Vercel 將 React 最佳實踐作為 Agent 技能公開
Vercel 於 2026 年 1 月 14 日在 GitHub 公開 React 最佳實踐 Agent 技能,整理該公司十多年累積的開發經驗。內容涵蓋 8 個效能類別和 40 條以上規則,按影響程度排序,並附有 CRITICAL~LOW 影響評級及程式碼示例。
Vercel 於 2026 年 1 月 14 日在 GitHub 公開 React 最佳實踐 Agent 技能,整理該公司十多年累積的開發經驗。內容涵蓋 8 個效能類別和 40 條以上規則,按影響程度排序,並附有 CRITICAL~LOW 影響評級及程式碼示例。
Conductor 0.29.4 為每個工作區新增 Checks 分頁,用來監察 GitHub actions、部署及用戶 TODO。更新亦加入多組鍵盤快捷鍵,並改善「read image」工具的呈現方式及小螢幕上的 plan mode 説明文字換行。
Conductor 0.29.2 新增 Deployments 分頁,可查看與各個 PR 相關的 Vercel 和 GitHub 部署,並簡化思考層級設定。用戶可按 ⌥T 開啟或關閉思考功能;新用戶預設啟用。更新亦修正多項問題,包括左側欄隱藏及 Claude 或 Codex 無法讀取 CONDUCTOR_* 環境變數。
GitHub 於 2025年12月19日向 GitHub Copilot Pro/Pro+ 用戶推出 Copilot Memory 公開預覽,讓智能體記住各儲存庫的程式碼上下文。
Microsoft 更新 Visual Studio Code,加入多項智能體編碼功能及 TypeScript 7 支援預覽,並棄用 IntelliCode;Agent HQ 被定位為整合多個供應商智能體的方向。
Conductor 0.24.0 改進 Codex 支援,讓 bash 命令開始執行時即時顯示,並在介面中顯示 MCP 工具呼叫及啟用網頁搜尋。Quick Start 可建立新儲存庫並推送至 GitHub,亦會自動偵測儲存庫的預設分支。此版本亦加入多項工作區、介面及錯誤修正。
OpenMOSS/SummerQuest-2025 暑期集訓已結束,課程講義和錄像只供參與課程的同學及組內同學查看,課程練習則對外公開並長期接受 PR。day-1、day-2、day-3 練習及 day-5 的 hw5_1、hw5_2 可透過自動化測試評測,其餘練習由人工評閲。
Visual Studio Code 於 2025 年 11 月 12 日推出 October 2025(版本 1.106)更新,新增集中管理本地及雲端智能體工作階段的 Agent Sessions view。更新亦加入內置 Plan 智能體及自訂智能體支援,並改善終端指令的子命令偵測。智能體編輯的檔案改為預設不會自動開啟,差異檢視亦可選取及複製已刪除的程式碼。
Visual Studio Code 開發團隊於 2025 年 11 月 6 日宣佈,GitHub Copilot 的行內建議功能已開源。團隊計劃把 GitHub Copilot 擴充功能整合至 Copilot Chat 擴充功能;大部分功能已完成移植,用戶體驗不變,重構亦縮短了建議顯示延遲。
GitHub 於 10 月 28 日公佈 Agent HQ 願景及一系列功能更新,目標是把編碼智能體整合至 GitHub 工作流程,並支援多個智能體協調處理任務。
FireRedTeam 為 FireRedTTS-2 發佈完整微調程式碼及教學,示例以 LJSpeech 數據集為基礎。團隊表示,該系統支援多語言和零樣本聲音克隆,使用對話數據微調可生成與示範相若的播客內容。
Amp 推出名為 Librarian 的子智能體,用於搜尋 GitHub 上的公開程式碼及用戶的私人 GitHub 儲存庫。用戶可讓它跨多個儲存庫搜尋程式碼、查找框架和函式庫的實作及開源範例,或檢視程式碼與依賴項的關係。使用前需在 Amp 設定中配置 GitHub 連線,再要求 Amp 使用 Librarian。
Visual Studio Code 於 2025 年 10 月 9 日推出 1.105,新增由編碼智能體處理 Git 合併衝突、實驗支援巢狀 AGENTS.md,並可用 Apple 帳戶登入 GitHub Copilot。用戶亦可選擇 GPT-5-Codex 或 Claude Sonnet 4.5,並在擴充功能檢視中瀏覽及安裝 GitHub MCP Registry 收錄的 MCP 伺服器。
ClusterX 為不同雲服務供應商的叢集調度提供統一 CLI 和 Python API,統一任務啟動、查看及停止介面,讓任務可在其支援的叢集間遷移。它提供 `run`、`get-job`、`log`、`stop` 和 `list` 等命令,可提交 CPU、GPU 及多機任務。
Cosyvoice 3 發佈 CV3-Eval,作為面向真實場景零樣本語音合成的評測基準。數據集採用 Common Voice、FLUERS、EmoBox 及網絡爬取的真實語音,涵蓋多種語言、方言、領域、環境、情緒和風格。評測包括客觀與主觀子集,並衡量內容一致性、説話者相似度及音質。
OpenAI 指南説明如何驗證 gpt-oss 推理服務的 API 實作、工具調用與模型表現。Responses API 的 reasoning 項目應以 reasoning_text 傳回原始 CoT;Chat Completions 則建議使用 reasoning 欄位,並在後續請求中一併傳回 CoT。
OME 是一個 Kubernetes operator,以模型驅動架構將模型作為一級資源,協調模型、執行環境與推理服務部署。OCI 團隊表示,採用 OME 後,模型接入時間由數月縮短至數天,部署配置知識亦可重用。OME 支援多節點服務、prefill-decode 分離及 serverless 部署;程式碼庫見 github.com/sgl-project/ome。
SciSage 是開源多智能體科研綜述生成框架,具備帶備援機制的 arXiv 論文抓取、AI 論文理解及大綱生成。它亦能生成附有引用的分節分析,兼容 GPT-4、本地模型及雲端服務,並採用 MIT License。
InspireMusic 是一套面向音樂、歌曲及音訊生成的工具包,目前支援音樂生成,包括文字生成音樂、音樂續寫、音樂重建和超分辨率處理,亦可生成數分鐘長篇音樂。
Hugging Face 與 Entalpic 宣佈啟動開源協作計劃 LeMaterial,並發布首個數據集 LeMat-Bulk,整合 Materials Project、Alexandria 和 OQMD,含 6.7M 條目及 7 項材料屬性,採用 CC-BY-4.0 授權。
CoLLiE 是一套從零開始訓練大型語言模型的工具箱,提供資料預處理、模型微調、儲存及訓練指標監測,並整合並行策略、高效微調方法和優化器。它基於 DeepSpeed 和 PyTorch,支援 MOSS、InternLM、LLaMA 和 ChatGLM 等模型,以及 DP、PP、TP、ZeRO、LOMO、LoRA 和 Flash Attention。
FunAudioLLM-APP 提供 Voice Chat 和 Voice Translation 兩款應用,分別支援互動式語音對話及即時語音翻譯,方便不同語言的用戶溝通。項目運用語音理解及語音生成模型,並提供 CosyVoice、SenseVoice 的資源連結,以及安裝和執行指引。
RouteLLM 團隊公開一套以偏好數據訓練的大語言模型路由框架,按查詢在不同模型間分流。在 MT Bench、MMLU 和 GSM8K 上,相較只使用 GPT-4,成本分別降低逾 85%、45% 和 35%,同時維持 GPT-4 表現的 95%。研究團隊亦公開所有程式碼和數據集,包括用於路由器服務及評估的開源框架。
LiveCodeBench Leaderboard 推出,基於 UC Berkeley、MIT 和 Cornell 研究人員開發的 LiveCodeBench 基準評估程式碼大語言模型。
Ollama 推出 Python 和 JavaScript 程式庫的初始版本,讓新舊應用程式可用幾行程式碼整合 Ollama。兩個程式庫支援 Ollama REST API 的全部功能,並提供串流、多模態、文字補全及自訂模型等用例。Ollama 及兩個程式庫的 GitHub 倉庫現已位於新的 ollama 組織。
作者團隊推出 SGLang,這套 LLM 編程及推理系統以 RadixAttention 自動重用多次生成呼叫間的 KV cache。在 Llama-7B 和 Mixtral-8x7B 的多項基準測試中,SGLang 相較 Guidance、vLLM 等基線系統,吞吐量最高為基線系統的 5 倍,首 token 延遲亦有所改善。
FlagOpen/TACO 是供程式碼生成模型訓練與評估的演算法題資料集,含 25,443 道訓練題及 1,000 道測試題。題目來自程式競賽,附有主題、演算法、技能及難度等細粒度標籤,可透過 Hugging Face 或 BAAI DataHub 下載,並按難度或技能篩選。
Hugging Face 示範以其 GitHub 組織內按 stargazers 排名前 10 的公開程式碼庫,微調 StarCoder 製作個人化程式碼助手 HugCoder。
推薦理由:文章示範以 Hugging Face 公開程式碼庫微調個人化程式碼助手,並對照 QLoRA 與全量微調的成本和 HumanEval 結果,呈現訓練資源與表現的取捨。
MTEB 是一套評估文本嵌入模型在多種任務上表現的大型基準測試,並以排行榜彙整模型成績。該基準涵蓋 56 個數據集、8 類任務及最多 112 種語言,排行榜彙整 >2000 項結果。
推薦理由:MTEB 把 56 個數據集、8 類任務納入同一排行榜,並提供自行測試及提交結果的流程,方便按具體任務比較文本嵌入模型。