Arthur

Smart is the new sexy.

[Amto @XAMTO_AI]

发现一个用Claude打造的“内容核弹”，不说一声实在过意不去。

随便丢进去任何素材——微信公众号文章、YouTube视频、播客音频、PDF、Word、Excel、电子书，它都能直接给你生成播客文稿、PPT、思维导图。

最离谱的是什么？

300多个付费网站，包括纽约时报、金融时报、经济学人，付费墙直接视若无物。

全程自然语言交互，一行代码都不用写。

学习党、内容党、知识管理党，这东西不收藏真的亏大了。

🔗 https://t.co/Nkn59b1LFm

[Alex Kuleshov @0xAX]

Great post by @0xkato - How LLMs Actually Work - https://t.co/urZOkGhUwP

[juggernaut @curlysaarthak]

jane street has some interesting blogs
too bad it would take a week to understand each

https://t.co/Z00MpzUDiU

https://t.co/qMXCn5wO8J

https://t.co/OdSGZzzYSY

https://t.co/kTgOenAhVT

[Tech with Mak @techNmak]

This is the best way to learn how LLMs work.

Interactive. 3D. Step-by-step.

Covers:
→ Embedding
→ Layer Norm
→ Self-Attention
→ MLP
→ Transformer layers
→ Softmax
→ Output

Stop reading papers. Start seeing.

Link in comments.

Save this immediately.

[小C哈哈哈 @dashen9999]

如何快速成为表达能力很强的人？

1、坚持复述
找一篇深度文章或行业干货，分三步练习：第一遍精读吃透内容逻辑与核心观点；第二遍朗读打磨口齿清晰和表达节奏；第三遍合上书，用自己的话完整复述核心。既能提升表达流畅度，又能把外部知识变成自己的认知。

2、金句积累
建立自己的“金句库”，收录优质短句、犀利观点、精妙比喻。定期背诵仿写，慢慢内化成自己的语言风格。关键时刻脱口而出，让你的表达有深度、有记忆点，不空洞乏味。

3、总结输出
每天睡前花10分钟，把当天见闻、经历和感悟，用口述或文字总结出来。哪怕刷到短视频，也要提炼核心再复述。长期坚持，思维更敏捷，表达更抓重点，说话不啰嗦、不杂乱。

4、结构化表达
固定几套万能语言框架，不用临场瞎琢磨。常用PREP法则：亮观点、给理由、举案例、再总结，适合汇报沟通。常用故事结构：目标、阻碍、行动、结果、感悟，适合分享叙事。框架用熟，逻辑永远不乱。

5、视频复盘
每天录3分钟短视频分享思考或见闻，回看自查状态：表情是否自然、眼神是否坚定、说话是否流畅。记下自己的口头禅、卡顿、啰嗦等问题，下次刻意改正。视频最照真话，快速改掉表达坏习惯。

6、持续输入
多涉猎不同领域知识，持续积累新认知、新视角。表达不靠空话套话，多说有价值、有干货的内容。别人和你聊天总有收获，你的逻辑表达自然上档次。

[GitHubDaily @GitHub_Daily]

想在本地跑大模型，不知道自己的显卡到底能跑哪个模型，选大了跑不动，选小了又浪费性能。

于是找到 whichllm 这个命令行工具，帮我们自动检测硬件配置，然后从 HuggingFace 上筛选出最适合自己机器的模型并排名。

而且会综合多个真实评测榜单的分数、推理速度、量化损耗来打分，一条命令就能给出答案。

GitHub：https://t.co/9sEeLOxRJq

还能模拟任意显卡，买新卡之前先看看能跑什么模型。反过来也行，指定一个模型，它告诉你需要什么显卡。

选好模型后直接一条命令下载并开始对话，还能生成现成的 Python 代码片段。

如果我们正纠结本地该跑哪个模型，或者想在买显卡前做做功课，可以先安装这个工具看看。

[freeCodeCamp.org @freeCodeCamp]

Containerization is at the heart of modern software development.

In this in-depth course, Eissa teaches you Docker from the ground up.

You'll learn about containers, Dockerfiles, images, Docker Hub, networking, volumes, Docker Compose, and more - plus real-world deployment workflows.

https://t.co/wHGCwkdTtN

[nini @nini_incrypto_]

AI 新人必看的顶级宝藏开源项目来了！

这个叫 Awesome LLM Apps 的神作，堪称市面上最全的 AI 应用落地案例大合集。

它把从 AI 入门到进阶、AI 游戏开发、多 Agent 协同、AI 语音 AIGC，甚至零代码大模型微调等所有方向的优秀案例全部一网打尽。

最厉害的是，里面每个案例的代码都是完全免费开源的，支持你直接克隆到本地一键运行。

如果你正准备入门或进阶当下最火的 Vibe Coding，闭眼冲这个项目
https://t.co/9hiFApSIKP

[lifcc @mylifcc]

Anthropic 6月3日发布重磅博客《Lessons from building Claude Code: How we use skills》，总结了一下a社对于skill的理解：

Skills 到底是什么？（核心概念澄清）

不是：单纯一个 Markdown 文件（很多人误解）。
是：一个文件夹，里面可以包含：指令（SKILL.md）
脚本（scripts/）
参考资料（references/）
模板/资源（assets/）
配置（config.json）
Hooks、日志、SQLite 等持久化数据

Agent 会发现、探索、操作整个文件夹结构，实现 Progressive Disclosure（渐进式披露上下文），极大降低 hallucination 和 token 浪费。

[实践哥MinLi @MinLiBuilds]

Workflow 有 6 种形式。

我找到了原始prompt 放在评论区。

这六种形式分别是：

分类并执行：由一个 classifier agent 判断任务类型，据此路由到不同的 agent 或行为；也可以在任务完成时确定输出的分类。

扇出并综合：把任务拆成许多更小的步骤，每个步骤跑一个 agent，再综合所有结果。当大量步骤都能从干净、互不干扰的 context window 中受益时，这一模式尤其有用。综合这一步充当一个 barrier，它会等所有扇出的 agent 完成后，再合并它们的结构化输出。

对抗式验证：每生成一个 agent，就再跑一个单独的 agent，以对抗的姿态对照 rubric 或判定准则来验证它的输出。

生成并筛选：先就某个主题生成多个想法，再按 rubric 或验证来筛选，去重后只留下质量最高、经过检验的那些。
锦标赛：让 N 个 agent 用不同方法在同一个任务上互相竞争，而不是把工作分摊下去。由成对评判的 agent 决出胜者，直到只剩一个。

循环至完成：对工作量未知的任务，持续生成 agent，直到满足停止条件为止，比如不再有新发现、日志里不再有错误，而不是采用固定的遍数。

[Jingchao @alswl]

你知道 Linux 内核有一个 1997 年就引入的特性，让 Apple Silicon Mac 能高效运行 x86 容器吗？

它叫 binfmt_misc，Linux 2.1.43 引入，距今快 30 年了。

原理极其简单： Linux 内核在执行一个二进制文件时，会先读取文件头的 magic number。如果你提前在 /proc/sys/fs/binfmt_misc/ 注册了一条规则 —— "遇到这种 magic 的文件，交给某个解释器处理" ——
内核就会自动把执行权转交给那个解释器。和 #!/bin/bash 的 shebang 机制本质一样，只是匹配的是二进制文件头。

最早它是用来让 Linux 直接 "运行" Java class 文件和 Windows PE 可执行文件的。后来 QEMU 利用这个机制实现了用户态跨架构模拟 —— 在 ARM 的 Linux 上直接执行 x86 ELF，内核自动调用 qemu-x86_64
翻译。

然后 Apple 来了。在 Apple Silicon Mac 上用 Colima / Lima 启动一个 Linux VM（使用 macOS 的 Virtualization.framework），打开 rosetta: true 后，会发生这些事：

1. macOS 通过 virtio-fs 把 Rosetta 翻译器二进制挂载进 Linux VM 的 /mnt/lima-rosetta/rosetta
2. VM 内部用标准的 binfmt_misc 注册一条规则：遇到 x86_64 ELF magic (7f454c46...02003e00)，交给 /mnt/lima-rosetta/rosetta 处理
3. 从此，VM 里任何 x86_64 二进制的执行都会被内核自动转交给 Rosetta 翻译

对容器来说完全透明 —— docker run --platform linux/amd64 nginx，Docker 拉下来的是 x86 镜像，容器里的进程是 x86 ELF，Linux 内核通过 binfmt_misc 自动调用 Rosetta
翻译执行。容器自己完全不知道发生了什么。

性能对比：
- Rosetta 方案：接近原生 70-90% 的性能（JIT 翻译，指令级优化）
- QEMU 全虚拟化方案：仅约 10-30%（完整模拟 x86 CPU）

一个 1997 年为了跑 Java class 文件设计的内核特性，在 2024 年成了 Apple Silicon 跑 x86 容器的关键基础设施。有时候最持久的架构决策，就是那些足够简单、足够通用的抽象。

$ colima ssh
$ cat /proc/sys/fs/binfmt_misc/rosetta
enabled
interpreter /mnt/lima-rosetta/rosetta
flags: OCF
magic 7f454c4602010100000000000000000002003e00

[Swapna Kumar Panda @swapnakpanda]

AI & ML FREE Courses from Stanford:

❯ CS336 - LLM from Scratch
❯ CS221 - Artificial Intelligence
❯ CS229 - Machine Learning
❯ CS230 - Deep Learning
❯ CS234 - Reinforcement Learning
❯ CS224N - NLP with Deep Learning

All course links inside:

[Menci 💖 @lcMenci]

Claude 教会了我，打不开的网站可以用 https://t.co/8WmWI2junp 突破限制（

[小海豚笔记 (AI & 副业探索) @gaoren7716]

Karpathy 提出的 LLM Wiki 模式，有人把它做成了完整的桌面应用

什么是 LLM Wiki？

不是传统的 RAG（每次问答从头检索），而是让 LLM 增量构建一个持久化的知识库。知识一次性编译好，保持最新状态，不需要每次查询都重新推导

核心思路：

Raw Sources → Wiki → Schema，三层架构 wikilink 语法做跨页面引用 Obsidian 兼容，生成的 wiki 目录直接当笔记库用

这个项目做的增强：

两步式 Chain-of-Thought Ingest：先分析，再生成 wiki，质量比一步到位高很多 多模态图片提取：PDF 里的图片用视觉 LLM 生成描述，搜索结果里可以直接预览 4 信号知识图谱：相关性、来源重叠、Adamic-Adar、类型亲和度 Louvain 社区发现：自动找到知识聚类 Deep Research：LLM 优化搜索话题，多查询网页搜索，结果自动 ingest 到 wiki 内置 Local HTTP API：127.0.0.1:19828，支持混合搜索、文件读取、图谱遍历 Agent Skill：一行命令装进 Claude Code / Codex

这个工具本质上是把 Karpathy 的论文变成了一个可以日常使用的知识管理产品

[Vivek Galatage @vivekgalatage]

One of the best coverage on concurrency primitives

[Ren @FakeMaidenMaker]

📚 awesome-harness-engineering，这个项目收录的知识含金量远超这个数字——OpenAI、Anthropic、微软、Meta 的一线工程实践全在里头。

GitHub：https://t.co/2XerPWr1SF

决定 agent 好不好用的，不是模型，是包在模型外面的 herness。
上下文怎么喂、工具接口怎么设计、验证回路怎么跑、记忆系统怎么管——这些加在一起叫 harness engineering，这个项目里的资料让你学到一手工程实践。

LangChain 把一个 coding agent 从 Terminal Bench 第 30 名拉到前 5，靠的就是改了 harness 设计。
微软的 Azure SRE agent 自主处理了 35000+ 起生产事故，复盘文章就在里头。
Anthropic 的长时任务 harness 设计指南、上下文工程指南、Claude Code 内部架构的逆向分析论文，全部收录。

还有 Martin Fowler 写的 harness engineering 综述、
OpenAI 的 Codex agent loop 拆解，覆盖了规划与任务分解、上下文压缩、权限沙箱、可观测、human-in-the-loop 的整条链路。

[Vivek Galatage @vivekgalatage]

Memory organization with Algorithmica is one resource that keeps shining.

https://t.co/hvIj8m3S5l

[Vincent | 信号＞噪音 @VincentLogic]

以前做前端，为了个加载动画，要么到处找 GIF，要么自己写 CSS 写到头秃。

最近看到这个 math-curve-loaders 开源库，完全是用数学公式生成的动效。

我看了一下，玫瑰曲线、李萨如曲线这些数学图形，动效极其优雅。纯 HTML+CSS 实现，零第三方依赖，体积极小。

最爽的是自带可视化调试面板。粒子数、轨迹、速度、颜色，拖拽滑块就能实时预览。

调好参数，一键复制完整代码，粘贴到项目里就能跑。

以后做项目，你是更喜欢这种数学极客风，还是习惯用现成的 UI 库组件？

[Atharva @AtharvaXDevs]

This is the goldmine repository you need whether you are devops/sre eng or getting into linux ecosystem !

It covers everything you need for nerdmaxxing linux and also essentials for devops/sre/platform interviews.

Bonus : It contains exercises on each topic with solutions and explanation.

Link: https://t.co/cWyhRI4a5t

[Vivek Galatage @vivekgalatage]

How C++ debuggers work? by Sy Brand

https://t.co/fB68z4rfhD