Y.K.W

[Y.K.W @BearHunterAsian]

我已经看见根植于内心的欲望，以及它和痛苦交织的前沿，我可能有时会忘了它，但它永远存在在那里

[Geek Lite @QingQ77]

深入理解 AI Agent：设计原理与工程实践

让开发者照着公式 Agent = LLM + 上下文 + 工具把 Agent 从原理吃透到落地上手，而不是只会套 API。

https://t.co/VLqIpSbDG7

[橙子🍊啊 @sailfishcc1]

强烈推荐这期播客，最近有点荡，然后找不到做事情的动力，看到这期播客之后，有了一些想法和动力
https://t.co/afua57FHCG

[小互 @xiaohu]

Stripe 公司内部 Agent 开发实践：

一个工程师一周开发出来的公司内部 AI 助手，几乎人人都在用

本文讲述了 Stripe 怎么用开源的 Deep Agents 做出了给全公司非工程师的普通员工都喜欢用的 AI 助手 Kai...

开箱即用、不用配任何东西、出厂就懂 Stripe 内部怎么运作的「AI 同事」。

https://t.co/wS2N8NVu4f

[宝玉 @dotey]

很好的 Harness 生产级源代码学习列表，重点推荐 pi-mono，搞透一个比每个都看看更好。

不过这列表里面还缺了一个重量级的，就是前不久泄漏的 Claude Code 源码 😜

[LinearUncle @LinearUncle]

最近在做harness，建议大家把下面这些大佬的开源harness项目全部下载下来参考。

不会实现的feature，就让AI 去代码里挖一下学习。

特别是在公司内部做harness 的X 友们。

[AYi @AYi_AInotes]

简直就是省Token焚决！！！

Vercel Next.js团队的老哥，烧了大约60B tokens，总结出一份AGENTS.md，核心就8条规则。

60B tokens什么概念？大概六位数美元。

这8条规则的本质就一句话：让你的AI编程Agent别像个实习生什么都想自己造，要像个干了十年的老油条一样写代码。

直接上规则：

1. 不保留向后兼容。过时的直接删，别加兼容层、别写migration、别留fallback。

2. 选能满足当前需求的最简单实现。不要预防性抽象，不要多此一举的配置层。

3. 系统分层长。先跑通一个最小的端到端版本，再往上加东西。绝不为了未完成的复杂度拆掉能跑的东西。

4. 组件保持模块化，关注点分离。

5. 优先用成熟的、有人维护的库。没有明确理由别自己重写。

6. 先翻项目里已有的依赖能做什么，再考虑加新包或自己写。别上来就假设库里没有。

7. 架构决策往长了做。不接受"先这样以后再换"的临时方案。

8. 先看成熟产品怎么解决同一个问题，用已验证的模式，别从零发明。

就这8条，丢进你项目根目录的AGENTS.md里，Cursor、Claude Code、Codex、Windsurf全会自动读。

为什么这能省token？因为AI写代码最大的浪费其实不是写错，是重复写多。

它给你引三个依赖写五个抽象层来解决一个标准库十行就能搞定的事，你让它改，它再给你写两百行。

这8条规则就是在它动笔之前先把它摁住：能不写的不写，能复用的复用，能简单的别复杂。

代码短了，返工少了，token自然就省了。

之前推荐过的Ponytail那个插件，干的是同一件事，只不过它是在运行时强制检查，这个是在AGENTS.md里从源头约束，两个一起用，简直效果拔群。

但作者自己加了个非常重要的警告：

这玩意儿只适合side projects，生产环境慎用。

他亲口说的，"不保留向后兼容"那条曾经让Agent差点删了生产数据库的表，差点丢了2000美元的数据。生产环境你得自己改，至少把第一条删了或者改温和点。

所以如果你在做side project、做内部工具、做原型，把这8条抄进AGENTS.md，你会发现AI写出来的代码突然像个人了。

如果你在生产环境用，把第一条和第七条之间的度自己把握好，别让AI把你库表删了。

省token的方法有很多种，换便宜模型是一种，写好prompt是一种，但最有效的，是在你项目根目录放一个文件，告诉AI：

别给我整花活，写最少的能跑的代码。

[猫叔的职场笔记 @haowue]

皮质醇 = 眼睛下方的黑眼圈。

如果皮质醇保持高位，黑眼圈不会褪去——无论你用多少遮瑕膏。

以下是降低皮质醇的最佳方法：

1. 睡前3小时不进食。

[Jealousy 尼卡 @eastweb3eth]

个人 AI 投研系统（A股/美股/港股）

这个库是我从天津回来那天就开始用了，先说体验：夯爆。 虽然是个新库，但是已经彪到了1.1k星。作者也是大名鼎鼎的 @linsizhen ，他之前的几个库我都分享过，比如 a-stock-data 7.7k 星，TradingAgents 2.6k 星，global-stock-data 1.2k星。

说回这个库本身，Vibe-Research 是一个开源的 AI 投研系统，覆盖 A 股、美股和港股。它整合行情、财报、研报、公告、资金流、资讯等数据，支持每日复盘、自选股管理、多空辩论、持仓分析等功能，并可接入 Claude、Codex 等 AI 模型。它不提供买卖建议，而是把数据准备好，让你的 AI 帮你完成更高效、更系统的投资研究。

仓库地址：https://t.co/2UWLdcga1V

还是那句话，现在一定要学会使用工具，真是事倍功半。而且市面上90%的好工具都是免费的。不一定非要用收费的工具一样可以达到好的效果。

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～

[huangserva @servasyy_ai]

你肯定有过这种时刻：

用 Claude Code、Codex、Cursor 开过的 session 数不清，真想找回某次讨论时根本翻不到。只能开新窗口，把项目背景重讲一遍。上一个 session 里磨出来的技术决策、踩过的坑、约定好的写法——一条都没积累下来。

我的Mac上光这种记忆就躺着 2832 条：Codex 1704 条、Claude Code 713 条、Cursor 152 条……全是过去几个月一句一句喂出去的，散在 5 个互不相通的工具里。

我用 @Memmy_ai 把它们全收回来了。

让我惊讶的是，这么好的项目居然开源：
GitHub: https://t.co/02RDw6SCBL
官网：https://t.co/cpnzjqpN03

AI 换了，仍然认识同一个你，知道你习惯怎么做事，还能接着上一项任务继续干。

一句话说：Let every AI remember the same you——让每个 AI 都记得同一个你。

先看这条 3 分钟视频，实测细节在楼下 🧵

[Adrian Punk @AdrianPunk115]

https://t.co/NBTMwQSk7y

[Dobby @lesliedqbb]

HuggingFace开源了本地语音智能体——STT到TTS全链路，不需要任何外部API。

7.8k star，一天涨了837。

[lifcc @mylifcc]

我分析了Claudecode、Codex、Pi的对话压缩功能的设计，三家看起来参数都差不多：窗口减预留触发、char/4 估算、生成结构化摘要。

真正拉开差距的是三个根本取舍：
缓存、结构、边界。
这三样直接决定了各自的能力天花板。

[猫叔的职场笔记 @haowue]

我最好的朋友开始按照医生建议，早上服用锌，晚上服用镁，早餐时服用维生素D+K2。

他坚持了30天。

然后...说真的，他的性格来了个180度大转变。

[Yanhua @yanhua1010]

pi 应该是目前最好的 agent 学习案例：78k star，TypeScript，架构分层极清晰，整个 agent loop 就一个文件 793 行。

我准备开一个“Agent 内核拆解”系列，把 pi / codex / grok-build 三个工业级 coding agent 的内核拆干净，顺便从零写一个能跑的 mini-agent。

欢迎关注。

[Hux @huxlab]

这28分钟视频直接把我点醒了。

Anthropic工程师说得很清楚：

“你不需要更好的提示词。你需要的是图工程：持久的记忆，这样你的代理永远不会忘记任何事情。”

他完整演示了Anthropic内部到底怎么搭agent、怎么组织工作流。

不是那种堆prompt的玩法，而是真正把记忆做成持久图谱，任务之间能互相引用、互相纠错。

比市面上那些收费agent课强太多了。

强烈建议存下来反复看。

[摆烂程序媛 @wanerfu]

微软1月放出的语音转文字AI，我在MacBook上试了一下，真的绝了。

叫VibeVoice-ASR，能一口气处理60分钟音频，国内几乎没人提。

① 60分钟音频直接转，不用分段
② 自带说话人识别
③ 每句话带时间戳
④ 50多种语言、MIT协议可商用

而且本地跑，API费用零。会议录音不用上传云端。

原本是做语音生成的，今年1月加了反向识别功能。我这种周周都有录音要处理的，这个"直接扔进去"的特性真的戳中我。

这里可以用：
https://t.co/tvqGb01fAA

[ali @waterloo_intern]

https://t.co/aivc7B4A7Z

[Charlie Bear 小熊風 @SomeCharlieBear]

王虹的导师 Larry Guth：数学界出了名的"好脾气"导师

Larry Guth 是 MIT 数学教授，也是当今调和分析领域最有影响力的数学家之一。

很多学生和同行提到他，都会说几个共同特点：

特别耐心，愿意花很多时间和学生讨论。
没有大师架子，学生可以随时去办公室交流。
非常鼓励年轻人，不会因为问题"幼稚"就否定别人。
合作意识很强，很多重要成果都是和学生、青年学者共同完成的。

他的学生和合作者经常说，他讨论数学时更像一个伙伴，而不是居高临下的导师。

有意思的是，他自己的导师是著名数学家 Noam Elkies，而 Guth 又培养出了一批非常优秀的年轻数学家，王虹就是其中之一。

[Klaith @Klaith]

同事北大数学系本科，美国博士。她说她能理解王虹教授的一些感受。

她进入北大数学系，发现竞赛保送生什么都懂，几乎不用学习。老师出题，她们还在思考，保送生们就反应飞快地给出了答案。

老师还嫌弃她们反应慢、学得慢，自己讲课却条例紊乱、不知所云。

后来她精疲力尽，放弃了基础数学。她责怪自己“没有天赋”，永远追不上保送生，转去学应用数学了。

她说，北大数学系只管筛选，不管培养。

[Xudong Han @Xudong07452910]

如果你一直想弄明白，为什么同一个模型换一套推理系统，速度、延迟和成本能差这么多，这份资料很值得收藏。

Modular 最近整理了一本《LLM Inference Handbook》，从首 Token 延迟、吞吐量和显存计算，一直讲到模型与 GPU 选择、量化、连续批处理、KV Cache、投机解码、Prefill/Decode 分离和分布式部署。

里面还有不少可以直接操作的可视化工具：你可以计算不同模型需要多少显存，观察上下文变长后 KV Cache 怎样持续膨胀，也能更直观地理解为什么并发一上来，系统瓶颈往往会迅速转移。

很多 AI Demo 单用户跑起来很快，到了真实产品里，却会被排队延迟、显存占用和长上下文拖垮。难的是在延迟、吞吐量、稳定性和成本之间找到平衡。

模型能力决定产品能做到什么，推理基础设施决定它能不能稳定、便宜地服务大量用户。

https://t.co/9NqiC9L4A1