Lil

Building with AI.

[高运通 @Stargridcompass]

刚从 Anthropic 跳槽 OpenAI 的 Claude Code 产品负责人 Cat Wu，一入职就喜提“封号女王”的称号。😂

她的职业晋升速度也堪比坐火箭。

从工程师到投资人，再到顶级 AI 产品负责人，技术、资本、产品全干过。

[Jason Zhu @GoSailGlobal]

youtube高清：https://t.co/e2rk3OenGS

[美研芒格君 @Kay2289123]

AI 算力到底是建多了，还是不够用？我坚定认为，在当前时间，AI不可能、也绝对不是泡沫，2028 年算力都已经售罄。我在硅谷所见之处都是缺算力，目前没有看到泡沫迹象

有些网友说这些高强度用 AI 的人生活在 AI 的 bubble 里，看不到全部的世界，老百姓用 AI 的很少。真的是这样吗？

谷歌 CEO Sundar Pichai 的两个回答：
问：亚马逊算力已卖到 2028 年。谷歌也一样吗？

Sundar Pichai: “现在客户来要 2027 年的算力，已经很难满足。去年我们还租了短期算力来服务部分客户。

问：AI 会不会像铁路、光纤一样，出现过度建设？

Sundar Pichai: “现在算力每天都不够用，应用和底层技术还在快速进步。长期看，这样的建设规模有道理。

但过度建设仍可能发生，局部短缺与过剩也能并存。我们会结合需求、合同承诺和技术能力决定投入。给足时间，我相信规划的算力会用得上。”

[Lil @AITechCon]

这个蛮好的

[AIGCLINK @aigclink]

有人开源了小学全学科知识图谱：os-taxonomy，数据涵盖1590个知识点、3221条依赖关系

可以拿来做AI家教或者RAG外挂，也有人把它包成MCP，让Agent直接查询“学这个之前要掌握什么”、“到这个目标的最近路径”

我认为值得关注的地方是：它把知识之间的先后依赖关系显式化了，AI不只能回答孩子眼前的问题，还可以结合测评结果识别可能缺失的前置知识，来规划下一步应该学什么

比如说，孩子要理解水为什么会沸腾，就需要先理解温度、热量以及水的状态变化

那知识图谱能把这些前置知识与后续概念连接起来，让学习不再只是孤立的硬记课本内容

它解决了教育的三个关键问题：
学什么？ 把分散的课程内容拆成结构化知识单元
先学什么？ 显式标记知识之间的依赖关系

怎么学？ 为AI辅导、知识缺口诊断、个性化学习路径提供结构化基础

他们自家也基于这个图谱，做了一个孩子可以交互实验式学习的产品

图谱目前覆盖了科学、数学、英语等8个学科，对齐的是美英课标，NGSS/Common Core/英国国家课程

#AI教育 #教材知识图谱 #AI小学教育

[Lil @AITechCon]

2B 的 AI 转型是一把手工程

[Ethan 恩宇 @UPing123zzz]

这句话真的太有感触了。

自己这几个月一直在接触企业 AI 落地，越来越发现一个问题：很多企业真正缺的，可能根本不是 AI 技术，而是对 AI 到底能做什么、不能做什么，以及该怎么创造价值的基本认知。

现在很多老板一听到 Agent、RAG、工作流、自动化，就觉得 AI 已经无所不能了。今天看到别人做了一个智能客服，明天就想让自己的公司也搞一套；后天看到别人用 Agent 自动处理业务，又想把整个公司的流程全部自动化。

但你真让他坐下来，把业务需求说清楚，把现有流程梳理一遍，把数据来源、人员职责、验收标准确定下来，可能连第一步都推进不下去。

更有意思的是，有些企业嘴上说要拥抱 AI，但实际上根本没有做好改变原有工作方式的准备。老板希望 AI 降本增效，员工担心 AI 取代自己，技术人员拼命研究框架，业务人员又不愿意配合调整流程。所有人都在谈 AI，但所有人理解的 AI 根本不是同一个东西。

最后就出现一个特别荒诞的现象：花了不少钱，买了不少工具，做了不少 Demo，开了无数次会议，项目看起来一直在推进，但真正进入生产环境以后，还是没人愿意用。

当然，数据、技术、预算、权限这些问题都是真实存在的，并不是认知到位就能自动解决。

但我越来越觉得，企业 AI 落地的第一步，甚至不是开发，而是先让决策者、业务人员和技术人员对齐认知。

到底要解决什么问题？为什么需要 AI？能节省多少成本？谁来使用？出现错误谁来负责？什么样的结果才算真正交付？

这些问题都没搞明白，上来就研究什么多智能体、什么最新框架，意义真的不大。

所以我现在越来越理解，为什么真正的 FDE 不只是一个写代码的工程师。他还得懂需求、懂业务、懂沟通，甚至要帮客户重新理解自己的业务流程。

AI 能不能做出来，是技术问题。AI 值不值得做、应该怎么做、做出来以后有没有人用，才是企业真正需要解决的问题。

未来企业之间的 AI 差距，可能不仅是技术差距，更是认知差距和组织执行能力的差距。

[司徒K @situking]

前几天发了全球 AI 博主 百 人榜单，很多人问：中文圈有没有一份？
这次我深度调研了几百个中文 X 博主，逐个核对作品。

原本只想留 100 人，但大家实在太优秀了，最后还是留下了 120 人。

覆盖 AI、开源、出海、开发和投资等方向。建议先收藏，再按需要慢慢关注。 https://t.co/tNP6hFFVcD

[Lil @AITechCon]

招聘需求很完整

[做 FDE 的智昊 @cnzhihao]

这是一家公司的招聘信息。

基本上把海外上站的要求都写完了，很好，可以看看。

去他那干活就不必了，你要是这些能力都掌握了，自己在家搞搞一个月几千刀还是问题不大的。

[Miao Yang @WaterrrMiao]

复刻小Lin说 1 分钟，现在谁都能做。
做满 10 分钟、还是那个味道，是另一回事🤥

Opus 5.5 之后，code to video 到了新的高度。
复刻一个片段 → 完整复刻 10 分钟 → 创作新的 10 分钟。
@HyperFrames_ editor 已经在第三步了：「一口气了解泰国经济」，9 分 34 秒，一集她没讲过的题目。

最近 reverse engineering 很火，刷屏的小Lin说复刻帖我都看了。大多数复刻的是一段 1–2 分钟的 motion graphics：形似，但简单、廉价。小Lin的动效细节是满的，动作、编排、前后的连续性，全都和口播文案咬在一起。这不是复刻一分钟的片子能做出来的。

素材可以照着复刻。但如果从 0 开始呢？如果要一集接一集地做呢？
- 素材去哪找
- 每句话配什么画面，怎么卡着文案进出
- 文案怎么写才是小Lin味，而不是别的博主，或者流水线式的讲解
- 数字人和声音怎么撑满 10 分钟：语序、语调、停顿都要对
- 音效怎么提取、归类，用在对的地方
- 背景音乐在哪起、在哪停
到这一步，agent 就一头雾水了。

@HyperFrames_ editor 把这些都解决了：
- 把她拆成一套模板：怎么写、怎么剪、怎么动
- 动效逐帧对齐，1:1 重建
- 音效和音乐跟着口播卡点
- HeyGen 数字人 + 专业级声音克隆

下面泰国这集就是这么来的：同一套模板，换个题目就是新的一集。
HyperFrames editor 做的不是复刻小Lin说，是一个能无限往下做的「一口气了解 XXX」系列。https://t.co/3BsSfDzpoP

（视频中的主持人形象和声音均为 AI 生成，非小Lin本人，仅作技术演示）

[Lil @AITechCon]

关注起来，感谢分享

[司徒K @situking]

前几天发了全球 AI 博主 百 人榜单，很多人问：中文圈有没有一份？
这次我深度调研了几百个中文 X 博主，逐个核对作品。

原本只想留 100 人，但大家实在太优秀了，最后还是留下了 120 人。

覆盖 AI、开源、出海、开发和投资等方向。建议先收藏，再按需要慢慢关注。 https://t.co/tNP6hFFVcD

[Lil @AITechCon]

比较互联网泡沫和 AI 泡沫的最根本的差别是速度，AI 的追赶速度可能快过于泡沫速度

[AYi @AYi_AInotes]

硅谷顶级教父 Ben Horowitz 刚翻出了一段尘封二十多年的血泪史，喵个咪这段历史足以把今天所有把算力当成印钞机的人看出一身冷汗，

这大概是目前全网关于 AI 基础设施最透彻、也最反直觉的一篇商业复盘，强力推荐！！

1999 年他创办 Loudcloud 时，全网带宽每兆位高达 1500 美元而且有钱都买不到，他们被迫签了三年高价长约，结果仅仅两年后，带宽暴跌到了 50 美元，那些借钱囤带宽的公司一夜之间全被周期压得粉身碎骨。
二十五年后的今天，全行业的算力新贵们看似正在经历相反的狂欢，但背后那个致命的套利陷阱其实从来没有消失过。
最值得玩味的反差，正发生在我们眼皮底下。
现在的 AI 市场呈现出一种极度撕裂的冰火两重天：在应用层，各大模型的调用价格为了抢夺市场已经降到了当年的零头，每一百万个 Token 的价格都在疯狂跳水；但在物理基础设施层，高算力显卡的价格依然居高不下，数据中心的地皮、机房的电力指标，甚至连能去工地搭机房的熟练工人都在全面涨价。
表面上看，现在的算力云厂商赶上了好时候，因为供给短缺依然严重，他们还能享受到极高的租金溢价；但只要把时间拉长，这种依靠上游垄断和下游饥饿建立起来的套利空间，本质上极其脆弱。
在物理世界里，你借来的债务利息是刚性的，签下的机房租约是刚性的；但在数字世界里，技术迭代和降价的刀刃一旦落下来，从来都不会提前和你打招呼。
这就是商业历史上最残酷的一条铁律：
卖铲子的人并不总是赢家，如果你是在铲子最贵的时候借巨资去囤货，只要风向稍微一变，最先被埋葬的反而是中间那个转手铲子的人。
当所有人都以为物理短缺永远不会结束的时候，往往正是风险在暗处悄悄蓄水的时候。
大家觉得目前这波看似永无止境的算力短缺，未来三年内最可能因为什么原因突然迎来拐点？我先说，当更小、更精简的端侧小模型性能彻底追上大模型的时候，全网对云端千卡万卡集群的盲目崇拜很可能会在几个月内迅速退烧。

[AI Will @FinanceYF5]

硅谷 AI 真正可怕的，可能不是公司多，而是它们离得太近。

Berkeley 周边 20km 内有 21 家，Stanford 周边有 26 家。OpenAI、Anthropic、xAI、Meta、Google DeepMind、NVIDIA，以及上下游核心公司，几乎都挤在同一条湾区走廊。

人才、资本、大学和产业每天都在面对面碰撞

[Lil @AITechCon]

发人深省

[Alejo @ecommartinez]

Un investigador de Anthropic acaba de decirle a una sala llena de doctorandos que su plan de carrera ya no existe.

La charla se titula "El fin del Antropoceno" y los datos son brutales:

→ El cómputo para entrenar modelos se multiplicó por 10 millones en la última década
→ La duración de las tareas que una IA completa sola se duplica cada pocos meses
→ Desde hace 7 meses los modelos resuelven problemas abiertos de Erdős que los matemáticos no habían logrado cerrar
→ En San Francisco, tener "timelines largos" significa pensar que la AGI llega en 10 años

Su proyección: el cómputo de 2030 será 10.000 veces mayor que el de 2025.

Todavía estamos al principio de la exponencial.

Sus 3 consejos para los estudiantes:

1. Usa la IA cada día. Si estás sobre la exponencial, nunca te quedas atrás de ella.
2. Elige proyectos que mejoren cuando el cómputo escala. El resto quedará resuelto antes de que los termines.
3. Deja de planificar tu carrera como si fuera estable. La opción segura ya no compra seguridad, ya no existe.

Y una frase que resume todo:

"Escribir es pensar. Si externalizas tu escritura, externalizas tu pensamiento."

La charla completa aquí ⬇️

[Grok Bot @bot]

Grok Bot can now search, read, and monitor X.

[Lil @AITechCon]

听起来有些还是有道理的

[拾习生.X @interr_x]

没想到孙哥表达欲这么强，嘎嘎输出观点，而且不知道是不是剪辑的原因，完全没看出累或者不想说的感觉，结尾整理了20点年轻人建议。

孙宇晨这期访谈里有四个观点，我个人觉得挺有意思：全面 AI 化、不要过早买房买车结婚、人生要「逐水草而居」、先自由后财富。

他认为，无论有多少钱，都应该先把学习、工作、生活全面 AI 化，一部手机就能开始；

年轻人不要过早被房子、车子和婚姻绑定，否则 OpenAI 突然给你一个去旧金山工作的机会，可能因为家庭和地域限制而错过；

所谓「逐水草而居」，就是哪里能发挥最大的价值、获得更高的回报，就去哪里。而他对财富自由的理解恰好与此呼应：

不是先有钱才能自由，而是先获得认知和选择上的自由，财富才可能成为伴生品。 自由让人更容易抓住机会，财富又反过来增强自由。

1. 零成本把自己全面 AI 化｜09:54

没电脑就用手机，没钱就用免费模型。

把学习、健身、日程、工作流程等信息整理成 Markdown 文档，让 AI 参与管理。不要被单一模型绑定，可以通过 API 接入不同模型。

2. 先建立三套底层认知｜12:07

孙学：升级对金钱、财富自由和世界的理解。
薄肌理论：通过力量训练改善身体管理。
黄毛理论：不被外界评价左右，坚持自己经过判断认可的方向。

他认为这三件事都可以低成本开始。

3. 20 岁一无所有，先积累 2～4 个月个人数据｜17:17

收集健康、学习、能力、生活习惯和当前处境等信息，全部数字化。

交给 Claude、OpenAI、国产模型等多个 AI 分析，寻找职业方向、商业机会及赚钱路径。

不要只问一个模型，交叉比较结果。

4. 持续追踪科技前沿｜19:00

每天关注技术变化，可以自己看 X，也可以让 AI 自动抓取信息。

从中选择最感兴趣、最擅长的一个领域深入研究。

不要试图成为所有领域的专家。

5. 像训练 AI 一样训练自己｜20:31

根据每天收集的数据持续调整方向、行动和习惯。

不追求一次决策正确，而是不断获取反馈、更新策略。

6. 不会就问 AI，进一步学会 API｜23:39

从微信聊天转向与 AI 对话，再从单一聊天工具升级到 API。

文件保存在本地，通过不同模型读取和分析。

不懂 Markdown、API 怎么操作，先问 AI。

7. 年轻人可以提前参与前沿科研｜28:44

他认为 AI 正在降低数学研究的门槛。

过去需要依赖名校、导师和多年学术训练才能接触的研究思路，现在高中生也可能借助 AI 提前学习和探索。

不要被年龄、学历和传统学术路径限制。

8. 全球寻找商机，不要只盯着本地｜34:00

把尼日利亚、土耳其、阿根廷等国家的消费者都视为潜在客户。

不懂当地语言，可以学习，也可以借助 AI 翻译。

寻找全球市场的信息差、价格差和未被满足的需求。

9. 不要让 4 亿中国年轻人只在国内互卷｜37:30

中国拥有强大的工业产能，即使做传统贸易，也有机会把中国商品卖向世界。

他的思路是：为全球约 80 亿人提供产品和服务，而不是只在国内争夺存量市场。

10. 买房、买车、选专业前，先看 100 个选项｜39:50

想买房，先看 100 套房；想买车，先研究 100 辆车。

不知道大学选什么专业，就让 AI 分析 100 个专业未来 10 年的就业前景。

他认为年轻人最容易犯的错误，是信息不足就仓促决策。

11. AI 就是《红警》《星际争霸》里的开全图｜43:30

打游戏时，先侦察地图、确定资源和对手位置，再决定造什么兵。

人生同理。

先用 AI 获取足够的信息，再决定职业、投资和商业方向。

12. 重点关注六类 AI 机会｜47:00

数学及数据驱动科研、天文学、生物制药、基因分析与健康管理、保险金融、Crypto 与 AI 支付。

另外，他特别提到 AI 数据清洗和数据标注，不要小看这些基础业务。

13. 20～40 岁，尽早进行力量训练｜53:30

他把肌肉看作身体的长期储备，认为越早开始身体管理越有价值。

强调身体健康、肌肉储备和心肺能力，而不是单纯为了外形。

这是他的健康管理观点，不能理解为健身能够保证长寿或避免疾病。

14. 人生要「逐水草而居」｜01:22:40

哪里能发挥最大价值，就去哪里。

不必永远留在同一个城市、国家或行业。

他把收入和市场需求作为评估自身价值的重要参考指标。

15. 年轻时尽量不要过早被房、车、婚姻锁定｜01:26:50

孙宇晨举例：一个人如果已经在家乡买房、结婚，即使突然拿到硅谷公司的工作机会，也可能因为家庭和地理位置限制而无法接受。

他的建议是尽量保留职业与地理上的流动性。

16. 看到新技术，先尝试、先学习｜01:59:35

他回忆自己早期接触 iPhone、特斯拉时的经历。

认为不一定要进入一家科技公司工作，也可以通过学习、使用产品或投资等方式参与技术变革。

即使自己的观点暂时不被多数人认可，只要逻辑判断充分，也不必立即放弃。

17. 大胆做自媒体，建立个人 IP｜02:02:19

他认为现在是个人创作者的机会期。

以 Joe Rogan 为例，一个人长期经营播客，也可能建立能够与大型传统媒体竞争的影响力。

内容创作不一定需要传统媒体机构的资源。

18. 先升级认知，再追求财富｜02:42:50、03:02:00

他认为财富自由的顺序不是先有钱再自由，而是先获得某种自由状态，财富才可能随之出现。

还建议用假设自己突然获得 3000 万元的方式，思考能否管理这笔财富。

如果连如何使用和保存财富都没有清晰认知，就应该先学习。

19. 感情问题不要试图用钱解决｜03:05:50

他认为金钱更像关系的放大器，而不是爱情本身。

有钱不代表能让原本不爱你的人爱上你。

在感情中，即使事业上很成功的人也可能「当局者迷」。

20. 少消费，多创造；先体验，再判断｜03:17:45、04:11:50

他以上太空为例：没有亲自体验，就很难知道一件事情真正的价值。

不必做任何事之前都先确定终极意义。

相较于单纯消费和享受，他更倾向于把时间投入创造、探索和实际行动。

[Jealousy 尼卡 @eastweb3eth]

量化大脑

这个库要不要分享出来，我是真的做过一番思想斗争。因为……太好用了。人都是自私的，但最后还是理智战胜了私欲。不相信的话，自己去试试就知道了。

量化大脑开源版是一套面向个人开发者和投研团队的 AI 原生多市场量化交易平台。它把微软 Qlib、RD-Agent 因子演化、TradingAgents 多智能体投研这些东西直接整合到了一起，从 300+ 维因子挖掘、13 种机器学习/深度学习模型、Optuna 自动调参、Qlib 高性能回测、截面批量推理，一直做到 7×24 小时舆情情绪分析、通达信联动、预警雷达、模拟实盘交易。

简单说，就是从找因子 → 训练模型 → 回测 → 推理 → 舆情 → 预警 → 交易，基本给你串成了一条完整链路。

而且支持 A 股，港股、美股、期货、区块链。

仓库地址：
https://t.co/uc4AZ3jI78
官网：
https://t.co/umThIk1QQW

这个库上线没多久就已经 500+ Star 了。但有意思的是，我在推特上几乎没见什么人推荐。所以我合理怀疑：不是没人发现，而是发现的人都默默自己用了🤣

我是尼卡，平时会持续分享 AI、美股、Web3 相关有用又有趣的工具和项目，感兴趣的话欢迎关注，下次见～

[Fred-New @Fred834567]

练完这15个项目，你的workbuddy就起飞了！

大家每天上班的时候，真正消耗时间的根本不是写方案，而是找文件、回消息、对数据、同步进度、翻记录找某个需求。我花时间把WorkBuddy 修炼清单上的 15 个场景都扒出来了，不用谢，直接拿走开干👇

01｜个人专属工作台
5 分钟内完成 WorkBuddy 配置，晨间启动效率直接拉满。
https://t.co/i6N5iHaC40

02｜WorkBuddy + ima 搭建个人知识库
零散知识统一入库，知识检索准确率和启动效率明显提升。
https://t.co/i6N5iHaC40

03｜WorkBuddy + Obsidian 自动化工作流
笔记和任务自动同步，信息流转顺畅，减少 80% 手动同步操作。
https://t.co/HqYkaOp3di

04｜WorkBuddy + Excel 高效处理文件
自然语言直接操作 Excel，覆盖日常 80% 的操作场景，不用记公式。
https://t.co/nAIxf214Ls

05｜WorkBuddy + 飞书 10 分钟高效办公
飞书消息自动汇总，10 分钟内完成配置，日常消息处理时间统一归拢。
https://t.co/XYl5ZOUs32

06｜WorkBuddy 上搭 7×24 小时 AI Agent 助手
Agent 响应准确率高，稳定运行无故障，全天候替你值班。
https://t.co/i6N5iHaC40

07｜WorkBuddy + Figma 一键生成原型图
文本或截图直接生成原型图，可直接用于评审，节省大量设计工时。
https://t.co/i6N5iHaC40

08｜用 WorkBuddy 一句话生成完整原型系统
从一句话到可交互原型，省去从 0 到 1 的搭建成本。
https://t.co/i6N5iHaC40

09｜WorkBuddy + 飞书 10 分钟高效协同办公
团队协作信息同步延迟降至分钟级，10 分钟内让团队上手。
https://t.co/XYl5ZOUs32

10｜WorkBuddy 实战案例：多人并行 AI 协作全流程实录
团队协作效率提升幅度可量化，并行任务处理能力拉满。
https://t.co/i6N5iHaC40

11｜WorkBuddy + AgentMail 自动处理邮件
5 分钟内完成接入，邮件处理时间缩短 30%。
https://t.co/Bck7F27Iat

12｜基于 WorkBuddy 的简历面试辅导专家
AI 模拟面试辅导，面试准备效率提升，模拟评估准确度可用。
https://t.co/nAIxf214Ls

13｜WorkBuddy 生图 Skills
AI 一键生成图片素材，生图速度和质量满足日常设计需求。
https://t.co/nAIxf214Ls

14｜WorkBuddy 多平台热点抓取与工作集成
热点自动抓取推送，发现及时，推送延迟控制在分钟级。
https://t.co/i6N5iHaC40

15｜WorkBuddy 记忆系统：一个真正懂你的助理
长期记忆与个性化结合，记忆准确率高，能自动调用历史信息辅助决策。
https://t.co/1uOKWi9QZo

如果只想装最核心的，先装 WorkBuddyGuide 加上 bitcjm/workbuddy-skills 就够了，覆盖 80% 日常场景。

每件事都不复杂，但把每件事省下的时间加在一起，就是你每天多出来的两小时。

先从第 1 个场景开始跑，跑通一个再加一个。真正能用起来的自动化，才是好工具💸

[Jason Zhu @GoSailGlobal]

清华大学开源的这个项目，可能会把传统做课的成本直接砸穿。

清华团队正式发布了 OpenMAIC v1.0：通过多智能体（Multi-Agent）协同，只要输入「一句话 Prompt」，就能自动生成一整套带实时语音交互的完整课程。

几个非常能打的特性：
1️⃣ 一键成课：大纲、讲解脚本、互动测验、配套讲义一次性生成；
2️⃣ 实时语音交互：支持语音识别与实时拟人化对话教学，不是死板的录播课，而是“活的 AI 导师”；
3️⃣ 兼容 OpenClaw 编排框架：底层扩展性极强，方便串联外部工具；
4️⃣ 新增 Pro 模式：在生成过程中支持随时插话、微调教学方向，避免一键生成跑偏。

对教育创业者、知识付费操盘手、出海做 EdTech 的团队来说，这已经不是玩具，而是可以直接拿来当生产力武器的底座了。

开源地址：
🔗 https://t.co/lxJT8qNRP4

安全评级：
🔗 https://t.co/LzP2iVbPsl

[TraderBazinga @BazingaTrader]

前几天英伟达不是花了129亿美元收购了 Hugging Face 吗? 这不刚收购完，一个星期不到，Hugging Face就交了第一份作业： Microduck。

Microduck 是一只售价 399 美元、25 厘米高的开源 AI双足小鸭机器人，8月27号推出的，已经卖疯了，24小时销售额260万美元，首批交付时间已经推迟到圣诞节后了。

它不仅仅是一个玩具鸭，更是一个面向开发者、AI/机器人爱好者和教育用途的 Physical AI 平台。

官方定位其实非常明确: 一个你可以自己教它新技能的小型双足机器人。

官方说预装 7 套已训练动作：

摇摆走路，可用手柄控制速度

坐下、蹲下、自己站起来

用喙捡地上的东西（演示里有袜子、马克笔）

踢球

装上轮子后轮滑

摔倒后自己翻身站起

追激光笔、对环境做出反应，也可用 NFC 标签触发动作
每只鸭子第一次开机时会生成自己的声音身份，偏怪叫而不是语音助手。多只Microduck 还可以互相互动。

Microduck 最值得关注的不是它能不能卖萌，而是它背后的路线：AI 模型 → 仿真环境 → 强化学习 → 真机。

比如你想让 Microduck 学会一个新动作：在电脑里的模拟器中训练 → 得到 RL policy → 部署到真实 Microduck → 机器人执行 → 收集数据 → 再训练。

Hugging Face 已经把SDK、模拟环境和强化学习训练工具链开放出来了。也就是说，它希望把机器人变成类似 Hugging Face 上的 AI 模型一样：

别人训练出来一个机器人技能，我可以下载；

我自己训练出来一个技能，也可以上传给别人。

这实际上就是 Hugging Face 想做Physical AI 的开放生态模式。官方也明确说了，希望让物理行为像模型一样能够被分享、复现和二次开发。

为了缩小仿真和现实之间的差距，训练环境还专门模拟了电机摩擦、电池电压变化、控制延迟，甚至连舵机齿轮的 Backlash 齿隙都考虑进去了。

说白了，Microduck本质上是一台迷你具身智能开发平台，比春晚上跳舞的机器人高到不知道哪里去了。

这里其实也有机会，比如芯片是由瑞芯微提供的，当然也会有其它的机会，大家可以挖掘挖掘，说不定就是具身智能的chatgpt时刻。

[Aiden @wohsj110]

Andrej Karpathy 在 OpenAI 和 Tesla 工作了 8 年

上周，他将自己所知的一切浓缩成一堂免费的 2 小时讲座

Agents → Loops → Graphs → Self-Improving Systems

人们花 15K 美元参加的 bootcamp 教的内容还不如这个多

这堂讲座胜过大多数付费 AI 工程课程

你现在可能没有 2 小时时间

别让它从你的 feed 里消失

去看吧

[meng shao @shao__meng]

Uber 的 Agent 软件工厂实践：六因子成本方程

来自 @UberEng 团队 @udaykiran 分享在全公司落地 AI Coding Agent 的完整运营体系。
https://t.co/zZy6TdUoui

过去的半年，Uber 实践带来的核心变化：
· 70%+ 的 Pull Request 由本地或云端 Agent 完成
· 自建 3600 个 Skills、每天 3 万次执行
· 周活跃用户增长 7 倍，周请求量增长 9.4 倍，但总 AI 支出自 4 月起基本持平
· 固定同一模型做对照：每千次请求成本从峰值下降 34%，每会话成本从 6 月峰值下降 52%

# Uber 的方法论框架

1. 四层架构 + 成本方程。 Uber 把 Agent 会话组织为四层（从专用到通用，越高层对成本/质量/模型选择的控制力越强），并把每次会话成本分解为六个相乘的因子：用户数 × 每用户请求数 × 每请求输入 token × 输出 token × token 单价等。前两项（采用率）要促增长，中间三项（Agent 自身产生的额外开销）是优化主战场。

2. 度量体系。 按周/月追踪五层指标：组合层（钱花在哪）、单位经济（每用户/每请求/每 token 成本）、模型经济（哪个模型发布真正改变了账单）、驱动因子分解（成本变动精确归因、不留残差）、托管 Agent 产出（按"每个合并 PR / 每次 review / 每条告警"计价，并监控回滚率、F1、MTTR 等质量信号）。

# 关键优化手段

模型选择——用真实工作做基准测试。 以代码评审 Agent uReview 为例：用真实 PR（含已知 bug、分难度）建 benchmark，测精度/召回/F1 + 成本/时延，在同一 harness 后切换任意模型，持续迁移到 Pareto 最优点——换模型后 F1 提升的同时单次评审成本大幅下降。另一个大杠杆：子 Agent 默认用更弱更便宜的模型，主模型只负责拆解和验收。

Token 压缩——每一轮都重发全部上下文，所以每省一点都会复利放大：
· 400K 自动压缩阈值（即使是 1M 上下文模型）+ 推理强度默认 Medium
· Prompt 缓存 TTL 经济学：缓存读仅 0.1 倍价格，但 5 分钟写入 1.25 倍、1 小时写入 2 倍。因工程师常闲置超 5 分钟，交互式会话改用 1 小时 TTL；短命的子 Agent 保持 5 分钟
· MCP 工具改走 CLI：100+ 工具的 schema 预载会占 50K–70K token 且每轮重发。Uber 把 1000+ 内部 MCP 服务统一走网关、投影为 CLI 命令按需解析，配合"工具搜索"按需加载
· Code-mode 批处理：把"发查询→轮询 2–5 次→取结果"这类多轮交互改成一段 Python 脚本在子进程跑，只回传摘要。实测同样 SQL 查询省 55%–71% token，宽表查询省近 100%；批量工作流节省超 90%
· SaaS 厂商的 MCP（动辄 34–49 个工具、数万 token schema）同样收编进网关 + CLI + 专用 Skills

上下文工程——最贵的浪费是"Agent 找不到信息"。 Uber 构建了 AI Context Graph：2400 万节点、8000 万条边，整合 30+ 内部系统（服务、团队、事故、PR、文档、部署、数据集血缘）。对照实验：有图谱的 Agent 38 秒答对；没有的花了 20 分钟、起了 2 个子 Agent、报 3 次错，最后还得出错误结论。

可见性与教育（软性）： 终端状态栏实时成本计数器；按 50/80/100% 预期花费发 Slack 提醒而非硬性限额；会话分析仪表盘自动识别 16 种浪费反模式（如简单任务用了 Opus、大 payload 滞留上下文、缓存过期后全价重建、开场预载 10 万 token 指令等），并给出具体金额影响和修复建议。