YouTube 频道 커리어데이 发布对 HAX AI 代表金多率（《提示讲述》《代理工作流》作者）的访谈。金多率称，AI 把三小时报告压到三十分钟，但核对、修改多个版本反而增加工时；他认为提示词时代已转向代理时代，应像带十名下属一样分派研究、分析、做 PPT 等任务，人负责定目标和验收。他主张资深者的领域隐性知识与反馈能力更有优势，招聘时更看重主动发现问题并解决的人，而非单纯会用 AI 的人。以上为受访者观点，非独立实测。

YouTube 频道 Python Simplified 发布 25 分钟教程，演示用 Python、Streamlit、Docker、n8n 和 OpenRouter 免费模型搭建名为 Tech Goblin 的新闻网站，并部署在 Hostinger VPS 上。作者称流程为：n8n 抓取 RSS 科技新闻，AI 判断是否值得发布，再改写并自动写入网站，无需人工更新，AI 与网站共用同一台服务器。视频含完整时间戳与 GitHub 源码链接，并附 Hostinger 推广码。以上均为作者演示与说法，未见独立验证。

Modern Software Engineering 频道发布一期访谈，主持人 Emily Bache 对话 codecentric 的软件架构师 Marco Emrich 与顾问 Ferdinand Ade，介绍其 EXACT 编码工作流：先用 Example Mapping 与利益相关者把用户故事拆成具体示例，再与 LLM 协作转成测试清单，随后在红-绿-重构循环中逐条实现，并要求代理在每步前预测结果（预测式 TDD）。作者称在自建评测实验室中用自造代码卡塔对比，先做示例映射比只给文字需求正确率提升约 60%–80%；EXACT 相比简单 TDD 提示代码复杂度与变异得分更优但 token 成本更高。上述数字均为作者自述实验结果，未经独立复现。

Google Cloud Tech 直播中，Annie Wang 与 Logan Hennessy 用 Google Agent Development Kit 从零搭建 VibeStudio（Haunted Edition）：把单提示词代理改为节点-边工作流图，含函数节点、代理节点、并行 fan-out/JoinNode、路由、人工审批门和任务模式循环。流程用 Gemini 转录语音、描述图片，写入 Vertex AI RAG Engine 语料，再由 Veo 渲染视频，并接入 Memory Bank 做跨会话记忆，最后部署到 Cloud Run 并发布首条 AI 短片。作者称工作流图能保证顺序、安全检查和人工审批，单提示词做不到；这是演示构建，非独立实测。

Hugging Face 联合创始人 Thomas Wolf 在 X 宣布发布免费开源的《The Ultimate MoE Training Handbook》，称团队自费约80万 GPU 小时做实验并记录结果。手册围绕训练团队常见问题组织：专家数量与规模、是否共享专家、all-to-all 通信开销、路由函数选择（softmax/sigmoid/sqrt(softplus)）与 fp32 保留、辅助损失与 DeepSeek 无损失偏置、稠密检查点升级还是从头训练、推理时能否用更少专家。作者称全文约7万字、含55个交互图表和可运行代码。文中“20个最佳开源模型中18个是 MoE”属作者判断，非独立核实。

YouTube 频道 Futurepedia 发布 14 分钟视频，称 Anthropic 已完全重构 Claude 桌面应用，并援引一位参与 Claude Code 的工程师说法称其“基本算 Claude 2.0”。作者列举的变化包括：Home 与 Code 两个标签页、文档/幻灯片/设计/仪表盘/动效五类 Artifacts、会话栏与上下文用量明细、分区、侧聊、分屏、手机远程控制、保持电脑唤醒、云端会话、/goal、嵌套会话、任务卡、主会话、Projects 以及可自定义界面的 mods。作者称仪表盘与动效仍处测试阶段，部分功能尚未向其账号开放。以上为作者演示与转述，非 Anthropic 官方公告，也未独立实测。

Matt Wolfe 发布 32 分钟教程，称用 Claude 配合 vidIQ、ElevenLabs 搭建视频剪辑流程：生成脚本、挑选 B-roll、把原始 A-roll 处理成成片，并接入 Adobe Premiere Pro 工作流，还演示了 MotionBricks。上述均为作者自述的演示流程，材料未提供可独立核验的产出对比或效率数据；描述中出现的“Claude Opus 5.5”等版本信息未经官方确认。

Simon Willison 博客摘录了 The Vergecast 节目《Big Tech lost big in the 2026 election》中 Nilay Patel 的一段评论。Patel 认为，当前 AI 产品不足以让用户接受其成本：数据中心噪音、AI 概览和深度伪造内容带来的代价，与收益不匹配；他还称“agents aren't real”，并指相关公司支出超过收入。这是 Patel 在播客中的观点，非实测数据或行业统计。

YouTube 频道 AICodeKing 发布 19 分钟视频，演示在 Mac 上搭建一套以 Claude Code 为核心的 AI 编程环境：从 Claude 订阅档位选择（称免费版不含 Claude Code，Pro 每月 20 美元起步）、安装 Command Line Tools、Homebrew、Git、GitHub CLI 与 Node 24 LTS，到原生安装 Claude Code 并用订阅登录，再接入 Zed 编辑器、T3 Code、Bambooed、Delta 等工具，配置 CLAUDE.md、Context7 与插件，最后用 plan 模式加浏览器验证构建一个阅读清单小应用。以上均为作者自述的配置与体验，非独立实测。

X 用户宝玉（@guyingjie129）发文称，循环工程的最佳实践是让 spec/task 成为 Loop Agent 的内部细节，人类输入保持离散、粗糙、原始；他认为把 spec 用 AI 放大一遍是反模式，因为人连 md 或 html 形式的 spec 都看不完，中间材料（spec/task/todo/prd/原型/设计稿）可验证性远低于最终代码。他主张减少中间环节，把算力投向离交付更近、更可验证的媒介，唯一例外是目标（goal）：由 Agent 吸收上下文后自行设定，人只审核是否符合预期，不符则重聊重设。他并转述他人称 Raft 开发流程类似，人已不太审 spec。