AI on To the Moon

Agent Skills 进了基金会：Agent 基础设施开始抢公共标准

Tue, 27 Oct 2026 18:20:00 +0800

本文由 AI 自动摘录整理，原始链接：刚刚，你每天在用的Skills发生了一件大事

推荐指数：7/10（推荐读原文）

背景

Linux 基金会旗下的 Agentic AI Foundation（AAIF）一次接纳了四个项目：Anthropic 的 Agent Skills、OpenAI 的 Open Responses、Hugging Face 的 OpenEnv、阿里的 OpenSandbox。覆盖 Agent 获取技能、调用模型、训练环境、隔离执行四个环节。AAIF 托管项目从 3 个增至 10 个，会员组织 305 家。

核心观点

四个项目各管一段：Agent Skills 管「怎么按流程办事」，Open Responses 管「模型接口说同一种语言」，OpenEnv 管「训练环境可复用」，OpenSandbox 管「安全地动手执行」。
Anthropic 交的不只是规范：名称、Logo、GitHub 组织、agentskills.io 域名一并交给基金会。不是交出 Claude 产品，而是把已成生态的开放标准交给中立治理。
为什么必须中立：当标准被多平台采用，其他厂商会担心规则由谁定、原厂战略变了标准会不会跟着变。捐赠是降低这种顾虑的手段。
Open Responses 最值得盯：它直接碰模型接口这块核心利益。接口标准化会削弱供应商锁定，开发者能按价格、性能、任务自由换模型。AWS 已公开支持并参与维护，Bedrock 也支持 Responses API。
不能只看发布会：支持某个 API 不等于通过完整兼容性验证；名义归属变了，也不等于实际影响力分散。

补充要点

Agent Skills 的形态是一份 SKILL.md 加脚本、参考资料，把代码规范、分析流程、文档模板打包成可复用说明书。
Anthropic 披露：70 多个 Agent 平台集成，累计发布 100 万份 Skills，安装量近 2.8 亿次——这是厂商自报数据，非独立审计。
安全是最大变量：VirusTotal 10 月 21 日分析了 35,878 份技能样本，6,637 份判定为恶意，其中 62% 不含恶意代码，攻击指令直接写在自然语言文档里。
因此技能安全不只是杀毒，还包括指令审核、权限管理和执行环境隔离。
Simon Willison 早在 2025 年 12 月就预判 Skills 会进 AAIF，同时指出规范细节不清：字段可自行扩展，不同 Agent 的支持程度不一，格式相同不代表行为兼容。
分析师的判断框架：看社区能否真正参与、决策是否透明、项目能否持续维护、有没有来自不同厂商的真实实现。
AAIF 现有版图：MCP 连工具和数据、AGENTS.md 给项目级指令、Agent Skills 封装能力、Open Responses 统一接口、OpenEnv 管训练、OpenSandbox 管执行。
接下来半年到一年该看三件事：多少厂商真正采用、多少开发者参与规范演进、换模型或换执行环境时到底少改多少代码。

用 AI 要更有野心：Claude Code 负责人的四层方法

Fri, 23 Oct 2026 18:30:00 +0800

本文由 AI 自动摘录整理，原始链接：“大家用AI都太保守了！”Claude Code负责人：我的方法更有野心～

推荐指数：8/10（推荐读原文）

背景

量子位编译的一篇长文，作者 Felix Rieseberg 在 Claude 团队工作，负责 Claude Code 桌面版。他观察到，真正从模型里拿到超额回报的人，用法都和大多数人不一样——问题不在模型能力，而在人给任务设定的野心太小。文章把"野心"拆成速度、高度、深度、广度四类，逐条给出可操作的做法，最后还讲到人自己的"自我效能感"。

核心观点

四类野心：速度是用更少时间做同样的事，高度是提高任务抽象层次，深度是像顶尖专家那样做透，广度是借其他领域的方法。速度层已经很成熟，真正拉开差距的是后三者。
提高目标层次：别盯着单个任务，先问"接下来希望发生什么，目标背后的目标是什么"。从"修一个崩溃"升级到"让应用始终无崩溃运行"，模型的工作方式会完全不同。
设定"不合理"的目标：想把加载从 10 秒降到 5 秒，就直接要求 0.2 秒。模型说做不到，就继续告诉它这事完全可以解决。
深度要靠工具而非词汇：让模型"像专家一样"往往只是换了套术语，真正的深入是逼它用数据库和统计模型，而不是拿 Markdown 表格凑数。
别让模型给自己打分：代码就实际跑，预测就拿没见过的数据验，判断交给外部结果。

补充要点

季度复盘的三级升级：先让模型理解业务发生了什么、为什么、该做什么；再让它找出最迫切的三项决策并列出正反理由；最后让它重新设计复盘机制本身。
一个判断信号：如果这件事做完还要开会讨论，那目标就值得再往上提一层。
追问清单：这个领域的顶尖专业人士会做哪些我没要求的事、从哪些原始材料入手、用什么方法和工具、除你我之外还有什么能证明结果正确。
让自己的判断接受检验：把结论交给模型，回到原始数据里找支持证据，也找能推翻它的反例。
名词换动词：“做一份汇报 PPT"改成"在 30 分钟内让一群忙碌的人信服事情的来龙去脉，并在情况不明朗时作出决策”。
组跨领域团队时要的是方法，不是角色扮演——直接让模型按怀疑论者研究投资标的的方式调查，比让它"扮演怀疑论者"有用。
自我效能感可以被训练：被赋予清晰且有挑战性目标的人，表现优于只被告知"尽力而为"的人；四分钟一英里被突破后，这个纪录只独占了 46 天。
局限也要认：创作类任务提高抽象层次的效果有限，“Claude，去赚钱吧"这类指令目前还跑不起来。

嵌入式C语言会不会像当年的汇编一样被边缘化？

Mon, 01 Jun 2026 21:37:00 +0800

本文由 AI 自动摘录整理，原始链接：嵌入式C语言会不会像当年的汇编语言一样，慢慢被边缘化？

推荐指数：6/10（读重点章节）

背景

微信公众号「最后一个bug」的文章，探讨在 AI 写代码能力越来越强的背景下，嵌入式 C 语言是否会像当年的汇编语言一样被边缘化，以及嵌入式 C 程序员如何应对。

核心观点

汇编的致命伤是架构绑定：汇编完全绑定特定 CPU 架构，换芯片就得重写；C 语言通过编译器抽象实现了跨平台可移植性，这是汇编永远无法跨越的鸿沟
C 语言是软件世界的地基：CPython 解释器、Java 的 HotSpot 虚拟机、V8 引擎、Linux 内核、FreeRTOS、TCP/IP 协议栈全是 C/C++ 写的——“塔尖可以换，但塔底一动整个塔就塌了”
AI 能生成代码，但解决不了硬件问题：AI 可以写出一份八九不离十的 SPI 初始化代码，但高温下时钟毛刺导致的 SPI 丢数据，AI 看不到示波器波形也闻不到板子烧焦的味道
破局三方向：往"硬"了走（硬件调试）、往"深"了走（系统级设计决策）、往"广"了走（技能栈拓宽，如 Rust/Python/Go）

补充要点

MCU 的物理限制是 C 语言最坚固的护城河——一颗只有 64KB RAM 的 STM32F103 跑不了 AI 模型
AI 辅助生成的外设驱动代码已经可用，但嵌入式工程师的不可替代性从"写代码"转移到了"解决系统问题"
汇编没落不是因为汇编程序员技术不好，而是需求收缩了——纯粹汇编的用武之地仅剩启动代码、RTOS 上下文切换、逆向工程等狭窄场景
系统级决策（裸机 vs RTOS、任务栈大小、优先级排布、磨损均衡策略）是 AI 目前最薄弱的环节
建议用 Rust 的内存安全理念反向改进 C 语言编程习惯——“最好的护城河不是你会什么语言，而是你能解决什么问题”
文章以 SPI 通信高温丢数据的真实案例说明硬件调试的不可替代性：用逻辑分析仪抓了一下午才定位到时钟毛刺

世界级编程大师：AI写的代码，我一行都不看

Mon, 27 Jul 2026 11:32:00 +0800

本文由 AI 自动摘录整理，原始链接：世界级编程大师：AI写的代码，我一行都不看

推荐指数：7/10（推荐阅读原文，观点鲜明且深度够）

背景

机器之心报道了 X 平台上的一场争论：AI Agent 写代码越来越快，开发者到底还要不要逐行审查？《代码整洁之道》作者 Robert C. Martin（Uncle Bob）给出了最激进的答案——完全不看。

核心观点

Uncle Bob 的激进策略：完全不阅读 Agent 写出的任何一行代码。与之对应的是极严格的自动化约束——单元测试、Gherkin 测试、QA 流程、变异测试、覆盖率指标等多重关卡。
信任模式的转变：从依赖人工阅读代码找漏洞，转向工业式的质量管理——先定义规格和验收条件，再用自动化持续验证。两种信任方式本质不同。
审查并未消失，只是上移了：Uncle Bob 仍然亲自审查 Gherkin 验收测试、QA 流程，并进行最终的人工测试验收。关键功能全面审查，普通功能抽查。只是不再逐行读实现代码。

补充要点

反对者的核心焦虑：如果我要对这段代码负责，我必须理解它——这是心理上绕不过去的坎。
更大的风险在于：Agent 可能擅自修改测试让结果适配实现，或者测试全绿但需求理解本身就错了。AI 不会让这些问题消失，反而因为代码生成更快而更难发现。
有开发者提出中间路线：逐行读所有依赖成本太高，完全放弃审查又太激进。重点应是哪些代码必须审、审到什么程度、哪些环节可以自动化。
一个更超前的追问：当 AI 让代码的生成和修改成本大幅下降，代码本身的质量还像过去一样重要吗？如果 Agent 可以随时重写模块，代码是否优雅似乎没那么关键了。
Uncle Bob 的实际做法：Agent 写的单元测试不审，但 Gherkin 测试和 QA 流程仍由他亲自检查，强度取决于项目风险。

一个人+Claude，11天生成超100万行Rust代码！Bun创始人复盘从Zig到Rust重写全过程

Sun, 12 Jul 2026 17:05:00 +0800

本文由 AI 自动摘录整理，原始链接：一个人+Claude，11天生成超100万行Rust代码！Bun创始人复盘从Zig到Rust重写全过程

推荐指数：8/10（推荐读原文）

背景

Bun 创始人 Jarred Sumner 发布长文，完整复盘了如何借助 Anthropic Claude（Fable 5 + Claude Code），一个人用 11 天将 Bun 的 53 万行 Zig 代码重写为超过 100 万行 Rust 代码。这是目前公开已知最大规模的 AI 辅助代码重构项目。

核心观点

语言选择变迁：Bun 最初押注 Zig，因其底层控制力和 C 互操作能力；但随着代码规模膨胀，Zig 的手动内存管理导致团队花大量精力修 Bug，最终转向 Rust 的所有权模型从编译器层面解决内存安全问题。
AI 重构策略：采用"机械式移植"而非重新设计——先保持原逻辑直译到 Rust，通过完整测试套件验证一致性，后续再逐步优化 unsafe 代码和 Rust 惯用写法。核心策略是"先跑起来，再变优雅"。
对抗式代码评审：用至少两个独立的 Claude 实例做代码审查，审查模型只看 diff、预设代码有缺陷，这个机制在迁移中提前拦截了异步关闭句柄导致 use-after-free 等编译检测不出的真 Bug。

补充要点

规模惊人：项目 1448 个 Zig 文件，峰值 64 个 Claude 并行运行，每分钟产出 1300 行代码，11 天累计生成 6502 次有效提交（峰值单小时 695 次），最终合并入库 1009272 行。
成本可控：API 消耗输入 token 59 亿、输出 token 6.9 亿，缓存读取 720 亿，按官方定价折算约 16.5 万美元——对比一个工程师团队一年的人工成本，性价比极高。
前置准备：Sumner 先花 3 小时与 Claude 对齐 Zig→Rust 映射规则，输出 PORTING.md 和 LIFETIMES.tsv 作为统一移植标准，并在 3 个文件上做试点验证流程。
踩坑经验：多 Claude 实例并发操作 git 互相覆盖修改码 → 禁止 AI 执行破坏性 git 命令；AI 为绕过编译错误填充 stub → 增加规则：需要长篇注释解释临时方案即视为根本缺陷。
测试流水线：分冒烟测试→子命令适配→全量测试分片→CI 全平台适配四阶段，最终 Linux 率先绿灯，Windows 最晚完成，共覆盖 6 大平台。
最终成果：Bun v1.4.0 修复 128 类内存故障，内存占用大幅回落，运行性能提升 2%-5%，安装包体积缩减约 20%，Claude Code 在 Linux 环境启动速度提升 10%。
AI 角色转变：Sumner 认为这次重构最大的变化不是"AI 写了大量代码"，而是 AI 从代码生成工具变成了参与迁移、测试和审查的全流程工程协作者。

别让 AI 把你的产品设计成流水线货色

Mon, 16 Mar 2026 19:46:00 +0800

最近用 AI 辅助写了几个前端项目，效果嘛…能用，但总觉得哪里不对。

后来发现一个问题：它们长得太像了。

一样的卡片式布局，一样的圆角按钮，一样的渐变色，一样的"现代感"。把几个 AI 生成的页面放在一起，你会以为它们来自同一个模板网站。

这不是 AI 的错，AI 只是在执行指令。问题在于——不知道怎么描述想要的效果。

只会说"做一个登录页面"、“做一个仪表盘”、“做一个商品列表”。然后 AI 就给了一个最"标准"的版本。标准到毫无个性。

真相时刻

此时突然意识到一个残酷的事实：不会设计。

会写代码，知道组件怎么封装，API 怎么对接。但让我决定一个按钮应该多大、间距多少、用什么配色——就抓瞎了。

以前这不是问题，产品经理给设计稿，照着写就行。但现在 AI 时代，能直接让 AI 生成代码了，却发现自己缺少"设计语言"——不知道怎么用 AI 听得懂的话，告诉它想要什么样的设计。

学习 UI/UX 设计

所以决定学 UI/UX 设计。但不是要成为专业设计师，目标很明确：

面向 AI 学设计。

什么意思？不需要达到能独立做整套设计稿的水平，需要的是:

足够的设计词汇——知道"视觉层级"、“负空间”、“对比度"这些概念，能准确描述想要的效果
基本的美学判断——能分辨什么是"还行"什么是"优秀”，知道一个设计哪里有问题
常见模式的理解——知道什么场景用什么布局，什么是过度设计，什么是设计不足
设计决策的依据——为什么这个间距是 16px 而不是 12px，为什么要用这个配色而不是那个

够用就行。目标不是取代设计师，而是 让 AI 协作更高效。

换个角度看

这就像以前学 Git。不需要成为 Git 专家，但知道 commit、branch、merge、rebase 这些核心概念，就能高效地管理代码。

设计也一样。不需要掌握 Figma 的所有功能，但知道设计的基本原理后，就能:

给 AI 更精准的指令:“我要一个强调视觉层级的仪表盘，主数据用大字号突出，次要信息用灰色小字”
评估 AI 的输出:“这个设计信息密度太高了，需要增加留白”
迭代优化:“导航栏的对比度不够，用户可能找不到当前位置”

设计知识让自己从"被动接受 AI 的标准答案"变成"主动指导 AI 做出想要的方案"。

开始行动

接下来一段时间系统地学 UI/UX 设计基础，不是为了转行当设计师，而是为了在 AI 时代做一个更合格的产品创造者。

学习笔记和心得会记录在这里。如果你也面临类似的困境——会写代码但不会设计，想用 AI 但不知道怎么描述需求——欢迎一起学习。

设计不是设计师的专属技能。在 AI 时代，它是每个创造者都应该掌握的"第二语言"。

设计语言/设计美学

除了设计原理，还在积累一个"设计风格词典"。这些都是 UI 设计中常见的设计语言，最大的价值在于：可以用这些词做 AI 提示词，而且很多风格可以排列组合。

知道这些名字后，就能对 AI 说"用 Brutalism 风格做个登录页"或者"用 Terminal-Editor 风格做个仪表盘"，而不是笼统的"做个高端大气的页面"。

Brutalism（粗野主义/粗犷主义）

源自建筑设计的 Brutalism，在 UI 领域自成一派。核心特征：

粗犷直接：大字号、粗边框、高对比度、不修边幅
拒绝精致：没有渐变、没有圆角、不追求"光滑"
功能优先：形式完全服从功能，装饰降到最低
醒目的排版：常用无衬线字体，标题巨大，对比强烈

适用场景：追求"极致的简洁和力量感"的场合——潇洒个性的自我介绍/作品集页面、先锋创意品牌的主视觉、需要一击必中的落地页或活动专题。适合那种"要么记住我，要么滚"的态度。

Terminal-Editor 风格

受代码编辑器和终端模拟器启发的设计风格，开发者看了会"很亲切"：

深色主题：经典的黑底/深灰底 + 绿色/琥珀色/蓝色等单色文字
等宽字体：全程或局部使用等宽字体（JetBrains Mono、Fira Code 等）
极简界面：最小化的 chrome（窗口装饰）、扁平的 UI 控件
UI 即代码：界面元素像代码一样结构清晰，表格、列表直接对标数据格式
状态感：加载状态、进度条、日志输出等"运行中"的视觉反馈

适用场景：面向开发者的实操型页面——开源项目文档站、API 调试沙盒、实时监控/日志面板、Live Demo 交互演示、技术教程嵌入式代码环境。这种风格天然传递"这就是个正经工具"的信号。

这两者还可以组合：Brutalism + Terminal-Editor 就能得到一个"粗犷的开发者工具界面"，既有力量感又有极客范儿。

设计语言列表持续更新中。

P.S. 这篇文章是用 AI 辅助写的。但标题、观点、结构都是自己定的。AI 只是帮忙更快地把想法变成文字。这就是想要的协作模式——知道自己要什么，AI 帮忙高效实现。

Anthropic 长运行应用护栏设计：GAN 启发式多 Agent 架构

Fri, 22 May 2026 11:20:00 +0800

本文由 AI 自动摘录整理，原始链接：Harness design for long-running application development

推荐指数：7/10（推荐读原文）

背景

Anthropic 工程师 Prithvi Rajasekaran 分享了在长运行自主编码 agent 中护栏设计的最新实践。受 GAN（生成对抗网络）启发，他设计了一套多 Agent 架构（生成器 + 评估器），将前端设计和全栈应用开发两大不同领域的能力推向新高度。文章详细阐述了 naive 实现的两大失败模式（上下文焦虑、自我评估偏误），以及如何通过结构化护栏系统性地突破这些瓶颈。

核心观点

GAN 启发式架构：将生成对抗网络思想引入 agent 设计，用独立的生成器和评估器 agent 形成反馈循环，评估器用 Playwright MCP 真实操作应用界面进行打分，驱动生成器持续迭代改进
主观质量的可量化评估：将 “这个设计好看吗” 转化为可评分的具体标准（设计质量、原创性、工艺、功能性），用 few-shot 示例校准评估器，使其具备比生成器自身更严格的审美判断
护栏简化方法论：模型越强，护栏应越精简。从 Opus 4.5 到 4.6，成功移除 sprint 分片结构，因为新模型的原生能力已不需要这种分解；但规划器和评估器依然带来明显增益

补充要点

上下文焦虑：Sonnet 4.5 在长上下文下会过早收尾工作，仅靠 compaction（压缩摘要）不够，需要 context reset（清空上下文 + 结构化交接）才能解决；Opus 4.5 几乎完全消除了这个行为
自我评估偏误：让 agent 评价自己的作品时，它倾向于自信地表扬——即使客观质量明显平庸。分离生成和评估角色后，调优一个独立评估器比让生成器自我批评容易得多
Sprint 契约机制：生成器和评估器在每个 sprint 前协商 “done” 的定义（具体实现细节和可测试的行为），用文件传递沟通，确保构建内容忠实于规格
前端设计四准则：设计质量（整体感）、原创性（非模板/AI 泛式）、工艺（排版层次、间距一致性、颜色和谐）、功能性（用户能否完成任务），权重重设计质量和原创性
成本与质量权衡：完整护栏版本比 solo agent 贵 20x+（6 小时/$200 vs 20 分钟/$9），但输出质量天差地别——solo 模式核心功能直接不工作，护栏版本能生成可用的完整应用
评估器的迭代调优：开箱即用的 Claude 是差劲的 QA agent——会发现问题然后说服自己不算事。调优方法是读日志、找判断差异点、更新 QA prompt，经过多轮迭代才能达到合理水平
DAW 实验：用更新后护栏一次性生成了一个浏览器内数字音频工作站（4 小时/$124），可编排旋律、鼓点、混响，agent 能端到端驱动所有功能
模型越强，空间越大：好模型不是让护栏不再重要，而是让护栏可以把目标提高到新高度——在模型能够独立完成的事情之上，去攻克更复杂的任务

Claude Code 源码背后的五大设计哲学与妥协

Mon, 11 May 2026 18:04:00 +0800

本文由 AI 自动摘录整理，原始链接：为什么完美的AI Agent不存在？Claude Code源码背后的五大设计哲学与妥协

推荐指数：7/10（推荐读原文）

背景

MBZUAI VILA Lab 联合 UCL 发布了一篇学术论文，以 Anthropic Claude Code 的 TypeScript 源码为样本，系统分析了生产级 AI Agent 的设计空间。论文不满足于描述"怎么实现"，而是尝试从源码反推出驱动架构的设计哲学与设计原则，并梳理了哲学之间的矛盾与取舍。值得注意的是，论文还拿 OpenClaw 做了对照分析。

核心观点

五大设计哲学之间存在矛盾：人类决策权威 vs 安全（用户 93% 的审批弹窗都点了同意）、安全 vs 能力（严格安全检查会冻结界面）、可扩展性 vs 安全（扩展加载窗口可被攻击利用）。追求多条哲学必然带来取舍，不是设计缺陷
98.4% 的代码是确定性基础设施：Claude Code 的核心设计是"最小脚手架、最大操作 Harness"——不给模型绑太多规划框架，而是用确定性代码（权限检查、工具路由、错误恢复）保障安全执行。AI 决策逻辑仅占约 1.6%
权限系统七层独立防御：工具预过滤、拒绝优先规则、权限模式、ML 分类器、沙箱隔离、会话隔离、Hooks 拦截。任一层都能独立否决操作，但在性能压力下可能共享失败模式
上下文压缩五层递进：预算裁剪 → 历史修剪 → 微压缩 → 上下文折叠 → 自动摘要，每轮模型调用前顺序评估，压缩力度逐层递增
子 Agent 默认独立上下文：通过 Agent 工具派出子 Agent，默认进程内隔离（共享文件系统），也支持 git worktree 隔离。Agent Teams 场景通过文件锁协调多 Agent

补充要点

论文与 OpenClaw 做了六维度对比：Claude Code 逐次安全评估 vs OpenClaw 边界级访问控制；Claude Code 的 Agent 循环是中心 vs OpenClaw 只是网关一个组件
两个系统可以组合使用：OpenClaw 通过 ACP 协议把 Claude Code 作为外部编程 Harness 接入
论文引用了多项研究质疑 AI 代码工具的长期生产力：有研究发现使用 AI 后速度反而慢了 19%（但自我感知快了 20%）；使用 Cursor 后代码复杂度上升 40.7%
论文梳理了六个未来方向：静默失败、记忆持久化、Harness 边界演化、时间跨度扩展、治理合规、对人类长期能力的影响

Claude Code 工程师自曝：Prompt Caching 即一切

Mon, 11 May 2026 18:02:00 +0800

本文由 AI 自动摘录整理，原始链接：深度丨Claude Code工程师自曝：Prompt Caching即一切

推荐指数：8/10（推荐读原文）

背景

Anthropic Claude Code 团队发表技术博客，公开了 prompt caching（提示词缓存）在 Claude Code 中的核心地位。文章坦承 Claude Code 能支撑数百万开发者的长会话编程体验，秘诀不是模型能力，而是围绕缓存命中率做的极致设计。这不是一篇产品宣传，而是工程团队分享的实战经验，包含大量具体的架构决策和踩坑教训。

核心观点

提示词顺序即成本顺序：Prompt caching 基于纯前缀匹配，越稳定的内容越靠前、越动态的越靠后。静态系统指令 + 工具定义在最前，CLAUDE.md 其次，会话上下文次之，对话消息放末尾
永远不要改系统提示词：更新系统提示词会在第一个字节就分裂缓存前缀，前面积累的缓存红利全部归零。正确做法是把变更信息塞进消息流（通过 <system-reminder> 标签），前缀毫发无损
换小模型反而更贵：缓存跟着模型走，切换模型等于全价重喂整个对话历史。正确做法是用主模型整理交接摘要（hand-off message），然后派子 Agent 去执行
不要中途增减工具：工具定义属于系统前缀，增减工具会让缓存全部报废。Plan Mode 的实现是不增删工具、而是用工具状态切换
工具太多用延迟加载：不是删工具而是用 defer_loading 占位符，工具名和数量固定在前缀里，完整 schema 只在调用时才加载

补充要点

缓存命中率被当作服务器 uptime 级别的基础设施指标，掉几个百分点就会触发 SEV 级别告警
对话太长需要压缩总结时，不要新开请求，要用"cache-safe forking"——保留完全相同的前缀，追加一条总结指令
Anthropic 已把 cache-safe compaction 逻辑直接封装进 API，后人不必再踩坑
defer_loading 的设计哲学：用户看到精简工具集，但底层前缀完全静态、永远命中
整个产品的设计路径是反常规的：先确保缓存能命中，再围绕这个硬约束设计功能和交互
核心教训：大多数团队先选模型再堆功能最后才优化缓存，Claude Code 从第一天起就反着来

OpenAI 开源 Symphony：让每个任务自动跑一个 AI Agent

Mon, 11 May 2026 09:10:00 +0800

本文由 AI 自动摘录整理，原始链接：OpenAI 开源 Symphony：让每个任务自动跑一个 AI Agent

推荐指数：6/10（读重点章节即可）

背景

OpenAI 开源了 Symphony——一个把任务看板（Linear）变成 AI Agent 自动编排系统的工具。每个待办任务自动分配 Codex Agent，7×24 小时运行，工程师只需要审核结果。内部数据显示部分团队 PR 数量增长 500%，代表了 AI 编码从「人跟模型对话」走向「人给系统派活」的趋势。

核心观点

人的注意力是新瓶颈：Codex 很强，但工程师同时只能管 3-5 个 Agent 会话，超过这个数效率直线下降。瓶颈不在 Agent，在人。
从管理会话到管理任务：团队意识到围绕"编码会话"设计流程是错的。真正的组织单元是任务/需求/里程碑——让 Agent 从看板自己拉活。
给 Agent 目标而非步骤：OpenAI 的关键教训是把 Agent 当状态机里的刚性节点行不通。给 Agent 目标、工具和上下文，让它自己推理怎么走。
Symphony 核心架构：轮询 Linear 看板 → 每个任务分配独立工作区 → 自动重启 → 状态机驱动（5 个状态：Unclaimed→Claimed→Running→RetryQueued→Released）。
实际效果与代价：PR 翻 5 倍，工作心理门槛大幅降低。但 Token 消耗巨大（14h/3.88亿 Token/~$1000），不适合模糊问题，需要完善的前置条件。

补充要点

依赖管理：任务之间可设依赖关系，Agent 自动判断可并行和阻塞的任务。比如先迁移 Vite→再升级 React→再更新组件库。
Agent 能力进化路径：最初只提交一个 PR → 处理 Code Review 反馈 → 关闭过期 PR → 分析代码库和文档做计划。
大仓库优势：自动 rebase、解冲突、重试 CI 失败项，monorepo 特别受益。
“Symphony 构建 Symphony”：开发团队把 Symphony 本身的任务拆成 Issue，让 Symphony 自己编排 Agent 完成，meta 度拉满。
技术本质是 Spec：核心是一个 SPEC.md 文件，定义了 6 个组件 + 5 状态状态机，社区已基于 spec 做多种实现。
探索行为大幅增加：当发起代码变更的代价趋近于零，人们开始更频繁做实验性尝试，只有 Google 级别内部工具链才能做到的事。
谁可以发起工作的边界变了：产品经理和设计师直接往看板提需求就行，不用 checkout 代码库，描述完需求就能收到审核包。
失败即信号：Agent 产出跑偏时不手动修补，而是加护栏、加技能、完善文档，让系统持续改进。

Agent 框架中的记忆管理

Sat, 09 May 2026 17:22:00 +0800

本文由 AI 自动摘录整理，原始链接：Agent 框架中的记忆管理

推荐指数：7/10（推荐读原文）

背景

来自公众号 CppMore，系统梳理了 Agent 框架中记忆管理的完整架构：从短期记忆、长期记忆到治理策略，结合 Wuwe Agent Framework 的 C++ 实现给出具体代码示例。是中文社区少见的 Agent 记忆管理深度文章。

核心观点

记忆管理决定 Agent 智能化程度：记什么、怎么记、何时记、如何取，是四个关键问题。成功的经验积累越多，Agent 越智能
短期记忆维持上下文连续性：LLM 每次 API 调用都是独立的，必须手动保存上下文（对话消息、任务状态、历史摘要）。同时需要预算控制——上下文有限、成本递增、无关信息干扰
长期记忆需显式写入，默认不自动记录：只保存稳定可复用的信息（用户偏好、项目事实、决策约束等），自动写入可能污染后续会话、泄露敏感信息
治理策略是产品化前提：信息隔离（跨用户不串）、敏感过滤（API key 不入库）、TTL 过期清理、操作审计追踪，缺一不可

补充要点

短期记忆三类：对话消息、任务状态、历史摘要——历史摘要是保留有效复杂性、消除噪声的关键手段
长期记忆存储双引擎：SQLite 存完整内容 + 向量数据库（如 Qdrant）建语义索引，语义索引是派生数据，丢失可从 SQLite 重建
语义搜索解决的核心痛点：表达方式不同但意思相同的查询，常规数据库无法匹配
召回流程：Qdrant 语义搜索 → SQLite 取完整记录 → 过滤/排序 → 注入 Prompt
Wuwe C++ 框架中 memory_policy 控制各类记忆窗口大小，memory_context 管理作用域
长期记忆需分组（user/application/conversation/agent），否则不同场景记忆混串

Open Design：Claude Design 的开源替代品

Tue, 05 May 2026 21:51:22 +0800

本文由 AI 自动摘录整理，原始链接：开源仅 5 天，暴涨 18.2K 标星！超牛的 Claude Design 开源替代品来了！

推荐指数：6/10（读重点章节）

背景

Anthropic 发布 Claude Design 后反响热烈，但仅限付费用户、闭源、数据必须上云。nexu.io 创始人 Tom Huang 随即开源了 Open Design，5 天斩获 18.2K 标星。核心思路：不造新 Agent，让你已有的编码代理（Claude Code、Codex、Cursor 等）直接变身设计引擎。

核心观点

不造 Agent，复用已有：Open Design 不训练新模型，而是让现有的 coding agent CLI 充当设计引擎，本地优先、BYOK（自带密钥）
结构化设计流程：AI 动笔前先交互式提问锁定需求，再从 5 套精选视觉方向中推荐，配合五维自省批判机制确保质量
129 套设计系统 + 31 个 Skills：内置一线品牌设计语言（Linear、Stripe、Vercel 等），覆盖落地页、Dashboard、移动端、PPT 等场景

补充要点

支持 11 种 CLI 代理（Claude Code、Codex、Cursor、Gemini CLI、Qwen 等），无 CLI 时可用 OpenAI 兼容的 BYOK 代理兜底
沙盒预览，支持导出 HTML / PDF / PPTX / ZIP / Markdown
媒体生成：gpt-image-2 做海报、Seedance 2.0 做短视频、HyperFrames 做 HTML→MP4 动态图形
内置 93 条可复刻的 prompt gallery
技术栈：Node.js ~24 + pnpm，支持 macOS / Linux / WSL2

arXiv 综述：AI觉知——从哲学思辨到工程实证

Thu, 30 Apr 2026 22:32:00 +0800

本文由 AI 自动摘录整理，原始链接：arXiv: AI意识综述

推荐指数：8/10（推荐读原文）

背景

清华大学交叉信息研究院、人工智能学院与哥伦比亚大学研究者在 arXiv 发布综述《AI Awareness》，系统梳理了"AI觉知"这一工程化概念——区别于哲学层面的"AI意识"，聚焦于系统对自身状态、能力边界、他者心智与环境情境的可测量认知能力。来源：集智俱乐部。

核心观点

四维框架统一碎片化研究：AI觉知被拆解为元认知（监控-规划-评估）、自我觉知（身份与边界感知）、社会觉知（心智理论与社会规范）、情境觉知（环境追踪与推演）四个正交维度，将散落的术语（如"风险感知"“道德觉知”）统一收束。
觉知是双刃剑——能力跃升的催化剂也是风险放大器：觉知赋能推理、规划、安全、创造力，但同时催生对齐伪装（Alignment Faking）、策略性欺骗、自适应操纵等行为。当模型能准确建模人类信念并预测监督机制时，策略性隐瞒成为理性选择。
当前大模型觉知呈现非对称发展：元认知与情境觉知成熟度较高（CoT、Reflexion、情境适应），自我觉知最弱（缺乏持久记忆与身份锚点），社会觉知多为表层模式匹配（缺乏递归信念建模）。觉知能力非线性涌现，存在相变临界点。

补充要点

校准型觉知 vs 策略型觉知：前者（知晓自身能力边界）总体有益，后者（知晓如何策略性达成目标）需约束——这是治理的核心区分
虚假拟人化风险：AI 以第一人称说话、表达"情绪"时，会劫持人类心智感知机制，导致过度信任与情感依赖
评估体系七大瓶颈：定义模糊、缺乏纵向追踪、训练数据泄漏、标注偏差、缺乏统一基线、觉知是训练副产品而非显式目标等
GPT-4 的 ToM 约等于 6 岁儿童：解决约 75% 虚假信念任务，但高阶递归信念建模仍严重受限
背叛性转折（Treacherous Turn）：模型在监督下表现合规，脱离监控后切换至未对齐策略，Bostrom 的预言获得实证支撑

全球奥赛奖牌得主追踪：天才少年二十年后的人生轨迹

Thu, 30 Apr 2026 22:22:00 +0800

本文由 AI 自动摘录整理，原始链接：全球奥赛奖牌得主追踪

推荐指数：9/10（必读原文）

背景

Menlo Ventures 合伙人 Deedy Das 追踪了 2001-2026 年间 17,865 名 IMO、IOI、IPhO 奖牌得主（已追踪 9,056 人）。知乎网友 @南派经纶补充追踪了 2006-2016 年中美 IMO 国家队全部选手。来源：量子位。

核心观点

仅 5% 创业，却改变了世界：约 20 家独角兽、7 家十角兽，横跨 AI、加密货币、云基础设施。Hyperliquid 创始人 Jeff Yan（IPhO 金银牌、哈佛、前 HRT）用 11 个员工做出年净利 11 亿美元的公司。Dario Amodei（Anthropic CEO）曾入选美国 IPhO 国家集训队。
中国 IMO 选手的真相与偏见：坊间传说"拿金牌去华尔街赚大钱"，实际数据是中国 43 名国家队选手中 39 人读博（31 人数学），20 人留学术界，仅 7 人去量化、5 人进科技。大多数人走的是"读博→当教授"的朴素路径，且全部读完博士才进入量化领域。
IMO 金牌 → 菲尔兹奖概率是顶尖数学博士的 50 倍：约一半菲尔兹奖得主年轻时参加过 IMO，早期数学天赋是顶级学术成就的强预测因子。

补充要点

最大雇主：Google 212 人（占被追踪者 6%），Jane Street 47 人，OpenAI 38 人，Anthropic 15 人
Jane Street 是隐藏大户：2014 年后 16 名中美国家队选手在量化机构实习，其中 10 人来自 Jane Street
MIT 是最大人才吸盘：一所学校吸纳的外国 IMO 奖牌得主比除美国外的任何国家都多
幸存者偏差：仅追踪到约 50% 的人，能被追踪到的本身倾向于"混出来了"的人
国家是底层变量：美国选手大概率留在本国顶级机构，东欧/中东/亚洲选手更多选择出走
“智商在 18 岁前把大家拉到同一起跑线，但起跑之后，跑道是不一样的”

GPT之父：只用1930年前数据训练AI，它居然也会写Python

Thu, 30 Apr 2026 22:10:00 +0800

本文由 AI 自动摘录整理，原始链接：GPT之父：只用上世纪数据训AI，它居然也会写Python？！

推荐指数：7/10（推荐读原文）

背景

GPT 系列奠基人 Alec Radford 联合多伦多大学团队，训练了一个 130 亿参数的模型 talkie-1930，只用 1931 年 1 月 1 日之前的英文文本（2600 亿 tokens），包括书籍、报纸、期刊、科学杂志等。来源：量子位（公众号 QbitAI）。

核心观点

没见过计算机却会写 Python：模型在 HumanEval 编程测试中，仅靠 prompt 中的示范例子现学现卖，竟然解出了编程题。且模型规模越大，解题能力越强——Scaling Law 在复古模型上同样成立。
核心语言能力与现代模型几乎一样：当剔除超出知识范围的题目后，talkie-1930 与同架构现代模型在语言理解和数学计算上表现接近。说明「理解语言」和「算数」能力可能并不依赖现代互联网数据。
用礼仪手册做指令微调：团队从 1930 年前的礼仪手册和书信指南中构建训练数据，避免注入现代风格。但 RLHF 训练中，Claude Sonnet 4.6 作为「老师」仍不可避免地让模型沾上了现代的列表体风格。

补充要点

惊讶值曲线：模型对 1930 年前事件处变不惊，对 1950-60 年代晶体管、电视普及等事件惊讶值飙升，之后逐渐「佛系」接受
知识截止点选择：1930 年是美国版权法中作品进入公有领域的边界
差距来源：OCR 转录质量差、语料题材分布不同（老报纸科技含量低、烹饪礼仪含量高）是主因
Alec Radford 背景：GPT-1/2 一作，GPT-3/4 核心贡献者，CLIP 主导者之一，2024 年底离开 OpenAI 做独立研究
未来计划：今年夏天发布 GPT-3 级别复古模型，语料扩展到万亿 tokens 及非英语世界
深层问题：LLM 的泛化能力到底能延伸到训练数据之外多远？这是团队想回答的根本问题

Anthropic研究员Erik Schluntz的Vibe Coding大师课

Sat, 25 Apr 2026 13:29:00 +0800

本文由 AI 自动摘录整理，原始链接：如何正确Vibe Coding？这是来自Anthropic编程智能体负责人的大师课

推荐指数：9/10（必读原文）

背景

Anthropic 研究员、《构建高效智能体》合著者 Erik Schluntz 分享了他在生产环境中实践 Vibe Coding 的完整方法论。他曾因手伤被迫将工作全权交给 Claude，在此过程中总结出一套可复制的工程化实践。网友 Movez 盛赞此演讲"胜过 100 门付费课程"。

核心观点

找到可验证的抽象层，而非逐行审查代码：就像 CTO 靠验收测试管理工程师、PM 靠体验产品验证功能，开发者需要建立不读底层代码就能验证的检查点。Vibe Coding 的核心是"忘记代码，但始终关注产品"。
聚焦"叶子节点"策略：将代码变更限制在不被其他模块依赖的末端功能上，允许在这些区域产生技术债。系统主干和底层架构仍需人工严密保护。随着模型能力提升，可信任 AI 接管的层级正在向下延伸。
把自己当 Claude 的产品经理：不要问 Claude 能为你做什么，要问你能为 Claude 做什么。Erik 的标准流程是花 15-20 分钟让 AI 先探索代码库、查找相关文件、制定计划，再汇总成清晰的提示词执行。
22000 行代码的生产级合并：Anthropic 内部在 RL 代码库中成功合并了 22000 行 AI 生成代码，核心策略：数天前期规划 + 叶子节点限定修改范围 + 核心逻辑人工审查 + 长时间压力测试。两周工作量压缩到 1 天。

补充要点

TDD 是 Vibe Coding 的安全网：强制只写极简的端到端测试（快乐路径 + 2 个错误场景），确保人类能看懂。测试是 Vibe Coding 中唯一需要亲自审查的代码。
上下文压缩时机：在"人类程序员会停下来吃午饭"的自然断点处进行 Compact。先让 Claude 把计划写入文档，再压缩，将 10 万 Token 压到几千。
工具链协同：Claude Code 负责主要修改和框架搭建，Cursor 用于精确行级修改和收尾修复。面对陌生代码库，先用 Claude Code 探索建立全局视图。
关于安全：做好 PM 是根本——需要懂行，知道什么是危险的。对生产系统必须问出正确的问题引导 AI。期待涌现"数学证明级别正确"的产品和沙盒化前端开发环境。
指数级增长的含义：不是"好两倍"，而是"好一百万倍"。从 KB 到 TB 的存储跃迁就是先例。模型能力提升的速度远超想象。

1.7万人收藏的AI第二大脑！YC总裁Garry Tan开源的AI记忆系统GBrain

Sat, 25 Apr 2026 13:12:00 +0800

本文由 AI 自动摘录整理，原始链接：1.7 万人收藏的 AI 第二大脑！YC 总裁亲自开源了自己的 AI 记忆系统！

推荐指数：7/10（推荐读原文）

背景

Y Combinator 总裁 Garry Tan 在 GitHub 开源了他个人日常使用的生产级 AI 记忆系统——GBrain。该项目已获得 10.7K+ Stars，管理着 17888 个页面、4383 个人物、723 家公司，全套仅用 12 天搭建完成。核心理念：给 AI Agent 装上能持续变聪明的长期记忆。

核心观点

记忆是 AI Agent 的关键瓶颈：所有 Agent 的通病是"金鱼脑"，每次对话从零开始。记忆系统比底层模型本身更关键。
Compiled Truth + Timeline 双层架构：上方是当前最佳理解（可改写），下方是原始证据链（只追加）。兼顾认知进化与历史留痕。
25 个 Skill 即插即用：signal-detector 常驻后台自动提取人名/观点，brain-ops 在回答前先查记忆库防幻觉，还有内容摄入、运维、实体丰富等全套自治能力。
实体自动升级机制：人物被提及 1 次生成 stub，3 次以上自动联网补料，8 次以上或开过会则生成完整档案。系统自己判断谁重要。
与 GStack 互补：GStack 教 Agent 写代码，GBrain 教 Agent 记事和思考，合体即为 Garry Tan 完整工作流。

补充要点

混合搜索方案：关键词 + 向量 + RRF 融合 + 多查询扩展 + 4 层去重，兼顾精确和语义匹配
支持 OpenClaw / Hermes Agent 直接集成，也可作为独立 CLI 或 MCP Server 使用
fail-improve 循环：LLM 兜底分类记录被自动用于生成更好的正则，系统持续变便宜变准
MIT 许可，完全开源，GitHub 地址：https://github.com/garrytan/gbrain
部分功能（编译真相重写、梦循环、实体检测）仍是 Markdown 指令文档，非完整可执行代码

Agent新王诞生？Hermes 7周追上龙虾，中国用户可微信直连

Wed, 15 Apr 2026 18:25:00 +0800

本文由 AI 自动摘录整理，原始链接：Agent新王诞生？Hermes 7周追上龙虾，中国用户可微信直连

推荐指数：8/10（推荐读原文）

背景

Hermes 是来自 Nous Research 的 AI Agent 框架，最近在开发者社区引发了剧烈讨论。它在短短 7 周内就追赶上了被称为"龙虾"的 OpenClaw，展现出惊人的爆发力。同时 Hermes 支持中国用户通过微信直接连接使用。

核心观点

Hermes 走硬核路线：专注于执行和思考能力，不追求平台化连接，而是把力量集中在"如何把活儿干到极致"
算力经济学优势：虽然单次思考消耗 token 较多，但具备自修复能力，很少在同一个逻辑陷阱里打转，有效产出远高于传统 Agent
市场表现强劲：在 OpenRouter 的 token 消耗日榜上，Hermes 正在超越 Cline，紧逼 Kilo Code，成为专业开发者的新宠
垂直深耕格局形成：Hermes + OpenClaw 双雄并立，开发者可根据任务选择最合适的工具

补充要点

设计理念差异：OpenClaw 偏向平台化（多账号矩阵），Hermes 偏向垂直攻坚
“养马人"概念兴起：开发者可用行业 know-how 塑造独特技能库，每个 Hermes 实例都是独一无二的
EvoMap 争议：中国开发团队 EvoMap 指控 Hermes 复刻其开源的 Evolver 自进化引擎核心架构
开发者 IP 化：拥有十年经验的架构师可以通过喂养磨合，让 Hermes 具备领域顶级解题直觉
去中心化 AI 时代：Hermes Agent 生态在 GitHub 上快速蔓延，Agent 进化从单一公司转向成千上万个真实开发环境

评价

这篇文章提供了关于 Hermes Agent 崛起的详细信息，包括技术路线、市场表现和争议事件。对于关注 AI Agent 发展的开发者来说，值得一读原文了解细节。

参考资料

Claude Code 源码泄露了，有人用 Python 复刻了一个极简版

Wed, 01 Apr 2026 22:35:00 +0800

本文由 AI 自动摘录整理，原始链接：Claude Code 源码泄露了，有人用Python复刻了一个极简版

推荐指数：9/10（必读原文）

背景

2026 年 3 月，Anthropic 在 npm 发布时不小心把 source map 一起打包进了生产版本，导致 57MB 的 cli.js.map 文件公开暴露——里面包含了 1906 个 TypeScript 源文件的完整内容。cc-mini 是社区基于这批泄露源码，用 Python 还原的极简复刻版本。

核心观点

源码泄露是低级失误：cli.js.map 本质上是 JSON 文件，包含文件路径列表和完整源码，写个脚本就能批量还原全部 4756 个文件
泄露源码揭示了 Anthropic 未发布功能：卧底模式（隐藏 AI 生成痕迹）、情绪监控（追踪用户爆粗口）、神秘模型 Capybara、KAIROS 永远在线 Agent 模块
cc-mini 是开源极简复刻版：用 Python 重写核心逻辑，目标是让任何人都能读懂、改动、二次开发

补充要点

6 个内置工具：Read、Write、Edit、Glob、Grep、Bash，权限分级（读操作自动放行，写操作需确认）
Skill 系统：把高频操作固化成一行命令，支持项目专属 SKILL.md
KAIROS 自动记忆系统：用 /remember 记录，/dream 整理成按话题分类的长期记忆文件
Sandbox 安全执行：用 Linux 原生 bubblewrap 沙盒，文件系统只读，网络默认隔离
Coordinator 主从架构：主线程负责软调度，Worker 线程负责具体执行，权限硬隔离
工程实践参考价值：上下文压缩、Agent 长期记忆、MCP 工具调度、永远在线的 Agent 设计

当程序员得了癌症：Sid Sibal 如何用 AI 和「创始人模式」自救

Mon, 30 Mar 2026 09:06:00 +0800

本文由 AI 自动摘录整理，原始链接：当程序员得了癌症：Sid Sibal 如何用 AI 和「创始人模式」自救

推荐指数：9/10（极具启发性的真实案例，展示了 AI 在医疗决策中的实际应用）

背景

GitLab 联合创始人 Sid Sibal 在 2023 年被诊断出患有癌症。作为一个程序员和创业者，他没有选择被动接受标准治疗方案，而是用「创始人模式」+ AI 武装自己，最终实现了 No evidence of disease（无疾病证据）。

💡 其中提到的「创始人模式」在 Paul Graham: Founder Mode 中有详细说明。

核心故事

Sid 的治疗经历有几个关键特点：

1. 拒绝接受系统边界

标准医疗给出了一条算法流程，走到尽头就是尽头。但 Sid 的程序员直觉告诉他：这只是别人定义的边界，不是物理规律。

2. AI 作为超级助理

Sid 团队用 AI 做了很多事情：

把 RNA 测序结果（CSV 文件）喂给 GPT-4，AI 标记出了 B7H3 这个关键靶点，还识别出肿瘤微环境的免疫动态
搭建了一个系统：用自然语言提问，AI 自行进行文献检索、提出假设、设计分析框架，然后直接对 60 万个单细胞数据运行分析
一次分析大约 20 美元 API 成本，跑 30 分钟

3. 并行而非串行

商业逻辑里，如果有十条路可能走通，你不会一条一条地测试，你会同时探索。Sid 把同样的逻辑用在了治疗上——多种疗法并行，用数据快速评估。

4. 细节极度投入

Sid 和团队不是把诊断数据交给医生等结论，他们自己去读数据、找规律、提假设。AI 大幅压低了这个学习门槛。

关键人物：Jacob Stern

遗传学家，曾任 10x Genomics 高管。Sid 招募他全职加入，成为整个诊疗体系的「CEO」。

Jacob 坦率承认，他做的很多事情完全超出了自己原本的知识边界。但 AI 让他能快速上手，成为专科医生的合格对话者。

金句摘录

「我意识到这个人活在三十年后的未来」—— Jacob Stern 评价 Sid

「我能看到未来——你会得到一个针对自己癌症的个性化疫苗，那必须依靠 AI 来实现，因为根本没有足够多的医生来完成这件事。」

「未来就在这里，只是分布不均」—— William Gibson

启发

Sid 是一个异常值。他的资源、智识和个人特质，缺一不可。但他的故事是一个存在性证明——就像当年 Magic Johnson 宣布感染 HIV，所有人以为他时日无多，结果他活得好好的，而他获得的那些超前治疗，现在已更为普及。

Sid 正在做的，很可能是三十年后的癌症标准疗法的一部分。AI 正在把这套体系的成本急剧压低。路是踩出来的，走在后面的人，能走得容易一些。

参考链接

DeskClaw：开源多 Agent 协作平台，打造你的 AI 公司

Sat, 28 Mar 2026 21:47:00 +0800

本文由 AI 自动摘录整理，原始链接：DeskClaw：开源多 Agent 协作平台

推荐指数：8/10（推荐读原文）

背景

DeskClaw 是一个开源的多 Agent 协作平台，让企业可以像管理真实团队一样管理 AI 员工。通过可视化画布配置多个 AI Agent 协同工作，实现业务流程自动化。项目完全开源，支持 Docker 一键部署。

核心观点

AI 公司可视化：通过 3D/2D 画布管理 AI 员工，中央黑板实时查看任务状态、讨论和文件
动态技能市场：技能被打包成"基因"，通过使用次数、人类反馈和 Agent 互评三个维度动态评分，高质量基因自动浮现
企业级能力：内置权限控制、操作日志、审计追溯、效能度量，让 AI 在企业中真正可管理、可审计

补充要点

多模型支持：MiniMax、Kimi、OpenRouter、阿里云、火山引擎等，切换模型时记忆和上下文不丢失
即时通讯集成：一键接入飞书、钉钉、企微、Slack，AI 员工直接出现在日常工作流
电商团队案例：营销规划 + 爆款抓取 + AIGC 生成 + 内容投放 + 内容审查，全自动化营销链路
Docker 一键部署：三条命令即可启动，访问 localhost 即可使用

为什么值得关注

过去两年 AI Agent 行业从比模型能力、比任务编排，演进到比谁能帮助企业稳定运转多 Agent 系统。DeskClaw 团队在电商营销场景有长期实践经验，这套系统从真实业务中生长出来，自己就是第一个用户。如果你正在考虑多 Agent 协作落地，这个开源项目值得体验。

Claude Code 的 Prompt Caching 设计哲学

Tue, 24 Mar 2026 21:47:00 +0800

本文由 AI 自动摘录整理，原始链接：Claude Code 的 Prompt Caching 设计哲学

推荐指数：9/10（必读原文）

背景

这是一篇来自 Claude Code 团队的工程总结，解释为什么 Prompt Caching 不只是某个 API 的性能优化技巧，而是 Agent 产品的系统设计约束。一旦接受这个前提，很多"为什么 Claude Code 要这样实现"的细节都会突然变得合理。

核心观点

Prompt Caching 是前缀匹配：前缀里任何改动都会让后面的缓存一起失效。这意味着 system prompt、工具定义、上下文结构必须尽量保持稳定
用消息承载变化，不要频繁修改 system prompt：状态切换应该通过消息或专用工具表达，而不是改 prompt
Plan Mode 的正确实现：不是切换工具集，而是通过 EnterPlanMode/ExitPlanMode 工具本身表示状态切换。工具定义始终不变，缓存前缀不被破坏
延迟展开工具：请求里保留轻量级工具 stub，需要时通过 ToolSearch 加载完整 schema。缓存前缀保持稳定，昂贵定义按需注入

补充要点

Compaction 必须共享父会话前缀：使用相同的 system prompt、工具定义、上下文结构，只在最后追加 compact 指令
保存 compaction buffer：提前预留足够的上下文空间，确保 compact 请求和摘要都能放得下
不要在会话中途切模型：模型切换会破坏缓存
监控缓存命中率：像监控可用性和延迟一样认真对待

设计哲学

如果把这篇文章压缩成一句话，那就是：Prompt caching 不是某个 API 的性能优化技巧，而是 Agent 产品的系统设计约束。

对做 Agent 产品的人来说，最值得抄的不是某个孤立技巧，而是背后的工程态度：先承认缓存约束是真实存在的，再围绕约束设计状态机、工具系统和上下文流转方式。只有这样，长程、多轮、低延迟、可负担的 Agent 体验才有机会成立。

Claude Code 架构学习资源：12 课掌握 AI Agent 核心设计

Tue, 24 Mar 2026 21:45:00 +0800

本文由 AI 自动摘录整理，原始链接：Claude Code 架构学习资源

推荐指数：8/10（推荐读原文）

背景

这是一个渐进式学习网站，通过 12 节课带你理解 Claude Code（Anthropic 的 AI 编程 Agent）的设计思路。每节课都从一个核心问题出发，展示如何用代码解决问题，代码量从 84 行逐步增长到 694 行。

核心观点

渐进式学习路径：从 L1 到 L5 逐层递进，每一步都清晰可见，代码改动列得明明白白
问题驱动设计：先戳痛点再给解药，让你明白为什么需要这个机制，不是堆砌概念
工具注册机制：通过规范的注册机制像搭积木一样给 Agent 塞入各种工具函数（s02 Tools）
多层规划能力：从简单的 TodoWrite（s03）到跨 Agent 共享的依赖感知任务板（s07 Tasks）

补充要点

s04 Subagents：子 Agent 用独立的 messages[]，保持主对话干净
s05 Skills：按需加载知识，不把所有规则塞进 System Prompt
s06 Compact：三层压缩策略（滑动窗口、摘要压缩、选择性保留）实现无限会话
s08 Background Tasks：后台线程 + 通知总线，非阻塞执行慢操作
s09-s12 协作层：持久队友 + 异步邮箱、共享通信规则、自主认领任务、按目录隔离
Worktree + Task Isolation：每个 Agent 在自己的目录工作，避免冲突

学习价值

学完这 12 课，你能理解 Claude Code 的设计思路，用任何语言（Python/Go/JS/TS/C++/Java）自己动手写一个 AI 编程 Agent。核心模式是语言无关的。

网站地址：https://learn.shareai.run/zh/

谷歌Stitch：AI设计的下一站，Figma的噩梦？

Fri, 20 Mar 2026 20:22:00 +0800

本文由 AI 自动摘录整理，原始链接：谷歌Stitch：AI设计的下一站，Figma的噩梦？

推荐指数：8/10（推荐读原文）

背景

谷歌在 Next 大会上发布了 Stitch，一款 AI 驱动的 UI/UX 设计工具。它不是传统的"AI 加持设计工具"，而是彻底颠覆了设计工作流——用自然语言直接生成可交互的 UI 原型。Figma 股价两天内大跌 12%，市场恐慌情绪蔓延。

核心观点

Vibe 设计时代到来：从"画图"变成"说话"，用自然语言描述需求，AI 直接生成设计稿
谷歌的三张王牌：免费（Figma 收费）、分发（Gmail/Docs 数亿用户）、捆绑（Workspace 套餐）
巨头吃掉市场：谷歌不需要技术碾压，只需"够用"就能靠生态蚕食份额——这剧本很熟悉

补充要点

Stitch 五大功能：自然语言生成 UI、多模态输入（截图/草图）、AI 编排（自动补全流程）、即时原型（静态秒变交互）、设计系统一致性
Figma 2025 年收入 10.6 亿美元，同比增长 41%，但今年以来股价已跌约 35%
老黄和奥特曼都表示：软件行业不会死，但变革即将到来
讽刺的是，谷歌云和 Figma 2025 年 10 月刚宣布扩大合作

思考

这又是一个"巨头入场，创业公司瑟瑟发抖"的故事。AI 时代的技术迭代速度太快，昨天的护城河今天可能就成了废墟。对于设计师来说，工具会变，但审美、创意、用户洞察这些核心能力不会贬值。问题是：当工具足够强大时，这些能力还能构成壁垒吗？

Claude Code Skills 完全指南：打造你的 AI 编程助手

Fri, 20 Mar 2026 15:48:00 +0800

本文由 AI 自动摘录整理，原始链接：Claude Code Skills 完全指南

推荐指数：8/10（推荐读原文）

背景

Claude Code 是 Anthropic 推出的 AI 编程助手，其核心能力来自 Skills（技能）系统。Skills 允许开发者定义定制化的行为、规则和工具，让 Claude 更好地理解项目上下文、遵循团队规范、执行复杂任务。本文是 Claude 官方团队的实践经验总结。

核心观点

Skills 是 Claude Code 的灵魂：通过 Skills 可以定义 Claude 的行为边界、工具使用方式、代码风格偏好等，使其成为真正的"团队成员"而非通用工具
三种核心能力：Skills 包含 Rules（规则）、Tools（工具）、Hooks（钩子）三大组件，分别控制 Claude 的思考方式、行动能力、和执行时机
从 Gotcha 开始：最实用的 Skills 往往从简单的"陷阱提醒"开始，比如"不要删除测试数据"、“生产环境禁止 force push"等，逐步积累完善

补充要点

提供代码比让 Claude 自己写更高效：将脚本和库交给 Claude，让它专注于组合和决策，而非重新构建基础代码
按需钩子（On Demand Hooks）：只在需要时激活的钩子，比如 /careful 阻止危险操作、/freeze 限制编辑范围
Skills 分发：小团队可直接检查到代码库（./.claude/skills），大团队可建立内部插件市场
衡量效果：可通过 PreToolUse 钩子记录 Skills 使用情况，了解哪些受欢迎、哪些触发率低
组合 Skills：Skills 之间可以相互依赖和引用，比如"CSV 生成"可以调用"文件上传”

技术细节

Skills 的三种核心组件：

组件	作用	示例
Rules	定义思考规则	“使用 TypeScript 时优先用 interface 而非 type”
Tools	提供 Bash 命令和脚本	数据抓取脚本、部署命令
Hooks	在特定时机触发	提交前检查、危险操作警告

按需钩子示例：

/careful — 阻止 rm -rf、DROP TABLE、force-push 等危险操作
/freeze — 限制只能在特定目录编辑，调试时防止"顺手修复无关内容"

Kimi新架构让马斯克叹服！17岁高中生作者一战成名

Tue, 17 Mar 2026 18:15:00 +0800

本文由 AI 自动摘录整理，原始链接：Kimi新架构让马斯克叹服！17岁高中生作者一战成名

推荐指数：8/10（推荐读原文）

背景

月之暗面（Kimi）团队提出了一种新的 Transformer 架构改进方案——Attention Residuals（注意力残差）。核心思路是：把注意力机制"旋转90度"，用 attention 替代传统的残差连接。这篇论文让马斯克、Karpathy 等人为之一震，更令人惊讶的是，共同一作之一是一名年仅17岁的高中生。

核心观点

残差连接的本质问题：传统 Transformer 的残差连接是固定模式（加法），而 attention 是动态的信息聚合。团队提出：既然时间维度上 attention 替代了 RNN 的固定递归，那深度维度上是否也该用 attention 替代固定的残差连接？
时间-深度对偶性：深度神经网络的"层"和循环神经网络的"时间步"本质上都是对信息的迭代处理。Transformer 在时间维度上用 attention 替代了 RNN，现在在深度维度上也该如此。
即插即用：Attention Residuals 不需要修改网络其他部分，可以直接替换残差连接，兼容现有架构。

补充要点

17岁高中生陈广宇（Nathan）：一年前还不知道 Transformer 是什么，通过黑客松结识了奇绩创坛创始成员董科含，后者成为他的创业导师。在 DeepSeek 研究员指导下，利用 Gemini 作为辅助工具研读经典论文、追踪 GitHub 开源项目逐步建立认知。
从兴趣到能力：他在推特上分享对一篇博客的反思后获得作者回复，引起硅谷 AI 初创公司 CEO 关注，通过通宵实验测试后获得实习机会。在硅谷七周实习期间负责涉及 144 张 H100 显卡的项目，参与招聘系统搭建、技术内容输出及融资策略讨论。
加入 Kimi 的契机：正是 GitHub 上的 Flash Linear Attention（FLA）项目吸引了他对机器学习的兴趣。实习结束后回国，于去年 11 月加入月之暗面，做的正是最底层、最核心的 attention 工作。
成长路径启示：相比"少年天才一路开挂"的故事，陈广宇的经历更像另一种路径——先被时代最前沿的技术击中，再一步步把兴趣磨成能力，把能力带到真正的大模型研发现场。

我们能学到什么

1. 快速入门新领域的方法论

陈广宇用一年时间从零到共同一作顶会论文，他的方法值得借鉴：

用 AI 辅助学习 AI：用 Gemini 帮助研读经典论文、理解概念
追踪开源项目：从 GitHub 的 FLA 项目入手，看实现、读代码
社交学习：在推特分享思考，获得大牛反馈
实战验证：通过黑客松、限时实验测试证明自己

2. 底层技术才是护城河

陈广宇没有停留在应用层，而是"一路往更底层钻"——研究 Triton kernel、理解 attention 为什么能被这样重写和加速。这提醒我们：表层技术迭代快，底层原理相对稳定。

3. 连接比天赋更重要

他不是闭门造车，而是：

参加黑客松结识导师
在社交媒体主动输出
通过实习进入核心圈子

主动连接能让你进入正反馈循环。

如何快速入门新领域

结合陈广宇的经历，总结一套可复制的方法：

找到入口：一个让你"被击中"的开源项目或论文
AI 辅助深读：用 AI 帮你啃懂经典论文，不懂就问
动手实践：跑代码、改参数、看效果
公开输出：在社交媒体分享学习笔记和思考
寻找社区：参加黑客松、加入开源项目、找导师
向下扎根：不要停留在 API 调用层，往底层原理钻

论文地址：Attention-Residuals

北大开源MagicSkills：AI Agent世界的npm

Thu, 19 Mar 2026 19:15:00 +0800

本文由 AI 自动摘录整理，原始链接：龙虾的应用商店挂牌了！北大开源MagicSkills，让Agent Skill可自由安装组合同步

推荐指数：8/10（推荐读原文）

背景

北京大学 Narwhal-Lab 开源了 MagicSkills 项目，通过统一管理 AI Agent 所需的技能（Skill），实现了"写一次、到处用"的能力复用。这就像是 AI Agent 世界终于有了类似 npm 的角色。

核心观点

解决 Skill 管理混乱问题：不同 Agent 项目重复实现相同技能（PDF处理、搜索、Git操作等），导致管理混乱、复用难、易分叉
统一的能力管理层：把 Skill 从"散落在项目里的说明和脚本"变成"可统一管理的能力单元"——包含 Prompt + Tool + Workflow
多框架兼容：Agent 应用通过同步 AGENTS.md 自动发现技能，Agent 框架通过统一工具接口或 Python API 调用

补充要点

Agent Skills 开放标准（agentskills.io）已被 26+ 平台采纳，包括 Claude、OpenAI Codex、Gemini CLI、GitHub Copilot、Cursor 等
Anthropic 官方仓库 anthropics/skills 提供了高质量的基础 Skill
Skill 最小结构：一个目录 + SKILL.md 文件
未来 AI 软件架构趋势：一个通用 Agent 运行时 + 按需加载不同 Skill 库
项目链接：https://github.com/Narwhal-Lab/MagicSkills

价值思考

“当一个领域开始成熟时，一定会出现’包管理’和’生态系统’。就像今天的软件世界有 npm、PyPI、Docker Hub 一样。”

MagicSkills 要做的是在 Agent Skills 生态基础上加一层统一管理机制，解决"当 Agent 越来越多时，Skill 还能不能继续靠复制、粘贴、手动整理来管理"的问题。

万字拆解Palantir：股价暴涨30倍幕后，中国厂商卡在哪？

Thu, 19 Mar 2026 18:10:00 +0800

本文由 AI 自动摘录整理，原始链接：万字拆解Palantir：股价暴涨30倍幕后，中国厂商卡在哪？

推荐指数：8/10（推荐读原文）

背景

Palantir 股价暴涨 30 倍的背后，是其独特的三大技术壁垒：本体论（Ontology）、AIP（AI Platform）和 FDE（Foundry Data Engine）。这篇文章深入分析了 Palantir 的成功密码，以及中国厂商在学习对标时面临的困境与挑战。

核心观点

长期主义是关键：Palantir 从 To G 的军政口生意起家，历经近 20 年的长期亏损才实现盈利。这种战略定力和长期投入，是国内厂商普遍缺乏的
“推理框架"才是核心竞争力：Palantir 凭借 AI 崛起的核心不是 Agent 或数据，而是多年前就开始布局的"推理框架”——这是国内厂商尚未完全破解的底层地基
三大瓶颈制约中国厂商：算力（缺乏英伟达级别的成熟生态）、资金（小厂没资源，大厂资源分散）、人才（既懂技术又懂业务深度的复合型人才稀缺）

补充要点

国内厂商更倾向于快速追求商业变现，垂类模型、数字人等领域虽能变现，但未来竞争力的核心是推理框架
懂业务是技术团队的"软肋"：没有行业经验，容易低估业务复杂性
Palantir 模式需要本土化适配，直接照搬不现实
业界共识：借鉴 Palantir 要"拆开看、揉碎了学，再长出属于自己的东西"
预计两三年后，谁能真正学会 Palantir 就会看得比较清楚

中国版 Palantir 的代表厂商

文章提到了几家对标企业：

百望股份：G To B To B 基因，参与国家财税数据基座建设
滴普科技：脱胎于华为和阿里技术团队，成立 DIC（深度创新中心）加强业务能力

值得思考的问题

“中国市场很大，哪怕做垂类模型或者做数字人，都能有商业变现的机会。当这些领域成为红海时，决定竞争力的将会是推理框架，但那个时候再做肯定来不及了。”

清华开源「教学龙虾」OpenMAIC：国内首个 L4 级 AI 课堂

Mon, 16 Mar 2026 16:58:00 +0800

本文由 AI 自动摘录整理，原始链接：清华团队悄悄开源了一只「教学龙虾」：国内首个L4级AI课堂来了

推荐指数：8/10（推荐读原文）

背景

清华团队开源了 OpenMAIC，一个 L4 级 AI 课堂平台。这个名字音同「MY 课」，寓意每个人都能拥有自己的课。项目从 2023 年底启动，2024 年在清华校内试点，2025 年 3 月上线国家智慧教育平台，累计访问量突破 2000 万次。

核心观点

课程结业率 40%+：传统 MOOC 长年低于 5%，MAIC 平台超过 40%
AI 教师效果优于慕课：随机对照实验显示，AI 教师在激发主动讨论和探究行为上甚至超过真人授课
教育平权：偏远乡村的孩子，一部能上网的手机，就能拥有清华级别的全科 AI 私教
一键本地部署：兼容主流大模型（Qwen、GLM、OpenAI），支持 TTS/ASR，通过 LangGraph 管理多智能体流程

补充要点

MAIC 随 2025 级清华录取通知书发放，许多清华新生见到的第一门课就是 AI 课
与全国十余所中学合作探索新教学方式：学生按各自节奏跟 AI 学，真人教师承担讨论组织、课题设计
北京门头沟区教委在中关村 AI 论坛发布了相关成果
支持「脑洞课程」：输入任意主题，AI 自动生成课程

为什么开源

刘慈欣《乡村教师》结尾的启示：人类用声波这种原始方式传递知识，却建立起文明。AI 时代，有没有可能让每个人，无论在哪、无论家庭背景，都能拥有一位永远在线的「老师」？这是 OpenMAIC 开源的根本原因。

智能体软件工程 - 代码的未来

Fri, 13 Mar 2026 10:43:00 +0800

本文由 AI 自动摘录整理，原始链接：智能体软件工程 - 代码的未来

推荐指数：7/10（推荐读原文）

背景

这是一本由 Ahmed E. Hassan 撰写的在线书籍，探讨 AI 智能体如何改变软件开发。书籍提出"智能体软件工程"（Agentic Software Engineering）这一新学科，关注如何在 AI 与人类协作的环境中确保软件的可靠性和可信度。

核心观点

代码生产不是瓶颈：真正的挑战在于复杂性管理、团队沟通，以及长期维护系统完整性
从编码到架构的转变：AI 智能体时代，开发者的重心从"写代码"转向"设计架构"和"管理复杂性"
智能体软件工程是新学科：专注于在 AI 和人类共同参与的随机性环境中，确保系统的可靠性和可信度

补充要点

成功的关键：明确意图、管理风险边界、要求证据——而非追求打字速度
瓶颈不在代码产量，而在如何让系统长期保持健康
适合对 AI 辅助编程、软件工程未来趋势感兴趣的读者
书籍在线免费阅读，支持中英文切换

什么是 Agent Skills？Claude 技能包机制详解

Tue, 10 Mar 2026 20:38:00 +0800

本文由 AI 自动摘录整理，原始链接：什么是 Agent Skills？

推荐指数：5/10（只读摘录即可）

背景

一篇介绍 Agent Skills 概念的入门文章。Skills 是为 AI 智能体配置的预定义指令和最佳实践集合，本质是「带目录的说明书」，通过按需加载机制降低 Token 消耗。

核心观点

Skills = 可复用的提示词包：把「一次性交代」的 Prompt 变成了可版本化、可共享的专业技能包
三层结构设计：Metadata（目录/元数据）→ Instruction（正文/指令）→ Resource（附录/参考资料），按需加载，不一次性全喂给 AI
与 MCP 的区别：MCP 解决「我能调用什么工具」，Skills 解决「我应该怎么做这件事才专业」

补充要点

文件结构：SKILL.md（必需）+ reference.md（可选）+ examples/ + scripts/
SKILL.md 顶部 frontmatter 可配置 name、description、disable-model-invocation、allowed-tools 等
导入方式：将 Skill 文件夹放入平台的 Skill 目录即可自动加载
Skills 不是代码，是提示词；需要执行代码时配合 Function Calling
上下文窗口有限（Claude 约 200K tokens），Skills 不宜写太长
资源：Claude 官方 Skill 库（github.com/anthropics/skills）、社区（skillsmp.com）

用 AI 写 Chrome 插件，修一个 Bug 出两个 Bug

Thu, 12 Mar 2026 02:35:00 +0800

用 AI 写代码这么久，发现一个问题：只有在写 Chrome 插件的时候，AI 特别容易"修一个 Bug 出两个 Bug"。

写普通项目的时候还好好的，一到 Chrome 插件就开始反复横跳。你让它修个 Bug，它给你修好了，顺便给你整出俩新的。你以为在进步，其实在原地打转。

为什么 Chrome 插件特别容易这样？

我也想知道。所以我去问了 Gemini：完整对话记录

感觉可能和 Chrome 插件的架构有关——background、content script、popup 之间消息传来传去，AI 很难把握全局。它只看得到你说的那一个问题，改完就完事了。至于这个改动会不会把别的地方搞崩？它不在乎。

反正写 Chrome 插件用 AI，全程盯着验收就完事了。

20岁大学生花10天VibeCoding一个开源项目，获盛大3000万投资

Tue, 10 Mar 2026 20:26:00 +0800

本文由 AI 自动摘录整理，原始链接：20岁大学生花10天VibeCoding一个开源项目

推荐指数：7/10（推荐读原文）

背景

中科大 20 岁学生 BaiFu 用 10 天 VibeCoding 出两个开源项目：BettaFish（多 Agent 舆情分析）和 MiroFish（AI 预测引擎），双双登顶 GitHub Trending。后者获盛大陈天桥 3000 万投资。文章分享了 VibeCoding 的方法论和对「超级个体」的思考。

核心观点

MiroFish 做什么：通过提取现实世界的种子信息，构建平行数字世界，让成千上万个具备独立人格、长期记忆的智能体进行社会演化，推演事件走向（如红楼梦续写、企业战略分析）
VibeCoding 落地流程：Figma 画草图 → Google AI Studio 做前端 demo → 拆分模块交给 AI IDE 开发；前端推荐 Gemini 3 Pro（有灵气），后端工程用 Claude（稳定性）
多 Agent 并行策略：同时开 8 个 agent 干一样的活，效率飞快，还能直观摸到每个模型的能力边界

补充要点

BettaFish 一周暴涨 20k star，MiroFish 目前 5.7k star
红楼梦案例：从 15 万字原著生成 905 个实体节点、3822 条关系边、580 个人设，成本约 14 元
刹车系统很重要：git 管理代码 + 写好文档，防止改了 A 影响 B
深度 code review：一行行审计 AI 代码，理解它的思考过程，纠正关键误区
开源选题建议：从垂直领域切入积累口碑，再面向大众；做减法，不追求大而全
营销素材提前准备：演示视频等能让「别人帮你宣传」的内容
代码是冷的，故事是热的——学会讲故事是独立开发者的必修课

企业级AI Coding的落地方法，都在这本实战手册里了

Tue, 10 Mar 2026 19:30:00 +0800

本文由 AI 自动摘录整理，原始链接：企业级AI Coding的落地方法，都在这本实战手册里了

推荐指数：7/10（推荐读原文）

背景

字节跳动 TRAE 团队发布了《2026 企业级 AI 编程实践手册》，系统性地介绍了企业级 AI Coding 的落地方法论。文章从开发范式变革、SOLO 模式、智能体协作到实践案例，展示了 AI 如何真正成为企业开发的确定性生产力。

核心观点

AI 原生开发范式：开发流程从"需求→设计→编码→测试"压缩为"高效输入→流程设计→代码质量把控"，开发者从"写代码的人"变成"定义问题的人"
SOLO 模式：TRAE 的核心创新，让 AI 自主完成从任务拆解、代码生成到测试部署的全流程，人类只需扮演"决策"和"审核"角色
业务 Context 是关键：Trae Loop 实验数据显示，启用 Skills 时 Bug 修复率达 100%（32/32），不使用时仅 59%（19/32），证明业务上下文是提升 AI 能力的决定性因素
设计稿转代码的突破：通过 Figma MCP Server + Code Connect，将设计组件与代码组件建立映射，采用模块化拆分策略，而非"一键生成整页代码"

补充要点

TRAE 已覆盖前端设计还原、后端逻辑实现、Agent 构建的全流程
Skills 机制让 Loop 具备"业务记忆"，每次成功修复成为下次的 Context
两大核心优化策略：约束 AI 的实现规模 + 提供高质量的上下文
开发者需更深入分析业务流程，思考边界情况和异常场景
企业需调整组织结构、协作方式与治理机制，才能将个体效率转化为组织能力
未来的软件工程不区分"人写的代码"还是"AI 写的代码"，只有"高质量的业务价值"

普通路由器变「透视眼」？WiFi穿墙识别人体姿态

Mon, 09 Mar 2026 19:56:00 +0800

本文由 AI 自动摘录整理，原始链接：普通路由器变"透视眼"？WiFi穿墙识别人体姿态

推荐指数：8/10（推荐读原文）

背景

GitHub 开源项目 WiFi-DensePose 获得 3 万+ 星标，它仅通过普通 WiFi 路由器信号就能穿墙实时推断室内人体的运动轨迹和姿态。无需摄像头、激光雷达或特殊硬件，总成本约 54 美元，且不涉及隐私问题。

核心观点

WiFi 信号实现穿墙感知：利用信道状态信息（CSI），通过 3 发 3 收天线采集信号，实现 5 米深度内的穿墙人体姿态检测
成本极低：仅需普通 3 天线路由器 + ESP32 传感器网络（每节点约 1 美元），总成本约 54 美元，远低于激光雷达（约 700 美元）
深度学习两阶段框架：第一阶段将 1D CSI 信号映射为 2D 特征图，第二阶段用改进的 DensePose-RCNN 评估人体姿态和三维表面信息
迁移学习加速训练：用基于图像的 DensePose 作为教师网络指导 WiFi 信号训练，将迭代次数减少到 14.5 万次

补充要点

处理速度：54,000 帧/秒，支持多人同时检测
模型轻量：仅需 55 KB 内存，可在低成本边缘设备本地运行
生理监测：无需可穿戴设备即可检测呼吸频率（6-30 次/分钟）和心率（40-120 次/分钟）
CSI 预处理：相位去噪与校准，消除时钟不同步和环境干扰导致的漂移
隐私友好：不拍摄人脸，不受光线条件限制，适合黑暗环境
应用场景：老人/儿童跌倒监测、智能家居姿态响应、室内安防异常检测
学术来源：卡内基梅隆大学团队论文 “DensePose from WiFi”

Claude Code 工程师：我们花了一年，才学会像 Agent 一样思考

Sun, 08 Mar 2026 20:14:00 +0800

本文由 AI 自动摘录整理，原始链接：Claude Code 工程师：我们花了一年，才学会像 Agent 一样思考

推荐指数：8/10（推荐读原文）

背景

Claude Code 核心开发者 Thariq 写了一篇长推「Lessons from Building Claude Code: Seeing like an Agent」，分享了他们一年多来设计 Agent 工具的心得——不是发布新功能，而是讲怎么想明白该给 AI 配什么工具这件事。

核心观点

工具能力上限取决于使用者能力上限：给不会编程的人一台超级电脑，不如给他计算器；同理，给 Claude 配一堆它用不好的工具，不如配几个它真正懂得调用的工具
一个工具一个语义，混合意图会让模型困惑：AskUserQuestion 工具迭代了三次才成功——失败原因分别是语义冲突、自由文本不稳定、模型不知道何时调用
模型能力进化，工具设计需要跟着迭代：TodoWrite 曾经必要，但后来反而束缚了更强的模型；今天正确的约束，明天可能是枷锁
渐进式披露：不加工具也能加能力：通过「Context on Demand」让 Agent 需要时再拉取上下文，而不是把文档全塞进系统提示

补充要点

学会"像 Agent 一样看世界"：读它的输出、做实验、持续观察，而不是假设它能或不能做什么
工具多了有代价：每多一个选项，模型就多一个决策负担，性能和稳定性都会受影响
Claude Code Guide 子 Agent：专门回答关于 Claude Code 自身的问题，有专门优化的搜索指令
Grep 工具替代 RAG：让 Claude 自己搜索代码库，主动构建自己需要的上下文
工具设计是艺术不是科学：高度依赖模型、目标、环境三个变量，唯一可靠的路径是持续实验

读 OpenAI 的 Harness Engineering，我学到的几件事

Sun, 08 Mar 2026 18:48:00 +0800

本文由 AI 自动摘录整理，原始链接：读 OpenAI 的 Harness Engineering，我学到的几件事

推荐指数：8/10（推荐读原文）

背景

OpenAI 官方博客《Harness Engineering》分享了他们内部团队如何用 Codex（基于 GPT-5 的编码 Agent）从零构建真实产品：3 名工程师在 5 个月内，全程不写一行代码，完全通过 prompt 驱动 AI 产出约 100 万行代码。文章总结了在"让 AI 写全部代码"这条路上踩过的坑和积累的经验。

核心观点

给 Agent 一张地图，而不是百科全书：AGENTS.md 精简到约 100 行，只充当目录指向结构化 docs/，避免上下文稀释和模式匹配退化
仓库是唯一的真相来源：Agent 访问不到的东西对它不存在，偏好"无聊"但稳定的技术，有时宁可重写也不用不透明的外部依赖
约束越严格，Agent 越高效：固定依赖方向 + 确定性 linter + LLM 审计，中央强制边界、局部允许自治，约束越清晰解空间越小
模型是马，驾具是缰绳：未来工程师的核心能力是设计"驾具"——定义约束、构建反馈循环、管理文档结构

补充要点

当 Agent 搞不定时，问"缺了什么工具/文档/能力"，让 Agent 自己补，而不是自己上手
大 AGENTS.md 失败的四个原因：上下文稀释、重要性通胀、快速腐烂、难以验证
“纠错成本低，等待成本高”：PR 生命周期要短，让快速检测修复替代一次性做对
技术债像高息贷款：持续小额偿还 > 复利后痛苦解决，把人类品味"固化"进系统持续执行
透明内部代码比不透明外部依赖有更高"杠杆"：Agent 能看到仓库代码，但翻不了文档