OpenAI 分享以 Skills、託管 shell 和服務端 compaction 構建長時間運行智能體的實作模式，涵蓋技能路由、容器復用與網絡配置。Glean 面向 Salesforce 的 skill 將評測準確率由 73% 提升至 85%，並令 time-to-first-token 縮短 18.1%。
推薦理由：文章將 Skills、shell 與服務端 compaction 的分工整理成長流程建構方法，並涵蓋技能路由、產物交接及網絡隔離等可複用設計。
AWS Machine Learning Blog 提供 Claude Platform on AWS 多環境存取指南，示範為 AWS 工作負載、開發者筆電及外部環境配置推理存取。
推薦理由：文章按 AWS 工作負載、開發者筆電與外部環境，示範 cross-account SigV4、workspace-scoped API key 和 OIDC federation 如何配置，並維持 workspace 隔離。
AWS 介紹並部署 Adjudicated Query 模式，讓 Amazon Quick 的自然語言合規查詢透過固定 MCP 操作交由確定性規則引擎判定，而非由模型作出決策。
推薦理由：文章把自然語言查詢與合規判定分開，並以完整性收據和逐筆證據鏈展示如何核對大量檢查結果。
Amazon Bedrock AgentCore 的參考實作把 Amazon S3 上傳或排程事件轉成智能體工作，並讓智能體在需要澄清、審批或覆核時暫停等待人員回應。
推薦理由：文章把事件來源、AgentCore 執行與人在迴路處理串成參考架構，並清楚區分樣本內建能力與需自行擴展的訊號來源。
Johann Rehberger 揭示 SQL Server Management Studio（SSMS）中的 SQL Copilot 存在 CVE-2026-65669，攻擊者可繞過唯讀限制，令任意 T/SQL 以受害者的資料庫連線權限執行。
推薦理由：文章拆解間接提示詞注入如何串連唯讀限制繞過與資料庫權限提升，並指出唯讀約束應由權限機制落實。
GitHub Copilot app 的 canvases 可按用户描述生成自訂介面，讓用户與智能體在共享畫布中同步查看和更新工作內容。用户在 Agent 工作階段輸入 /create-canvas，描述所需工作流程、介面操作和智能體可執行的事項，毋須手動編寫程式或設計。畫布建立後會保存為擴展，可留在專案中供團隊共用，也可保存為個人擴展重用。
推薦理由：文章從描述工作流程、介面操作與智能體職責開始，示範如何建立、反覆調整並保存可重用的畫布擴展，呈現把日常流程轉成協作介面的具體步驟。
Hugging Face 以 Inference Endpoints、Jobs 和 Storage Buckets 建立 Papers with Code 混合搜尋系統，為來自 arXiv 和 Daily Papers 的超過 110,000 篇論文維護嵌入向量。
推薦理由：文章拆解離線批次建向量與線上查詢的分工，並説明端點冷啟動時如何回退全文檢索，呈現混合搜尋進入生產環境的工程取捨。
Sentence Transformers v6.0 新增 MultiVectorEncoder，支援 ColBERT 式多向量檢索。文中示範載入 PyLate 與 Stanford-NLP ColBERT checkpoint、接入檢索索引，以及以同一 API 執行 ColPali 視覺文件檢索。
推薦理由：文章對照 LateOn 與 DenseOn 在 NanoBEIR 13 個資料集的結果，並以索引體積數據呈現多向量檢索表現與儲存成本的取捨。
Hugging Face Blog 的《PyTorch 效能分析》第 3 篇以 profiler traces 對照手寫注意力與 PyTorch SDPA 各後端的執行情況。
推薦理由：文章對照 CPU 與 GPU trace，展示如何從 kernel 數量、資料搬移及 CPU 開銷，辨認注意力實作的效能收益與成本。
Hugging Face Blog 示範用一條命令在 HF Jobs 上以 vLLM 啟動私有、OpenAI-compatible 的 LLM 端點。內容提供 curl 和 Python OpenAI client 呼叫範例，並示範以 SSH、Gradio 及 Pi 延伸使用；每次請求須附上具該 Job 讀取權限的 HF token。
推薦理由：文章把 HF Jobs、vLLM 與 OpenAI-compatible API 的部署、驗證和停止流程串成可複用命令，並説明私有端點的 token 權限與成本控制。
Hugging Face 測試開源模型使用 transformers，CLI 與 Skill 縮短大型模型耗時，卻可能降低小模型成功率。Qwen3-14B 在 classify-sentiment 任務中，clone 環境的匹配率為 100%，Skill 環境則降至 0%。agent-eval CLI 可套用於其他命令列工具，並記錄匹配率、tokens、耗時、錯誤、行為標記及執行軌跡。
推薦理由：評測不只看任務是否成功，也追蹤 tokens、耗時與操作路徑，呈現 CLI 與 Skill 對大小模型的影響並不一致。
Hugging Face Blog 第二篇 PyTorch 效能分析教程，從 nn.Linear 追蹤至 GeGLU MLP。
推薦理由：文章對比 eager、torch.compile 與 Liger，展示 MLP 融合如何減少 HBM 往返，以及固定形狀特化與跨形狀通用的取捨。
編碼智能體串接兩個 Hugging Face Spaces，生成巴黎地標圖像及 3D Gaussian splats，並將畫廊部署為靜態 Space mishig/monuments-de-paris。
推薦理由：案例展示了透過 Hugging Face Spaces 的 agents.md 串接圖像生成與單圖 3D 重建，並以各一句提示複用到日本及埃及主題畫廊，呈現多媒體工作流的可遷移性。
Hugging Face Blog 示範如何把 GitHub Actions 的 CI 工作交由 Hugging Face Jobs 執行，並以 Trackio 展示透過臨時 self-hosted runner 連接兩者的方式。
推薦理由：文章給出 GitHub Actions 接入 Hugging Face Jobs 的操作流程，並説明 workflow 標籤設定。
Hugging Face Blog 發佈 PyTorch 效能分析系列首篇入門指南，示範 torch.profiler 的設定，以及 profiler 表格和 CPU、GPU 軌跡的讀法。
推薦理由：文章以矩陣乘加示範如何結合 profiler 表格與 CPU、GPU 軌跡辨認瓶頸，並區分調度層融合與實際 GPU kernel 融合。
Hugging Face 梳理 AI 智能體常見術語，解釋 Model、Scaffolding、Harness、Agent 等概念及其區別。文中將 Harness 定義為調用模型、處理工具調用及決定何時停止的執行層，Scaffolding 則涵蓋系統提示詞、工具描述、回應解析和上下文管理等行為定義層。
推薦理由：文章以模型、Scaffolding、Harness 與 Agent 的分工建立實用心智模型，並把這套脈絡延伸至訓練術語，便於理解智能體系統的組成與相關討論。
Granite Team（IBM）詳述 Granite 4.1 的 3B、8B 和 30B 模型構建流程，涵蓋預訓練、監督式微調和多階段強化學習。預訓練以約 15T tokens 分五階段進行，並將上下文窗口擴至最高 512K tokens；其後以約 4.1M 經整理樣本作微調，採用 on-policy GRPO 配合 DAPO loss 進行強化學習。
推薦理由：文章梳理 Granite 4.1 從約 15T tokens 預訓練、約 4.1M 樣本微調到多階段強化學習的流程，呈現 dense 模型的訓練設計取捨。
Hugging Face Blog 提供 Transformers.js 在 Chrome Manifest V3 擴充功能中運行本地 AI 的實作指南。範例將模型初始化、推理和工具執行集中在背景 service worker，側邊欄提供聊天介面，content script 負責網頁內容擷取及元素標記。
推薦理由：文章拆解 Manifest V3 擴充功能內模型推理、對話狀態與頁面操作的分工，並説明背景 service worker 如何協調模型載入、工具執行與介面訊息。
Sentence Transformers v5.4 的同一 API 現可編碼並比較文字、圖像、音訊和影片，文章示範其多模態嵌入與 reranker 用法。嵌入模型將不同模態映射至共享嵌入空間；預訓練多模態 reranker 目前主要處理文字與圖像配對。示例涵蓋跨模態檢索、混合模態文件重排及先檢索再重排流程，並列出輸入格式、支援模型和安裝依賴。
推薦理由：文章展示 Sentence Transformers v5.4 的跨模態檢索與 reranker 重排流程，並整理支援模型和輸入格式，提供實作參考。
Gradio 介紹 gradio.Server，讓自訂前端可使用 Gradio 的後端能力，同時採用自選的前端框架。gradio.Server 擴展 FastAPI，提供自訂路由等功能，並加入 Gradio 的佇列、SSE 串流、並發控制和 gradio_client 相容性。
推薦理由：文章以圖像去背示例展示如何讓自訂 HTML/CSS/JS 前端透過 gradio.Server 使用 Gradio 佇列、並發控制與 ZeroGPU，提供兼顧介面自由度和後端管理的實作參考。
