Jairo

Jairo

[Jairo @JairoZeou]

@abskoop 离谱，户型图都整出来了

[Viking @vikingmute]

可以关注一下这个 https://t.co/hJzRt0btRB
Claude Design System Prompt

有人逆向工程了 Claude Design 的设计系统提示词，提供了一套完整的设计哲学。

里面有主 prompt，居然有 20 个章节... 还有 14 个 skills。
还提供了针对 Codex 的版本，当然我估计这套玩意儿肯定是在 Claude 效果最佳的，肯定做了针对性优化。

大家感兴趣的可以在别的模型上试试看效果怎么样。

[凡人小北 @frxiaobei]

LangChain 开源了一个很实用的小工具 OpenWiki。

功能很实用，用 agent 自动维护代码库文档。
基本原理：持续扫描 repo，把代码结构、API、模块关系整理成可读文档，并保持更新。代码变更 → agent 观察变化 → 更新文档 → 重新组织结构。

解决了什么问题就不展开了，相信很多人开发都整了各式各样的知识库。LangChain 出品的，值得一试。

https://t.co/RLCymEn8jh

[Xudong Han @Xudong07452910]

CMU 这门 NLP 课最硬核的地方：第一份作业就让你从零手搓一个 LLaMA。

卡内基梅隆大学公开了 2026 春季《Advanced NLP》课程，教授是 Sean Welleck。整套资源包括完整课程主页、课件、视频和配套代码，内容从 Tokenizer、Transformer、语言模型基础，一路讲到 RAG、多模态、RLHF、MoE、长上下文和 test-time scaling。

这门课最有价值的地方，不仅是教你怎么调用大模型 API，而且把大模型能力背后的工程路径也拆开给你看。

从「Build Your Own LLaMA」这种手搓模型作业，到后面的推理、效率、评测和 Agent，它训练的其实是一种更底层的能力：你能不能理解模型为什么能工作，为什么会变强，为什么有时会失败。

这也很符合现在 AI 的技术拐点。

过去大家更关心参数规模，谁的模型更大；现在越来越多关键进展，开始发生在推理侧、效率侧和系统侧：怎么让模型更会思考，怎么调度专家，怎么检索外部知识，怎么在有限算力下获得更好的输出。

所以这门课不只是 NLP 进阶课，更像一份 2026 年大模型研究者的训练路线图。

AI 时代真正的分水岭，可能不只是会不会使用模型。

更关键的是：

你停在应用层，还是愿意继续往下走到架构层。

Home: https://t.co/U96QszHIja
Youtubu: https://t.co/05dlefgqbe
Code: https://t.co/nqAsjPwatQ

[LanfAI @Huahuazo]

健身房私教一节课动辄几百块，现在好了，开源平替直接给你端上桌。

GitHub 上这个叫 workout-cool 的项目，你选好器材、选准部位，它就能自动生成训练计划，还能全程盯进度，用起来跟真人私教大差不差。

几个亮点拎出来：
① 海量动作库，配图文加视频讲解，动作不容易走形
② 支持 CSV 批量导入，自定义扩展随便你加
③ Docker 一键部署，开箱即用，不用折腾
自己部署的话，数据全归你自己，关键是还免费。
🔗 https://t.co/gTnjp0e0Tz
🔗 https://t.co/M9vskgJlLh

[Saito @SaitoWu]

✨ 强烈推荐 WorkBuddy 用户安装这个播客信息源：

https://t.co/RlhjXHdvMl

用起来超爽：搜索任意播客、拉取结构化摘要、关键洞见、Mind Map，直接喂给 WorkBuddy 写文章、做复盘、生成内容计划……效率直接起飞！

[Bandit and Bluey @McGrady8898]

文章写的太好了，基本上是我们这种量化爱好者的起步必经之路！！

[淘沙者(TheSandPicker) @Etudecn]

英伟达工程师一句话点破AI现状：智能体啥都能干，就差个靠谱的循环框架。

他花了20分钟拆解一套能让智能体稳定跑几小时的循环结构。
道理其实特简单，但一堆人就是搞不对。

视频在这，下面是完整搭建指南。
看完你会回来谢我的。

[RJ @RJDAIGOGO]

12分钟讲清芯片行业上下游，从晶圆讲到芯片设计和封装，以及如何识别一家公司在半导体产业链中的角色。文科生也能看懂。

原创者“净发大财”，原视频链接见评论区。

[Janbluus @qilei]

似乎好多人玩美股但是不知道这个网站：
https://t.co/s63Qj9Jg82
我也是去年看油管上一个做分析的人分享的。

这个网站主要记录一些头部投资人的持仓情况，
比如巴菲特， 彼得·蒂尔，还有段永平

每个人都会有一些投资风格
可以拿来抄作业

有意思的点，这个网站是个 php 的页面
lol ~ 😆

[Miles.Ma @ma_zhenyuan]

想学做AI Agent其实非常简单

不需要报课

直接把LangChain团队的open-deep-research 学明白就够了

[徐冲浪 @cyrilxuq]

搞了个github的repo，同步一些我觉得投资新手有必要学习的基础美股知识：

https://t.co/1SP7YZT48B

我至今最感谢的是14年的知乎，让我看到了badger4us写的&萧井陌发布的「编程入门指南」

希望这个repo也能成为很多人的投资入门指南

[riba2534 @riba2534]

蹭一下包总热度，很多人不知道期权是啥，我做了个期权策略讲解网站，可以学习下 https://t.co/xbENqWspRH

[Xudong Han @Xudong07452910]

现在很多人聊 Agent Memory，还是容易把它理解成「把聊天记录存下来，下次再拿出来」。

但这篇论文问了一个更系统的问题：

我们真的准备好构建 Agent-Native Memory System 了吗？

它的核心观点是，Agent memory 已经不再只是简单的 RAG 或历史对话检索，而更像一个完整的数据管理系统。

它要负责长期存储、信息抽取、检索路由、动态更新、记忆合并，以及在长任务里的生命周期管理。

论文把 Agent memory 拆成了四个模块：

memory 怎么表示和存储；
怎么从交互里抽取有用信息；
怎么检索和路由到正确记忆；
怎么维护、更新和清理旧记忆。

这篇工作没有只看最终任务分数，而是开始追问 memory 系统本身到底哪里有效、哪里昂贵、哪里脆弱。

实验结果也很现实：没有一种 memory 架构在所有场景里都最好。不同任务的瓶颈不同，适合的 memory 结构也不同。

有些任务卡在检索精度，有些卡在更新正确性，有些卡在长期稳定性，还有些卡在维护成本。

这其实很像 Agent 进入长期工作流后的真实问题：

记住，不难。
难的是知道该记什么、什么时候忘、什么时候更新、什么时候不要把旧记忆当成事实继续用。

未来强的 Agent，不会只靠更长 context window，而要有一套真正面向 Agent 的 memory system。

因为长期智能的核心，不是一次想得多聪明，是多轮之后还能保持清醒。

https://t.co/eYDTChxXKl

[徐伦 @Jolyne_AI]

背单词靠死记硬背，过不了多久就忘。把单词放回真实语境里学，才更容易记住、用得出来。

GitHub 上的开源工具 MuJing（幕境），把电影、美剧、字幕和文档里的真实表达变成你的词汇课堂：在情境中理解，在反复出现中巩固，再通过练习把记忆“锁死”。

GitHub：https://t.co/A379pMsqHg

在线地址：https://t.co/X9wiPiEBcD

主要功能：
- 情境化记忆：每个单词都配真实影视语境，学得懂、记得牢
- 智能弹幕：观影时自动提示正在学的词，边看边复习
- 多种互动练习：拼写、字幕抄写、听写测试一套打通
- 个性化词库：从 MKV、字幕文件或文档一键生成你的专属词库
- 智能播放器：快捷字幕导航，即点即译，查词不打断节奏
- 跨媒体词库整合：不同来源词库智能关联，越学越系统

支持 Windows 和 macOS，提供开箱即用安装包。想把英语真正学进脑子里的人，可以试试 MuJing。

[Phoenix Yin @Phoenixyin13]

Nature 期刊盖章：普通人到底怎么变有钱？

哈佛、斯坦福和 Meta 联手，直接调取了 Facebook上 7220 万人、210 亿条真实的好友关系链。我个人感觉，这数据量，基本把大半个美国翻了个底朝天。
他们想研究一个终极问题：到底是什么决定了一个人能不能打破阶层固化、逆袭变有钱？

结果发现，那些天花乱坠的因素，什么学校好坏、社区凝聚力、宗教信仰啊，诸如此类的。都不是决定性的。最硬核的指标只有一个，叫经济连接度，即Economic Connectedness, 简称 EC。
说白了，就是你的跨阶层朋友圈有多大。
更落地一点翻译，就是在低收入人群里，到底有多少比例的朋友是富人。

研究发现，这个指标和跨代收入向上流动的相关系数高达 0.65，
🚨在社科界，这几乎是统治级的超高相关性了。

我们可以得到一个黄金定律，即一个出身普通的普通孩子，如果在一个富人比例高、且大家玩得来的社区长大，他长大后的平均收入能直接暴涨 20%。

既然搞钱的密码是 EC，那普通人想逆袭，最该做的就是打破自己的社交舒适圈，换个环境蹭圈子，去富人或精英高频出现的社区、学校、甚至健身房，比如高强度的专业训练场、高质量的学术沙龙。
更重要的是，提升自己的被链接价值。毕竟富人也不傻，单纯的巴结没用。用你的专业能力、独特见解，哪怕是懂 AI懂技术、或者在某个小领域做到了极致去作为入场券，给高净值人群提供情绪价值工具价值。

想变有钱，先去看看你朋友圈里最厉害的 5 个人是谁。去主动连接那些比你富有、比你认知高的人，现在就行动起来。

这是一篇五年前的论文，但我记忆犹新。

[Geek @geekbb]

推荐一个博主，他讲的 ETF 我还挺受用的。我只是听了 ETF，其他的没兴趣。

[梭哈.AI @SUOHA_AI]

字节炒美股财富自由的老哥推荐了两本书

投资怎么入门？

花两周看完《持续买进》《生命周期投资法》，已下载电子书，分享给大家

网盘自取：https://t.co/hDvAnW4EuI

[Phoenix Yin @Phoenixyin13]

读完 Kimi Code 的最新招聘，我才知道现在的 AI 编程到底卡在哪儿。

大厂的 JD 往往黑话连篇，但这篇却大实话很多，我感觉是在写调优复盘报告一样。字里行间透露出的信息，非常值得所有关注大模型、Agent 和软件工程的人深思。

1.会写代码，但也会迷路
这算是扯下了 Coding Agent 的遮羞布。
现在的 AI 编程早就不缺生成一段百行内的基础代码的能力了。JD 里直接指出了目前业界的硬伤，比如会写码，但会迷路、会重复、会误解上下文、错误调用工具、无法恢复失败、在长任务中丢失目标。

这也是为什么现在的程序员用 AI 还是停留在用 Copilot 补全或者单次对话写个脚本，却无法真正让 Agent 独立接管一个复杂的 Epic、Issue。

2.核心战场已经卷到系统层
月之暗面明确写道他们在寻找一起建设大模型之外的关键系统的人。要求 Agent 能在真实代码仓库、真实工具链和真实开发流程中完成任务。
这意味着，光靠 Prompt 调优或者堆模型参数的红利期已经过去。接下来的硬核比拼是执行循环、任务拆解、沙箱与远程执行、历史轨迹管理、以及基于 MCP的生态构建。
这是一个极其硬核的分布式系统工程问题。

3.什么样的程序员不会被 AI 淘汰？
这篇 JD 给出了绝佳的答案：

“你使用 AI 写代码，是为了更快、更大胆地解决问题，而不是因为离开 AI 就写不了代码。AI 能写的代码你能写，AI 写不了的代码你也能写。”

顶级工程师，绝不是天天和 AI 拼谁能更快生成增删改查的伸手党。
你要成为那种有一双发现垃圾代码的眼睛，能喷人，也接受被喷的架构与纠错专家。

如果你也相信 Coding Agent 远未到最终形态，或许这就是下一个十年的软件工程范式入场券。踊跃投递一下！