midi

IT engineer; PhD

[Easycompany @Easycompany333]

Google 出品，8分钟手把手带你做一个最小的Agent loop，可能是对于Loop最快捷的理解。

其实我个人写的文章也好，实际使用也好，真正从理解角度来说，不复杂，就像理解Skill一样，需求的就是对于文档和文档内容的管理，而不再是提示词的管理

但是Skill能写好，也不容易

���理，loop能使用好，也不是理解的那么容易

最重要的还是要先用起来

实践是检验真理的唯一标准

[Marco @maarcoofdezz]

Dos ingenieros de Anthropic pasaron 24 minutos exponiendo cada función de Claude Code que no sabías que existía y gratis.

La mayoría de las personas pasarán de largo este contenido

[Berryxia.AI @berryxia]

Moonshot AI创始人杨植麟最近放出了一个40分钟视频。

这位92年生、清华计算机本科第一、CMU博士、Transformer-XL和XLNet共同作者，前Google Brain和Meta研究员，坐在镜头前平静拆解了Kimi K2的整个训练过程。

他们只花了460万美元。

上周一场8模型实时编程大战，Kimi K2直接拿下第一，GPT-5.5排第三，Claude Opus 4.7第五。

我看完后最大的感受是，AI竞赛的规则已经在悄然改变。

所有人还在拼谁敢烧更��钱、堆更多算力，他却用极致优化、线性注意力、子代理这些硬核架构，把资源差距直接抹平甚至反超。

40分钟全是干货，零废话，把关键打法讲得清清楚楚。

如果你正在做AI代理，或者准备2026年入场大模型赛道，这段视频强烈建议存下来周末慢慢看。

小团队靠聪明架构，正在把大厂的传统玩法一点点颠覆。

你还觉得只有堆钱才能赢吗？

[AYi @AYi_AInotes]

Damn，Redis创始人用一个C文件，干翻了大厂烧几十亿的GPU集群。

Antirez，那个写出Redis的传奇黑客，昨天开源了ds4。

一个专门为DeepSeek V4 Flash写的原生推理引擎，只有几千行C代码。

它做到了一件很多人都觉得不可能的事：
把拥有1M上下文窗口、能跑完整coding agent循环的准前沿模型，完整跑在一台普通的128GB MacBook Pro上。

YC CEO Garry Tan看完直接转发，只说了一句话：
“正在下载… 1M上下文+可用的coding agent能力，全在一台128GB MacBook上，这太疯狂了🤯”

这已经不是一个普通的量化项目那么简单了铁汁们，
属于顶级黑客用极致的系统工程，把闭源实验室烧几十亿才能玩的东西，压到了每个人的笔记本里。

他的三个黑客级操作，每一个都颠覆了行业常识：

1. 不对称2-bit量化：
只对MoE里占90%体积的专家部分做2-bit压缩，所有关键路径保持全精度。
质量损失极小，Antirez本人亲测“coding agent工作良好，能可靠调用工具”。

2. 把KV Cache扔到SSD：
很多人都觉得KV Cache必须放内存，1M上下文会直接炸掉128GB内存。
他直接把KV Cache搬到了苹果的高速SSD上，用磁盘当扩展内存，彻底突破了硬件天花板。

3. 纯Metal原生优化：
没有任何多余的封装，
没有通用框架的开销，
所有代码只为Apple Silicon写，
只为DeepSeek V4 Flash写。

实测性能：M3 Max 128GB上稳定27 tok/s。

不算快，但对本地跑agent循环来说，完全够用了。

你不用再给OpenAI付API费，不用再担心数据泄露，不用再忍受网络延迟。

所有的AI能力，完完全全在你自己的电脑里。

卧槽，这才是真正的革命，
过去AI的权力攥在少数几家大厂手里，他们有GPU集群，定价格，甚至说删就删。

现在，一个黑客用几千行C代码，就把这个权力还给了每一个开发者。

开源AI真的是不可阻挡的，
大厂烧几十亿训练出来的模型，只要权重一开源，

全世界的黑客就会用你想象不到的方式，把它优化到每一个能跑的设备上。

今天是MacBook，明天是手机，后天是手表，太让人兴奋了！

2026年5月9日，AI终于从云端的神坛，落到了每个人的笔记本里。

或许这一天，会被写进历史！

[Bill The Investor @billtheinvestor]

ANTHROPIC刚刚发布了使用 Claude Code 构建公司的官方指南。

CEO：1 名人类。
员工：AI 智能体。
运营：全自动。

零员工公司不再是一个笑话。

[Saito @SaitoWu]

https://t.co/1Uy22LwYvo

[宝玉 @dotey]

今天刷到这篇文章几次，说点不一样的。与其说 AI First，不如说软件工程 First。

这篇文章看着在讲 AI，底下全是软件工程。

抛开后面讲组织和人的部分，原文前半段的重点简单总结一下：

AI 时代，人成了瓶颈。PM 花几周做需求，AI 两小时就能实现，PM 成了瓶颈。QA 测三天，AI 写代码只要两小时，QA 成了瓶颈。团队 25 个人，对手几百人，人力也是瓶颈。

怎么办？把人从链条里拿掉。AI 写代码、AI 审查代码、AI 跑测试、AI 部署上线、AI 监控线上状态，出了问题自动回滚。每天定时扫描日志，自动发现问题、分配任务、跟踪修复。整条流水线跑起来，人只需要在关键节点做判断。

至于文中提到的统一代码库，锦上添花，和 AI First 关系不大。有当然更��，没有也有很多替代方案。

整套方案听下来，逻辑自洽，效果也漂亮：一天部署好几次，功能当天上当天撤，数据说了算。

但先别急着���搬，先对照自己的情况想几件事：

第一，自动化测试。AI 改完代码，你得有办法确认它没搞崩别的功能。测试覆盖不够的话，每次 AI 提交代码你都得人工回归一遍，那速度根本快不起来。

第二，CI/CD 流程。从提交代码到部署上线，中间的测试、审查、发布、回滚，是不是全自动跑通了？这条流水线不通，AI 写得再快，代码也堆在那儿等人手动处理。

第三，A/B 测试和线上监控。新功能上线之后效果好不好，得有数据说话，效果不好得能随时关掉。没有这套机制，AI 一天产出五个功能，你都不知道哪个该留哪个该砍。

第四，任务管理。任务得拆到合适的粒度，生命周期得跟踪得住。一个大而模糊的任务丢给 AI，现在的能力还啃不动。多个 Agent 同时干活的时候，谁做哪个、哪个优先、做到什么程度，这些都得有地方管。

第五，系统架构。架构太乱或者压根没有架构的代码，AI 维护起来跟人一样头疼。上下文塞满了还是搞不清边界在哪，改一处崩三处。

这几条里如果有做不到的，就得靠人去补。补不上，AI First 就只是一句口号。

但假设你全做到了，就能 AI First 了？

还是不行。这套玩法只适合一部分场景。

什么场景适合？后端逻辑为主、界面不复杂的产品，比如 API 服务、数据处理平台、内部工具。功能好不好，跑一下数据就知道，不需要人去盯着每个像素。原文里的就是个 Agent 平台，本质上是后端驱动的产品，可以用这套打法。

再比如早期产品快速试错，功能上了不行就撤，用户预期本来就没那么高，AI 的速度优势能充分发挥。

但很多场景玩不转。

比如 UI 密集的产品。自媒体天天喊前端已死，但你让 AI 做个复杂界面试试，各种易用性问题、交互细节、视觉还原，它搞不定的。否则马斯克靠 AI 早就改了不知道改版 X 多少次了。

比如对功能质量敏感的产品。Anthropic 和 OpenAI 不知道 AI First 吗？他们敢在 Claude Code 和 Codex 上这么搞吗？让 AI 全自动迭代自家的核心产品，用户不骂死才怪。

再比如安全性要求高的场景，银行系统、在线交易平台，AI 代码出个差错，那可不是回滚能解决的。

AI First 的方向没有错，它代表的是一种意识的转变：每做一个决策的时候，想一想这件事能不能让 AI 来做，如果不能，缺什么条件，怎么把条件补上。

但这种意识要落地，靠的不仅是买几个 AI 工具的订阅，还需要把基础搭好。测试、CI/CD、监控、架构、任务管理，这些做扎实了，AI 的能力自然能释放出来。做不好，加再�� AI 也是在沙子上盖楼。

从这个角度看，AI First 的终点未必是让 AI 干所有的活，而是借着这股力量，把你一直想做但没动力做的工程改进，真正推动起来。

仰望星空是好的，但也还要脚踏实地。

[AYi @AYi_AInotes]

喵的这是我免费能看的吗？？？
2026年我听过最实战的一期AI Agent播客，没有之一！
我已经把原视频翻译成中文了，
35分钟，@gregisenberg 和 @rasmic 把搭Agent踩过的所有坑全拆开讲了，其中有一条直接刷新认知：
你精心写的1000行agent.md，每次对话烧掉7000个token，大概率在帮倒忙。

@gregisenberg 说得对，模型本身不管是Claude还是GPT其实已经很强了，
那个几乎唯一的变量，是你给它的context，也就是上下文质量。
以下是我从这条帖子提炼出的 6 条反直觉认知，
每一条都值得存下来👇

[0xFrancis @xiao_zcloak]

https://t.co/o5grVsub9r

[sitin @sitinme]

大模型的原理文章看了一堆，Transformer、Attention、预训练微调，概念都懂，但想自己动手训一个很难。

GPT-3 1750亿参数，随便租张A100一小时几十块，训完一个像样的模型要烧几千个GPU小时，普通人根本玩不起。

GitHub上有个叫 MiniMind 的项目（已经45k star了），思路很简单粗暴：模型结构不缩水，但把规模压到只有64M参数——GPT-3的1/2700。一张3090显卡，2小时，云服务器租金3块钱，就能从零跑通预训练→微调→对话的完整流程。

关键是，所有核心代码都是用PyTorch从零手写的，没有transformers库，没有trl，没有peft，没有任何高层封装。

LoRA怎么做矩阵分解、DPO/PPO/GRPO的策略梯度怎么算、奖励模型怎么训——全摊开在代码里，想搞懂原理的直接读源码比看论文还直观。

训练数据也全开源了，预训练语料、SFT对话数据、强化学习数据加起来不到3GB，下载���来就能直接跑，不用自己到处找数据。最新的v3版本还对齐了Qwen3生态，支持工具调用、思考链，甚至能用ollama、vllm直接部署推理。

64M参数的模型肯定不会比ChatGPT聪明，但重点不在结果，在过程。用乐高亲手拼出一架飞机，比坐头等舱飞一趟爽多了。

[太阳闯关记 @dachaoren]

26年最新出炉，全程高能。

斯坦福教授AI讲座，本质上就是把未来3年谁赚钱，谁被淘汰，提前剧透了一遍。

看懂的人已经在布局了，看不懂的人还在拼命学技术。

[MindfulReturn 身心修复局 @MindfulReturn]

一个开发者干了件事——把 Claude Code 将近 52 万行源码，一行行拆开，用可视化图表重新呈现了出来。

1089 个 HN 点赞，评论区老外排队致谢，有人说"比官方文档还清楚"，有人说"终于理解它是怎么跑起来的了"。

这个项目叫 Claude Code Unpacked。

Anthropic 一周内两次泄露，把自己的底裤掀了。全世界都在"围观"它的源码，GitHub 上各种复刻项目满天飞。

这个网站把 52 万行代码变成一张张清晰的图表，让任何人都能看懂 Claude Code 内部是怎么运作。

👉 附上链接：https://t.co/bRNQxUzAWh

[Matt Van Horn @mvanhorn]

https://t.co/AwabaZTtdp

[Tw93 @HiTw93]

https://t.co/x9eqpjrSuS

[Leo｜一个人 + AI @runes_leo]

看到 @yhslgg 分享的 Firecrawl → Jina → Playwright 三层抓取方案，我的做法更简单：

Claude Code + MCP，直接对话就完成了。

"帮我抓这个链接" → 自动选 Jina Reader（快速免费）→ ���到反爬切 Puppeteer（JS 渲染兜底）→ 分析内容 → 生成摘要 → 同步 Obsidian

全程一个工作流，不写一行脚本。

实测发现小红书、知乎这些强反爬平台 Jina 会被挡，Puppeteer 兜底是刚需。MCP 的价值就是让 AI 直接调工具，省掉中间层。

刚给 puppeteer-mcp 加了 Jina 支持，两层够用了。

[苏打白.Dev @sodawhite_dev]

Clawdbot (Moltbot) 折腾记录& 避坑指南 🧭

这两天我把 Clawdbot 装了两遍。 硬件从 Macbook 换到 Macmini，大模型从 GLM4.7 测到 MiniMax 2.1。主要是GLM4.7老是报红，需要等待。

心态也经历了一次过山车，从刚开始为了“祛魅”而跟风，到现在沉下心来把它当作新事物慢慢去探索。

💡 写在前面：

- 不想折腾？跳过也没事，你不会因此错过一个亿，也不用焦虑，把它当个新资讯听听就好。

- 手痒想试？请务必先看完下面的“安全风险”再动手。

以下是我看到的的高质量资源汇总（欢迎评论区补充共创）：

🧐 第一步：它到底是个啥？

1. @dotey 宝玉老师：深度解析，看完非常受触动。 https://t.co/SK3V5MOtzS

2. @binghe 冰河老师：文字版详解，概念扫盲必读。 https://t.co/HKqJBHRDRj

🛠️ 第二步：保姆级安装教程

1. 官方指引：@MiniMax_AI 官方教程，我第一次在 Macbook 安装就是看这个。 https://t.co/RdrWbshgEQ

2. 视频手把手：@lxfater 铁锤老师的完整入门视频，省去闲鱼几百块冤枉钱。 https://t.co/RSFGu8drc0

3. 避坑指南：@mike_chong_zh 迈克老师几十小时踩坑经验总结，含金量极高。 https://t.co/LXYzzNVFJI

4. VPS 玩法：@AppSaildotDEV教你不用 Macmini，��� VPS 上体验一条龙（含安全配置）。

5.VPS玩法：@vista8乔木老师推荐，@discountifu老师的教程。
https://t.co/XhLpcP8Tx0

6. 飞书接入：@akokoi1开源了接入飞书的方法，办公场景狂喜。 https://t.co/Rr6gNpDRlH

⚠️ 第三步：安全！安全！安全！(必看)裸奔必死，请勿在无防护情况下暴露端口！

1. 风险警告：@Khazix0918 卡兹克老师的教程附劝大家悠着点。 https://t.co/P86Kl7IOwr

2. 深度解析：@servasyy_ai 黄老师深度解析安全隐患。https://t.co/mj5z8PofOU

3. 安全提示：@op7418歸藏老师也反复提醒关于安全问题
https://t.co/qxM9e8bxVB

4. 漏洞实录：@fmdz387发现大量 VPS 暴露端口无认证，这是在送人头！ https://t.co/FTZ6VXMlHY

第四步：社区与替代方案

1. 中文社区：@yucheng YC老师���立了（官方认可的）最大中文社区，有问题进去问。 https://t.co/fqItjKLKZz

2. 平替体验：@YukerX老师演示了用 Claude Code 实现类似体验。 https://t.co/fzrGN2b3ER

最后，工具只是手段。 如果你发现了其他好内容，请贴在评论区，我们一起共创！

[Manthan Gupta @manthanguptaa]

https://t.co/CzmfXDgPRP

[BURKOV @burkov]

This is the system prompt for Apple Intelligence. Turns out Apple's prompt engineers are as clueless about how LLM work as all the others.

[midi @midi]

@StarKnight 这个太酷了