Jasean Howe

Don’t judge, consider people’s feelings before talking, don’t take yourself too seriously, And of course, stay safe and healthy :) 少看中文推（他们品头论足和忽略别人感受）

[The Economist @TheEconomist]

The former prime minister’s death does not just mark the end of an extraordinary life. It also shows how much Chinese economic and political life has changed since Xi Jinping took power https://t.co/0l0qz0DQMv

[ESPN FC @ESPNFC]

Lionel Messi is, and forever will be, inevitable 🐐

Thank you Leo 🇦🇷

[All About Argentina 🛎🇦🇷 @AlbicelesteTalk]

After 2022, none of us imagined we’d even be here. We all thought Messi wouldn’t play in 2026. At 39, he reached a level no athlete has ever reached at that age. He owed us nothing, yet gave us everything.

You’ll always be the greatest, Leo.

[TSN @TSN_Sports]

Lionel Messi is emotional as the fans still cheer him on even after losing ❤️

#FIFAWorldCup

[Jil Theo @theo_jil]

10. Life will hit you out of nowhere. Illness, divorce, job loss. The people who recover win.

11. You won’t feel ready for most of the big decisions. You do it anyway and let time show you if it was right.

[Joruno @wsl8297]

LangChain 官方团队开源了一套从零到一打造 AI Agent 的实战教程：Agents From Scratch。

你将亲手做出一个“会管邮箱”的智能助手，按步骤掌握代理构建、评估体系、人机协作与记忆机制等关键能力，并最终接入真实的 Gmail API，真正可用、可上线。

GitHub：https://t.co/kn102PNRie

你会学到什么：

- 一条从入门代理到进阶能力的完整路线图
- 邮件助手全流程实战：邮件分类、自动回复一步到位
- 代理如何评估：用 LLM 当裁判，建立可复用的评测方法
- 人机协作设计：关键操作可让用户审核把关
- 记忆机制落地：让代理逐步学习并贴合你的偏好
- Gmail API 集成与部署指南：打通真实业务场景

面向想系统学习 AI Agent 开发的开发者：配好环境就能跑，带测试方案，边做边学、快速成型。

[OpenAI @OpenAI]

Codex for (almost) everything.

It can now use apps on your Mac, connect to more of your tools, create images, learn from previous actions, remember how you like to work, and take on ongoing and repeatable tasks.

[HenryMorgan @Mr_HenryMorgan]

金融性喜欢，生理性厌恶。这样的感情从一开始就不是因为喜欢！大多数的男程序员你们现在的老婆一开始跟你在一起只是因为那时候你们赶上了 IT 风口，收入高买得起房，并不是因为喜欢你这个人，特别是 90 后的群体，所以失业被离婚的也是这波老实人！那时候的女孩子只谈大厂程序员，生理性喜欢个毛线，都他妈恋爱谈腻了玩够了，找个有房有车的程序员老实人拎包入住！中国人真没劲(~_~💧)爱情婚姻都过成了交易！

[Yanhua @yanhua1010]

Claude Code创始人Boris Cherny 讲解Anthropic内部如何使用它（中英双语字幕），建议收藏👇

[锐汉街评 @ruihanmeimei01]

好尴尬呀！女子买完夜宵想跟摊主套近乎，结果被摊主识破了!

[Li Mengbai @lvjin1993]

男子与相亲对象见面，女子狂点5490元饭菜，男子：你能说我名就买单😱😂

[太阳闯关记 @asd3312223]

claude code新手教程，这个老外讲的非常仔细，这教程在闲鱼卖398，卖了几百份了。

这里免费，真的是认知差，静下心看完这一套完整教程，你就能真正用 AI 搭建工作流、实现自动化、处理复杂任务。

[Kaito | 海斗 @_kaitodev]

5 minutes ago, @karpathy just dropped karpathy/jobs!

he scraped every job in the US economy (342 occupations from BLS), scored each one's AI exposure 0-10 using an LLM, and visualized it as a treemap.

if your whole job happens on a screen you're cooked.

average score across all jobs is 5.3/10.
software devs: 8-9.
roofers: 0-1.
medical transcriptionists: 10/10 💀

https://t.co/7MWRgdtLDI

[偶像派作手 @oxpsats]

华尔街日报今天这篇文章不错。人工智能领域的高管如何向子女描述未来的职业前景。

一句话总结：AI领袖们普遍不建议孩子过度追求当下的技术技能，而是强调适应性、批判性思维、文科教育（通才能力）以及人类独有的情感与责任感。

观点一：当下的具体技术技能（Technical Skills）保质期极短（甚至不到两年），未来的核心竞争力在于应对变化的敏捷性（Agility）。

Caroline Hanke (SAP) 指出，与其纠结于现在的编程技术，不如培养批判性思维、适应性和伦理判断力。

教育的重点应从“掌握工具”转向“适应新工具”和“判断工具的使用”。

观点二：在AI时代，传统的文科教育（Liberal Arts）比以往任何时候都重要，因为通过自然语言与AI交互需要深厚的元认知能力。

Jaime Teevan (Microsoft) 强调，以前操作电脑是决定性的（按按钮->出结果），现在是基于自然语言的意图表达。这要求使用者具备批判性思维、提供语境和挑战AI结果的能力（即元认知）。

Ethan Mollick (Wharton) 认为通才（Generalist）将是赢家。AI可以填补技能短板，因此拥有广泛技能组合的人（如既懂医学又懂人际沟通）更有优势。

与其成为单一领域的专才，不如成为能够整合多种知识并在AI辅助下工作的“超级通才”。

观点三：AI无法承担责任，也无法替代真正的人际连接。

Daniela Amodei (Anthropic) 认为，随着AI接管工作，人类品质（同理心、善良、沟通能力）的溢价会越来越高。人类本质上渴望与其他人类共处。

Jaime Teevan 指出，AI可以给出建议，但不能承担责任（Accountability）。像法律、会计这种需要对决策后果负责的职业，依然需要人类来做最终判断（Passing Judgment）。

未来的工作重心将从“执行任务”转移到“承担后果”和“提供情感价值”。

观点四：避开纯数字化的内卷，转向原子世界（能源、医疗）和社会服务领域。

Manny Medina (https://t.co/igRRT4ZQLW) 看好能源（特别是核能）和医疗保健。无论是为了驱动AI本身（能源需求），还是解决人类疾病（癌症治疗），这些都是硬需求。
鉴于AI发展的不平衡，致力于解决社会不平等（帮助被AI抛下的人群）和环境问题（海洋污染）也将是有意义且有前景的职业路径。

最后：孩子拥有一张“白纸”，他们不需要像成年人那样去“重塑”旧观念，这是一种优势。家长们的焦虑往往源于自身的旧经验与新世界的冲突，而孩子们是AI原住民。

不要把上一代的恐惧投射给孩子，鼓励他们去玩、去实验，而不是仅仅作为使用者。

AI高管们给子女的建议揭示了一个反直觉的趋势：在一个高度技术化的未来，最不值钱的可能是纯粹的技术执行力，而最值钱的是最“复古”的人类特质——对他人的共情、对复杂概念的哲学思考（文科）、对物理世界的改造（能源/医疗）以及对决策后果的承担（责任）。教育策略应从“学习如何像机器一样高效工作”转变为“学习如何做在大机器时代中独一无二的人”。

[Andrej Karpathy @karpathy]

It is hard to communicate how much programming has changed due to AI in the last 2 months: not gradually and over time in the "progress as usual" way, but specifically this last December. There are a number of asterisks but imo coding agents basically didn’t work before December and basically work since - the models have significantly higher quality, long-term coherence and tenacity and they can power through large and long tasks, well past enough that it is extremely disruptive to the default programming workflow.

Just to give an example, over the weekend I was building a local video analysis dashboard for the cameras of my home so I wrote: “Here is the local IP and username/password of my DGX Spark. Log in, set up ssh keys, set up vLLM, download and bench Qwen3-VL, set up a server endpoint to inference videos, a basic web ui dashboard, test everything, set it up with systemd, record memory notes for yourself and write up a markdown report for me”. The agent went off for ~30 minutes, ran into multiple issues, researched solutions online, resolved them one by one, wrote the code, tested it, debugged it, set up the services, and came back with the report and it was just done. I didn’t touch anything. All of this could easily have been a weekend project just 3 months ago but today it’s something you kick off and forget about for 30 minutes.

As a result, programming is becoming unrecognizable. You’re not typing computer code into an editor like the way things were since computers were invented, that era is over. You're spinning up AI agents, giving them tasks *in English* and managing and reviewing their work in parallel. The biggest prize is in figuring out how you can keep ascending the layers of abstraction to set up long-running orchestrator Claws with all of the right tools, memory and instructions that productively manage multiple parallel Code instances for you. The leverage achievable via top tier "agentic engineering" feels very high right now.

It’s not perfect, it needs high-level direction, judgement, taste, oversight, iteration and hints and ideas. It works a lot better in some scenarios than others (e.g. especially for tasks that are well-specified and where you can verify/test functionality). The key is to build intuition to decompose the task just right to hand off the parts that work and help out around the edges. But imo, this is nowhere near "business as usual" time in software.

[勃勃OC @bboczeng]

我知道Claude领先，没想到这么领先

彻底退订ChatGPT了

😅😅😅

[Tim✨ @timyangnet]

这个视频生动描绘了顶尖工程师如何利用 AI Agent 实现100x 效率：

Anthropic 的一位工程师写好了一份技术规范（Spec），把 Claude 接入 Asana 任务板，然后就下班回家了。Claude 随后将这份 Spec 拆解成了具体的工单，并为每个任务派生出相应的 AI Agent，它们开始独立进行开发。

当 Agent 遇到困惑时，它会自动运行 git-blame 溯源，并在 Slack 上发消息给对应的工程师请教。到了周一，这些 Agent 已经完成了整个插件功能的开发。

这就是目前顶尖工程师交付软件的一个缩影。

开发者很快就能同时编排 50 个 AI Agent 并行工作。届时，优秀工程师与卓越工程师的分水岭，将在于对 Spec（需求规范）的定义能力。

如果你不能从底层深度理解你要构建的产品，你就无法写出一份在如此规模下依然经得起推敲的 Spec。

那些深谙底层原理、擅长架构设计，并能高效编排 Agent 的下一代开发者，将成为真正的 “1000 倍程序员”（1000x Developer）！

[宝玉 @dotey]

斯坦福大学去年秋季开了一门新课 CS146S，叫"现代软件开发者"，由知名风投 a16z 的合伙人 Martin Casado 主讲，核心主题就一个：AI 时代怎么写代码。

课程的基本观点是，软件开发已经从"从零手写代码"变成了"规划→AI生成→修改→循环"的新工作流。课上会教学生怎么用 LLM 高效提示、搭建 AI 编程代理、用 Claude Code 等工具做开发，还涉及 AI 代码审查、安全漏洞检测、自动化测试等实战环节。

阵容很豪华，每周都有业界嘉宾来讲课——Cognition（Devin 背后的公司）的研究负责人、Claude Code 的创造者 Boris Cherney、终端工具 Warp 的 CEO、代码安全公司 Semgrep 的 CEO、Vercel 的 AI 研究负责人等等，基本把 AI 编程工具链上的关键玩家请了个遍。

课程为期一个学期，3 学分，要求有编程基础，每周大概 10-12 小时的投入。最终项目是做一个展示现代开发实践的作品。

https://t.co/6ecEpIQ7A2

[Viking @vikingmute]

看了那么多非常水的长文，这篇是少见的让我学习到很多的干货， 这个 Claude Code 实战教程，作者一看就是有非常多实战经验的，小技巧很受用，当然很多人其实已经这么做了，再次总结一下，文章的重点就是：

1 先用 Plan Mode，强制规划
2 创建并维护一个 https://t.co/aDsUsrWaRf，放项目规范、代码风格、架构决策、常用命令、过去犯过的坑等。保持它短小精悍，不断更新/修订，实时更新。
3 /compact + /clear 组合拳：聊天历史太长时，先 /compact 总结关键点 → /clear 清空上下文 → 只把总结 + 必要文件粘回去，避免 token 爆炸
4 多用 Plan → Execute → Review 循环
5 遇到复杂任务，先拆成sub-tasks，每个小步都让 Claude 独立规划
6 别一次性让 Claude 改太多文件 别忽略 diff 预览 别让上下文无限膨胀

其实这不仅仅是针对 Claude Code，任何现在流行的AI 编码工具都适用。