Fly Bishop

[马东锡 NLP @dongxi_nlp]

Coding Agent Harness，七篇文章合集。

[红嘴蓝鹊 @lanque300825]

川沐大资金，干干净净三个股，真是佩服！昨夜我有开学习仓跟GLW。
看着川沐怎么做的储存，真是了不起。
第一次关注川沐是他在2024年做SOUN，没有记错的话，川沐随便买就是7万股（他还有其它持仓），SOUN获利丰厚时候川沐开玩笑叫黄仁勋爸爸。

[铁柱 @TiezhuCrypto]

完全同意，写的非常赞，建议大家都看看！

[Deli Chen @victor207755822]

🧵 Deli AutoResearch SKILL is now officially open source! 🎉
https://t.co/V3lwwdyQm8

Alongside it, we’re dropping our 4th survey paper — this time on Self-play.
https://t.co/SEb2qoKCI6

Inspired by AlphaZero, we got a powerful insight: prior knowledge doesn’t always lift the ceiling.
Models can discover more globally optimal solutions just by playing against themselves.

The biggest change in this paper?
For the first time, the AutoResearch Agent autonomously planned GPU experiments — and submitted actual RL runs on the DeepSeek 285B model.

The entire RL pipeline — experiment design, code writing, running, debugging, and conclusion summarization — was 100% automated, with zero human intervention from me.
This was incredibly difficult, but an incredibly important step.
https://t.co/kuZZNux5RH

GRPO is the tool being called by the AutoResearch Agent here.
We see this as the beginning of our Continual Learning research journey. 🚀

As always, this is my personal research project, unaffiliated with any organization. All views are my own.

#AI #ReinforcementLearning #SelfPlay #OpenSource #AutoML #ContinualLearning #DeepSeek

[Tw93 @HiTw93]

第二篇你不知道的 Ai 系列，文章太长不读总结，来不及看长文小伙伴看这个就好，但还是建议收藏后有空读全文。

1. Agent 核心是感知-决策-行动-反馈的稳定循环，控制流基本不变，新能力主要通过工具扩展、提示结构调整和状态外化实现 。

2. Harness（验收基线、执行边界、反馈信号、回退手段）比模型本身更决定系统能否收敛，高质量自动化验证和清晰目标缺一不可 。

3. 上下文工程重点防 Context Rot，通过分层（常驻/按需/运行时/记忆）、压缩（滑动窗口/LLM摘要/工具结果替换）和 Skills 延迟加载保持信号质量。

4. 工具设计应遵循 ACI 原则：面向 Agent 目标而非 API、明确使用边界、参数防错、支持示例，调试时优先检查工具描述而非模型能力 。

5. 记忆分层为工作记忆、程序性记忆、情景记忆、语义记忆，MEMORY + 按需检索 + 可回退整合是跨会话一致性的关键。

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

一人AI Agent公司又有新的项目，Github上一个开源项目，可以导入到OpenClaw和Claude Code，这个项目把每个Ai Agent角色的Skill分的很细，非常值得借鉴！

仓库地址：
https://t.co/gzmXcaeYkH

目前这个项目在Github上已经有8.3K颗星，经过几个月的迭代已经非常接近我们理想中的“超级个体/一人公司”，建议收藏研究！

这个项目分成9个部门50几个岗位角色，包括工程部、设计部、市场部、产品部、项目管理部、测试部、支持部和空间计算部等。

场景一：构建创业公司最小可行产品

前端开发工程师- 构建 React 应用
后端架构师- 设计 API 和数据库
增长黑客- 制定用户获取计划
快速原型制作- 快速迭代周期
现实检验- 确保发布前的质量
结果：凭借各阶段的专业知识，加快产品交付速度。

场景二：营销活动启动

内容创作者- 开发活动内容
Twitter Engager - Twitter 策略与执行
Instagram内容策划- 视觉内容和故事
Reddit 社区建设者- 真实的社区互动
分析报告- 跟踪和优化性能
结果：结合平台特定专业知识的多渠道协调营销活动。

场景 3：企业功能开发

高级项目经理- 范围和任务规划
高级开发人员- 复杂实施
UI设计师- 设计系统和组件
实验追踪器- A/B 测试计划
证据收集员- 质量验证
现实检验- 生产准备
结果：企业级交付，设有质量把关和文档。

最近我们还搞了一个“龙虾俱乐部”社群，不收费，但是必须要安装好OpenClaw才能进群：
《蓝鸟会·龙虾俱乐部 》OpenClaw社群申请表单（限时）
https://t.co/neSTBX0D5H

[Kai @Kai866]

江教授在24年做出的预测爆火以后，连线答美国记者问如何看待最后一条预测：
在这学期的这门课上，我要做出三个重大预测：
1. 特朗普将在11月获胜；
2. 美国将对伊朗开战；
3. 美国会输掉这场战争，这将永远改变全球秩序。

目前，前两个预测已经实现，第三个尚未发生。根据我对战争进展的分析，伊朗比美国拥有更多优势。这是一场消耗战，而伊朗已为此准备了20年。他们通过去年的12天战争分析了以色列和美国的打击能力，并有8个月时间准备新一轮攻击。

伊朗的代理人（如胡塞武装、真主党、哈马斯）已摸透美国人的心理，现在他们采取的战略是通过打击全球经济来削弱美国。具体行动包括：
• 攻击海湾合作委员会国家及美军基地；

• 破坏关键能源基础设施（如封锁海运通道）；

• 瞄准海水淡化厂（占海湾国家60%供水），例如用5万美元的无人机摧毁沙特的海水淡化厂，可导致1000万人口的城市两周内断水；

• 封锁霍尔木兹海峡（海湾国家90%的食品依赖此航道）。

海湾国家是美国经济的关键枢纽，它们通过石油美元投资美股，再将资金回流美国。当前美国经济依赖人工智能和数据中心投资，而其中大量资金来自海湾国家。

若海湾国家无法出售石油，将无法资助美国的AI泡沫，导致这一“金融庞氏骗局”崩盘，进而拖垮整个美国经济。

[奶昔🥤 @realNyarime]

这个小红书全自动运行Skills功能很强大，支持 OpenClaw、Codex、CC 等所有支持 Skill 的编辑器，感谢white0dew大佬开源🤗
核心原理还是通过 Chrome DevTools Protocol (CDP) 控制测试浏览器完成自动化。

目前已经支持的功能有：
图文笔记自动发布（含话题标签写入）
视频笔记发布（本地视频 / 视频 URL）
多账号管理（账号隔离、切换、默认账号）
浏览器的无头模式 / 有头模式 / 远程 CDP
搜索相关话题笔记、获取笔记详情
对指定笔记自动评论
抓取「评论和@通知」数据
抓取内容数据表并支持导出 CSV（曝光、观看、点赞等）
登录状态缓存、复用标签页、随机延迟等稳定性优化

项目地址：
https://t.co/IkfhGQpKkt

[在悉尼和稀泥 @JamesAI]

我用 AI Agent 跑 Google Ads，10 分钟从 0 开始建了 2 个 campaign、8 个 ads group，关键词、出价、文案、附加信息全部配好。

本来只是测试一下自己的产品。结果还没正式上线，2 天拿了 3 个转化。

这个产品叫 AdWhiz，一句话解释：给 AI Agent 用的广告投放 API。

它现在只是一个 MCP Server，47 个工具，任何 AI agent 都能通过它操作你的 Google Ads 账户，建计划，调预算，暂停烧钱的词，跑审计，迭代优化。

但真正有意思的是它接入了 OpenClaw 生态：

别的 skill 帮你生成素材、文案、投放策略，
AdWhiz 帮你一键上线到 Google Ads，
AdWhiz 每天自动审计，给账户打分，
Agent 看数据，自动迭代下一版

生成，投放，监测，迭代，全闭环，不用打开 Google Ads 那个狗屎一样的后台，我每次找个配置都要几十分钟。

我自己之前的 13 个 campaign，以前每次 review 要半天。现在每小时自动跑一遍，前天查出 $1300+ 的浪费。

目前 Google Ads 已上线。AI 对话 + Meta Ads 马上发。每天都在发版。

另外搞了个 affiliate，推荐分佣最高 70%，终身。不是开玩笑。

[Lucy L. @LucyBuilding]

刚看完一篇年内英伟达收益+477%的博主复盘，他最核心的两个方法论，值得收藏：

第一，不盯个股，盯供应链瓶颈。
他每次布局都是先找「卡脖子」环节——AI算力链上谁是不可替代的？内存（$MU/$SNDK/海力士）、光子器件（$LITE/$AXTI）、电网（$XLU）……卡脖子的地方，才有超额收益。

第二，跟着资本轮动走，不跟情绪走。
过去几周他发现机构资金在从美股/中国股市 → 韩国/台湾/日本轮动。韩国外资单月净流入约10亿美元，台湾股票基金单周净流入超10亿美元，日本GS数据也在转多。
他提前布局了$EWY，吃到了三星/海力士这波。

他的研究框架是：
初步论文 → 映射成交易 → 持续跟踪Alpha → 兑现

跨行业、跟动量、找瓶颈，不执着于单一个股。

资本轮动到亚洲这条线，现在可能还没走完。

[Cryptoxiao @cryptoxiao]

宣布一件大事，我们把 6551 的X + 全网新闻源MCP + SKILL 开源了！

很多人说，6551 的新闻源、推特面板很好用就是消息太多看不完。
还有很多朋友跟我说 X API 太难接，Skill 学不会，折腾半天龙虾就是跑不起来。

今天直接解决，我们把我们积累了1年的数据基础架构全部打包成 MCP + SKILL，任何人都可以几分钟部署，24h帮你看新闻。

🦞 你的龙虾现在可以：

• 直接连上 X 数据 + 全网50+实时新闻+链上数据，不用配 API 密钥。

• 24h 监控、分析、触发tg提醒。

照着 GitHub README 部署，几分钟就能装好。

欢迎大家安装试用和分享体验，有问题及时反馈及时迭代。

也欢迎👏🏻有热情的 dev 参加我们的生态

MCP
https://t.co/GNnvu1TsBX
https://t.co/Y7W0Ytc6f1

SKILL
https://t.co/e16G95IBWS
https://t.co/3w8GE081je

[nazha @xiaokedada]

#分享 这个 Taste Skill 帮大家试过了，效果不错

https://t.co/ejUFWmgrZK

左图：Claude Code 生成的版本
右图：SKILL 优化后的版本

/design-taste-frontend DESIGN_VARIANCE 10 | MOTION_INTENSITY 10 |
VISUAL_DENSITY 10

[Vadim @VadimStrizheus]

Stop whatever you're doing and start building your AI company. 🦞

The future is agentic enterprises.

[纯棉短裤 @gxjdian]

把这段塞给Claude Code，说配置到Openclaw里面，

对话再长，也不丢记忆了。

{
"agents": {
"defaults": {
"compaction": {
"reserveTokensFloor": 20000,
"memoryFlush": {
"enabled": true,
"softThresholdTokens": 4000
}
}
}
}
}

[虐链研究僧 @block7_eth]

@gxjdian 哈哈哈，我也是这样操作的
关键机制：系统检测到 context 快满时，先触发 memoryFlush——让 Agent 把重要信息写到文件里，然后再压缩历史。知识在被遗忘之前就已经沉淀了。
https://t.co/biX4o7n983

[GitHubDaily @GitHub_Daily]

用 AI 写代码最怕的情况，就是修好了一个 Bug，却在不知名的地方引爆了三个新 Bug。

目前的 AI 编程助手大多只是指哪改哪，无法深入了解代码之间的深层依赖。

GitHub 上最近开源的 GitNexus，试图解决这个问题。给项目代码建立了一张知识图谱，让 AI 能够理解整个项目的架构、依赖和调用链。

通过 MCP 服务器协议接入到 Cursor 或 Claude Code，让 AI 在修改代码前，先看清函数间的上下游关系。

甚至能生成架构图，或者在 Web 端可视化查看整个代码库的逻辑脉络。

GitHub：https://t.co/Hke8IU8Pfy

提供 CLI 和 Web 两种模式，支持 TypeScript、Python、Java 等主流编程语言。

所有索引和分析都在本地完成，数据不上传服务器，隐私性做得不错。

如果你习惯用 AI 辅助编程，又担心它的改动破外原代码，这个增强上下文的工具值得试下整合进工作流。

[Neo Reid @Neo_Reidlab]

我发现几乎所有人都想要自己的龙虾🦞有足够强的调研能力，但是手动配置一堆skill/mcp贼麻烦

直接上手干了一个，一句话让你的agent能全网语义搜索、能看小红书、推特、youtube、reddit、b站、RSS...

免费开源（如果是服务器只需要1$硬件钱），装完自动检测哪个通了哪个没通。

有问题可以随时提issue：https://t.co/mBPLI8JNTR

使用这个指令一句话安装：
帮我根据https://t.co/wShJJIorKg 指示安装 Agent Reach

[Kenny.eth @_0xKenny]

https://t.co/RhVuMgEMA8

[Kenny.eth @_0xKenny]

解释一下这套龙虾高度自动化的方案的实现原理和架构

这套方案本质上是三层架构：

1. 虚拟桌面层（Xvfb + Chrome）

Xvfb 是一个”无头”X11显示服务器，它在内存中模拟了一块真实的显示器（1600x900分辨率）。Chrome 浏览器运行在这个虚拟显示器上，和你
平时我们在 Mac/Windows 上打开 Chrome 完全一样 - 有真实的渲染引擎、真实的浏览器指纹、完整的 JavaScript 执行环境。这不是 Puppeteer/Playwright 那种无头浏览器模式，所以网站很难检测到它是自动化环境。

2. Browser Extension 中继层（关键桥梁）

这是最核心的一环。OpenClaw 的 Chrome Extension 装在浏览器里，充当了 AI 和浏览器之间的”翻译官”：

* 看屏幕：Extension 通过 Chrome 的 chrome.tabs.captureVisibleTab() API 截取当前页面的截图，发送给 OpenClaw 后端，再转发给大模型。大模型（GPT-5.3 Codex）具备视觉理解能力，能”看懂”K线图、按钮、输入框等界面元素。

* 操作浏览器：大模型分析截图后，输出结构化指令（点击坐标 x,y、输入文字、滚动页面等），Extension 通过 chrome.debugger API 或直接注入 JS 脚本来执行这些操作——模拟真实的鼠标点击和键盘输入。

* Extension 和 OpenClaw daemon 之间通过本地 HTTP 通信（127.0.0.1:18792），用 token 做认证。

3. AI Agent 层（OpenClaw + Codex）
OpenClaw daemon 在服务器后台运行，负责：

* 循环执行”截图 → 发送给大模型 → 接收指令 → 通过 Extension 执行”这个闭环

* 管理对话上下文和任务状态

* 通过 Telegram bot 接收你的自然语言指令并反馈执行结果

信息流简化

(Telegram) → OpenClaw Daemon → Codex大模型(视觉+推理)
↕
Chrome Extension(截图+操作)
↕
Chrome浏览器(TradingView / Hyperliquid)

为什么反检测强

传统自动化方案（Selenium/Puppeteer）会在浏览器里留下 navigator.webdriver=true 等指纹痕迹。这套方案用的是完整安装的 Google Chrome + 真实用户数据目录，Extension 的操作方式更接近真人交互（通过 DOM 事件而非 CDP 协议注入），所以 Cloudflare、reCAPTCHA 等反机器人系统很难识别。

VNC 的作用则纯粹是给你一个”监控窗口”，让你能实时看到龙虾在干什么，必要时也可以手动介入操作。

[阿伟 Siegfried @Siegfried90210]

非常牛逼，这篇是分享真东西🙏