noregret

[AI Will @FinanceYF5]

Google 近日发布了一��从零开始讲 Agentic Engineering 的 1 小时课程：

– 如何构建你的第一个 AI Agent
– 构建 Agent 记忆
– Agentic Loop，以及长时间运行的 AI Agent
– 如何构建 MCP：MCP 与 API 的区别
– 多 Agent 系统

足以替代网上 10 门付费 Agentic 课程。

[火山哥🕊️ @huoshan007]

兄弟们给大家推荐一个价值10万刀的Hermes免费课程。

开始我以为是卖课的，结果点进去一看，Hermes 完整课程，整整 2 小时 11 分钟，讲的是怎么构建和自动化几乎任何东西。

这种东西最离谱的地方是：

你本来只是想随便看看，结果看完脑子里已经开始拆自己的工作流了。

AI 圈现在最狠的，不是模型多强。

是会自动化的人，已经开始悄悄把一堆重复劳动干没了。

最离谱的是我以为他要卖课。

看完最后居然是免费。

[noregret @noregret]

明显有PS，不然为何没有乳沟

[Roland.W @rwayne]

蒋勤勤+王艳两大古装美人+少年钟汉良+李湘
无美颜无滤镜的年代，颜值各有各的特色
现在再也凑不齐这样的阵容了

[宝玉 @dotey]

Q：我们公司有十几个微服务，现在想让开发用 AI Agent 来做系统设计和编码。问题是一个 user story 经常需要多个微服务协作，Agent 必须了解每个服务的职责边界和业务概念才能做出合理的设计。我们打算把所有微服务放到一个 workspace 下，每个服务���上自己的文档，让 AI 自己去处理。这种方式合理吗？有没有更好的实践？

A：用好 Agent 的关键是两点：上下文的质量，和验证的闭环。

先说上下文质量。

放在一个 workspace 下是目前社区比较推荐的做法。

monorepo 天然适合和 AI 配合，因为 Agent 可以在一个地方同时看到 schema 定义、API 协议、各个服务的实现代码。如果因为历史原因确实不方便合成 monorepo，有个折中方案叫虚拟 monorepo，就是把多个仓库 clone 到同一个本地目录下。

除了放在一起，文档也是很好的让Agent获取上下文的方式，最好给 Agent 一张地图，加上按需加载：
1. 根目录放一份总的 AGENTS.md(或 CLAUDE.md)当索引用，列清楚有哪些服务、各自负责什么、要改某个服务就去读它目录下的文档。
2. 每个微服务自己目录里再放一份,写清自己的职责边界和业务概念,这其实就是 DDD 里的 bounded context。
3. 让 Agent 先看根索引，定位到相关的那几个服务，再去加载它们的细节。

不过要注意文档要及时更新，尤其是微服务协议变更了，一定要及时更新文档，否则会误导。

能从代码或规格自动生成的，就别手写。手写文档迟早会和代码对不上，而像 OpenAPI 这种机器可读的接口规格，一份东西既是文档，又能拿去生成 mock 和测试。

除了文档，还有一个很多人忽略的上下文来源：协议测试代码。高质量的 contract test 本身就是最准确的活文档，它精确地描述了服务之间实际的交互协议，比人写的文档更不容易过时，因为错了测试就无法通过。你如果已经有 OpenAPI spec 或者 Pact 契约文件，这些对 Agent 理解服务边界非常有价值。

再说验证。微服务场景下验证是最麻烦的部分，因为一个 user story 可能涉及好几个服务协作，你不可能让 Agent 每改一行代码就把整个系统跑起来做端到端测试。

一个实用的思路是：每个微服务提供 mock server 或者基于 OpenAPI spec 自动生成的模拟服务。Agent 写完代码后可以在本地跑 contract test 验证自己的改动有没有破坏和其他服务的协议约定，不需要依赖线上真实的 API 或者完整的集成环境。这样 Agent 就能形成一个“写代码→跑测试→自我修正”的闭环，不需要人在过程中频繁干预。

想再进一步,建议了解一下契约测试(consumer-driven contract testing，常用工具是 Pact)。思路是调用方把自己实际用到的接口形状记下来，生成一个契约文件，被调方再去验证自己能不能满足这个契约。

简���说：workspace 统一提供全局视图，分层文档 + 协议测试提供精准上下文，mock server + contract test 提供验证闭环。这三层搭好，Agent 处理跨微服务的系统设计就比较靠谱了。

一些参考资料

1. Anthropic 的 Effective context engineering for AI agents，讲怎么把上下文当稀缺资源来经营、按需加载:
https://t.co/xhbtymgYjL

2. Anthropic 的 Effective harnesses for long-running agents，讲长任务里怎么给 Agent 搭脚手架(比如用进度文件加 git 记录跨上下文窗口接力)：
https://t.co/tERUGrV9wC

3. 怎么在 monorepo 里组织 AGENTS.md 给 Agent 用,可以看 https://t.co/dB4dRBtVR1 上这篇 Steering AI Agents in Monorepos with AGENTS.md：
https://t.co/Sy0u0CNFVU

契约测试入门，搜 Pact 加 consumer-driven contract testing 的指南就行。

[宝玉 @dotey]

开源项目推荐：Claude Code From Scratch

这是一本学习 Claude Code 的开源电子书，严格来说不仅仅是电子书，还有代码，不需要你去看 Claude Code 的 50 万行代码。

用 ~4300 行代码（TypeScript 和 Python 两个版本分别实现）复现了 Claude Code 的核心架构——Agent Loop、13 个工具（���并行执行 + 流式早期启动）、4 层上下文压缩、语义记忆召回、技能系统、多 Agent、MCP 集成……每一步都对照真实源码讲解它怎么做的 → 我们怎么简化的。

有 13 章内容，每一章都是一份分步教程，跟着动手写几千行代码，快速理解 Claude Code 这样最好用的 coding agent 的精髓。

读完你就能大致理解了 coding agent 的工作原理，我跟着快速浏览了下都有了些新的收获，推荐有兴趣的可以看看。

有中英文版：
https://t.co/x2F11US2g0

[云析 @yunxi0623]

https://t.co/AZyp9u5TOe

[Huan @Huanusa]

这条1小时播客强烈推荐！
专访 Claude Code 负责人，

深度拆解 vibe-coding（氛围式编程）。
听完它，你对 AI 辅助编程的理解，会直接甩开 100 门付费课程。
从 Prompt 哲学、Agent 工作流、代码架构思维，
到如何让 AI 真正成为你的超级搭档，全程干货拉满，没有一句废话。
想把 Claude Code 用出花、真正提升 coding 效率的朋友
今天就抽1小时听完！

[爱吃折耳根的Ace @_zheergen]

🚨 卧槽！顶级交易员从零演示用 Claude 搭建交易工具

一位加拿大华裔美女的顶级交易员花了 23 分钟，从零演示如何用Claude AI @claudeai 搭建交易工具。

她现场给AI下指令，实时生成预市场扫描器、回测脚本和策略代码。

是免费教程，全程手把手教你，配有中文和英文字幕。

保存它吧，你会感谢我的

[Cander @Cander_zhu]

这两天 @AnatoliKopadze 连着发了两个重磅内容，我都认真看了：

1. 他那篇超详细的《Loops explained: Claude, GPT, Mira and what actually works》长文（目前已经破 890 万浏览）
2. Peter Steinberger（OpenClaw 作者）在 AI Engineer Europe 的 19 分钟分享

把 @addyosmani 的《Loop Engineering》文章 + AnatoliKopadze的两个内容 结合起来看，收获特别大。

Anatoli 的文章把 Loop 的底层逻辑讲得非常清楚：
- Prompt 是「你一步步指挥」，Loop 是「你给目标 + 验收规则，让 Agent 自己跑出结果」
- 一个靠谱的 Loop 通常需要这 5 个部分：Automation（触发）、Skill（可复用指令）、Sub-agents（写代码的和检查代码的分开）、Connectors（真正执行动作）、Verifier（硬核验收）

而 Peter 作为 OpenClaw 的作者，在视频里分享了他真实的工作流：
> “Each loop is so much faster now that I ship more than ever with way less effort.”

他强调的核心是：
- 重点不是写出完美的 Prompt，而是能够设计���自动验证的闭环
- 验收标准（Judge）决定 Loop 的成败，最好用测试、类型检查、diff 等确定性规则
- 项目结构要为 Agent 优化，而不是跟 Agent 较劲

也希望大家去读这三篇文章，最好结合起来看（Addy 的 Loop Engineering + Anatoli 长文 + Peter 视频），理论 + 实战 + 框架，三者互补，效果会好很多。

我自己最近也在把「Obsidian 新笔记结构化」做成小 Loop，目前还在早期阶段，但已经明显感觉到从手动整理到系统自动跑的转变。

对 Loop Engineering 感兴趣的朋友，强烈建议把这三篇一起看。理论 + 真实案例 + 系统思考，效果最好。

你目前更倾向于先从理论框架学起，还是更想直接看实战工作流？
#LoopEngineering

[宝玉 @dotey]

分享一下我管理 Skills 的方式，偏极客风格，不一定适合所有人，但可以给大家提供一个思路。

一、Skills 只装在项目里，不装全局

Agent 的 Skills 可以装在全局（所有项目共享）或者项目内（只有当前项目能用）。我选择只装在项目内，最主要的原因是节约上下文空间。

Agent 在工作时有一个上下文窗口，你可以把它想象成 Claude 的工作台——台面大小是有限的。虽然 Skill 默认只会加载名称、描述等摘要信息（不会把完整内容全部摊开），但积少成多——全局装了几十个 Skill，光是这些摘要加在一起也会占掉不少工作台空间。而且一旦 Claude 判断某个 Skill 跟当前任务相关，就会把它的完整内容加载进来，全局 Skill 越多，被误触发的概率也越大，白白浪费空间。

只在项目内安装真正需要的 Skills，工作台上就只摆当前用得到的资料，把宝贵的空间留给更重要的内容，Claude 干活也更高效。

二、用软链接来安装 Skills

这是我管理方式的核心，先解释一下什么是软链接。

你可以把软链接理解成 Windows 的快捷方式——文件本体只有一份，但你可以在很多地方创建快捷方式指向它。改了本体，所有快捷方式指向的内容都会同步变化。

我的具体做法分三步：

第一步：把开源 Skills 项目下载到统一的目录

我在电脑上有一个专门存放 GitHub 项目的文件夹 ~/GitHub，所有下载的开源项目都放在这里面，比如：

~/GitHub/baoyu-skills ← 存放各种 Skills 的开源项目
~/GitHub/baoyu-design ← 另一个开源项目

这个文件夹就像一个仓库，所有 Skills 的原件都保存在这里。

第二步：在自己的项目中创建软链接

假设我有一个写作项目 ~/GitHub/baoyu-writing，里���需要用到好几个 Skills。我不会把 Skills 复制进来，而是创建软链接，让项目���向仓库里的原件：

项目内的路径 → 实际指向的位置（原件）
.agents/skills/baoyu-comic → ~/GitHub/baoyu-skills/skills/baoyu-comic
.agents/skills/baoyu-design → ~/GitHub/baoyu-design/skills/baoyu-design

第三步：给 Claude Code 建一个入口

最后再创建一个软链接，让 Claude Code 能找到这些 Skills：

.claude/skills → .agents/skills

这样 Claude Code 就能顺着这条链找到所有需要的 Skills 了。

三、不用记命令，让 Agent 帮你干

看到这里你可能会想：软链接的命令我记不住怎么办？

完全不用记。直接用自然语言告诉 Codex/Claude Code 你要做什么就行了，比如：

> 帮我把 ~/GitHub/baoyu-skills/skills/baoyu-comic 软链接到 .agents/skills/baoyu-comic

甚至更简单：

帮我把 baoyu-skills 项目里的 baoyu-comic 这个 skill 链接到当前项目

Agent 会自动帮你创建软链接，后续的维护、添加、��除也都可以交给它。你只需要说清楚要把哪个 Skill 链到哪，剩下的脏活累活让 Agent 干就好。

四、为什么值得这么折腾？

初次设置确实比直接复制粘贴多花几分钟，但后续维护特别省心，主要有两个好处：

好处一：更新只需一次。因为所有项目都是通过软链接指向同一份原件的，所以当开源项目有更新时，我只需要去 ~/GitHub/baoyu-skills 拉取最新代码，所有用到这个 Skill 的项目就自动变成最新版了。

好处二：修了 bug 可以直接反哺。比如我在写作项目里用漫画 Skill 画漫画时发现了一个问题，直接让 Agent 修复就好。因为是软链接，Agent 修改的其实是仓库里的原件（~/GitHub/baoyu-skills/skills/baoyu-comic），我可以直接把修复提交到开源项目，相当于顺手给开源社区做了贡献。

[Yanhua @yanhua1010]

目前看到关于 “Agentic Engineering Workflow”的最完整的介绍👇

花了一个小时完整看完了，完全可以做成一个付费教程。

内容涵盖了tmux，agent记忆，skills，语音输入，长任务执行，并行worktree管理，多agent调度。

还有让我眼前一亮的可视化html编辑器Lavish和一套代码变更校验的流水线: no-mistakes

感谢作者@kunchenguid分享，值得每一个用ai agent的人收藏、学习。

[noregret @noregret]

万斯骂��色列，下次大选没戏了。https://t.co/O6HkumLWuz

[唐华斑竹🦅 @uniswap12]

微软开源了一个语音 AI，60 分钟长音频一次转写，4 个人同时说话都能搞定

VibeVoice，微软开源，24.8k star，今天才知道这个。录音一键转文字这件事，我之前一直用 Whisper，但它处理长会议录音经常超时，多人说话识别错得也挺厉害的。

VibeVoice 这个直接支持 60 分钟连续音频，自带说话人分离和时间戳，四个人同时说话的场景也能分清楚谁说了什么。最让我意外的是 TTS 这边，4 个角色同时合成，90 分钟连贯输出，声音全程不跑偏。

想做有声书或者播客内容的同学应��会很感兴趣，以前多角色合成经常前后声音不一致，这个解决了。底层是 Qwen2.5 加了专门的连续语音 tokenizer，还有个 0.5B 的轻量版本，300ms 延迟，可以直接接进对话 AI 做实时语音交互，不用再单独接第三方 TTS 服务了。

正在想把 ASR 这块接进自己的会议记录工具里，如果真能稳定跑，一个会下来自动生成带发言人标注的纪要，那效率真的拉满了。

开源地址： https://t.co/XKcsCWGmcE

#AI #AIAgent

[AI Will @FinanceYF5]

Anthropic发了一份36页创业手册，颠覆了我对"创始人"这个词的理解**

1/🔥 Anthropic官方亲自写了一份创业手册。

不是"用AI提效10倍"那种话术。

而是直接告诉你：
创业这件事本身，从底层逻辑被重写了。

硅谷Alan Walker读了三遍，提炼出8个最反直觉的观察👇

[Yanhua @yanhua1010]

看完 Claude Opus 4.8 这次更新，我最在意的不是跑分。

说两点更值得关注的：

第一、Anthropic 在强调“诚实”。

Opus 4.8 更愿意承认不确定，也更少把自己写出来的问题代码糊弄过去。

这对 coding agent 很关键。

因为 AI 写错代码其实不新鲜，真正危险的是它没验证、没把握，但语气稳得像全都跑通过了。

第二、Claude Code 加了 dynamic workflows。

把一个大工程任务拆成几十到几百个 subagents，并行跑，再让不同 agents 互相检查、反驳、验证，最后汇总结果。

能拆任务、能自查、能被反驳、能把不确定性暴露出来，才是 Agent 真正进工程场景的关键。

有两种方式开启：

1. 在 prompt 里直接写 workflow，比如官方例子是：
Run a workflow to audit every API endpoint under src/routes/ for missing auth checks

2. /effort ultracode开启

[Amto @XAMTO_AI]

音频领域又炸出一个开源猛货，MOSS-Audio 来了。

4B 和 8B 两种尺寸，每个都有 Instruct 和 Thinking 版，任你选。

���硬核的是它把六项能力塞进了一个模型：

1️⃣ 语音识别（ASR）
2️⃣ 说话人分离——谁在说话，分得清清楚楚
3️⃣ 情绪识别——听得懂你是高兴还是烦躁
4️⃣ 环境音解析——雨声、车流、键盘声都能识别
5️⃣ 音乐理解——不只是识别歌名，是真的听懂结构
6️⃣ 带时间戳的 ASR——精确到每个字什么时候说的

时间戳 ASR 这块，直接把 Gemini 2.5 Pro 甩开一大截，不是略胜，是碾压。

以前做音频处理要拼一堆模型，现在一个全搞定，还开源。字幕、播客、客服质检、音乐标注，落地成本直接打下来了。

OpenMOSS 团队低调出手，行业震动。

去 HuggingFace 直接拿。

🔗 https://t.co/Iy4LUYpvD2

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

兄弟们，炸裂了！一个文档让全球开发者集体高潮！🔥

OpenAI联创Karpathy甩出一份CLAUDE.md，一周44k Star，总星98k，Stack Overflow看了都沉默。

他算是把AI编程的病根挖出来了：不是不会干，是太爱加戏。让改个bug能给你重构三个文件，让加个验证直接给你搭框架……

四条铁律治住它：
1️⃣ 先想后写，不懂就问别瞎猜
2️⃣ 能50行别写200行
3️⃣ 只动该动的，其他别碰
4️⃣ 目标是过测试，不是秀操���

装上立马从灾难变神助攻。Karpathy，永远的神！

🔗 https://t.co/0FDC0cI46A

[huangserva @servasyy_ai]

一位谷歌云工程师刚刚展示了
如何完全利用 Claude 从零开始构建一个完整的应用程序。

他花了 26 分钟，完整地展示了拥有“Claude”这个角色的人能做些什么，而且完全是免费的。

比很多付费课程都更有价值。

以下是他的报道内容：
> 将应用程序在单次会话中部署的想法/方案
> 全体工程团队都使用 Claude 进行工作
> 他们在谷歌所采用的具体工作流程
> 不需要大型团队，也无需任何相关经验

那些弄清楚Claude究竟能做什么的人，正在创造着那些在别人看来需要整个团队才能完成的东西。

我特地给大���做了双语字幕👇

[花叔 @AlchainHust]

我靠，Andrej Karpathy加入Anthropic了，好夸张...还是回到一线的R&D工作中。

要知道，他可是前OpenAI创始团队成员，Tesla智能驾驶的负责人。

再加上之前爆出来的，A社现在已经集齐了一大堆CTO级别的工程师了。

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

兄弟们，我今天刷到一个东西，直接给我整不会了。

GitHub上有个叫 agency-agents 的开源角色库，你知道它现在多少星吗？81万。不是8.1万，是81万。这个数字意味着什么？意味着全球有几十万开发者和AI玩家已经在用了，你还不知道？

🔗 链接: https://t.co/X3Tdcb84fE

先说这东西是干嘛的。

简单讲，就是一个超级角色提示词库，里面塞了140多个专家级Agent角色。CEO、律师、程序员、产品经理、增长黑客、财务顾问、市场策略师……你能叫出名字的岗位，基本都在里面。每个角色都是精心调教过的，不是那种随便写两句"你是一个律师"就完事的垃圾提示词，是真的有深度、有专业框架的角色设定。

���法也极其简单，三步走：

1️⃣ 打开这个库，找到你需要的角色
2️⃣ 把角色描述直接喂给Claude Code或者Cursor
3️⃣ 开始对话，你的AI瞬间变成那个领域的专属顾问

就这么简单。你在做一个创业项目，不知道商业模式怎么跑通？调出CEO角色问它。合同条款看不懂？调出律师角色让它帮你拆解。代码写不下去？调出高级程序员角色让它review。

但最骚的玩法不是单个角色，是多Agent组团。

你可以同时开几个对话窗口，一个跑CEO视角，一个跑市场总监视角，一个跑财务视角，让他们对同一个问题给出不同角度的判断。这不就是给自己开了一家虚拟公司吗？而且这帮"员工"7×24小时在线，不要工资，不会摸鱼，不会跟你讲情绪。

我自己测试了几个角色，说实话，质量比我预期高很多。

特别是那些商业类角色，给出的框架和思路真的有点东西，不是那种泛泛而谈的废话，是能直接落地用的建议。当然，AI终究是AI，专业判断还是要自己把关，但作为思路启发和初稿生成，这个库的价值真的被严重低估了。

还有一点我必须说——它是完全免费的。

开源、免费、随便用、随便改。在这个到处收费、动不动就订阅的AI时代，这种东西真的越来越少见了。

现在AI工具的核心竞争力已经不是模型本身了，Claude、GPT、Gemini底层能力差距在缩小，真正拉开差距的是你怎么用、用什么角色、给它什么上下文。这个库本质上是在帮你解决"怎么用"的问题，把最难的提示词工程部分给你做好了，你直接拿来用就行。

81万星不是运气，是实力。

还没收藏的，现在去。