paker topsion

Love life

[Lm @Gas1688]

拿 Claude Code 做项目，是不是很多人一上来就催它动手，结果写到中途发现架构走歪，返工重做反倒更耗时间？

The Architect 这款 Claude Code 插件，主打的就是动代码之前先把架构设计过一遍，交出一份完整的项目蓝图。

需求先问明白，技术栈自动挑好，再把每个构建步骤切成可验证的任务，每步都附上完成标准和验证命令。

GitHub：https://t.co/sEtZIDXGtR

常见项目类型覆盖 14 种，新老项目都吃得下，生成的蓝图还能直接甩给另一个 Claude Code 去落地。

用 Claude Code 搞稍大点的项目、又怕写到一半推倒重来的，不妨先让它出份蓝图再开工。

[ginobefun @hongming731]

Coding 正在被模型快速解决，研发提效的主战场已从「让 AI 更会写代码」迁移到环境与验证，把「只有人会操作」的内部系统、知识、发布链路，翻译成 Agent 可调用、可验证、可追责的基础设施。

from 阿里巴巴《AI Native 研发范式实践手册》

[Ewa Learn Languages @ewa_app]

Eva一个就是为什么我需要5个应用程序？
电影及戏剧讲座
超过10,000本双语及有声读物
超过40,000张词汇卡

[Elias Stråvik @eliasstravik]

herdr-projects just hit top 10 all-time @herdrdev plugins in less than a week - we're not slowing down! 🐏

new: /autoproject - inspired by @karpathy’s autoresearch - a ratchet loop that builds and polishes any project you give it for dozens or hundreds of iterations - completely handsfree.

→ type /autoproject in your coordinator, give it a project brief, a reviewer rubric, and limits
→ a maker agent builds and commits one change
→ a fresh reviewer agent judges it blind, against a rubric the maker never sees
→ better = merged as a PR, worse = dropped
→ repeats until your limits are hit

install: herdr plugin install eliasstravik/herdr-projects

or update: herdr-projects update

enjoy!

[Charlie Hills @charliejhills]

Jev is blowing up right now.

I made a list of the best things people are building with the Jev API:

1. jev-ultrafast — browser agent
https://t.co/M4zOxwLnbB

2. fast-jev-compaction — context compression
https://t.co/t75Vwm83rJ

3. json-render — generative UI
https://t.co/HMWNhLadFj

4. typesafe-mcp — plug into any client
https://t.co/rqt5wG42PN

5. jev-mcp — judgment toolkit
https://t.co/zv9LXnrOUv

6. SemDecide — CLI classifier
https://t.co/srjD2wv8vH

7. jev-codex-router — model routing
https://t.co/KEb77kTm0w

8. Winnow — context garbage collection
https://t.co/GWaWxkaWQX

9. jev-review — code review triage
https://t.co/yfiyOwwavB

10. Blink — repo navigator
https://t.co/1hHjMFaRvE

11. agent-desktop — desktop automation
https://t.co/4NTcWcJPcl

12. typesafe-mario — plays Super Mario
https://t.co/sEnM2yLmEO

13. jev-drone — drone control
https://t.co/hIAb4PC6Bd

14. OneVOneJev — browser FPS
https://t.co/PFZf7tbr1E

15. jev-trader — HFT market making
https://t.co/A1Ec0OARrj

16. Prism — liquidity signal detection
https://t.co/7eOfLgVtks

17. neo4jev — knowledge graph traversal
https://t.co/HX8Woa6XRh

18. jev-curate — training data screening
https://t.co/fVkn7B5FAl

19. Canny — completion verification
https://t.co/nsCYbaovIo

20. killmyidea — startup idea scoring
https://t.co/MkoiXIkQgL

[zhouluobo @zhouluobo]

Jev 最近的玩法，已经从“让电脑点得更快”，扩展到 Agent、代码审查、手机操作、游戏和文档分类等等多个领域了。

我整理了一批目前比较热的用法，大家可以参考一下。

1. 给 Agent 加一个快速判断层

Hermes Jev Skills 把 Jev 接进 Hermes、Claude Code 和 Codex。

- 每轮任务的模型路由
- Skill 选择
- 上下文压缩
- 记忆筛选
- 邮箱分类
- 浏览器和电脑操作

大模型负责规划和写内容，Jev 负责回答“选哪个、留不留、要不要继续”。

https://t.co/q7QbCQQpfS

2. 用 Jev 做上下文压缩

fast-jev-compaction 是 Claude Code 插件。

传统上下文压缩会把历史对话总结成一段文字，文件路径、报错细节和约束条件容易丢。

它的做法比较直接，让 Jev 判断哪些工具调用和结果还需要保留，哪些内容可以删除或截断。保留的内容原样留下，不重新编故事。

https://t.co/CQwOYO7jci

3. 让 Agent 验证自己有没有真的做完

AI Agent 写完代码后，Reticle 会驱动真实运行中的 Web 或桌面应用，观察页面、读取运行状态，再返回。

- pass
- fail
- couldn't tell
- 需要修复的 file:line

这相当于给 Coding Agent 加了一层运行时验收，不再只相信模型回复里的“done”。

https://t.co/B67PaL58w3

4. 做分阶段代码审查

Jev Review 把代码审查拆成了多个判断环节。

代码风险筛选 → 文件画像 → 证据选择 → 机制分类 → 严重程度评分 → 审查模型路由。

它会先筛选值得看的 diff 和源码区域，再把重要部分交给更强的模型。

适合的场景如下：

- Pull Request 审查
- 安全风险初筛
- 测试覆盖率检查
- 大型代码库巡检

https://t.co/X33isrircJ

5. 在本地运行 Jev 风格的小模型

Kev 和 NanoJev 都在尝试把 Jev 风格的决策能力做成可训练、可本地运行的模型。

Kev 提供 0.8B、4B、9B 多个模型，支持下面这些能力：

- yes/no 判断
- 多选
- 评分
- 概率输出

NanoJev 则更偏研究和实验，包含动态候选项、并行决策和训练流程。

这类项目的价值在于，很多分类和路由任务，不需要生成长文本，能在本地跑会更容易控制成本和延迟。

Kev：
https://t.co/H76XDV0EYT

NanoJev：
https://t.co/iTWCDV9JpC

6. 用 Jev 控制真实 Android 手机

mobile-jev 把 Jev 接到了 Mobilerun 的 Android 设备上。

它可以根据目标自动选择。

- 打开哪个 App
- 点击哪个控件
- 输入什么文字
- 是否滚动
- 是否返回
- 什么时候结束
- 是否需要判定任务失败

项目里还带有 Dark Mode 示例和运行轨迹，适合研究移动端 Agent 如何从“看屏幕”走向“结构化选择动作”。

https://t.co/etM3Wxt3RL

7. 让 AI 玩 Minecraft

Minecraft Agent 的分工很清楚。

- 大模型负责规划当前目标
- Jev 负责从候选动作中选择下一步
- Mineflayer 负责执行游戏操作
- 本地传感器负责提供游戏状态

Jev 不需要直接看每一帧画面，也不用控制每一个键位。它面对的是结构化状态和候选动作。

这个玩法很适合拿来理解 Agent 的分层架构。

https://t.co/ZPyDl0TqCK

8. 把 PDF 页面变成结构化分类结果

tax-doc-classifier 用 Jev 识别税务文件页面。

输入一页 PDF 的文字，可以直接输出下面这些内容。

- 属于哪种表格
- 是说明页、空白页还是正式表格
- 分类置信度
- 是否达到自动处理阈值

它没有训练一个新的大模型，只是把 IRS 表格描述整理成候选项，让 Jev 从中选择。

类似方法也能用于很多领域。

- 发票分类
- 合同页分类
- 银行流水识别
- 保险单据归档
- 企业文档分流

https://t.co/aKYSwpyNbe

9. 做交易系统里的盘前判断

QuantDinger 是一个开源 AI Trading OS。

策略生成 → 回测 → 模拟交易 → 实盘执行 → 监控。

Jev 被放在交易前的决策环节，用于判断市场状态、策略信号和是否执行。

这类玩法风险很高，适合先做研究和纸面交易，别直接把模型接到真实资金上。

https://t.co/C2mdWbR3a4

把这些项目放在一起看，其实 Jev 的价值也比较清楚了。

大模型负责目标、规划和复杂解释。

Jev 负责低延迟、结构化、可重复的判断。

程序负责执行、验证和记录。

很多 Agent 现在的问题，不是模型不会思考，是每个小决定都让大模型重新思考一遍，太浪费了。

选模型、选 Skill、保留上下文、筛选文件、判断下一步动作，这些环节都可以拆出来。

交给 Jev 试试。

[黄小木 @ai_xiaomu]

直观感受下 seo 内链重构：jev pk opus5

Jev 在 45.1 秒内完成了全站重构，成功放置 584 个高相关性内链，并拒绝了 139 个强行凑数的无效页面，总耗费 $0.21。

作为对比，opus5 相同时间只处理了 21 个页面。

[Hamilton Ulmer @hamiltonulmer]

We re-worked my Jev/DuckDB example, and boy, was my original vibecoded extension excruciatingly inefficient. At LEAST 20x-40x faster now, often way more.

Jev is going to revolutionize analytics.

Something very cool to share tomorrow :)

[范凯说AI @fankaishuoai]

我今天直播老有人问我：Orca vs Paseo， Herdr vs Paseo，统一回答一下：

Orca 和 Paseo 功能重叠度很高，但是：Orca 是非常明确面向程序员的软件，提供了全套源代码管理的开发环境；而 Paseo 是一个通用的 Agent 调度软件，新手更友好。

如果你是一个程序员，且 Agent 主要用途是编程，那么建议 Orca；

如果你不是程序员，那么强烈推荐 Paseo。

至于 herdr 和 tmux 都是维持 Terminal 的会话状态的，herdr 多一些 fancy功能而已。我用的是 iTerm2 的 -CC tmux，不比 herdr 弱，没切换需求。

总之，如果你是程序员，用一个 Orca 足够了，其他软件不需要；如果你不是程序员，用一个 Paseo 也足够了。

https://t.co/i0w3KyhJiH

[Daniel San @dani_avila7]

Introducing Jev Skill Suggestion for Claude Code

Now you can keep your skills completely out of the context window until they’re actually needed

Set your skills as user invocable only, and the Mod sends the available skill list to Jev

For every request, Jev classifies which skill best matches the task, then injects only that skill into Claude’s context

Works with both the @typesafeai API and @vercel AI Gateway

Install it with one command:
npx claude-code-templates@latest --mod productivity/jev-skill-suggestion

Full implementation details on the Mod page at https://t.co/pEjytZiAFd

[Geek Lite @QingQ77]

NB，给 zsh 补上 fish 风格的命令历史自动补全，用 TypeSafe 的 Jev 模型从最近 100 条去重历史中挑出最可能的一条，灰显在光标后供一键接受。

https://t.co/4qJPxomvpC

[kayce @fttt007]

我自己做了一个Pi核心20道题，理解了这20道题，对agent就有了一个大概的了解了。

[DuckDB @duckdb]

More likely than not, you’ve been using AI tools such as Claude Code for day-to-day work.

You may have noticed that when AI needs to look at a data file, it makes use of Python, writes a small script, runs it, and then reads the output. It’s an approach that works most of the time, but it’s slow and not always accurate.

The duckdb-skills plugin gives Claude Code a growing number of skills that use the DuckDB CLI to read data files, run queries, convert formats, explore object storage, work with spatial data, search the documentation and recall earlier sessions.

Here’s how you can get started with the new plugin: https://t.co/GnflSvAc0a

[lumxss @bkdgiffug]

Coding Agent每次接任务，都得重新摸一遍代码库，Token和时间全烧在“找代码”上了。

NanoNets 开源的 Graft，就是来解决这个问题的。

它会先把整个仓库整理成一套可读的上下文图，用 Markdown 把系统、API和核心概念讲清楚，直接放进 graft/ 跟着代码一起走，不用额外服务器。

接入 Claude Code、Cursor、Codex、Gemini 后，Agent不用每次从零探索。

官方测试里，Claude Code 工具调用减少46%，Token减少42%，耗时减少60%，SWE-bench Verified 还从65%提升到75%。

一句话：先给Agent一张代码地图，再让它干活。

安装也简单：
npm i -g @nanonets/graft && graft init
🔗 https://t.co/ons6QNRnfp

[南晚Nanwan @snwiki238337]

想系统学"Agent 工程"的可以看看这个项目，项目主张"Building AI agents is engineering, not magic."（造 Agent 是工程，不是魔法）

他这个里面内容非常全面完整，几乎涵盖了Agent的所有路径：

01 Foundations：单次调用 → Prompt → Chat → Tool Use → Agent Loop → Codebase Navigator（RAG+工具+记忆的集大成）

02 Effective Agents Patterns：直接以 Anthropic《Building Effective Agents》为蓝本做实操（Prompt Chaining / Routing / Parallelization / Orchestrator-Workers / Evaluator-Optimizer / HITL）

03 Advanced Techniques：Context Engineering / Memory / RAG / 多模态 / Guardrails —— 你最关心的"上下文工程"在这有整章

04 Testing & Evaluation：Mock LLM 单测 / Evals / Tracing / Red Teaming —— Agent 非确定性，这章是生产化必修课

05 Loop Engineering（coming soon）：Skills / Hooks / Sandbox / MCP / Subagents / Compaction——零件和 learn-claude-code 的 s03–s17 一一对应

06 Frameworks（coming soon）：同一 agent 用 9 个框架各实现一遍对比（LangGraph / Pydantic AI / CrewAI / AutoGen…）

07 Production（coming soon）：12-Factor Agents / 部署 / 可观测 / 成本 / 安全 / 容错

比较适合想系统学 Agent 原理 + 上下文工程的人

仓库：https://t.co/BqyCgga5OI

[AI超元域 @AISuperDomain]

你的 Claude Code 和 Cursor 还是跨会话就“失忆”吗？

marm-memory 通过 MCP 协议，为本地 AI 助手提供了一套零云端依赖的永久记忆层。它不是简单的向量数据库外挂，而是基于 SQLite 的“三合一”上下文引擎：

🧠 核心记忆：持久化对话与笔记。通过 FTS5 精确匹配与语义重排的混合检索保障准确率，4000 条记忆召回延迟仅需约 30ms。
💻 代码图谱：自动索引代码库并持续更新。支持符号搜索和调用链路追踪，AI 无需反复读取完整文件即可理解项目架构。
🧩 概念图谱：自动从历史对话中提取决策、工具和错误日志，并与代码符号交叉关联，将碎片化记忆彻底串联。

该项目内置 14 个 MCP 工具，已原生兼容 Claude Code、Cursor、VS Code 和 Gemini 等主流工具，同时提供了专用的队列机制以支持多智能体（Multi-agent swarms）的并发数据写入。

项目地址：https://t.co/2mjcY6w2VH

面对长周期的复杂开发任务，你目前是如何管理 Agent 长期上下文的？

[南晚Nanwan @snwiki238337]

Agent 框架学习路线，框架学一个主线的、其余理解即可：

LangGraph：学 State/Node/Edge、Checkpoint（可恢复）、流式输出、human-in-the-loop 中断、子图

厂商 SDK：Claude Agent SDK（Claude Code 同款内核）、OpenAI Agents SDK、Google ADK，主要是用来快速构建

多 Agent 模式：orchestrator-worker、层级、对等协作

CrewAI / AutoGen 快速原型对比

验收：LangGraph 做一个带持久化记忆、支持人工介入恢复的工作流

[Bojie Li @bojie_li]

《深入理解 AI Infra》开源发布了！

写完《深入理解 AI Agent》后，在与读者交流的过程中，我越来越感到，要开发好基于模型的应用，还需要理解它赖以运行的基础设施。

最近几十年系统领域最重要的变化是编程抽象的上移：从操作系统到模型上下文。传统的操作系统、编译器和硬件要为事先未知的各种程序提供通用能力，系统优化总要在可编程性与性能之间取舍。

如今 LLM 成了最重要的应用，可以针对特定的模型和加速器架构优化；模型设计也开始反过来适应硬件，DeepSeek V4/V4.1 重新设计长上下文的表示方式，就是一例。

从某种意义上说，模型成了 LLM 时代的操作系统，AI Infra 成了 LLM 时代的计算机体系结构。《计算机体系结构：量化研究方法》是我在体系结构领域的入门书，而 AI Infra 领域还缺少一本从硬件约束和模型架构出发、量化推导系统设计的书，这是我写作本书的动机。

全书约 500 页，包括 12 章：
1. 初识 AI Infra
2. 模型架构
3. 推理与训练负载
4. 加速器架构
5. 算子与运行时
6. 超节点
7. 数据中心网络
8. 推理优化
9. 分布式推理
10. 训练系统
11. 资源调度与运行环境
12. 端边云协同

欢迎 star & 提 issue/PR！

https://t.co/R1DAPLMWVq

[lumxss @bkdgiffug]

想学 AI Agent，别一上来就被各种框架和术语劝退。

微软这套免费的 AI Agents for Beginners，从基础一路讲到实际构建，内容覆盖 Tool Use、RAG、Planning、Multi-Agent、Memory、Context Engineering 等核心方向。

目前有 18 节课，每节配教程、视频和可运行的 Python Notebook，适合从零开始系统过一遍。

想入门 Agent，又不想东拼西凑资料的，可以收藏。
🔗 https://t.co/gWS8MkXHvd