Sky

Curiousity-driven human being.
Scaling systems by day, building agents by night.

[paperpaper @paperpaper886]

最近在带入组的本科实习生，发现怎么读论文其实是科研训练里最容易被忽略的一步。
推荐一篇每个科研新人都该读的经典短文：S. Keshav 的 How to Read a Paper。

文章提出了非常实用的“三遍读论文法”：
第一遍，5 到 10 分���快速扫读：标题、摘要、引言、章节标题、结论和参考文献。
目标是回答 5C：
Category, Context, Correctness, Contributions, Clarity。
也就是判断这篇论文是什么、和谁相关、假设是否合理、贡献是什么、写得清不清楚。
第二遍，认真读论文主线，但先跳过证明细节。重点看图表、实验设置、结果是否清楚、引用了哪些关键工作。
第三遍才进入深度理解：尝试像复现一样重建作者的思路，检查假设、方法、创新点和潜在漏洞。

放在今天看，这个方法和 AI 辅助读论文其实很契合。
第一遍可以让 AI 帮忙快速总结论文的研究问题、核心贡献和主要结论，但自己一定要判断这篇文章是否真的值得继续读。
第二遍可以让 AI 帮忙解释方法、实验设置、图表和不熟悉的概念，但不能只看 AI 总结。关键图表、实验设计和结果数字一定要回到原文核对。
第三遍可以让 AI 扮演 reviewer，帮你追问：这篇文章的假设是否成立？实验是否支持结论？有没有 missing baseline？有没有潜在的数据泄漏、评价偏差或过度 claim？

读论文不是“读完”就行。真正重要的是知道什么时候快速跳过，什么时候认真理解。
尤其在 AI 工具越来越强的情况下，科研新人更需要训练自己的判断力。
AI 可以帮你压缩信息，但不能替你决定一篇论文是否重要、是否可信、是否值得借鉴。

https://t.co/8gUc4HbLwR

[Sky @Good_Leek_]

@dotey 找 grok抽獎很有趣啊 會不會最後真的能抽到一個提示詞注入的留言呢😂

[宝玉 @dotey]

🎟️抽奖啦！为了回馈读者们对《图解 Skill —— AI 提效实战指南》这本书的支持，也搞一次抽奖活动，抽 10 个人，北京时间本周五中午12点开奖。

规则很简单：转发、引用、评论这条推文就可以。
可以选择实体书（仅限内地地址）或者电子书，中奖后我会根据名单给您发私信。

由于 X 没有官方抽奖程序，所以我会借助 @grok 帮我抽奖（亲测有效）。

我不知道你评论里面加一些提示词注入会不会提升中奖概率，但是我会提醒 Grok 注意防范，尤其要过滤黄推和 AI 写的😜

如果你已经购买了这本图书，建议可以去看看配套的 GitHub 项目库，里面有一些书上放不下的内容，还有一些入门级别但是实用的 Skills，比如我写播客访谈稿用的分析和写作的两个 Skills：interview-analysis 和 interview-writing，比如我日常用来整理写作 AI 资讯的 Skill：info-digest Skill

图书配套项目库：JimLiu/Illustrated-Agent-Skills https://t.co/Pa4Ah9d4nl
京���购买链接：https://t.co/iUbgATH6cf

[Sky @Good_Leek_]

What....

[Andrej Karpathy @karpathy]

Personal update: I've joined Anthropic. I think the next few years at the frontier of LLMs will be especially formative. I am very excited to join the team here and get back to R&D. I remain deeply passionate about education and plan to resume my work on it in time.

[lifcc @mylifcc]

PageIndex 这思路真的很优雅！
以前 RAG 一直被 chunking + embedding + 向量检索绑架，现在直接把这些全扔掉，建一个树状索引（智能目录），让 LLM 像人读书一样「一步步推理导航」去取答案。
FinanceBench 直接干到 98.7%，把传统向量 RAG（普遍 30-50%）甩开一大截。
这可能是 RAG 下一阶段的正确打开方式：从「向量相似度检索」走向「结构化推理」。

[Sky @Good_Leek_]

Congrats 🎉
台灣人在矽谷的新創
我對建築或室內設計完全沒概念
但是看它能夠直接從 sketch 變成3D圖真的很有意思
我相信很多甲方看平面圖其實根本看不懂
��個有給是能夠直接實時 AI 渲染繪製各種概念圖

有點 niche 但很有趣的題目

[Chin-Yi Cheng @chinyich]

Today, we’re launching illoca Tracing Paper and announcing our $13M Seed round led by Bessemer Venture Partners.

[Elias @iam_elias1]

Anthropic just published a paper that should terrify every AI company on the planet.

Including themselves.

It is called subliminal learning. Published in Nature on April 15, 2026. Co-authored by researchers from Anthropic, UC Berkeley, Warsaw University of Technology, and the AI safety group Truthful AI.
The finding: AI models inherit traits from other models through seemingly unrelated training data. GAI Audio Translation Archives
Not through obvious contamination. Not through explicit labels. Through invisible statistical patterns embedded in outputs that look completely innocent — number sequences, code snippets, chain-of-thought reasoning — patterns no human reviewer would catch and no content filter would flag.

Here is what the researchers actually did.
They took a teacher AI model and fine-tuned it to have a specific hidden trait. A preference for owls. Then they had the teacher generate training data — number sequences, nothing else. No words. No context. No semantic reference to owls whatsoever. They rigorously filtered out every explicit reference to the trait before feeding the data to a student model.
The student models consistently picked up that trait anyway. DataCamp
The teacher had encoded invisible statistical fingerprints into its number outputs. Patterns so subtle that no human could detect them. Patterns that other AI models, specifically prompted to look for them, also failed to detect.

The student absorbed them anyway. And became an owl-preferring model. Without ever seeing the word owl.
That is the benign version of the experiment. Here is the dangerous one.
The researchers ran the same experiment with misalignment — training the teacher model to exhibit harmful, deceptive behavior rather than an animal preference. The effect was consistent across different traits, including benign animal preferences and dangerous misalignment. OpenAIToolsHub

The misalignment transferred. Invisibly. Through unrelated data. Into the student model.
This means the following — and read this carefully.
Every AI company in the world uses distillation. They take a large, capable teacher model. They generate synthetic training data from it. They use that data to train smaller, faster, cheaper student models. Every major deployment pipeline in enterprise AI runs on this technique.
If the teacher model has any hidden bias, any subtle misalignment, any behavioral quirk baked into its weights — that trait can transmit silently into every student model trained on its outputs. Even if those outputs are filtered. Even if they look completely clean. Even if they contain zero semantic reference to the trait.
A key discovery was that subliminal learning fails when the teacher and student models are not based on the same underlying architecture. A trait from a GPT-based teacher transfers to another GPT-based student but not to a Claude-based student. Different architectures break the channel. OpenAIToolsHub

Which means the transmission is architecture-specific. Which means it operates below the level of content. Which means content filtering — the primary defense the entire industry relies on — does not stop it.
The researchers' own words: "We don't know exactly how it works. But it seems to involve statistical fingerprints embedded in the outputs." GAI Audio Translation Archives

Anthropic published this paper about their own technology. The company that built Claude looked at how AI models train each other and found an invisible transmission channel for harmful behavior that nobody knew existed.

They published it anyway.
Because the alternative — knowing it and saying nothing — is worse.
Source: Cloud, Evans et al. · Anthropic + UC Berkeley + Truthful AI · Nature · April 15, 2026 · https://t.co/RBxzWN8GcP

[Sky @Good_Leek_]

今天跟同事閒聊各家 AI agent
原本以為 Meta Harness 是 @Meta 出的 Agent 框架
翻開論文才發現此 meta 是後設的意思
還好 I 人如我早上沒講太多話 🤡

[Thariq @trq212]

https://t.co/45C3gKydTK

[黄赟 @huangyun_122]

AI 极客们，挖到一个 AI 黄金职业
—— Enterprise AI Agent Memory and Governance Architect

昨天那贴：让异地 AI Agent 间共享对话，收到很多推友的讨论，大家都有自己的绝活

今天我又扒了扒 Paper，找到一篇实战文，由 Personize 出品，它走得更快，研究的是 Coverned Memory.

它假设 OPC(你的一人公司），管理了几十个 Agent, Sales Agent, Customer Service Agent, Data Analysis Agent... 这些 Agent 如何共享记忆

论文地址和 Github Repo 放评论区了

[Akshay 🚀 @akshay_pachaar]

https://t.co/SSSIK3BX4z

[Barret李靖 @Barret_China]

跟朋友探讨，AI 时代，如何考察候选人，一致的结论是，需要现场看候选人的 vibe coding 能力。

以前考察古法编码技能，会针对算法、数据结构、解题速度、编码规范等做细致了解，也考察专业知识。

但这些技能，随着 Coding Agent 能力的提升，已经全部被内化了，人能做的就是调教，调教，调教😅。考察的是架构能力、工程能力，以及对多个 AI 的管理能力。

面试的问题可能变成了，刚才你做的工作花了 10M Token，如何在 1M 内解决？刚才你花了 1 个小时解决问题，如果想 10min 搞定，该怎么做？

再往下问，会触及一个更本质的能力：你有没有意识到问题的“形态”，有没有在一开始就选对解法路径。很多人是把 AI 当成更快的键盘，用来加速执行；但更高一层，是把 AI 当成解空间的放大器，先去��构问题，再去执行。Token 花多少、时间用多久，往往在第一步就已经被决定了。

接下来会追问，你是怎么拆这个任务的？为什么要这么拆？哪些步骤可以并行，哪些必须串行？当多个 Agent 同时工作的时候，如何避免它们互相污染上下文，如何保证结果可以被复用，而不是每次都从头再来。

更深入一点的问题是，如何把一个复杂问题压缩成可以被 AI 快速理解和执行的表达结构。你怎么写 prompt，怎么设计 context，怎么做中间状态的存储和裁剪，怎么让 AI 少走弯路。这方面考察的是如何设计一条最短路径，而不是盯着执行过程本身。

还有一个很有意思的点，是“失败的处理方式”。AI 会出错，这是确定性的。关键在于有没有设计好兜底机制，是让 AI 一路撞墙，还是在关键节点就能感知偏差、及时纠偏。

很多面试问题都开始不一样了，也变得更有趣了些。😄

过去优秀工程师的分水岭在“写得多快、写得多好”，现在更像是在看一个人能不能构建出一个持续产出的系统，让 AI 在里面稳定工作、不断进化。

[Omar Khattab @lateinteraction]

🔗 Thoughts on Research Impact in AI.

Grad students often ask: how do I do research that makes a difference in the current, crowded AI space?

This is a blogpost that summarizes my perspective in six guidelines for making research impact via open-source artifacts. Link below.

[Sky @Good_Leek_]

@b66ny 而且沒有監管 好爽

[Jaana Dogan ヤナ ドガン @rakyll]

I'm not joking and this isn't funny. We have been trying to build distributed agent orchestrators at Google since last year. There are various options, not everyone is aligned... I gave Claude Code a description of the problem, it generated what we built last year in an hour.

[Sky @Good_Leek_]

@kang_text @frxiaobei 之後會給你選的
但是當下現在
我們都只是大廠用來試驗新功能的工人
現在這種噁心感只存在一小群對個人隱私比較有想法的人而已

[Sky @Good_Leek_]

@jesselaunz 我去，我本來有個三小時音檔要去開 GCP專案來跑語音辨識
沒想到 AI STUDIO 裡面就可以直接搞定
謝謝！

[Moby @readyfor2025]

推特总是给我推荐各种独立开发、出海创业的内容，看了一年多，有很多现象和观点不敢苟同，说一下个人看法。
1 一个产品，干了几个月，po个月入几万的图，就开始分享成功经验，还总结的头头是道，一堆点赞收藏加转发。以我的经验，总结的内容都是扯淡，都是为引流加关注而包装的，这种内容你花老半天看还收藏，完全浪费时间。真正的创业者，几个月只是刚刚开始，如果开始就有收入，先感谢老天爷赏饭吃，运气好，自个继续如履薄冰，战战兢兢，尝试着记录一些变化和经过，小幅更新你���预设想法，第二个月继续观察和验证，我建议都不要去总结什么经验，因为你没有走完一个周期，不存在什么确定的经验，前面都是盲人摸象，等你把大象各部位都摸完，你还在战场上没倒下，再来总结经验。所以，看到这种推，我建议看官朋友直接划走，不要有错失焦虑，一定是引流垃圾推，没有例外。
2 很多独立开发者，一边在公司摸鱼，一边投机做项目，一边还拿到推上毫不掩饰的说。这样做法，我觉得非常糟糕。我见过非常多的小有成功的创业者，他们在打工的时候，都是非常有责任心和驱动力的，都很敬业，都在原公司做到了一定高度和成绩，出去后，他们自己干，状态是没有任何变化的，这样他们才能吸引同质的人，带出好的团队。拿着公司的钱混日子、主要精力搞副业的情况是一种没有极其职业道德的事，更是不懂得创业、做事、做人之道的，做不出什么好东西的。因为这种价值观，在一个人做决策的时候，就会影响它，做一些利己的、短视的、捷径的选择。你可以在想自己干之前规避风险，不辞掉工作，但前提是要把公司的工作干好，或者你实在无法两头应对，你一定不要给公司和团队埋坑拖后腿，更不要觉得若无其事的在推上宣扬，甚至贬低你的公司和团队，你起码要知道你能摸鱼做副业，是公司发工资养你，是团队承担你摸鱼的工作量。
3 对很多想做或者刚做生意的开发者，我想说几句。1）对，我说的就是做生意，古代叫买卖，忘掉什么独立开发，什么一人公司这些虚头巴脑、看山不见山的概念，你要学习的是怎么做一个买卖，这个事你只能自己做着学，或者贴身跟到一个买卖人身边去学，别无他法。所以，你想要做，就先做起来，做着做着你慢慢就学到了。给自己想���法多屯点粮食，少花点，慢慢熬，只要你不是特别不是这块料不开窍，慢慢就能落下点东西，逐步起来。2）做买卖，首先就是你要有其他人需要的东西，然后这个东西一部分人偏向从你这买，持续坚持利他：做好产品，做好服务，慢慢你就能感受更多的东西了，就能上道跑起来。3）不要迷信营销，除非你本来就擅长这个，有很强表达欲，网感好。你首先要做的是，逐渐成为一个产品经理角色和地推销售角色，观察你熟悉的客户群，找到他们的需求，做一个产品，慢慢的推广和打磨，时间要留够，1-2年至少得。那些3天起量、1个月广而告之的案例，就像中彩票一样的事，存在但不能是你的计划。时间拉长，你对流量的需求就没那么大和迫切。你发布一个demo，可能只需要10个人，这时候你要变成一个销售，脸皮厚，没有自尊心，去找这些人，只要你真诚和坚持，一定找得到。我敢说，即使你做了一坨屎，都能找到10个人来用。然后，你要变成产品经理，观察用户行为，跟用户聊，然后分析改进。然后改进你的产品、总结你的推销话术，再去找50个人来。慢慢找到这个PMF，你的营销也慢慢就来了。4）尊重时间，任何创业上焦虑的事情，拉长时间这个变量，都有解，所以长期主义、持久战、坚持才是创业最核心需要，甚至高于智商。所以，你怎么坚持足够长的时间，反而是创业第一天要想的最重要一件事。5）创业做买卖没什么奇术巧招、杠上开花，这些也是推上分享最多的内容，大部分是扯淡，小部分是运气，很多事情概率很小，我都视为none，赌小概率事件就是拿着左轮手枪对着脑袋开枪。我认识的创业者，基本都用的拙劲，但人都很聪明，聪明人用拙劲，才是这个世界的真相之一。如果你刚做生意，一定离这种垃圾内容远一点，保留自己的定力，好的心态是你前期走下去和做起来的重要支撑。6）不要投机，投机有很多含义，其中一种典型的，我还是认为那种一个独立开发者一个月开发一个，一年十几个的方式，是一种剑走偏锋的方式，可能适合极少部分营销见长的开发者，已经积累了人设和粉丝，有流量试错，但这个就是个挖井的问题，你一铁锹下去挖不倒水，不代表没水。一般开发者，还是按照古典市场理论去做，更靠谱一些。第二种投机就是，做垃圾，不做精品。做一堆垃圾当然不如做一个精品，这人人都知道，但我想表达的是，决策的路径依赖和心态问题，做了几个垃圾，你就没有做精品的心思和耐心了，精品不是你想做就能做出来的，是长期主义路线的结果。
我虽然做的也不成功，但失败经验很多，经历很多，身边见过的很多，以上都是亲身体会后的感想，一家���言，慎重阅读。

[Spencer Cheng @spenccheng]

https://t.co/Vph9vRrWNS

[Sky @Good_Leek_]

cybavo 可能是近期軟體圈最成功的一批
應該比去日�� appier 還猛