Streszczenia pisze AI z pełnych artykułów, a program sprawdza każdy cytat i liczbę w źródle. Jak to działa
claude-codeClaude Code3 listopada 2026ważność 7/10
Aktualizacja Claude Code dodaje ostrzeżenia przed niezamierzonym udostępnieniem danych: przed wysłaniem e-maila konta przez narzędzie web lub shell system pyta o zgodę. W Agent SDK callback z błędem może teraz zablokować akcję przez onFailure: "block", zamiast pozwolić jej się wykonać. Administratorzy bramek Claude apps mogą pobierać raport kosztów z podziałem na zakres dat, dewelopera, dzień lub grupę IdP.
Co z tego dla Ciebie: Własne callbacki Agent SDK możesz skonfigurować tak, by ich błąd blokował akcję. Jeśli chcesz ograniczyć niezamierzone wysyłanie adresu e-mail do sieci, włączone ostrzeżenie pyta o zgodę przed wywołaniem narzędzia web lub shell.
Czytaj artykuł (Claude Code)
narzędziaSimon Willison3 listopada 2026ważność 7/10
Wydanie llm 0.37 dodaje modele gpt-6.1-sol i gpt-6.1-terra oraz polecenie llm openai endpoint add do konfiguracji modeli zgodnych z endpointami OpenAI. Domyślnym modelem dla użytkowników, którzy nie ustawili własnego, jest teraz gpt-6-luna, opisany jako o połowę tańszy od poprzedniego domyślnego gpt-5.6-luna. Obsługa embeddingów akceptuje teraz różne typy content-type dla binarnych danych wejściowych, co jest potrzebne modelom takim jak Gemini Embedding 2 obsługującym tekst, audio, obrazy i wideo.
Co z tego dla Ciebie: Jeśli korzystasz z modeli pod własnymi endpointami zgodnymi z OpenAI, możesz skonfigurować je poleceniem llm openai endpoint add. W przypadku Gemini Embedding 2 możesz przekazywać różne typy danych binarnych z odpowiadającym im content-type.
Czytaj artykuł (Simon Willison)
infrastrukturaInfoQ2 listopada 2026ważność 7/10
Google i Meta udostępniły TorchTPU, otwartoźródłowy backend umożliwiający uruchamianie workloadów PyTorch na TPU z niewielkimi zmianami w kodzie. Migracja z GPU może polegać na zamianie urządzenia cuda na tpu oraz backendu nccl na tpu_dist; tekst opisuje też użycie API torch.accelerator.current_accelerator do wykrywania akceleratora. Dla modelu Muse Glimmer o 30 miliardach parametrów na pojedynczym TPUv7 podano przepustowość inferencji 25,7k tokenów/s przy sekwencji 5120 oraz 22,4k tokenów/s przy sekwencji 10 240. Projekt jest na wczesnym etapie, a jego plan rozwoju obejmuje między innymi dynamiczne kształty, wydajność kompilacji, pokrycie operatorów, reinforcement learning i kwantyzację.
Co z tego dla Ciebie: Przy przenoszeniu kodu PyTorch z GPU na TPU możesz zacząć od zamiany urządzenia cuda na tpu i backendu nccl na tpu_dist. Jeśli chcesz wykrywać akcelerator zamiast wpisywać go na stałe, artykuł wskazuje API torch.accelerator.current_accelerator.
Czytaj artykuł (InfoQ)
narzędziaInfoQ2 listopada 2026ważność 6/10
Uber zbudował MCP Gateway, który ujednolica wykrywanie i wywoływanie usług przez agentów; platforma obsługuje ponad 800 serwerów MCP i 5 000 narzędzi. Architektura rozdziela rejestr MCP, który przechowuje definicje i ustawienia narzędzi, od proxy gateway tłumaczącego żądania MCP na wywołania HTTP, gRPC lub TChannel. AutoCrawler skanuje rejestry IDL i generuje schematy MCP, ale nowe narzędzia pozostają wyłączone, dopóki ich właściciele ich nie sprawdzą i nie włączą. Omni MCP umożliwia agentom stopniowe wyszukiwanie serwerów i narzędzi oraz pobieranie pojedynczych schematów, a Response Projection pozwala zażądać tylko wybranych pól odpowiedzi.
Co z tego dla Ciebie: Aby nie ładować do kontekstu agenta definicji tysięcy narzędzi, możesz zastosować opisane w artykule podejście Omni MCP: wyszukiwać potrzebne narzędzia i pobierać ich schematy dopiero wtedy, gdy są potrzebne. Response Projection pozwala dodatkowo ograniczyć odpowiedź do wybranych pól.
Czytaj artykuł (InfoQ)
narzędziaInfoQ2 listopada 2026ważność 5/10
Artykuł proponuje context engine, który przed inferencją dobiera, filtruje i porządkuje informacje, przesuwając nacisk z projektowania promptów na budowę systemu dostarczającego kontekst. Architektura rozróżnia kontekst jako tymczasowe informacje w aktywnym oknie modelu, pamięć jako trwałość między interakcjami oraz wiedzę jako bazę faktów, pojęć i reguł. Agent powinien łączyć historyczną pamięć, taką jak runbook, z bieżącymi sygnałami; w przykładzie DevOps potrzebuje także strumienia logów błędów z ostatnich pięciu sekund. Zamiast zasypywać model surowymi fragmentami, artykuł zaleca kuratorowanie i streszczanie danych do małej, uporządkowanej bazy wiedzy.
Co z tego dla Ciebie: W agencie DevOps łącz runbook pobrany z pamięci historycznej z bieżącym strumieniem logów, aby decyzja uwzględniała zarówno doświadczenie, jak i aktualny stan awarii. Zamiast przekazywać modelowi całe wiki, możesz przygotować pipeline streszczający i porządkujący dane do skondensowanej wiedzy.
Czytaj artykuł (InfoQ)
narzędziaGoogle Developersważność 5/10
Artykuł pokazuje, jak łączyć A2UI, standard opisu interfejsu jako danych, z CopilotKit, który integruje agentów z aplikacją i renderuje interfejsy. A2UI używa deklaratywnego formatu zamiast wykonywalnego kodu, a klient dopuszcza tylko komponenty z zaufanego katalogu, dzięki czemu nieznane komponenty są odrzucane przed wyświetleniem. Interfejs może być strumieniowany i dwukierunkowy: działania użytkownika wracają do agenta, a walidacja po stronie klienta może pokazać błąd bez wywołania modelu. Przykład konfiguracji rejestruje endpoint agenta w CopilotKit, a katalog komponentów definiuje dozwolony interfejs i może walidować jego właściwości schematem Zod.
Co z tego dla Ciebie: W aplikacji React możesz zdefiniować własny katalog A2UI, na przykład komponent FlightCard, przypisać mu istniejący renderer i zwalidować jego właściwości schematem Zod. Dzięki katalogowi agent wybiera spośród komponentów, które aplikacja już udostępnia.
Czytaj artykuł (Google Developers)
