Claude Code
ccNexus：跨平台 Claude Code 與 Codex 智慧型 API 閘道與 Token Pool 管理
GitHubExplorer發掘ccNexus開源專案，提供跨平台ClaudeCode與CodexCLI智能API閘道，支援多端點自動輪換、Token池管理與即時統計，降低模型整合門檻並提升容錯能力。同時支援WebDAV多設備同步與Docker容器化部署，適合本地開發與團隊協作。
Latest
BeatOS
BeatOS：結合 AI 與 MCP 介面的本地節拍庫解決元資料碎片化
隨著多平台對音樂元資料需求各異，節拍製作者常需手動重複填寫。BeatOS以本地SQLite資料庫保存完整節拍資訊，並透過MCP伺服器提供AI協同，將單一目錄即時轉換為各平台所需的描述與標籤，降低人工作業負擔。同時支援跨平台發布與版本管理。開源授權保障社群參與。
Rust
Toktrack：基於 Rust 與 SIMD 的高速 LLM Token 與成本追蹤儀表板
隨著AI編碼工具普及，開發者面臨token成本難以統計的問題。Toktrack以Rust實作高速解析與快取機制，整合ClaudeCode、CodexCLI、GeminiCLI等多款CLI，提供單一儀表板與持久化紀錄，讓使用者即時掌握花費與效能提升。
Nocturne Memory
Nocturne Memory：基於 MCP 的本機長期記憶伺服器與圖譜式結構化設計
NocturneMemory基於MCP協議，採用SQLite或PostgreSQL作為後端，提供可視化回溯與撤銷功能，讓AI在跨會話、跨模型間保持身份與上下文，取代傳統向量檢索(RAG)流程，提升記憶持續性與資料主權，支援OpenClaw、Cursor、ClaudeCode，採MIT授權。
Claude Opus 4.8
Claude Opus 4.8：動態工作流程與子代理架構下的推論優化
Anthropic 發表 Claude Opus 4.8，帶來多項針對推論效能與調度的調整。新版維持既有計價，新增「fast mode」以顯著提升推論速度，同時引入更靈活的工作流程管理，能同時生成大量子代理以處理複雜任務。基準測試顯示相較前代有明顯效能提升，企業應用報告也指出使用成本下降；
速報
Asana收購StackAI：以無程式碼代理人強化人工智慧職場平台
Asana以七千五百萬美元收購工作流程自動化公司StackAI，強化其朝向以人工智慧為核心的職場平台轉型。StackAI專注無程式碼代理人，可在既有企業系統內運作，串接Salesforce、Slack與G Suite等資料來源，自動化跨系統複雜流程。
深度分析
AWS OpenSearch Serverless 支援 AI 代理人：計算與儲存解耦、向量搜尋按需擴展
網路長期以人類行為為設計前提，AI代理人卻帶來短時高峰與大量機機互動。AWS新版OpenSearchServerless透過計算與儲存解耦、秒級擴縮與閒置歸零的計費機制，為代理人工作負載提供即時、可計量的搜尋與向量檢索解決方案。此設計可能促進代理人大規模部署並重塑企業資料檢索模式。
深度分析
XCENA MX1：以 RISC‑V 與 CXL 將運算推近 DRAM，緩解 AI 推論的記憶體瓶頸
隨著大型語言模型推論頻繁存取短期記憶，傳統CPU到GPU到DRAM的往返成為結構性瓶頸。XCENA以MX1把運算推向DRAM附近，透過CXL在記憶體模組內處理預處理、KV快取及資料編排，宣稱能把過去需多台伺服器承擔的工作合併並顯著降低AI基礎建設成本。
速報
Groq 以自研 AI 晶片轉攻推論雲，傳尋求 6.5 億美元募資
Groq在與Nvidia達成非併購協議後，改以自研AI晶片與系統為基礎，推動以推論為主的neocloud服務。該服務讓開發者與企業託管推論密集型應用，並尋求新一輪約6.5億美元募資以擴大營運。既有投資人被徵求跟進，Disruptive與Infinitium表示若其他投資人放棄將承擔該輪。
人工智慧輔助開發
人工智慧輔助程式開發：速度、品質與維護成本的權衡
2026年研究與調查顯示，多數開發者已不願在沒有人工智慧協助下工作。METR嘗試重現先前關於AI提升程式生產力的實驗卻受阻，開發者不願在無AI情況下參與測試；轉為自評的調查顯示開發者感受到價值提升，但企業實際支出與第三方報告提出警訊。
深度分析
VAKRA 基準：評估企業場景中 AI 代理的工具呼叫、多跳推理與失敗模式
VAKRA是可執行的工具導向基準，評估AI代理在企業場景跨API與文件的多步組合推理與執行能力。它要求代理在本地數千個API與多領域資料庫中產生完整工具呼叫軌跡並以執行結果驗證推理。研究發現現有模型在端到端工作流上普遍表現不佳，主要失誤集中於工具選擇、參數填寫與政策遵循。
深度分析
使用 Sentence Transformers 與 MatryoshkaLoss 微調 Qwen3‑VL 用於多模態文件檢索
背景：Sentence Transformers 擴展至多模態以處理文字與影像檢索。做法：以 Qwen3‑VL‑Embedding‑2B 在 Visual Document Retrieval 資料上微調，採 CachedMultipleNegativesRankingLoss 與 MatryoshkaLoss 訓練，並以 InformationRetrievalEvaluator 評估。結果：微調使 NDCG@10 從 0.888 提升到 0.947。