高密度筛选版：偏 agent / coding workflow、视频与人体动作分析、求职项目可用度。今日按重要性 + 相关性双重过滤，重复消息已合并。

一、今日最重要的 5 条

• 上一轮估值约 380B，本轮直接跳到 900B。

• 重要性：说明 frontier 模型层的资本仍在加速集中；Anthropic 在企业 / coding agent 市场的位置被资本方认为是接下来 12 个月最具确定性的赛道之一。

• 与我相关：Claude 仍将是我做 coding workflow / agent 实验的主力模型，值得继续押注它的 SDK 与 Skills 生态。

• 来源：BanklessTimes — Record-Breaking Unicorn (2026-05-13)

• Daybreak 基于 GPT-5.5-Cyber + Codex Security，定位漏洞发现与补丁验证；Mythos 此前帮 Mozilla 修了 270+ Firefox 漏洞。

• 重要性："AI 找洞 + 自动修补" 是今年最具落地价值的垂直 Agent 形态之一，比泛用 chat agent 更接近 ROI。

• 与我相关：可作为面试中 "agent 应用落地" 的鲜活案例；架构上是 long-running execution loop + tool use 的标准范式。

• 来源：The Hacker News — OpenAI Launches Daybreak (2026-05-12) · Android Headlines — Daybreak vs Mythos

• dreaming：让 agent 回顾过往 session、抽象模式、自我改进（类似 reflection / memory consolidation）。

• 多 agent 编排：lead agent 拆任务，分发给各自有模型/prompt/工具的 specialist，并行写入共享文件系统。

• 重要性：这是非常工程化的一步，意味着 "single-shot prompt + tool use" 范式正式进入 "persistent memory + parallel sub-agents" 阶段。

• 与我相关：直接对应我做 agent workflow 的方向，dreaming 这个机制可以借鉴到攀岩 app 的 "长期学习用户动作偏好" 思路上。

• 来源：9to5Mac — Claude Managed Agents 三新特性 (2026-05-07)

• AlphaEvolve 已经在 Google 内部 infra 中跑出真实优化结果，且能在数学/CS 开放问题上做新发现。

• 重要性：从 "agent 写代码" 升级到 "agent 设计算法"，这是 coding AI 的天花板级 demo。

• 与我相关：暂不直接落地，但作为参考架构非常有意义——它是 "evolutionary search + LLM 评估" 的混合体，比纯 LLM 解题更鲁棒。

• 来源：Google DeepMind — AlphaEvolve impact (2026-05-07)

• 高风险 prompt（医疗、法律、金融）幻觉减少一半以上；回答平均缩短 ~30%。

• 重要性：默认模型换代 = 多数 SaaS 应用底层效果跟着换。如果你做的 SaaS 调用 GPT-5.3 Instant，现在 cost / latency / accuracy 都变了。

• 与我相关：做攀岩 app 时如果调 OpenAI，注意 prompt 在 GPT-5.5 Instant 上的实际表现需要重测；它对 tone 控制更好，适合做 coaching 反馈。

• 来源：OpenAI — GPT-5.5 Instant (2026-05-05) · TechCrunch

二、按目标分类

A. 前沿模型 / 一手发布

• 事件：Anthropic 推出 Opus 4.7，主打长 horizon 编码 + 更高分辨率视觉。

• 核心内容：在 SWE-bench 类长任务上明显改善；vision 部分能 "看更高分辨率图"，意味着对 UI 截图、视频帧抽样这类任务更友好。

• 为什么重要：vision 上限提高 = 多模态 agent 应用门槛下降；现在做 "看截图操作 UI" 不再必须自己切图。

• 我需不需要点开：需要（关心 vision 细节就读官方 blog）。

• 链接：Anthropic — Introducing Claude Opus 4.7

• 事件：4 月底主线 GPT-5.5 发布，5 月 5 日 Instant 版上线 ChatGPT 默认。

• 核心内容：更省 token、更准、能回看过往对话 + 文件 + Gmail 做个性化回答。

• 为什么重要：长期记忆 + 跨工具上下文 ≈ "工作流默认带 RAG"。

• 我需不需要点开：需要（看 OpenAI 官方介绍即可）。

• 链接：OpenAI — Introducing GPT-5.5

• 事件：DeepMind 5 月 7 日公布 AlphaEvolve 在算法发现上的进一步进展。

• 核心内容：用 LLM + 演化搜索协同优化算法，已落地 Google 内部基础设施。

• 为什么重要：是 "agent 不只是写代码，而是发现新算法" 的早期里程碑。

• 我需不需要点开：建议点开（看 framework 思路，对个人项目设计 agent 很有启发）。

• 链接：DeepMind — AlphaEvolve impact

• 事件：Google Veo 3.1 与 OpenAI Sora 2 在影视级 video gen 上正面对决。

• 核心内容：Sora 2 更逼真的物理与人体动作；Veo 3.1 更易用、原生音频、参考图控制更强。

• 为什么重要：视频生成模型已从 demo 跨到生产工具，影响内容、广告、教育市场。

• 我需不需要点开：低优。和我做 "动作分析" 方向相反（一个是 generation，一个是 understanding）。

• 链接：AIMLAPI — Veo 3.1 vs Sora 2 vs Kling

B. AI 工程 / Agent / Coding workflow

• 内容：企业级自托管 agent 架构，可任意挑选底层 AI 模型，支持开发者工作流。

• 可落地价值：相当于 "开源版 Devin/Background Agent"，自部署而不上 SaaS。

• 对我当前开发/学习的意义：研究其 agent 调度架构（如何在自有 infra 上跑长任务）。

• 链接：SD Times — May 8 AI Updates

• 内容：Opsera AI Agents 作为 Cursor 原生插件，提供架构校验、合规、安全护栏。

• 可落地价值：示范 "在 coding agent 之上加企业级层" 是真实可商业化的方向。

• 对我当前开发/学习的意义：思路上和我做攀岩 app 中 "动作建议合规性 / 安全提示" 是同构问题——"在 LLM 输出上再加规则层"。

• 链接：SD Times — May 8 AI Updates

• 内容：Claude 模型直接接入 Snyk 用作代码漏洞分析与修复。

• 可落地价值：垂直 agent 的标准范式："通用 LLM + 行业平台"。

• 对我当前开发/学习的意义：面试可以拿来讲 "Anthropic 的企业渠道策略"。

• 链接：SD Times — May 8 AI Updates

• 内容：Claude Code 增加 agent view（看所有 session：running / blocked / done），新增 /goal 指令。

• 可落地价值：直接提高真实 dev 效率，尤其是同时跑多个 agent task 的情况。

• 对我当前开发/学习的意义：值得立刻试用，对个人多 repo 工作流非常友好。

• 链接：Claude Code Changelog

C. 视觉 / 视频 / 运动人体分析

• 内容：RTMW3D 实时 3D 全身姿态估计，RTMW-l 在 COCO-Wholebody 上首次破 70 mAP；RTMPose3D 输出 133 keypoints（含 2D + 3D 坐标）。

• 与"攀岩动作分析 app"的相关性：极高。攀岩需要全身 + 手指级 keypoints，且要 mobile/edge 性能。RTMPose 系列正是为此设计。

• 可迁移到项目的点：直接用 RTMPose3D 做 baseline，后续考虑做 climbing-specific 微调（例如发力姿态分类）。

• 优先级：高。

• 链接：GitHub — open-mmlab/mmpose · RTMW arXiv · HF — RTMPose3D

• 内容：单阶段推理但显式引用 "哪一帧导致的结论"，缓解视频 LLM 推理时间不一致问题。

• 与"攀岩动作分析 app"的相关性：高。攀岩反馈天然需要指明 "哪个瞬间发力错了"——frame-level 引用恰好对齐这种需求。

• 可迁移到项目的点：把 "动作问题点 + 时间戳" 作为模型输出的强约束。

• 优先级：高。

• 链接：arXiv — Chain-of-Frames

• 内容：3,080 条人工验证 QA + 3.9K 真实编辑视频，评测 video LLM 的编辑知识与操作推理。

• 与"攀岩动作分析 app"的相关性：中。它偏 video editing，但其 benchmark 结构对 "如何衡量我自家模型对动作的理解力" 有借鉴价值。

• 可迁移到项目的点：参考它的 QA 设计方式来构造自有评测集（攀岩动作 understanding 的 mini-eval）。

• 优先级：中。

• 链接：arXiv — VEBench

• 内容：即使能描述场景，VLLM 在精确定位 "造成动作结果的关键事件" 上仍然差。

• 与"攀岩动作分析 app"的相关性：高，且要警惕——这就是我们要解决的难点。

• 可迁移到项目的点：意味着不能只靠通用 VLLM，需要 pose 引导 + 显式动作分类。

• 优先级：高（必须知道这个限制）。

• 链接：arXiv — Core interaction events

D. 产品化 / 商业化 / 行业动态

• 动态：挪威 startup，做攀岩生物力学分析 + 实时反馈，已是真实产品。

• 背后的趋势判断："垂类运动 + AI 分析" 正从想法到落地；先发者已经在做。

• 对 side project / 求职 / 项目方向的启发：你不是孤军——但说明这条赛道有人验证；差异化要做在数据、特定 grade、coaching 算法上，而不是 "我也做一个攀岩 AI"。建议详细研究 Belay AI 的 product 视频，找出其覆盖盲区。

• 链接：Belay AI 官网 · La Fabrique Verticale 报道

• 动态：5 月 12 日 CNBC 报道 Google 抢在 Apple AI 改版前，让 Gemini 成为 Android 默认 AI 层。

• 背后的趋势判断：手机 AI 入口战争开打——未来 mobile app 的 "被替代风险" 上升。

• 对 side project / 求职 / 项目方向的启发：移动端项目要思考与系统 AI 的关系（是接入 vs 被替代）。攀岩 app 这种垂类 + 视频上传，反而是 "系统 AI 难以做的" ——这是好消息。

• 链接：CNBC — Google races Gemini on Android (2026-05-12)

• 动态：OpenAI 的 Deployment Co. 约 4B 融资，Anthropic 对标款 ~1.5B。两家都在收购工程服务 / 咨询公司。

• 背后的趋势判断：模型供应商要直接吃 "集成 + 实施" 环节，意味着传统咨询和 SI 商面临夹击。

• 对 side project / 求职 / 项目方向的启发：求职方向上，"前向部署工程师 / forward-deployed AI engineer" 是热门细分。

• 链接：CNBC — AI oversight + frontier evaluations

E. 学习价值 / 求职价值

• 内容：dreaming 让 agent 形成长期记忆；多 agent 编排打开 parallel sub-agent 范式。

• 适合我怎么用：面试表达 + 项目复刻。

• 推荐动作：写一段 "如何用 dreaming 做用户偏好持久化" 的方案，放进个人作品集 / Notion 项目 doc。

• 链接：9to5Mac

• 内容：实时 3D 全身姿态估计，含 133 keypoints。

• 适合我怎么用：复现 + 纳入项目 roadmap。

• 推荐动作：用攀岩视频跑 RTMPose3D 推理，截图发到 portfolio。

• 链接：HF — rtmpose3d

• 内容：让视频 LLM 输出时显式指向具体帧。

• 适合我怎么用：精读 + 面试表达。

• 推荐动作：写一段 "如何把 Chain-of-Frames 套到攀岩 coaching 反馈 pipeline" 的设计文档。

• 链接：arXiv — Chain-of-Frames

• 内容：架构上是 LLM 评估 + 演化搜索协同。

• 适合我怎么用：面试表达高分项（能讲清楚 "为什么 LLM 单独不够"）。

• 推荐动作：把 AlphaEvolve 简化成一个 toy 项目（例如 LLM + evolutionary search 做 prompt 优化）。

• 链接：DeepMind blog

三、今日高分 GitHub Repo

• GitHub：https://github.com/open-mmlab/mmpose

• 方向标签：video / pose / motion / edge

• 干什么：OpenMMLab 的姿态估计工具箱，含 RTMPose 系列、RTMW3D、RTMO 等 SOTA 实时模型。

• 为什么今天值得关注：RTMW3D 与 RTMW-l 是目前最适合做攀岩动作 baseline 的真实可用模型。

• 与我的相关性：极高（直接对接攀岩 app）。

• 上手成本：中（需要熟悉 mmcv 生态）。

• 是否建议收藏：是。

• 是否建议复现：是，作为攀岩 app 的姿态层 baseline。

• 一句话判断：攀岩 app 的姿态识别可以从这里开始，不必从零造轮。

• GitHub：https://github.com/obra/superpowers

• 方向标签：agent / skills / dev tools

• 干什么：agentic skills framework + 软件开发方法论。

• 为什么今天值得关注：本周 GitHub trending 顶部之一，热度极高（187k+ stars）。

• 与我的相关性：中高（agent workflow 学习参考）。

• 上手成本：中。

• 是否建议收藏：是。

• 是否建议复现：建议读 README + skills 设计思路，不必整体复现。

• 一句话判断：值得借鉴它的 skill 抽象方式，但警惕"概念多于实际生产价值"。

• GitHub：https://github.com/mattpocock/skills

• 方向标签：agent / claude / skills

• 干什么：Claude Code .claude 目录里的工程实用 skills 集合。

• 为什么今天值得关注：本周从 #3 跳到 #1。

• 与我的相关性：高（直接复用到日常 coding workflow）。

• 上手成本：低。

• 是否建议收藏：是。

• 是否建议复现：直接装来用即可。

• 一句话判断：拿来即用，工程价值实在。

• GitHub：https://github.com/anthropics/claude-code

• 方向标签：agent / coding / dev tools

• 干什么：官方 Claude Code CLI，本周加入 agent view + /goal。

• 为什么今天值得关注：新增的 agent view 改变了多 session 的工作方式。

• 与我的相关性：极高（日常主力工具）。

• 上手成本：低（已在用）。

• 是否建议收藏：是（Watch releases）。

• 是否建议复现：N/A。

• 一句话判断：必跟 changelog。

• GitHub：https://github.com/idea-research/dwpose

• 方向标签：pose / video / 人体分析

• 干什么：whole-body 姿态估计，两阶段蒸馏。

• 为什么今天值得关注：和 RTMW3D 互补，部分场景下精度更高。

• 与我的相关性：高（攀岩 app 可对比基线）。

• 上手成本：中。

• 是否建议收藏：是。

• 是否建议复现：可做 RTMPose vs DWPose 对比实验。

• 一句话判断：建一个对比实验，是攀岩 app 的好起点。

• 链接：https://belay.ai/

• 方向标签：app / pose / climbing

• 干什么：攀岩动作分析消费级产品。

• 为什么今天值得关注：是直接竞品 / 参照系。

• 与我的相关性：极高（差异化分析对象）。

• 一句话判断：先看完它的产品视频，再决定你的差异点。

• 当前 multi-agent 框架（LangGraph、CrewAI 等）在 2026 仍在进化，但只建议"读完 Claude 多 agent 编排再回看"，避免重复造概念。

• 一句话判断：先用官方 SDK，再选第三方框架。

⚠️ 警告：本周 trending 里有部分 "skills / awesome-list" repo 文档质量参差不齐，星标增长来源于风潮。收藏前先看是否真的可跑、是否解决你具体问题，不要被 star 数误导。

四、今日最值得我看的 3 个链接

1. MMPose / RTMW3D / RTMPose3D — 攀岩 app 的姿态识别 baseline，今天就装上跑通一次。

2. Chain-of-Frames（arXiv） — 视频 LLM 输出 "哪一帧出错" 的范式，是攀岩反馈核心问题的直接答案。

3. Belay AI 官网 — 看 5 分钟产品视频，立即调整你 app 的差异化定位。

五、今日行动清单（最重要）

• AlphaEvolve 详细博文（架构非常有意思，但短期不落地）。

• VEBench paper（写自家评测集时再翻）。

• Sora 2 / Veo 3.1 对比文章（与项目无关，但行业认知用）。

• Chain-of-Frames（攀岩反馈直接对齐）。

• arXiv 2511.20162 "LMM 难以识别核心交互事件"（避免陷阱）。

• Anthropic Managed Agents 三新特性官方说明。

• RTMPose3D 在自己一段攀岩视频上跑通推理 + 可视化。

• Claude Code 的 agent view + /goal，用一个真实多任务场景试。

• mattpocock/skills 装来用。

• 攀岩 app pipeline 草图：RTMPose3D（pose）→ 自定义动作分类器 → VLLM + Chain-of-Frames 风格反馈。

• 引入 dreaming 风格的长期用户记忆（个性化教练）。

• 与 Belay AI 做差异化分析（你做：上传视频 → 动作识别 → 改进建议 + 跟踪进步轨迹）。

• "如何把 LLM + 演化搜索结合"（参考 AlphaEvolve 结构，讲为什么 LLM 单独不够）。

• "做视频理解时如何让模型输出 frame-level 解释"（用 Chain-of-Frames 切入，讲清楚为什么这能解决 hallucination + temporal inconsistency）。