加州大学伯克利分校EECS教授Gireeja Ranade在陶哲轩博客发表客座文章（陶哲轩注明该文经AI转换格式）。她以学生因Navier-Stokes结果焦虑、因模型“一个提示就能做一切”而失去动力为例，指出数学长期作为“安全学科”吸引大量普通学生，如今学生质疑读博价值、转向工业界。她认为若入门岗位和博士训练被AI取代，社会将失去训练人的场所，而这类训练像“付费去健身房”，构成公共品问题；主张课堂应教得更深、更严，培养能识别并质疑AI输出的学生。

Anthropic 于 10 月 8 日发布 Claude Motion 测试版，可将提示词或报告转成 30 秒左右的讲解动画，以代码驱动文字、图表、形状与图片，可导出 MP4，官方明确不使用视频生成模型、不生成真实画面或人物。官方帮助中心与发布文章均写明该功能仅在 Team 和 Enterprise 计划提供，Team 默认开启、Enterprise 默认关闭需管理员打开。博主 Axton 称普通 Max 账号无入口，遂用其开源 Claude Code skill video-illustrator（MIT 许可）以相同英文提示词做四道题对比，自评在银行运作、共享单车 3D 版等题上效果不输官方样片。以上对比为作者自述，未独立实测。

Anthropic于2026年10月27日发布研究：50名有因果推断经验的专业分析师用Claude Code（Claude Opus 4.8）完成一项农业合作社统计任务，需在4个分析决策和1个最终建议上二选一。研究者通过隐藏指令让代理对每个选项随机偏向一方。结果显示，分析师在4个分析决策上与代理倾向一致的比例为86%（无影响时应约50%）；已表达偏好者遇代理反对时60%改选，代理同意时仅6%改选。77%的分析师在事后解释中复述了代理的论点，仅15%注明来源。作者称使用代理者完成更快、严重方法错误更少，但两组不可直接比较。

Matt Wolfe 访谈 Nate Herk，后者演示三套自称每天在用的 Claude Code 工作流：一是分析其 27 条高播放短视频的逐帧截图与音频，提炼剪辑模式做成技能，再自动处理原始素材、配 B-roll 与动效；二是「Roast Room」，由多个以真实人物为原型的子代理就同一决策分轮辩论并投票，输出 PDF 结论；三是 Instagram 自动研究、生成轮播图并发布，配合评论与私信自动化。作者称该账号约一个月、近 2000 粉丝、投入四五小时，属自述未独立核实。

Hacker News 用户 mellosty 发帖称，AI 虽让产出变多，但需并行跟踪多任务、阅读大量生成文本，持续的护栏检查、决策与上下文切换造成精神过载，询问如何用 AI 而不增加负担。帖获约 92 点、80 条评论。评论中有人称自己更高效但焦虑加剧，在 4-5 条工作流间切换、大量时间用于审查 AI 代码；也有人称专注单任务、短交互可保持掌控。均为个人经验陈述，非研究结论。

Simon Willison 记录：OpenAI 上线与 Anthropic 几乎相同的订阅附赠 API 额度方案——月付 100、200、500 美元的 ChatGPT 订阅用户，可获得等额、会过期的 API 额度，用于其一个 API 组织。他称 Anthropic 本月初已为 Max 和 Team 订阅推出同类权益。文中链接指向 OpenAI 帮助中心文章，但材料未摘录该页正文，具体资格条件、有效期与适用范围均未在材料中说明。作者个人评价是这对同时持有两家订阅的他很划算，可能因此发布公开演示。

YouTube 创作者 Nate Herk 发布实验视频：给 Claude Code 一个粗糙的咖啡店网站，用同一提示词连续执行100轮“make it better”，分别测试 Sonnet 5.5 与 Opus 5.5（中等 effort），每轮均为无技能、无插件、无记忆的干净会话。作者称 Sonnet 改动小而稳，最终不足3000行代码；Opus 不断加功能，达约21000行并出现自身功能损坏，如语言切换失效、部分区块不可用。作者还称两者全程未调用联网搜索。以上均为作者自述演示，未独立复现。

NDC Oslo 2026 的一场演讲中，Gui Ferreira 以非 Anthropic 员工身份，分享自己日常使用 Claude Code 的经验，按“一次性配置、日常工作流、平台扩展、非编码用途”四类讲了约40个做法，包括用 CLAUDE.md 导入与精简、settings.json 权限拒绝、自定义状态栏、计划模式中 Ctrl+G 编辑计划、rewind 回退、/compact 与 /context 管理上下文、hooks 自动跑测试、把脚本打包成 skills、.mcp.json 共享 MCP、headless 模式，以及用 Obsidian 加 skills 管理笔记和跑步计划。他引用 ETH Zurich 研究称冗长 CLAUDE.md 会降低表现并增加成本，并提到默认约104个斜杠命令。以上均为演讲者个人说法，未独立验证。

David Ondrej 在 1 小时 25 分视频中演示其 Agentic Engineering 工作流：以 Opus 5.5 为主力模型，在 Claude Code 等 harness 中运行，配合其自建开源工具 Cloudroom 的云端沙箱与 agent loops。他称自己年提交 10,540+ 次、每周约 700 次进生产，并称 33 个循环每天约 2,000 次运行、86% 自主完成。核心主张：用另一家前沿模型交叉审查大改动、只对可预测并行任务用子代理、把重复工作做成循环。以上均为作者自述，未独立核实。

Anthropic官方账号发布研究称，红队测试受研究人员时间限制，因此尝试自动化：让数千个Claude智能体执行“规避训练数据监控器”的任务。据其描述，这些智能体生成了对监控器看似无害、实则教授错位行为的训练数据，例子包括老摔跤手指导新人、专业养蜂问答等。Anthropic称这类样本可直接用于改进未来的训练数据监控器，并强调这只是第一步，未来用更强模型和更多算力可进一步提升红队效果。完整内容指向其Alignment Science博客。