一、今日最重要的 5 条

二、按我的目标分类

A. 前沿模型 / 一手发布

• 事件：Google 发布 Gemma 4 开源模型家族，同日发布 Android AICore Developer Preview

• 核心内容：四规格（E2B/E4B/26B MoE/31B Dense）。31B 全球开源第 3（Arena）。MoE 架构高效能耗比，31B 模型能力超越多数 600B 级模型。原生 function calling + JSON output + system instructions，专为 agent 优化。E2B 移动端 3x 更快，E2B vs E4B；整体移动端 4x 加速，60% 省电。Apache 2.0 无商用限制。

• 为什么重要：开源模型能力首次在多个维度真正追平（甚至超越）闭源 API。对于不想付费 API 的 side project 和需要本地推理的 app，Gemma 4 是目前最优方案。MoE 架构在保持高性能的同时大幅降低推理成本。

• 我需不需要点开：必须点开。这直接影响攀岩 App 的技术选型：是否采用本地/设备端推理方案，E2B 能否在 Android 实时运行。

• 链接：Google 官方博客 | AIBusiness 分析 | Newsbytes App 本地 AI 分析

• 事件：Anthropic 内部文档意外曝光，确认 Mythos 5 参数量和方向

• 核心内容：参数量约 10T（10 万亿），重点在 cybersecurity、coding、academic reasoning。配套中端模型 Capabara 同期发布。无具体发布时间，但 GPT-5.5 抢在前面，Anthropic 有压力加速。

• 为什么重要：提供了 Anthropic 前沿模型路线图的罕见窗口。10T 参数规模意味着对 scaling 路线的继续坚持，与 OpenAI/Google 的方向一致。

• 我需不需要点开：了解即可，无需深究，等正式发布。

• 链接：AI Models April 2026

• 事件：GPT-5.4（3月5日已上线），GPT-5.5 Spud 预训练完成待发布

• 核心内容：GPT-5.4 已具备 1M token context（需显式开启）、native computer-use、1分钟级 agent 任务执行能力。GPT-5.5 代号 Spud，pretraining done，Q2 发布。

• 为什么重要：1M context 让 long-horizon agent 任务（如分析一整个 codebase 或一场完整攀岩训练）不再受上下文截断。

• 我需不需要点开：GPT-5.4 API 现在可用，可以试验 1M context 的长视频分析 pipeline。

• 链接：OpenAI GPT-5.4 官方 | DataCamp 详解

B. AI 工程 / Agent / Coding Workflow

• 内容：Claude Code 架构的 clean-room 重写（Python + Rust），提供完全开放、可检查的 agent harness。核心解决的问题：LLM 连接工具/文件系统/多步任务规划的「控制层」长期黑箱。24h 内 10 万 stars，GitHub 历史最快记录。包含 src/ workspace、tests/、CLI utilities，Rust 移植进行中。

• 可落地价值：(1) 完整研究 coding agent 的内部架构而不依赖 Anthropic 私有实现；(2) 基于此构建自定义 agent workflow，不受服务端速率/成本限制；(3) Rust 移植版本将来可用于生产级高性能部署。

• 对我当前开发/学习的意义：高。这是学习「agent harness 如何组织 tool loop、文件操作、任务规划」的最佳开源案例。攀岩 App 的 analysis agent 需要类似的控制层设计。Clone 下来读 src/ 核心逻辑，写一篇解析博客是绝佳 portfolio 材料。

• 链接：GitHub instructkr/claw-code | claw-code.codes

• 内容：Gemma 4 原生支持 function calling 和 system instructions，配合 Google Agent Development Kit (ADK) 可以完整构建本地 agent pipeline。Android AICore Developer Preview 让 E2B/E4B 可以在 Android 设备本地运行。

• 可落地价值：零 API 成本的本地 agent，隐私友好，无延迟。用于 side project 特别合适 —— 不需要 API key，不受速率限制，可以 offline 运行。

• 对我当前开发/学习的意义：中高。如果要做攀岩 App 的 Android 端，Gemma 4 E2B + MediaPipe 的 on-device pipeline 是最值得尝试的方案。

• 链接：Android AICore Dev Preview | Blockonomi Gemma 4 Agent 分析

• 内容：当前各大 lab 都有自己的 agent framework：OpenAI Agents SDK、Google ADK、Anthropic Agent SDK、Microsoft Semantic Kernel/AutoGen、HuggingFace Smolagents。市场正在向「专业化平台」而非「通用工具」演进。

• 可落地价值：选型时要考虑 lock-in 风险。MCP 作为互操作标准（9700 万+ installs）让跨框架连接成为可能。

• 对我当前开发/学习的意义：建议项目从第一天就用 MCP 接口封装核心功能（如视频分析），避免框架锁定。

• 链接：Dust Blog: Top AI Agent Tools 2026 | StackOne: 120+ Agentic AI Tools

C. 视觉 / 视频 / 运动人体分析

• 内容：专门针对运动攀岩的 hold usage detection 数据集和 baseline 方法，首个系统化处理攀岩 hold 使用分析的公开数据集。arXiv 最新论文。

• 与「攀岩动作分析 app」的相关性：极高。Hold 使用检测是攀岩动作分析的核心子任务 —— 分析攀岩者在哪个 hold 上施力、如何过渡，才能判断动作是否合理高效。这个数据集是从零开始构建 hold detection 模块的最直接起点。

• 可迁移到项目的点：(1) 直接参考数据集结构和标注方式；(2) Baseline 模型作为 hold detection 模块的起点；(3) 论文中的错误分类 taxonomy 可以直接用于 app 的「动作问题标签」设计。

• 优先级：高

• 链接：arXiv 2505.12854

• 内容：使用 iPad Pro LiDAR + 2D skeleton → 3D joints 方法，自动识别初学者 6 种常见动作错误。系统将 2D skeleton 通过 LiDAR 深度信息提升为 3D，然后做错误分类。

• 与「攀岩动作分析 app」的相关性：高。这是最接近你 app 目标场景的已有学术工作，提供了从视频到动作错误识别的完整 pipeline。注意：上一个日报中 ClimbingCap（arXiv 2503.21268）已从学术多模态角度覆盖，这篇侧重实用设备（iPad）和错误分类。

• 可迁移到项目的点：(1) 6 种错误类型的分类框架可以直接参考；(2) iPhone/iPad LiDAR 的可行性已验证；(3) 2D→3D 提升的实现方案可借鉴。

• 优先级：高

• 链接：MDPI Sensors 2023

• 内容：Google 同日宣布 Android AICore Developer Preview，Gemma 4 E2B/E4B 可在 Android 设备本地运行，E2B 速度 3x 于 E4B，整体比上代 4x 提速，60% 省电。

• 与「攀岩动作分析 app」的相关性：中。如果 app 需要在手机端做文本 reasoning（如解读 pose 数据、生成建议文字），Gemma 4 E2B 是目前最优的 on-device LLM 方案。可与 MediaPipe Pose 组合构建完整端侧 pipeline：MediaPipe 抽 pose keypoints → Gemma 4 E2B 分析 → 输出攀岩建议。

• 可迁移到项目的点：设计攀岩 App 时考虑混合架构：pose estimation（端侧）+ LLM reasoning（端侧 Gemma 4 E2B 或云端 Gemini API），根据设备性能自动降级。

• 优先级：中

• 链接：Android AICore Developer Preview | Newsbytes: Gemma 4 On-Device

• 内容：新发布的系统综述，覆盖 2001-2024 年 AI 在运动人体活动识别（HAR）领域的应用，重点梳理深度学习方法演进（CNN → LSTM → Transformer → ViT）和应用场景分布。

• 与「攀岩动作分析 app」的相关性：中。综述类文献，不直接提供可用方案，但有助于快速了解当前 SOTA 技术路线和你的项目在学术脉络中的位置。

• 可迁移到项目的点：了解「lightweight model + edge deployment」这一主流研究方向，指导攀岩 App 在数据量有限时的模型选型策略。

• 优先级：低（收藏，不必立刻精读）

• 链接：Wiley Applied Bionics 2026

D. 产品化 / 商业化 / 行业动态

• 动态：2026-03-31 发布，$10M 基金 + Builders 程序。最高 $50 万投资（pre-seed/seed），Builders 程序提供 50 万 API credits + Characters 实时视频 agent API 访问。首批 cohort 含 Cartesia、MSCHF 等。

• 背后的趋势判断：Runway 从「AI 视频生成工具」转向「视频 AI 平台 + 世界模型生态」，这是 Sora 关停（见 4 月 1 日日报）后视频 AI 市场格局重构的加速。控制上层应用生态是当前 AI 平台竞争的核心策略（参考 OpenAI 的 converge program）。视频理解 + 世界模型是接下来 2-3 年的重点方向。

• 对 side project / 求职 / 项目方向的启发：(1) 申请 Builders 程序可获 50 万 API credits（免费测试视频 AI 能力）；(2) 视频「分析 + 理解」类 app 比「生成」类更容易盈利（Sora 前车之鉴）；(3) 攀岩 App 的「视频上传 → 动作分析」方向与 Runway 的视频理解生态高度匹配，可以考虑申请。

• 链接：TechCrunch 独家 | The AI Insider

• 动态：Gemma 4 全系列 Apache 2.0，无使用限制，可商用。31B 性能排全球开源第 3，且能力超过 20 倍大的部分闭源模型。

• 背后的趋势判断：「模型层」正在快速商品化（commoditize）。依赖 API 差价的 AI 中间层应用将越来越难生存；真正的护城河在垂直场景数据 + 用户体验，而不是模型本身。

• 对 side project / 求职 / 项目方向的启发：现在构建 AI 应用完全可以做到零 API 成本（本地 Gemma 4）。攀岩这样的垂直场景，专业数据集 + 特定用户群体 + 定制化 feedback 是你能建立的差异化，不是模型选型。

• 链接：MLQ.ai 报道

• 动态：Google（Gemma 4, Gemini 3.1）、Anthropic（Mythos 5 泄露即将发布）、OpenAI（GPT-5.5 Q2 发布），数周内相互追赶，前沿模型能力快速提升，API 定价持续下降。

• 背后的趋势判断：竞争激烈 = 能力上升 + 价格下降 = 开发者最有利的时期。现在是「同等预算能做的事比 6 个月前多 2 倍」的阶段。

• 对 side project / 求职 / 项目方向的启发：不要等「最好的模型出来了再做」——每个月都有「最好的模型」。应聚焦应用层和场景积累，模型本身用当期最优的即可。

• 链接：AI Models April 2026

E. 学习价值 / 求职价值

• 内容：Claude Code 架构的开源重写，可以完整研究 coding agent 的 tool use loop、文件系统操作、任务规划、多步工作流的实现方式。

• 适合我怎么用：精读 + 复现 —— Clone 下来，跑通 demo，读 src/ 核心逻辑，理解 agent harness 如何组织 tool loop。在此基础上实现一个 mini 攀岩分析 agent，写成 blog 或项目文档。

• 推荐动作：git clone https://github.com/instructkr/claw-code → 读 README + src/ 核心文件 → 理解 tool use 循环实现 → 写一篇「Coding Agent Harness 架构解析」博客 → 面试时展示对 agent 架构的深度理解。

• 链接：GitHub instructkr/claw-code

• 内容：官方博客 + 技术细节，涵盖 MoE 架构设计、mobile 优化方案（E2B vs E4B 权衡）、benchmark 对比策略（为什么 26B MoE 能超过 600B 闭源模型）。

• 适合我怎么用：精读 —— 重点关注 MoE 架构决策和 mobile 优化部分，这两个话题在 ML 工程面试中是高频考点。

• 推荐动作：读完官方博客 → 关注 Gemma 4 Hugging Face 页面，找 technical report → 整理「MoE 如何提升效能比」和「mobile LLM 优化核心策略」两个知识点 → 面试时可以说「我测试了 Gemma 4 E2B 在移动端的推理速度，了解了 MoE 在 edge deployment 上的优势」。

• 链接：Google 官方博客 | Blockonomi 技术分析

• 内容：最新 arXiv 攀岩 CV 数据集和论文，首个专注 hold usage detection 的公开数据集。

• 适合我怎么用：精读 + 复现 —— 下载数据集，跑通 baseline，将 hold detection 功能集成到攀岩 App，写 project portfolio。

• 推荐动作：读完论文 → 下载数据集 → 复现 baseline → 写 blog「基于 The Way Up 数据集的攀岩 Hold 检测」→ 面试时说「我参考了 arXiv 最新数据集，在攀岩 App 中实现了 hold usage detection 模块」。

• 链接：arXiv 2505.12854

三、今日高分 GitHub Repo（固定栏目）

• GitHub 链接：https://github.com/instructkr/claw-code

• 方向标签：agent / coding / infra

• 这项目是干什么的：Claude Code 架构的 clean-room Python + Rust 重写，提供完全开放的 AI coding agent harness 架构

• 为什么今天值得关注：24 小时 10 万 stars，GitHub 历史最快增长。架构清晰，有文档，可运行。是理解 coding agent 内部工作原理的最佳开源教材。

• 与我的相关性：高 —— 任何想构建 agentic app 的开发者都应该研究其 tool loop 实现

• 上手成本：中

• 是否建议我收藏：是

• 是否建议我复现：是（先跑 demo，再读 src/ 核心，写解析博客）

• 一句话判断：今天最值得 clone 的 AI 工程项目，agent harness 架构的开源教科书

• GitHub 链接：https://github.com/openclaw/openclaw

• 方向标签：agent / app / deployment

• 这项目是干什么的：本地运行的个人 AI 助手，连接 50+ 集成（WhatsApp/Telegram/Slack 等），完全隐私，支持 Any OS

• 为什么今天值得关注：210,000+ stars，持续高热度，代表 local-first AI 的产品趋势，是目前最活跃的开源 AI 个人助手项目

• 与我的相关性：低（不直接相关）

• 上手成本：低

• 是否建议我收藏：是（了解 local-first AI 产品设计）

• 是否建议我复现：否

• 一句话判断：热度高，local-first 产品趋势的代表，了解用户需求角度有价值，但不是工程学习重点

• GitHub 链接：https://github.com/caramaschiHG/awesome-ai-agents-2026

• 方向标签：agent / resource

• 这项目是干什么的：2026 年最全 AI agents 资源列表，300+ 资源，20+ 分类，月更

• 为什么今天值得关注：Claw Code 上线后 agent 工具生态快速扩张，这里是快速索引当前工具全貌的最佳入口

• 与我的相关性：中

• 上手成本：低

• 是否建议我收藏：是

• 是否建议我复现：否

• 一句话判断：agent 工具地图，每月刷一次，不确定选什么框架时先翻这里

• GitHub 链接：https://huggingface.co/google/gemma-4-27b-it

• 方向标签：multimodal / deployment / mobile / agent

• 这项目是干什么的：Google Gemma 4 官方模型，Apache 2.0，今日发布，原生 function calling + agent 支持，E2B 可在 Android 本地运行

• 为什么今天值得关注：今天刚发布，是当前最强开源模型，Apache 2.0 可商用，E2B 性能实测需要尽快跑一遍

• 与我的相关性：高 —— 攀岩 App 本地推理方案首选

• 上手成本：中

• 是否建议我收藏：是

• 是否建议我复现：是（今天就本地跑 E2B）

• 一句话判断：今天最重要的开源模型发布，先用 Ollama 或 HuggingFace 本地跑一遍 E2B

• GitHub 链接：https://arxiv.org/html/2505.12854v1

• 方向标签：video / sports / climbing / dataset

• 这项目是干什么的：首个专注运动攀岩 hold 使用检测的公开数据集和 baseline 方法

• 为什么今天值得关注：攀岩 CV 领域极少有专项数据集，这是目前最值得复现的攀岩 App 核心功能基础

• 与我的相关性：极高

• 上手成本：中

• 是否建议我收藏：是

• 是否建议我复现：是（下载数据集，跑 baseline，纳入项目 portfolio）

• 一句话判断：攀岩 App 开发者必读，直接提供 hold detection 模块的学术基础

• GitHub 链接：https://github.com/wangruohui/EfficientVideoAgent

• 方向标签：video / agent / eval

• 这项目是干什么的：强化学习驱动的端到端视频理解 Agent，「先规划再感知」架构，自动决定看哪段视频、关注哪些帧（4 月 1 日日报已收录，今日提醒跟进）

• 为什么今天值得关注：长视频攀岩训练分析的关键工具，今日 Gemma 4 + 攀岩数据集的组合让这个 repo 的完整 pipeline 价值更清晰

• 与我的相关性：高

• 上手成本：中

• 是否建议我收藏：是（已在 4 月 1 日日报收录）

• 是否建议我复现：是

• 一句话判断：长视频攀岩分析的智能选帧方案，配合今日 Gemma 4 本地部署测试效果

四、今日最值得我看的 3 篇 / 3 个链接

五、今日行动清单

• Runway Builders 程序主页 —— 如果 app 涉及视频可以申请 50 万 API credits

• Wiley 2026 运动 HAR 综述 —— 做技术选型时参考

• openclaw/openclaw —— 了解 local-first AI 产品设计思路

• awesome-ai-agents-2026 —— 每月刷一次作为 agent 工具索引

• MDPI 攀岩骨架分析论文 —— 有 iPad LiDAR 时实现更精确的 3D pose

• Gemma 4 官方博客 —— 重点：MoE 架构 + mobile 优化 + agent 能力

• "The Way Up" 论文（arXiv 2505.12854） —— 攀岩 hold detection 数据集和 baseline

• Claw Code README + src/ 核心代码 —— agent harness 架构

• Gemma 4 E2B 本地运行：用 Ollama 或 HuggingFace 跑 E2B，测试攀岩 feedback 生成速度和质量

• Claw Code demo：git clone → 跑通 demo → 读 src/ tool loop 实现

• The Way Up 数据集：下载数据集，跑 baseline hold detection 模型

• 攀岩 App 新增 hold detection 模块（参考 The Way Up 数据集和 MDPI 骨架分析论文）

• 本地推理方案：Gemma 4 E2B（Android）+ MediaPipe Pose 的端侧 pipeline 原型

• Agent harness 设计：参考 Claw Code 架构，用 MCP 接口封装视频分析功能（延续 4 月 1 日 roadmap）

• 考虑申请 Runway Builders 程序（50 万 API credits 用于视频分析测试）