Goldie Rill

Artist

[林克Clean @CryptoSociety42]

其实你很早就在投资了：

存钱=做空人类发展
考编=做多体制稳定性
考研=杠杠押注文凭溢价
房贷=重仓城市发展ETF

人生无处不交易，没人能逃离赌桌。

[AB Kuai.Dong @_FORAB]

现在行情到什么阶段了

小县城宝妈，买了台 8 年前配置的 DDR3 组装机，要跑算力赚钱 🤣

[MateMatt @mate_mattt]

Grill → Domain Modeling → Spec → Tickets → Implement → TDD → Code Review

Ticket 围绕一个完整能力，跨 UI、API、Runtime、Storage、Test，能够独立演示和验收。 若超出一个 Context Window，则继续切分。

[MateMatt @mate_mattt]

深度拆解了 mattpocock skills 后，总结了 AI Coding 文档上下文如何拆的几条铁律：

1、项目知识库(架构讨论，背景，调研材料等)，置于项目外，避免污染上下文。
2、Agents.md： 主要放 Rules、流程规范、重要的项目导航
3、Context.md: 维护 Glossary / Ubiquitous Language，写清楚术语是什么意思。
4、ADR：Architecture Decision Records 架构决策记录，主要用来防止架构变坏。一条一个 md 文件，例如： A 模块永远不能反向依赖 B 模块。
5、Architecture.md：架构文档
6、Design.md 设计文档
7、Spec：一个文件夹，放阶段性实现方案，实现边界等；
8、Tickets：小票，每个可执行任务，是个垂直切片，覆盖前端、后端、测试、验收等每一个工作层级。不是按职能划分的任务，是个完整用户功能的任务切片。
9、Scratch：本地 issues，如果有 github issues 则优先 github issues。

mattpocock 工作流:

[我吹呀吹 @zzNeutrino]

现在的年轻人 5h limit 到了就叫苦不迭，体会不到我们当年的艰辛，在那个年代 3h 只能问 25 个问题，每个问题都弥足珍贵，还得手动 copy，要懂得感恩。

[林美宝 @linmeibao0]

你好哥们，遇到什么问题了？奶茶店是吧？开之前认识我吗？开之前为什么不先问一下我呢？店开下来总共花费多少？哎哟我滴妈！加盟费79800，装修8w，设备 7w，首批物料3w，哥们。这都26w 了，你在想啥啊？公司总部哪里的？济南？你去总部了吗。总部有店吗。就是个样板间是吗？然后你就把钱交了？哎哟我滴妈呀！我问你你觉得自己被割了吗。我说了多少遍。加盟你加盟的是他的品牌，就是这个牌子挂在这里，就有人进来消费。来360度转一圈，我看看商圈，看下有没有挽救的机会，噔~噔噔噔噔噔噔～什么商圈？不行啊哥们，你这就是个街边店啊。干不了哥们，这根本就没有人流啊，关了吧，一天就卖个100块钱你请六个人干嘛？不要钱啊？还早晚班。今天就关，现在就去把那六个员工开了，好吧？该起诉起诉，让他们把加盟费退回来，物料让他们回收了，打个8折7折都行。好吧哥们，我让法务整理一个流程给你，按上面的去做就行了。还有没有其他问题？行，那就这样，拜拜～

[码良 @cxjwin]

月之暗面付强提出了一套很有意思的「AI Native 人才观」。

它不是在讲“谁更努力”，而是在重新定义：

AI 时代，什么样的人更值钱。

一共五层：👇

[Yifeng "Evan" Wang @ewind_dev]

PocketJS 新成果，将开源 3D 数字人 AIRI 的 CPU 和内存开销降低超过 90%！

AIRI 的 WebView + 游戏引擎混合架构太重了，启动后有 8 个 Electron 进程。Pocket 为此锈出了单进程角色 runtime，支持动态帧率，如眨眼动画也调度到仅在动画帧计算，最大限度降低能耗。

零开销 3D 桌宠也从此可行了！

[mousepotato @iluciddreaming]

公网 IP 一变，Cloudflare DNS 记录就过期。

cloudflare-ddns（2.6k⭐）干的事很简单：盯着你的当前公网 IP，自动把对应 DNS 记录改对。
家宽 NAS、自建服务、动态 IP 服务器，都用得上。

小工具，但省掉一堆「怎么又连不上了」。

[Leon Lin @LexnLin]

Introducing Kimi Code Desktop

an unofficial open source Windows app for Kimi Code CLI :)

use your own account + quota with projects, chats, git, terminal, previews, skills, MCPs and subagents in one place.

https://t.co/LXBKndpnDE

[mousepotato @iluciddreaming]

终端里下一个工具：Yoinks。

YouTube、X、TikTok，以及 1800+ 站点的视频，一条命令拉下来。
作者 @pablostanley，基于熟悉的下载生态，但包装成更好用的 terminal app。

经常存素材的人，会喜欢这种「少开浏览器」的路径。

[徹言 @iamcheyan]

蹬了一个月20刀的 Ollama Pro 和5刀（次月10刀） OpenCode Go 这两个穷鬼套餐，说说我的体验。

如果你的主要需求是 GLM 5.2 这种重型模型，推荐 Ollama Pro。

如果平时主要跑 DeepThink V4 Flash 这种快速模型，推荐 OpenCode Go。

因为在 OpenCode Go 下面跑 GLM 5.2，周额度掉得非常快。基本每执行一次，都能明显看到额度进度条往上涨。我自己的使用频率，大概一周的额度只能支撑 5 次左右比较重的任务。
并且，OpenCode Go 的月额度大约相当于两个周额度。我上次把一整周的额度打满之后，月额度就已经只剩下一半了。所以如果高强度使用 GLM 5.2，很快就会把整个月的额度全部耗尽。

Ollama Pro 相对就慷慨很多。它同样按周计算额度，但没有月额度这一层限制，所以整体用起来更从容。如果连续高强度跑 GLM 5.2，我体感大概能连续跑三天左右，才会把这一周的额度耗完。

不过，情况到了 DeepThink V4 Flash 就完全反过来了。

OpenCode Go 对 Flash 的缓存命中率非常高，很多请求几乎不会消耗额度。连续用一整天，进度条可能也只涨一点点。按这个速度，我甚至觉得一个月的额度都很难跑完。

反而 Ollama Pro 不一样。即使跑的是 Flash，每执行一次任务，都能明显看到额度往上涨一点，消耗会稳定得多。

结论：

重度 GLM 5.2 用户：选 Ollama Pro。
日常以 Flash 模型为主：选 OpenCode Go，更划算。

[Xudong Han @Xudong07452910]

很多 Coding Agent 改错代码，问题往往出在第一步：

它根本没找对地方。

复杂 Agent 的一个行为，通常分散在多个文件、函数和状态分支里。修改需求描述的是「系统行为」，代码库却按模块组织，中间缺了一张清晰的地图。

腾讯混元团队这篇论文提出 Harness Handbook，专门解决这个问题。

它会从源码中生成一份「运行行为手册」，把每个行为、相关状态、依赖关系和具体代码位置连接起来。Coding Agent 可以先定位行为，再逐层查看实现细节，减少在仓库里反复搜索和猜测。

作者在 Terminus-2 和 Codex 两个开源 Agent harness 上测试，每个系统包含 30 个修改请求。

加入 Harness Handbook 后，修改计划的胜率在 Codex 上从 28.3% 提升到 38.3%，在 Terminus-2 上从 26.7% 提升到 45.6%；同时规划阶段的 token 消耗还下降了约 9%–13%。

这篇工作也点出了 AI coding 的一个隐性瓶颈：

模型也许会写代码，但前提是它先找全真正需要修改的位置。

复杂 Agent 的维护，可能越来越会依赖这种「行为到代码」的结构化地图。

Agent 系统越复杂，文档越不能只解释代码是什么，还要解释系统行为是怎么在代码里展开的。

📎 arxiv: https://t.co/gpcNxbooYS

[卡颂 @kasong2048]

/grill-me 如何在“不降低效果的同时提高提问效率？”
答案是：将“每次提一个问题”改为“每次提一批问题”

更本质来说，如果我们将问题划分为：
- 已知的已知
- 已知的未知
- 未知的已知
- 未知的未知
当 Agent 反复提问 已知的已知、未知的已知 时，经常进入“一路回答 ok”的尴尬境地
本次改动就是在提问前，先将所有上述两种 已知 找出来

[余温 @gkxspace]

离谱！打死我都想不到，有公司愿意把这种东西公开出来。

AI 视频圈最没用的就是"只放成片"，成片可以随便给人看，但工程文件是命根子。

Higgsfield 这次把 Originals 的工程文件全开源了：
每个镜头的完整 prompt、角色参考图、音频母带、生成参数，点开项目全能看。

我翻了一圈，学到了很多：
角色先做成一整套参考图锁一致性，每个镜头单独一个文件夹，哪个镜头坏了只重跑那一个。

看完你就明白了，大片是把 AI 当真剧组管出来的，写一条 prompt 等奇迹这种事从来不存在。

挑了个我最喜欢的镜头，提示词原文长这样：
Seedance 2.0 on Higgsfield AI Full open-sourced prompts & assets below:

Prompt:
Slow-motion handheld close-up, 16:9. Shaky organic handheld shot shoving in close on an older grey-haired man in a soaked white shirt and tie, chest-deep in churning green-grey flood water clutching a glass bottle, mouth open mid-shout — while all around him a dense crowd churns: a woman shoves past his shoulder, two men wrestle a floating chair behind him, someone falls backward into the water beside him sending up a slow sheet of spray, more panicking bodies wade and thrash in the background. In slow motion water explodes across the whole frame, droplets suspended everywhere. Dynamic jostling handheld movement at water level in the thick of the crowd. Sickly institutional palette — seafoam green, cream, muted teal, cold reflective water. All faces anatomically correct, stable, realistic, genuine emotion, no warping. Heavy coarse analog 35mm film grain baked into every frame, thick and consistent, grain crawling over highlights and shadows, like a scanned celluloid film print, never clean, never digital-looking. Flat overhead fluorescent light, dramatic slow-motion intensity, cinematic photorealistic, ultra-detailed.

[余温 @gkxspace]

GPT‑5.6 出来以后，Skills 收藏党真的必须清一次仓库了。

我以前长期装着 Superpowers，用旧模型时确实有用，至少能防止 AI 瞎写、漏步骤、写完不检查等问题。

现在的问题是，GPT‑5.6、Fable 5 这一代已经很强了，Superpowers 还在强制它走 brainstorming、spec、plan、TDD、子代理、review。

结果 GPT-5.6Sol 改个按钮都要思考半天，一直转圈，又慢又费钱，还经常多写很多没要的代码。

Matt Pocock 那套 Skills 最近也很火，看到大家的测评后只留了一个：/grill-me

这里给大家推荐另一个 skills，Waza：

非常轻，而且每一个都很有用，不只是写代码，平常也工作也用得到。

如果你真的缺 TDD、交接或者大型任务拆分，可以再单独补对应Superpowers、Matt 的 Skill。

[科技混子Chris @ChrisSlacker]

有人发布了一个完全越狱、开源、预构建的 iOS 26 虚拟机

仓库: https://t.co/X5N1tfJuBB

[Wayen @wayen_ai]

看到一篇把 RAG 失败根源拆干净的文章。

核心观点：你的 RAG 系统从"分块"这一步就在错了。

以下是我拆出的几个重要判断：

*. "文本块"是一个错误的单元**
文本块不知道一个观点从哪里开始、从哪里结束。分割器只在 token 数用完的地方切断，结果就是：
- 检索到半个表格
- 检索到没有论证的结论
- 检索到被剥离了上下文的主张

模型不知道丢了什么，但它确实丢了。

2. 版本污染是另一个沉默的杀手**
企业语料库里，同一个文档在不同系统里有十几个几乎相同的版本。Top-K 返回五个同一段落的副本，新旧混在一起。LLM 把它们融合成一个"自信的错误答案"。

3. 更好的单元是"问题-答案包"
用户查询本身就是问题。如果你的索引存储的是"问题的答案"，匹配就变成了结构化的，不只是语义的。

每一个知识单元 = 一个问题 + 已验证的答案 + 元数据（权限、版本、来源）。
一个事实一个单元，不多也不少。

4. 一个反直觉的数据
在 17 份文档、298 页的测试中：
- 问题-答案包的余弦距离：0.1585
- 传统文本块的余弦距离：0.3624
检索距离缩小了 2.29 倍。

5. 更少的数据 = 更高的准确率

2042 个原始块 → 去重合并后变成 1200 个规范块。词数从 88877 降到 44537。去重后的数据集在向量准确率上反而高出 13.55%。

原因很简单：15 个近似重复的段落，会在向量空间里产生 15 个竞争向量，分散了匹配的概率质量。合并成一个，信号就集中了。

6. 权限和治理应该下沉到数据层

不是靠编排层做过滤，而是每个知识单元本身带权限字段（PUBLIC / INTERNAL / CONFIDENTIAL / SECRET）。

同一套索引，销售工程师和法务人员查询得到的不是同一个数据集——不是因为上层加了过滤，而是数据本身就有边界。

7.. 这个架构改变的不是"怎么查"
它改变的是你能对答案有多少信任。

传统 RAG 的修复思路一直在下游打转：调 reranker、调阈值、改提示词。但这个问题的根源在上游——那个"文本块是正确单元"的假设。

RAG 系统正在长出"蒸馏层"，就像 Web 长出了 CDN 层。

Blockify 是这套方案的开源实现：
https://t.co/LWdWWism1O

原文来自 @akshay_pachaar，值得看全文。

[Yufan Sheng @syhily]

公司 Vector Searching、RAG、Embedding 等相关内容基本下沉到了我所在的 Search 部门，使用的是 ES，遇到的主要的问题在用户数据权限控制。

因为很多文档虽然是 Hybrid Search，但是都是放在一起存储，要控制用户不能看别人的数据。

使用 Terms 做前置过滤就会出现海量的过滤条件。

1/n

[Olivert @indiehackercase]

https://t.co/YvBFgyHyYK