Anthropic 的全部动态：Claude 系列模型、Claude Code、安全研究路线与公司进展的持续追踪。
Anthropic 介绍了用于复杂多步任务的 think 工具方案，允许 Claude 在生成工具调用的过程中记录思考、核对规则并检查上下文。测试显示，结合优化提示词后 Claude 3.7 Sonnet 在 τ-Bench 航空领域的 pass^1 达到 0.570，较基准提升 54%，在 SWE-bench 上也带来 1.6% 的独立提升。
推荐理由：原文对比了思考工具与扩展思考在多步调用中的差异，并附带工具定义与提示词范例，可直接套用到复杂智能体开发中。
升级版 Claude 3.5 Sonnet 在软件工程基准 SWE-bench Verified 上取得 49% 的解决率，超越此前最佳成绩 45%。Anthropic 披露了其配套的极简 Agent 脚手架设计，仅提供基础提示词、Bash 执行工具与基于精确字符串替换的 Edit 工具，避免对工作流进行硬编码。
推荐理由：文章拆解了将控制权完全交给模型本体的极简工具架构，为开发者设计高成功率的代码智能体提供了工程参考。
Anthropic 工程团队总结了构建大语言模型智能体系统的核心实践与模式。文章明确区分了预定义代码路径的工作流与模型自主驱动的智能体，详细拆解了提示词链、路由、并行化、协调者-执行者及评估者-优化者五种常见工作流模式。团队建议开发者从最简单的 API 级模式起步，优先优化工具定义与接口设计，仅在确有必要时引入自主循环与高复杂度架构。
推荐理由：文章梳理了工作流与自主智能体的模式差异，读者可按复杂度渐进选择架构以避免过度设计。
Anthropic 提出名为 Contextual Retrieval 的 RAG 优化方法，通过在切片向量化和建立 BM25 索引前添加上下文说明，将检索失败率降低 49%，结合重排后降低 67%。
推荐理由：该方法通过在切片前注入文档级上下文解决传统检索断链问题，为优化大知识库 RAG 提供了直接可行的工程参考。
Hugging Face 推出基于开源大模型的 Constitutional AI（CAI）端到端对齐方案，并开源了用于 Slurm 集群大规模合成数据生成的工具 llm-swarm。
推荐理由：原文提供了基于开源模型实现宪法级 AI 对齐的完整技术方案与集群生成工具，便于开发者低成本构建自定义安全对齐流程。