Meta 發佈 Muse Image，這是 Meta 超級智能實驗室推出的首個圖像生成模型，現已集成到 Meta AI 中。它能夠根據用户的個性化需求生成高質量的視覺內容，並支持直接下載和分享到動態、快拍或聊天中。

Fenzo AI 通過一個簡單的問題或上傳的筆記，在60秒內生成個性化互動課程。它基於主動學習、檢索練習等科學方法，旨在幫助用户真正內化知識，而非僅僅獲取答案。免費且支持社區課程。

AI Clambake 推出了一個名為“AI Bubble Watch”的儀表盤，用於追蹤人工智能行業是否處於泡沫狀態。該工具仍處於測試階段，作者並非金融專家，僅用於觀察行業健康狀況。

zkSecurity的AI審計流水線在Cloudflare的CIRCL密碼學庫中發現了7個真實漏洞，從閾值RSA中的關鍵float64精度損失到基於屬性的加密中的完全訪問控制破壞。所有漏洞均已修復。本文是該系列的第一篇，探討AI在開源密碼學中發現的漏洞。

ChatGPT通過Plaid連接金融賬户，分析支出、債務、訂閲和投資，但不能轉移資金或查看完整賬號。作者分享設置步驟、安全措施和個人體驗，認為這是高效管理財務的強大工具。

Anthropic 的 AI 平台 Claude Cowork 首次登陸移動端和網頁端，首先面向 Max 訂閲用户開放，其他計劃用户將在未來幾周內獲得。桌面端仍保留完整體驗，包括本地文件訪問。會話默認雲端運行，支持跨設備繼續和後台任務，並可在手機接收通知。此外，翻倍的使用限額延長至8月5日。

作者將逐行審查AI生成的代碼比作逐幀分析電影，認為這種方式效率低下且容易忽略整體結構和意圖，呼籲採用更全面的審查方法。

主流LLM提供商的API默認無狀態，導致AI代理在長對話中頻繁“失憶”。本文剖析了架構根源：每次調用獨立，記憶全靠客户端填充上下文。成本、延遲和長上下文性能下降是三大痛點。重述、交接斷點、矛盾無解、猜測替代不知——四種生產故障根源相同。現有緩解方案各有侷限，真正的記憶架構仍待解決。時間有效性問題被忽視：語義檢索可能返回過時信息，導致自信錯誤。

一款名為“預測過去”的新AI技能使歷史學家能夠通過自然語言對話分析古代銘文，集成了Ithaca和Aeneas等模型。它支持對希臘-羅馬世界的銘文進行歸因、修復和分析，並通過三個案例研究展示了其實際應用。

美國空軍學員Joshua Lynch在MIT林肯實驗室研究人員的指導下，通過“氛圍編碼”（vibe-coding）利用AI聊天機器人，零編程基礎成功開發出軍事應用原型。該項目展示了AI在軍事領域賦能非技術人員的潛力，但也揭示了安全審查和技術侷限性等挑戰。

Amazon QuickSight 推出數據集富化功能，將業務上下文直接嵌入數據集，取代傳統主題。本文對比了這兩種方法，解釋了三種場景下的遷移步驟，並詳細介紹瞭如何通過新的數據準備體驗將列描述、同義詞、計算字段和自定義指令從主題遷移到數據集。

本文介紹了 Amazon Quick Sight 新推出的多數據集關係功能，該功能允許在查詢時通過運行時連接定義數據集間的邏輯關係，避免了預先扁平化表格。文章涵蓋了數據建模概念、架構、最佳實踐和決策框架，幫助分析師更高效地處理跨表數據。

本文深入探討Amazon QuickSight多數據集關係支持的七種數據建模模式，包括星型模式、雪花模式、星系/星座模式、角色扮演維度、不同粒度事實表、獨立刷新計劃和運行時行級安全。每種模式均提供表結構、適用場景、實現步驟和SQL查詢示例，並討論高級場景的變通方法和當前限制。

本文為數據架構師、BI工程師和分析工程師提供了使用Amazon Quick Sight多數據集主題進行自然語言聊天探索的最佳實踐。重點介紹瞭如何通過語義指導層（包括數據集和主題級別的自定義指令、同義詞和字段描述）使生成式AI引擎能夠自動編寫SQL，從而實現跨數據集的外連接、聯合、子查詢等複雜查詢，無需預先定義關係。文章還對比了定義關係與AI生成SQL兩種模式，給出了八個具體最佳實踐、反模式和示例。

Amazon Quick Sight 推出多數據集主題（公開預覽），允許用户在一個主題中添加最多 12 個數據集並定義關係，AI 聊天機器人可自動遍歷關係生成跨數據集查詢，實現統一語義層，簡化分析。

本文探討了在構建AI代理時如何決定將功能實現為工具還是子代理，以及如何避免過度工程化。工具執行代碼，子代理執行推理。文章提供了一個簡單的三問決策框架，並分析了引入子代理的實際成本。

經過實驗室和家庭環境測試，Ecovacs X8 Pro Omni憑藉卓越的吸塵性能和自清潔拖布成為最佳之選。

本文介紹如何構建一個無服務器圖像編輯器，用户上傳照片後用自然語言描述編輯需求，幾秒內即可獲得結果。代理運行在AgentCore harness上，無需自定義編排代碼。通過單一部署命令即可部署完整解決方案，包括身份驗證、加密存儲、三個圖像編輯工具和React前端。基礎設施使用AWS CDK定義。

Liquid AI 發佈了 Antidoom，一種針對推理模型中死循環的開源方法。通過 FTPO，它僅重新訓練導致循環開始的令牌，將 LFM2.5-2.6B 上的循環率從 10.2% 降至 1.4%，Qwen3.5-4B 從 22.9% 降至 1%。

機器學習模型在生產環境中會因數據漂移和模型漂移而性能下降。本文介紹如何結合開源 Evidently 庫、Amazon SageMaker AI 和 MLflow，實現模型監控方案，包括生成監控報告、在 MLflow 中組織和比較結果、通過管道擴展以及觸發漂移通知。

本文介紹瞭如何使用 Amazon Bedrock AgentCore 構建一個 AI 驅動的 AWS 支持伴侶。該代理利用 Strands Agents 作為編排框架，並通過模型上下文協議 (MCP) 連接到 AWS 服務。最終，您將擁有一個能夠分析 CloudWatch 日誌、搜索 AWS 文檔、查詢 AWS re:Post 社區知識以及創建支持案例的工作代理，所有這些都可以通過一個對話界面完成。解決方案使用 AWS CloudFormation 通過單個腳本部署，幷包括一個基於 AWS Amplify 構建的 Web 前端。

Motley團隊利用Claude SDK和開源語義層SLayer，在BIRD-INTERACT基準測試中取得75.3%的通過率，遠超官方最佳36.33%。研究發現，最大的改進來自代理框架（Claude SDK），而SLayer提供了額外提升。此外，基準測試中存在大量錯誤的黃金答案，團隊開發了註釋代理進行修正，修正後通過率達到83.7%。

本文展示了AWS財務團隊如何利用Amazon Quick的聊天代理和Flow，將目標設定和每週業務審查這兩個耗時工作流轉變為自動化流程，從而將分析時間從數小時縮短至數分鐘，並讓團隊專注於戰略決策。

谷歌研究在10個美國城市進行的一項大規模真實世界研究表明，通過導航應用程序對少量行程（不到2%）進行輕微改道，可顯著減少交通擁堵和排放。該研究發表在《自然·城市》上，發現目標路段行駛速度中位數提高約2%，每個城市每年可能減少數千噸二氧化碳當量排放。

LLMIntel是一個演示儀表板，用於監控GenAI模型的使用成本、端點健康狀態和優化機會。它提供模型狀態、成本分析、使用趨勢、風險支出和標籤分解等視圖，幫助團隊在模型退役或成本激增前採取行動。

本文認為，與其等待更大的上下文窗口，不如採用多智能體編排來處理長上下文問題。INT21 的 SwarmOS 平台通過將大問題分解為多個協同的小任務，有效擴展了上下文處理能力。

一種名為Antidoom的新方法通過最終令牌偏好優化（FTPO）精準定位並消除語言模型中的重複循環（末日循環），在多個模型上實現近乎完全的循環消除，並提升評估分數。

本文探討了人工智能如何推動自主機器人在工作場所和家庭中的應用，介紹了研究人員迪帕姆·帕特爾在普渡大學和美國陸軍研究實驗室的工作，包括機器人在搜救場景中的導航和障礙物處理，以及面臨的災難性遺忘和計算依賴等挑戰。

Simon Willison使用GPT-5.5構建了一個實驗性的Web組件，名為github-code。該組件可以將GitHub代碼鏈接轉換為raw.githubusercontent.com的URL，並通過fetch()獲取並顯示指定行範圍的代碼，帶有行號但無語法高亮。

通過三道實際面試題，從速度、準確性、可解釋性等八個維度對比SQL、Pandas和AI智能體（Claude）在數據分析上的表現，並給出實際執行時間與智能體提示。