AX 严选 · 2026-09-02

Anthropic 给 Claude Cowork 和 Claude Code 加了个后台操作电脑的能力，你下完指令就可以切出去干别的，Claude 会在后台点击、输入、打开应用。这比之前必须盯着屏幕看它一步步操作进了一步，相当于从“监督实习生干活”变成了“交代完就走”。 但官方公告信息量很薄，没披露几个关键点：操作延迟多少，会不会卡在某个界面等半天；权限边界怎么划，能不能动系统设置或删文件；支持 Windows、macOS 还是 Linux，也没说。这些直接决定这功能是能上生产环境，还是只能跑跑 demo。 另外，后台操作一旦出错，用户不在场就很难及时叫停。如果它误点了不该点的按钮，后果可能比前台操作更麻烦。建议等有人实测出稳定性数据和权限控制细节再考虑重度使用。

这篇博客讲的是 GitHub 怎么给 Copilot 省钱，核心思路不是换模型，而是加了一层“调度”。他们训练了一个 18 亿参数的小模型，用 1040 组偏好样本（DV-DPO，一种用偏好数据教小模型学回答风格的方法）让它学会判断：这个代码请求，交给便宜的小模型就能搞定，还是得叫更强的模型来救场。上线后效果很直接，强模型的调用量少了 70%，整体成本降到原来的三分之一左右，延迟也控制在 11 秒以内。 这个数字挺漂亮，但得打个折看。文章里没披露他们用的小模型和强模型具体是什么规格，也没说这 1040 组样本覆盖了哪些编程语言和场景。如果样本偏向简单任务，那路由器的判断力在复杂项目里可能会打折扣。另外，成本降了三分之一是总成本还是推理成本，正文也没掰开讲清楚。 还缺一个关键信息：路由器本身引入的额外延迟和资源消耗是多少。如果小模型判断慢了，或者判断错了把难活派给弱模型导致代码质量下降，那省下的钱可能得花在后续调试上。整体看，这是个工程上很务实的做法，但效果高度依赖他们自己的模型组合和流量分布，换一家公司不一定能复现这个降幅。

Anthropic 这篇博客标题和导语讲的是把 Claude 做成能跑在生产环境里的电商助手，重点聊架构、延迟和成本，还开源了一个叫 commerce-agents 的参考实现。但正文目前只挂了标题和导语，具体怎么设计架构、延迟压到多少毫秒、单次交互成本多少，这些关键数字全都没披露。 对做电商 AI 的人来说，这类生产实践指南的价值在于可复现的工程细节——比如模型选型策略、工具调用链路、异常处理机制。现在只有开源仓库的壳，里面有没有完整的评估脚本和压测数据还不清楚。建议等正文和代码都放出来再判断含金量，目前只能算一个预告。

这篇博客的价值在于它不聊概念，直接从高分代码里扒出了四个可复用的工程模式。第一招双向 MCP 挺聪明：智能体平时用工具查自己的数据库，顺便把查好的结果包装成接口，让别的智能体直接来问。这比让人在聊天框里复制粘贴高效，但文章也点出了坑——一旦对外暴露，权限控制就得跟上，不然谁都能调你的推理层。第二招事件驱动并行，把多个智能体从串行排队改成盯着同一个事件总线，谁该动谁动，总延迟从累加变成看最慢的那个，对实时性要求高的场景很实用。第三招同标准降级，主模型扛不住时换小模型上，但质检标准不降，这比单纯切模型更务实。第四招分层路由，先用便宜的确定性检查处理简单请求，压根不惊动模型，能省不少算力。 文章没提具体团队名，也没给性能对比数据，比如并行后延迟到底降了多少、小模型顶班时准确率差多少。这些数字缺失让判断只能停在“看起来合理”的层面。另外，这些模式都来自参赛代码，生产环境下的稳定性和极端情况还没验证，直接照搬前最好在自己业务里压测一下。

Cursor 这次更新解决了一个很实际的矛盾：云智能体好用，但企业不敢把代码库和内部服务暴露给外部机器。现在你可以在自己的服务器上装一个叫 worker 的小程序，它主动连到 Cursor 云端等任务，智能体就能直接操作内网仓库、私有服务，甚至用上 GPU 或 Mac 做 iOS 开发。推理和规划还是跑在 Cursor 云端，只有执行环境搬到了你的地盘。 官方说他们内部合并的 PR 里超过 60% 已经是云智能体生成的，这个数字说明他们自己用得挺深，也解释了为什么现在要推企业级部署方案。AWS Lambda 的产品经理也出来站台，提到用 Lambda MicroVM 做计算层可以做到近乎即时的启动和暂停恢复，省去管理虚拟机的麻烦。 不过正文没披露 worker 的具体资源开销、延迟增加多少，也没说定价。如果你的环境对网络延迟敏感，或者 worker 需要常驻内存占资源，这点要先评估。另外，工具执行的输出会回传云端做推理，敏感数据怎么脱敏、日志怎么处理，文章只提了有相关控制但没展开细节。

这条消息最值得看的是性价比：$5/百万 token 的混合价，在性能和价格的最优平衡线上拿了最高分，说明阿里这次在定价上挺激进。1691 分登顶 Code Arena WebDev 榜，至少证明它在网页开发任务上确实能打。 不过信息缺口也很明显。正文没提模型参数量、训练数据、架构改动，也没说跟自家上一代或同价位竞品（比如 DeepSeek、Claude）的具体对比数据。Code Arena 的 WebDev 榜主要测前端代码生成，不代表通用编程能力，更不代表推理或 agent 场景的表现。 我会先打个折：这是个有竞争力的代码模型，价格确实便宜，但等看到技术报告和更多第三方评测再下结论。

Qwen3.8-Max 这次把参数量堆到 2.4T，上下文窗口拉到 1M token，差不多能一口气吞下整本《三体》三部曲。后训练重点放在写代码和协作任务上，目标是让模型能跑复杂的企业流程、科研项目和长链条工作。 但正文没披露任何基准测试对比，也没提 API 价格。2.4T 参数听着唬人，实际推理成本和延迟会高到什么程度，现在完全没数。1M 上下文在长文档任务里到底能不能稳定召回关键信息，也没给验证数据。 我会先打个折：规格升级是实打实的，但没有跑分和成本信息，就没法判断这是真能落地的工具，还是又一张参数竞赛的牌。等官方放出 Arena 或 HumanEval 之类的对比，再看看实际调用价格，才能下结论。