CJS 评分总分
四轴合成风险分,用于把网络滥用能力从口号变成可复测等级。
来源：Anthropic 官方博客0-10 分
2026年7月4日 · 周六
Fable 5 安全框架落地，Agent 工程化进入文档和评测阶段
- 过去 24 小时，AI 圈在治理和工程化两个维度同步加速。
- Anthropic 公开 Fable 5 cyber safeguards 细节，把 CJS 评分、分类器和漏洞赏金组合成可复测的安全框架。
本期判断
- 今天的主线不是单个模型发布，而是 AI 系统开始被要求可评分、可复测、可维护。
- 安全治理和 Agent 工程化都在从经验话术转向制度化工具。
本期速览
3 条01Fable 5 安全框架公开
- CJS 评分以 0-10 分衡量网络滥用风险。
02Loop engineering 升温
- trq212 强调发现 unknown unknowns。
03OpenWiki 面向 Agent 文档
- LangChain 以 MIT 协议开源 CLI 工具。
编辑总结
今天的主线不是模型能力军备,而是工程化与治理军备同步进入下半场。
一是 Anthropic 把 Fable 5 安全治理做成 CJS 四轴评分和 HackerOne 漏洞征集,跨厂治理博弈正式入场。
二是 Agent 工业化的文档、记忆、评测三件套开始成型。LangChain OpenWiki、Anthropic Obsidian 知识图谱和 skill eval 讨论,说明流程资产正在从概念变成工具与企业实践。
三是 HN 三连从表达、生产力、环境成本三个方向剥离 AI 叙事溢价。本期判断是:中型公司会被工程化与治理门槛结构性挤压。
On this page
本期导航
Deep Dives
本期重点 · 深度报告
Key Numbers
Fable 5 重启版 APEX-SWE
Mercor 报告的 Pass@1;6 月原版为 65.5%,Opus 4.8 为 45.3%。
来源：@mercor_ai X54.8%
Obsidian 知识图谱规模
单源披露称另有 4729 条链接和 9000+ 文档,仍需后续验证。
来源：@CryptoTied X8893 节点
OpenWiki 开源热度
GitHub 项目以 MIT 协议开源,定位为面向 Agent 的文档生成和维护工具。
来源：GitHub OpenWiki477 star
HN 商业价值讨论热度
confidence theater 讨论获得 232 评论,同日还有 3% ROI 与水耗话题。
来源：Hacker News220 分
安全分类器拦截率
Anthropic 自报并称 CAISI 测试认可,但误报率和开发影响仍需观察。
来源：Anthropic 官方博客>99%
Briefs
快讯 · 已核验与追踪
模型发布重要度 4/5中置信多源混合
Fable 5 重启后实测生态:APEX-SWE 65.5% → 54.8%(仍超 Opus 4.8 9.5pp)、LMArena 5 赛道一。
继 7-3 早报深挖 Fable 5 重启后,过去 24 小时新增 APEX-SWE 数据:Fable 5 从 6 月原版 65.5% Pass@1 降到 7 月重发布版 54.8%,仍高于 Opus 4.8 的 45.3%。
要点拆解展开
Why
- APEX-SWE 跨基准印证 7-3 BridgeBench 结论,Fable 5 重启版确实有可复现回归但仍领先 Opus 4.8
- LMArena 5 赛道投票显示盲评场景下用户体验温和,为「可生产版本」定位提供依据。
Impact
- Fable 5 重启版定位:在「硬基准 - 盲评用户体验 - 极端任务」三个层级呈现差异化能力损失
- 开发者选型:简单任务可选 Sonnet 5,中等任务仍可用 Fable 5,极端任务(3D 生成、长链路世界构建)暂等数据
- Anthropic 商业化:Fable 5 仍可作为高端产品存在,但与 Opus 4.8 的能力差距被护栏调整拉平。
Numbers
- APEX-SWE Fable 5 重启版 Pass@1
- 54.8%(6 月原版 65.5%、Opus 4.8 = 45.3%)下滑 10.7pp,仍超 Opus 4.8 超过 9.5pp;@mercor_ai 在 SWE 评测基准 APEX-SWE 上放出@mercor_ai X
- LMArena 5 赛道投票一致性
- 前后基本一致,Code Arena:Frontend 仍第 1 但下滑。Text、Vision、Document、Code(Frontend)、Agent 五个赛道收集数千次投票;Frontend 赛道约 20 分的下滑仍在置信区间内@LMArena X
早报判断
- 本期数据是 7-3 深挖页的增量信号:重启版在 BridgeBench
- APEX-SWE 等硬基准上确有回归,但仍领先 Opus 4.8 约 9-10 个百分点。
- APEX-SWE 与 BridgeBench 形成跨基准印证
- LMArena 投票前后接近,说明盲评体验下降较温和。
接下来看
- Fable 5 重启版在 30 天内更多基准(HumanEval、MMLU、GPQA 等)的第三方测试结果
- Peter Gostev 60+ 极端任务测试的具体数据(YouTube 视频内容)
产品上新重要度 3/5高置信官方源
GitHub 今日 AI Agent 工具五连发:self-learning-skills、sim-use、Ava 与视频技能
GitHub 今日出现五个高 star AI Agent 工具:self-learning-skills 沉淀编程经验,sim-use 接入 iOS/Android 设备,Fundamental-Ava 做数字人,claude-real-video 处理视频理解,video-production-skills 提供视频制作技能库。
要点拆解展开
Why
GitHub 当日五个 AI Agent 工具项目同时突破 500★,分布在自我学习、多模态感知、数字人、视频生产四个维度,Agent 工业化在工具层进入爆发期。
Impact
- Agent 工程化的「模型 + 工具 + 知识」三层基础设施同步成型。
- sim-use 和 claude-real-video 降低多模态 agent 门槛
- Ava 与 video-production-skills 把 agent 生产能力扩展到视频内容链路。
Numbers
- Kulaxyz、self-learning-skills
- 789★让 AI 编程 agent 从 session 中沉淀「金路径」的自我学习技能GitHub
- lycorp-jp、sim-use
- 523★给 AI agent 接入 iOS Simulator 和 Android emulator、设备的视觉与操作能力GitHub
早报判断
- 五个项目共同扩展 Agent 能力边界:自我学习让 agent 沉淀经验
- sim-use 与 claude-real-video 把交互从文本扩到 GUI 和视频
- Ava 与 video-production-skills 则把能力延伸到数字人与内容生产。
接下来看
- self-learning-skills 在 30 天内是否被 Claude Code、Cursor、Codex 等 IDE 产品化
- sim-use 与 Anthropic Computer Use、OpenAI Operator 的能力对比
研究论文重要度 3/5高置信官方源
arXiv 今日亮点合集:Program-as-Weights 新范式 + 持续态 AI 控制分布式攻击 + SkillCoach 自演化评分。
arXiv 与 Hugging Face papers 今日出现多篇高价值研究:Program-as-Weights 探索程序即权重,Distributed Attacks 聚焦持续态 AI 控制攻击,SkillCoach 研究技能自演化评分,WorldDirector 与 EvoPolicyGym 补上世界模型和策略评测。
要点拆解展开
Why
- arXiv 今日 5+ 篇高价值研究论文交叉应证三个方向
- Agent 安全(持续态控制)、Agent 评测(多维矩阵)、范式突破(程序即权重)
- 研究层与工业层(Anthropic、LangChain、开发者社区)形成跨圈层共振。
Impact
- Agent 安全研究会围绕持续态控制形成新防护标准
- SkillCoach、EvoPolicyGym、AgenticSTS 等推动评测矩阵化
- Program-as-Weights 若成立,会影响可解释性、部署和模型架构讨论。
Numbers
- Program-as-Weights HF 热度
- 53 分arXiv 2607.02512,新范式论文——将程序作为神经网络权重HF papers
- EvoPolicyGym HF 热度
- 39 分arXiv 2607.02440,智能体策略自主进化的交互评测环境HF papers
早报判断
- 今日研究层有三条线:Agent 安全从单轮 prompt 走向持续态控制
- Agent 评测从单点分数走向多维矩阵
- Program-as-Weights 若可复现,会挑战「权重只等于训练后参数」的默认假设。
接下来看
- Program-as-Weights 是否被独立实验室复现,以及「程序即权重」范式在主流模型架构中的可行性
- Distributed Attacks 论文的具体攻击模型与 Anthropic CJS 框架是否形成互补
观点观察重要度 3/5中置信已核验
Skill eval 是 2026 年被低估的瓶颈:mattpocockuk 与 steipete 同时点题
- mattpocockuk 7-3 推文称「Evals on skills are hard」是今年的 understatement。
- steipete 则从 EffectTS skill 实战切入,指出最新 agent 仍会在复杂库知识上失手。
要点拆解展开
Why
- mattpocockuk
- steipete 的工业痛点,与 SkillCoach 学术方向
- self-learning-skills 开源社区和 OpenWiki 文档工业化互相印证:skill eval 正在成为 Agent 基础设施瓶颈。
Impact
- 谁先解决 skill 在哪些场景可靠的问题,谁就能占据 Agent 基础设施位置。
- SkillCoach 等方法可能催生新基准
- 中型 AI 公司会把 skill eval 当作商业化门槛,并与 OpenWiki 类工具结合。
Numbers
- mattpocockuk 与 steipete 互动量
- mattpocockuk 168 赞、steipete(quoted)Total TypeScript、AI Hero 作者 + Peter Steinberger 共同点破 skill eval 瓶颈X 平台数据
- SkillCoach HF 热度
- 12 分arXiv 2607.01874,自演化评分方法学术方向HF papers
早报判断
- Skill eval 是 Agent 工业化的最后一公里:写 skill、蒸馏知识、评测可靠性是三件不同的事。
- 过去 6 个月 skill 仓库快速增长,编写环节已变容易
- 真正缺口在跨场景成功率、baseline 漂移和低成本评测。
接下来看
- LangChain、Anthropic、OpenAI、Google DeepMind 是否在 6-12 个月内推出官方 skill eval 工具
- SkillCoach 等学术方向是否被商业平台采纳(self-evolving rubrics 工程化)
#Skill Eval#mattpocockuk#steipete#EffectTS
产品上新重要度 2/5中置信多源混合
豆包 GEO skill 开源升级版:网页 + 手机 App 双端采集、截图 + XML 全记录、不绕登录——@yaojingang 7-3。
- @yaojingang 7-3 发布并开源升级版豆包 AI GEO(生成式引擎优化)采集、清洗、分析 skill(获 61 赞)。
- 三大能力:
- ① 网页端(OpenCLI)+ 手机 App(Android Studio AVD + Appium UiAutomator2)双端采集,同一批关键词可并行取两端结果
- ② 手机端不只截答案,而是把截图、XML、引用资料。
要点拆解展开
Why
- 豆包 GEO skill 开源升级版是 GEO 赛道基础设施层关键进展,「双端采集 + 全字段记录 + 明确边界」三点设计符合学术与品牌方研究规范
- 可能催生 GEO 工具「合规版 vs 灰产版」分化。
Impact
- GEO 赛道:工具层从零散爬虫走向标准化开源,豆包 GEO skill 成为国内首批合规版
- 学术研究:可复用工具降低 GEO 学术研究门槛
- 品牌方:可系统化监测 AI 回答中的品牌可见度与引用情况
Numbers
- 豆包 GEO skill 三能力
- 双端采集、全字段记录、结构化输出① 网页端(OpenCLI)+ 手机 App(Android Studio AVD + Appium UiAutomator2)双端采集;② 截图 + XML + 引用资料卡片 + 引用状态 + 引用次数全记录;③ 统一输出 doubao。@yaojingang X
- 明确合规边界
- 不绕登录、不绕验证码、不抓隐藏接口、不做账号池只服务低频研究、教学、可复核证据采集@yaojingang X
早报判断
- 豆包 GEO skill 开源是 GEO(Generative Engine Optimization,生成式引擎优化)赛道基础设施层的关键进展。
- GEO 是 2026 年新兴的 SEO 变体——传统 SEO 优化搜索结果排名,GEO 优化生成式 AI 回答中的内容引用。
- 豆包(字节跳动旗下 AI 助手)是国内 GEO 的关键战场之一,豆包 GEO skill 的开源等于把「如何系统性采集豆包 AI 回答」这一关键能力沉淀为可复用工具。
- 该 skill 的三个亮点:
接下来看
- 豆包 GEO skill 在 30 天内是否被 GEO 学术研究者广泛采用
- 其他 AI 助手 GEO 工具(Perplexity、Kimi、文心一言、ChatGPT)是否跟进开源
Developing
发展中 · 待进一步核验
以下内容仅作为追踪线索，不与已核验新闻等量呈现；正式文件、项目材料或独立复核出现后再升级。
行业动态重要度 3/5低置信发展中
待验证｜Anthropic 用 Obsidian 知识图谱管理企业知识
- @CryptoTied 7-3 披露:Anthropic 内部用超大规模 Obsidian 知识图谱管理公司知识,包含 8893 节点
- 4729 链接和 9000+ 文档。
- 模块覆盖 Marginalia
- Glossary
要点拆解展开
Why
- 单源(@CryptoTied)但 Anthropic 内部使用 Obsidian + 复杂知识图谱的工业化案例值得记录
- 与 LangChain OpenWiki + Anthropic 5 段 Prompt 结构共同指向「agent 时代知识管理基础设施」成型方向。
Impact
- AI 实验室:知识管理基础设施正成为头部公司标配
- 中型 AI 公司:将依赖 OpenWiki 类开源工具追赶
- 企业 CIO:「agent 友好知识库」或将成为采购新类目
Numbers
- Anthropic Obsidian 知识图谱规模
- 8893 节点、4729 链接、9000+ 文档模块包括 Marginalia、Glossary、Comparative Grammar、Oral History、Field Notes 和 Master Index。@CryptoTied X
早报判断
- 这条单源披露指向一个被低估的趋势:头部 AI 实验室把企业知识作为一等公民管理。
- Obsidian 的本地文件、链接图谱和 git 友好特性,适合 agent 写、维护和引用
- 这与 LangChain OpenWiki 的 agent 文档方向相互印证。
接下来看
- Anthropic 是否公开更多关于内部 Obsidian 使用的信息(招聘信号、员工分享)
- OpenAI、Google DeepMind、xAI 是否披露类似规模的知识管理体系
研究论文重要度 2/5低置信发展中
待验证｜Google DeepMind Discovery 团队发布 COrigami:蛋白质等领域 co-design 端到端协同设计管线
- @GoogleDeepMind 7-3 转推 DeepMind Discovery 团队最新工作 COrigami:一条端到端协同设计管线(用于蛋白质等领域的 co-design)。
- 原帖被截断,论文细节(arXiv ID、实验数据、应用案例)需进一步跟进。
要点拆解展开
Why
- DeepMind Discovery 团队继 AlphaFold 之后的下一个生物学方向,co-design 把 AI 在生物学的能力从「理解」推进到「设计」
- 但目前为单条转推,细节待补全。
Impact
- AI for Science:co-design 成为下一个前沿,从「单向预测」走向「结构-功能协同优化」
- 制药行业:蛋白质药物、酶设计、抗体筛选的 AI 能力提升
- 合成生物学:代谢通路设计、生物制造的 AI 协同设计
Numbers
- COrigami 应用领域
- 蛋白质等领域的 co-design端到端协同设计管线;DeepMind Discovery 团队最新工作@GoogleDeepMind X(转推)
早报判断
- Co-design(协同设计)是 AI for Science 的下一个前沿
- 传统 AI for Science 多关注「给定结构预测性质」或「给定性质生成结构」的单向任务,co-design 把这两个方向融合,让结构与性质同时优化。
- COrigami 选择蛋白质作为首个应用领域,这是 DeepMind 在 AlphaFold 系列之后的下一个生物学方向
- AlphaFold 解决了「蛋白质结构预测」,COrigami 解决「蛋白质结构-功能协同设计」,等于把 AI 在生物学的能力从「理解」推进到「设计」。
接下来看
- COrigami 论文的 arXiv 链接、实验数据、与 AlphaFold 的关系
- COrigami 在蛋白质设计、酶工程、抗体筛选的具体应用案例
观点观察重要度 2/5低置信发展中
待验证｜AI Agent 三栏布局升温:设计规范需模型可读
- @vista8 7-3 PM 视角观察:现在很多网页布局是「右侧 AI Agent,中间内容,左侧菜单」,分栏需要支持拖拽和隐藏、合理利用空间。
- 难点:用自然语言很难描述清楚这些交互细节。
- 可行解法:沉淀一些交互规范、标准文档,供 AI 学习参考——把设计规范变成模型可读的参考材料,而不是依赖一次性 prompt。
- 配 4 张布局示意。
要点拆解展开
Why
- PM 视角对 AI Agent UI 范式的早期洞察,三栏布局正在成为默认范式但设计难题未解决
- 提出「设计规范 agent 友好化」思路,与 LangChain OpenWiki + loop engineering 方向一致。
Impact
- AI Agent UI 会从一次性 prompt 生成,走向检索设计规范后再生成。
- 设计工具可能提供 agent 可读与人类可读两套规范
- 设计师也需要把分栏、状态、响应式和交互边界写成机器可执行参考。
Numbers
- 三栏布局结构
- 右侧 AI Agent + 中间内容 + 左侧菜单vista8 PM 观察当前网页 AI Agent 布局趋势,需支持拖拽、隐藏、合理利用空间@vista8 X
早报判断
- 这是 PM 视角对 AI Agent UI 范式的早期洞察。
- 三栏布局正在成为默认,但仍有三类难题:拖拽与隐藏规则难以用自然语言完整描述
- 不同屏幕尺寸下容易冲突
- AI 面板与主体内容的视觉层级需要被明确约束。
接下来看
- Figma、Framer、v0 等设计工具是否在 6-12 个月内推出「agent 友好设计规范」
- 三栏布局是否在 Notion AI、Linear AI、Arc Browser AI 等产品中成为默认
#AI Agent UI#三栏布局#设计规范#agent 友好
社交雷达 · X 讨论
- ELI5 总结 trq212 新文章:"Claude 已不再是瓶颈,你没告诉它的事才是"。
- 核心是缩小提示词与代码实情的差距。
- 4 种 unknown 包括你没说、你没定、你懒得写、你没想到
- 8 条方法围绕盲点扫描和上下文校准。
原帖 ↗- Anthropic 员工(bio: claude code + cowork @anthropicai,前 Dagster
- Scale)发起 Fable 5 demo 征集,引发 101 条高密度回复。
- 配合官方账号同周 re-launch Fable 5,Anthropic 正在推动 cowork 形态试用。
原帖 ↗- 解读疑似 Anthropic 内部 Fable 5 Prompt 结构,核心观点:好 Prompt 不是更长更复杂,而是把任务边界讲清楚。
- 结构 5 部分 — Context(背景)
- Request(要做什么)
- Output Format(怎么交付)
原帖 ↗- "我不再手动 prompt Claude Code 了。
- 我让循环自动 prompt Fable,我的工作就是写循环。
- " 配图为 AI Edge 的 loop engineering 入门指南。
- 核心范式是从一次性 prompt engineering 转向持续循环设计。
原帖 ↗- 发现:Anthropic 内部使用超大规模 Obsidian 知识图谱管理公司知识。
- 规模数据:8893 个节点、4729 条链接。
- 结构化模块包括 Marginalia
- Glossary
原帖 ↗- 在 SWE 评测基准 APEX-SWE 上放出 Fable 5 重发布版成绩:Fable 5 6 月原版 65.5% Pass@1,7 月重发布版 54.8%,Claude Opus 4.8 为 45.3%。
- 结论:re-release 比原版低约 10 个点,但仍超 Opus 4.8 超过 9 个点。
原帖 ↗更多讨论4 条
- PM 视角观察:现在很多网页布局是"右侧 AI Agent,中间内容,左侧菜单",分栏需要支持拖拽和隐藏、合理利用空间。
- 难点:用自然语言很难描述清楚这些交互细节。
- 可行解法:沉淀一些交互规范、标准文档,供 AI 学习参考——把设计规范变成模型可读的参考材料,而不是依赖一次性 prompt。
原帖 ↗- 发布并开源升级版豆包 AI GEO 采集、清洗、分析 skill。
- 三大能力:
- ①网页端(OpenCLI)+ 手机 App(Android Studio AVD + Appium UiAutomator2)双端采集,同一批关键词可并行取两端结果
原帖 ↗- 解读 LangChain 新开源项目 OpenWiki(477 star、MIT 协议):一个 CLI,自动为代码库生成文档并持续维护
- 设计目标"not for humans,for agents"——让 agent 写、agent 维护、agent 参考。
- 安装 npm install -g openwiki
原帖 ↗- Total TypeScript
- AI Hero 作者 mattpocock 说:"Evals on skills are hard" 是今年最被低估的判断。
- steipete 的上下文是 EffectTS skill 需要先蒸馏 agent 常犯错点,但 skills 的 eval 仍然很难做。
原帖 ↗