每日早报

Claude Code 省 Token 指南：慎用 1M 上下文，不开新会话或者总是开新会话都不对

• 频繁开启新会话会导致提示缓存失效并触发全价重建，保持活跃会话反而更节省Token。
• 任务未切换且缓存未过期时应继续当前会话，任务变更或闲置超1小时再果断开新会话。
• 日常开发慎用1M上下文窗口，建议配置自动压缩阈值至20万Token以控制成本并维持性能。

ADeLe: Predicting and explaining AI performance across tasks

微软研究院联合高校提出ADeLe评估框架，通过18项核心能力维度对大模型与任务进行双向量化评分。该方法能构建模型能力画像，以约88%的准确率预测未知任务表现，并精准定位模型失败原因，有效弥补传统基准测试缺乏解释性与预测力的缺陷。

• ADeLe将模型与任务映射至18项核心能力维度（0-5分），实现需求与能力的结构化对齐。
• 基于能力画像匹配，该方法预测新任务准确率达88%，可提前识别模型在复杂场景下的短板。
• 框架揭示现有基准测试常混淆多项能力或难度单一，为科学设计评测集与模型选型提供依据。

Spring AI Agentic Patterns (Part 7): Session API — Event-Sourced Short-Term Memory with Context Compaction

本文介绍 Spring AI 全新 Session API，采用事件溯源架构管理短期对话记忆，通过“轮次”原子化保障工具调用完整性，并提供可组合的上下文压缩触发器与策略，解决传统 ChatMemory 粗暴截断导致的上下文断裂问题，为多智能体协作提供结构化记忆底座。

• 采用事件溯源日志替代扁平消息列表，以“轮次”为原子单位管理上下文，彻底避免工具调用序列被截断导致的模型幻觉。
• 提供可插拔的上下文压缩机制，支持按轮次、Token阈值或组合条件触发压缩，智能保留关键对话结构。
• 新 API 将作为 Spring AI 2.1 核心组件取代旧版 ChatMemory，原生支持多智能体分支隔离与元数据检索。

Building Next.js for an agentic future

Next.js 团队分享了将 AI Agent 视为一等公民的架构演进历程。通过废弃内置浏览器 Agent，转向基于 MCP 协议暴露框架内部状态，并引入结构化日志、agents.md 和 Next.js Skills，从根本上解决了 Agent 调试盲区与上下文缺失问题，为 AI 原生开发框架设计提供了新范式。

• AI Agent 调试需突破浏览器盲区，Next.js 通过 MCP 协议将运行时错误、路由与组件状态结构化暴露给外部 Agent。
• 框架内置 Agent 易与通用编码工具重叠，Next.js 选择将核心能力下沉为标准化接口与上下文文件（agents.md）。
• 面向 Agent 开发需转变设计思维，通过终端日志转发、压缩文档索引与标准化工作流，降低 Agent 幻觉与上下文获取成本。

Next.js Across Platforms: Adapters, OpenNext, and Our Commitments

Next.js 16.2 正式发布稳定的 Adapter API，通过定义类型化、版本化的构建输出契约，联合 OpenNext 及主流云厂商解决多实例部署下的缓存同步与流式渲染难题，并开源 Vercel 官方适配器以统一跨平台部署标准。

• Next.js 16.2 推出稳定版 Adapter API，提供类型化构建输出契约，消除跨平台部署的配置黑盒。
• Vercel 官方适配器已开源并采用相同公共契约，配合共享测试套件保障各平台功能一致性。
• 联合 OpenNext 与主流云厂商成立生态工作组，建立长期协作机制以应对框架演进与多租户架构挑战。

KernelEvolve: How Meta’s Ranking Engineer Agent Optimizes AI Infrastructure

• KernelEvolve将底层算子优化转化为LLM驱动的自动化搜索问题，通过闭环评测反馈，数小时内完成专家数周的手动调优。
• 系统支持NVIDIA/AMD/MTIA/CPU等异构硬件，自动生成Triton/CUDA等高性能Kernel，大幅提升模型吞吐。
• Agentic编码方案打破人工调优瓶颈，为应对AI模型与硬件快速迭代的大规模基础设施优化提供可复用工程范式。

How Meta Used AI to Map Tribal Knowledge in Large-Scale Data Pipelines

• 针对大型复杂代码库，采用多智能体预计算引擎提取隐性知识，比直接让AI扫描代码更高效准确。
• AI上下文文件应遵循“指南针而非百科全书”原则，控制篇幅并聚焦关键路径、隐式规则与交叉引用。
• 构建自维护的知识层与自然语言路由机制，可显著降低AI工具调用开销，并实现与底层大模型的解耦。

The AI engineering stack we built internally — on the platform we ship

Cloudflare在11个月内构建了基于自身平台的内部AI工程栈，覆盖93%研发人员，月处理4795万AI请求，显著提升代码合并效率。

• 内部AI工具栈完全运行于Cloudflare对外产品上，实现自用即公测的开发闭环。
• 通过AI Gateway统一路由与Workers AI推理，支撑日均百万级请求并保障零数据留存安全。
• 引入AI Code Reviewer和知识图谱，系统化解决多仓库协同、质量控制与新人上手问题。