设计、Harness 工程和循环工程三者实为一个完整技术栈，并以五部分结构展开讲解：模型本身的基准数据与定价、如何用它做纯代码驱动的动效/动画创作、让输出可靠化的 Harness 工程、让 Agent 持续自主工作的循环机制，以及如何用单个模型串联整个工作流。文章强调缓存读取降价 60% 使长循环成本可控，并列举了大规模代码迁移、翻译 HAProxy 等实际案例。
