FF Gao

[FF Gao @Mahir96433484]

@arjunkmrm thanks for recommending the book 👍

[Hassan @nutlope]

https://t.co/1O203j62Oz

[Jingchao @alswl]

看到一个非常有意思的项目：PR Lens。

现在 Agent 提交的 PR 越来越多，一个很现实的问题是：我们已经越来越没有能力，也没有必要，一行一行把代码全部读完。

但问题又来了——对于 Agent 写的代码，或者别人提交过来的 PR，有时候我并没有足够的信心。那我还是得知道：这里面到底发生了什么？

��己主导的开发其实还好。我现在会直接把 Spec 转换成可阅读的 Report，也专门写了 Skill 做这件事。但对于外部提交过来的一个「裸 PR」，怎么办？

PR Lens 做的就是这件事。它会把 PR 转换成架构图和数据流，告诉你：哪些组件受到了影响；调用链发生了什么变化；数据是怎么流动的；整个改动是怎么一步步发生的

比较酷的是，它还能把这些变化做成动画效果，直接在线查看。

于是 Review 的方式就从：
理解代码 → 理解系统变化
变成了：
先理解系统变化 → 再决定哪些代码值得下钻

我觉得这个思路非常有意思。

特别是 Agent Coding 越来越普及之后，人真正需要 Review 的可能已经不是每一行代码，而是 Change 本身。

很适合 Fork 一份，放到公司内部使用。

https://t.co/ET7RGwS7RG

[Avid @Av1dlive]

everything you need to start building with jev, in one article.

code, architecture, diagrams... everything you need to follow the build and make it your own. https://t.co/0hy2KdKUNI

[Boris Cherny @bcherny]

Claude Mods are landing now. Someone already built a Tetris-in-Claude mod 🤯

See issue for the latest community update, technical details, and more cool demos

https://t.co/A15qGUZ6nx

[Jaden 抽象日志 @Jaden_riku]

上册反馈还可以，紧赶慢赶把下册赶出来了，内容尽可能保持精品，做了大量的配图和演示 https://t.co/Ts1jjDsuO9

[周览资源 @grgerwcwetwet]

程序员空闲时间别只卷技术，推荐一本 DuckDuckGo 创始人写的《Traction》（拉新：快速实现用户增长）。

核心就一句：会 Coding 只能做出产品，会营销和增长才能找到用户、赚到钱。

尤其想做独立开发、副业、出海产品的，值得看看。

📚 链接：https://t.co/VPfEMPTsDp

[elvis @omarsar0]

https://t.co/Pq7A9zA0Rf

[TechVerser @realfxw]

AI 编程正在悄然迈入一个极其硬核的新阶段：形式化验证（Formal Verification）与大模型的深度结合。

今天 Boris Cherny 分享了一个令人惊艳的工程实践：他使用 Opus 5.5 对 Claude Agent SDK 进行了形式化验证，仅用几条简短的 Prompt，便直接产出了 16 个 PR，排查并修复了大量复杂的隐蔽 Bug 与竞态条件（Race Conditions）。

这项实践给开发者带来了几个非常重要的启示：

形式化方法的壁垒被彻底抹平形式化验证过去是典型的高门槛领域，Lean 和 TLA+ 等工具的学习���线极为陡峭，通常仅见于航空航天、硬件芯片设计或核心分布式系统。Boris 直言自己并不精通这两种语言，但 Claude 却表现出惊人的建模能力——它直接构建了 6 个无 sorry 占位的 Lean 4 状态机模型（涵盖 stream、retry、engine、session phase 等），并成功在真实代码和追踪轨迹中复现了反例。

工具链分工明确在多状态与高并发场景下，组合拳效果显著：TLA+ 极度擅长排查并发时序、死锁与竞态条件，而 Lean 则擅长针对数据流与系统状态演进提供严谨的数学证明。两者结合，能精准发现人脑走查几乎不可能注意到的边界 corner cases。

破解 AI 代码信任危机的关键路径大家一直担心 AI 生成代码存在幻觉与边缘漏洞。但如果让 AI 将“自然语言规格”提升为“形式化数学规范”，用形式化验证充当严密的安全护栏，软件工程的质检方式将发生根本性变革。

当形式化验证的编写成本逼近于零，这项技术会成为未来编码与 Bug 排查的通用标配吗？

[FF Gao @Mahir96433484]

最近发现agent越来越不说人话了，说了一大堆，然后调用一个ask_user_question让我选，我已经跟不上它的思路了，我把ask_user_question禁掉了。

[Akshay 🚀 @akshay_pachaar]

https://t.co/XbYTbrX3Ug

[FF Gao @Mahir96433484]

后知后觉，发现前段时间比较火的graph engineering还是很有用的，现在的工作方式是：写design文档，/to-tickets拆成若干个tickets，然后把map丢给一个主agent，让他起subagent实现ticket，驱动整个map执行完成，现在一次大概能持续干五六个小时 。

[FF Gao @Mahir96433484]

原文地��：https://t.co/tACAWxprue

Jetbrains在2025年也发过一个类似的文章，对比了一下observation masking和llm summary，https://t.co/32UIV14Dqx

[FF Gao @Mahir96433484]

最近 Jev 很火，fast-jev-compaction 拿它做上下文压缩，还得到了官方的点赞，但是我没找到任何对这种压缩算法效果的评测，我基于本地的2000个pi session数据测了一下，结果出乎意料。
结论：⬇️

[FF Gao @Mahir96433484]

3. 我们让 LLM 做 summary，一边在浪费时间，一边在浪费 token。压缩这件事不需要动用 LLM：把工具输出丢掉、调用记录留着，不花一分钱，瞬间完成。模型拿着这样压缩出来的上下文接着干活，表现和用 LLM 写的summary几乎没差别。

[FF Gao @Mahir96433484]

2. Jev 没有错，其实我们没有必要保留 tool result。约 800 万 token 的工具输出里，之后真正会用到的只有大概 3.6% 到 7.5%，可以简单地全部丢弃，模型在需要的时候重新执行一次 tool call，问题也不大。

[FF Gao @Mahir96433484]

1. 用 Jev 做上下文压缩，约等于无脑丢弃所有 tool result，而后者还不用花钱。Jev 在默认阈值(0.5)下，9471 个tool result它一个不留；把阈值调低，它确实保留了一些，但是���果不比随机保留更好，甚至还更差；把tool result内容和最近几条user prompt作为state信息喂给它，效果也没有变化。

[Cua @trycua]

https://t.co/SLjnpuGnuE

[LangChain @LangChain]

We tested Jev against LLM judges on accuracy, repeatability, latency, and cost to see whether System One models could offer a new approach to agent evaluation. https://t.co/hrqdNpm0g8

[Jason Young @Jason_Young1231]

Claude Code 是如何记住你的项目的？
从维护 CC Switch 积累的 358 个记忆文件出发，拆解自动记忆的加载、索引精简与内容取舍机制，分析当前设计的优缺点和一些使用经验。 https://t.co/4CUoFCXQhs