Anthropic 的 Claude Opus 5 在 ARC-AGI-3 基准上取得 30.2%，是 GPT-5.6 Sol (Max) 此前 7.8% 纪录的近四倍。在 Artificial Analysis 智能指数上以 61 分登顶，领先 Fable 5（60 分）和 GPT-5.6 Sol（59 分），平均智能任务成本 $2.03。Epoch AI 数据显示 Opus 5 的 SWE-ECI 与 Fable 5 持平，均为 161。

但 X 用户 @oran_ge 指出，Opus 5 在多项通用基准上全面超越 Fable 5，实际使用体验却远不及后者。Anthropic 在 5 系列中先训练 Mythos 再蒸馏出 Sonnet 和 Opus，Sonnet 5 表现不佳，Opus 5 评价两极。

开发者 Eversmile1 在 GitHub 上公开了 Claude Opus 5 的完整系统提示词，共 135027 字符（约 3.4 万 token），包含 30 个工具的 JSON schema、严格的版权合规规则（单次引用不超过 15 词）和跨会话记忆系统。泄露后 24 小时内，已有开发者用 Opus 5 成功生成 3D 射击游戏和《火箭联盟》克隆版等复杂 Demo。

快手 KwaiKAT 团队推出 KAT-Coder-V2.5，一个在真实可执行仓库环境中训练的智能体编程模型。训练数据覆盖 10 万+可验证仓库环境，开源变体 KAT-Coder-V2.5-Dev 已在 Hugging Face 以 Apache-2.0 协议发布。

华盛顿大学研究发现，当 AI 智能体在记忆文件中遭遇恶意指令时，存在两个独立问题：是否执行指令（Opus 模型大多拒绝）以及是否移除该指令（通常不会）。研究团队将恶意载荷注入 CLAUDE.md 等持久化工作区文件，对 claude-code 和 codex 在 4 个模型上进行了多会话探测。由于记忆文件每会话从头加载，一次拒绝仅对当前会话有效，恶意指令会在下一会话继续生效。

论文指出多数智能体记忆系统仅保存事件并重新推理，导致重复错误。MSCE 提出将经验组织为声明性事实、诱导性策略和步骤轨迹三层，并将重复模式提升为可调用程序（如 pip 安装失败时自动执行修复规则）。一项策略只有在拥有自身触发条件、边界、正向收益估计和支撑证据时，才成为可调用技能，无需额外微调。

Claude 的 Skills 机制并非先选 Skill 再执行工具的两段式调用。所有 Skills 的元信息（name 和 description）在对话开始时作为系统提示词一次性加载进上下文窗口，大模型在一次推理中即可完成判断、读取指令和调用工具。Prompt Caching 缓存了系统提示词，多轮对话中无需重复处理，节省 token 和时间。

OpenMinis 正式开源 iOS 与 Android 双端完整代码，为手机提供本地运行的 AI Agent。核心是在设备上运行 Alpine Linux 沙箱（iOS 用 iSH 深度定制 fork，Android 用 PRoot），让 Agent 能执行 shell 命令、操作文件、实现浏览器自动化与系统集成（日历、健康、HomeKit 等）。

Grok Build 新增 /deep-research 命令，使用有界并行智能体进行研究，交叉验证证据，并撰写带引用的报告。同日 xAI 还发布了 Grok CLI（x.ai/cli），支持 /tutorial 教程命令，马斯克称"可以直接与 Grok Build 对话"。

Boris Cherny 今年已合并约 1700 个拉取请求，新增 40 万行代码，删除 25 万行，全部通过 Claude Code 完成，消耗 80 亿个模型 token。"自 Opus 4.5 以来，我 100% 的代码都由 Claude Code 编写……现在我的大部分编码工作都在手机上完成。"

同时，Boris Cherny 建议：不要过度关注削减 token 成本，而应优先使用最昂贵的模型并专注于提升回报。他认为成本削减机会约 50%，但回报提升潜力可达 1000%、10000% 甚至 100000%。核心策略是自问"如何增加回报"，而非主要聚焦于成本控制。

一项对 207 个 GitHub 项目、102 万次拉取请求的研究发现，采用 AI 智能体审查的项目，每千行代码（KLOC）的审查时间缩短了 2.5 至 4.5 天。但早期大量使用 LLM 审查的项目未见显著效率提升。AI 审查模式在 78%-94% 的拉取请求中存在"审查异味"（review smells），高于人工审查的 69%-76%，主要原因是重复分配同一 AI 审查者身份导致多样性下降。