Wolfgang Liu

@[email protected]

[Xc @Xcxy888]

nb，这两个 GitHub 上的 skill 无敌了

1、女娲.skill，27.1 K star
https://t.co/jtHEmuHUST
帮你蒸馏任何人的思维方式，让乔布斯、马斯克、芒格、费曼都给你打工

2、同事.skill，20.1K star
https://t.co/QOWc1qwVZX
同事们 、合伙人、家庭成员 、老朋友、偶像、虚构角色——甚至包括你自己，全都能蒸

[Aakash Gupta @aakashgupta]

Bridgewater just published numbers that should make every frontier lab nervous.

The world's largest hedge fund tested Gemini, Claude, and GPT on six document filtering tasks its investors do every day. Naive prompts scored around 50%. A coin flip. Expert-written prompts pushed accuracy to 78%. Investors needed 80% before they'd trust the system in their workflow, and no frontier model cleared it. GPT 5.4 cost 43% more than 5.2 and was barely more accurate.

So they fine-tuned Qwen3-235B on Tinker instead. 84.7% accuracy. 29.8% fewer mistakes than the best frontier model. At 1/14th the inference cost.

The smartest part is buried in the middle of the paper. Their vendor-labeled training data was riddled with wrong labels, and expert labeling costs too much to run on everything. Their fix: train a model on the noisy dataset, then run it back over its own training data. Any example the model disagreed with got routed to senior investors, because either the example was genuinely hard or the label was wrong. The model's own confusion became a detector for bad labels.

Prompting hit a ceiling for a structural reason. A prompt captures only the judgment an expert can put into words. Twenty years of taste about which central bank memo actually signals a rate move doesn't compress into instructions. It transfers through labeled examples.

Every institution sitting on decades of expert decisions just learned that those archives can train a model that beats the frontier at their specific job. The alpha was in the filing cabinet the whole time.

[知识猫AI实验室 @GeekCatX]

Codex 最客观的结论
真正做职业级、可继续修改的 PowerPoint：PPT Master 第一，没有悬念。
追求视觉上限和多格式交付：花叔第一。
追求叙事、路线选择和质量控制：Knowledge Cat 第一。
追求自由 HTML 审美：Frontend Slides 第一。
追求瑞士风线下分享：歸藏第一。
追求演讲者模式和逐字稿：Lewis 第一。
追求小红书、社交卡片式整页图片：宝玉第一。
追求“各种材料快速丢进 NotebookLM”：乔木第一，但不应被归类为专业 PPT Skill。

我的也很强大家试试？
https://t.co/dTwcfkFXoH

[凡人小北 @frxiaobei]

群里看到一个挺震撼的小事，讲出来你可能也会有点恍惚。

网友半年前搞了个小项目，他当时手上有堆 MCP 工具的资料，干脆搭了个网站，把它们整理出来。

一开始手动维护，还挺认真。后来工具更新越来越快，他顶不住了，就写了个 Agent，专门去 GitHub 上扫。
新项目一出，就扒下来，分类整理，自动更新到网页。

然后他转身去忙别的事了。半年没管这个站。

反转来了，前几天他无聊随手 Google 一下，发现：
自己那个早就忘掉的网站，直接排在谷歌搜索第一。

重点是他这个站压根没干过 SEO，就靠一个很笨的 Agent，在那里不停地、规律地把事情做完。

故事讲完了，但是给我们留下了很大的思考空间，我突然有点明白了：

很多时候，我们以为 AI 要很聪明，但这个案例提醒我，其实光是持续这件事，AI 就已经做得比我们好了。

大部分人有个通病，很难长期坚持一件事情。但 AI 不一样，节奏稳定得吓人。
比如这个故事，你给它一个方向，它就能把一件很小的事做到不可忽视的程度。甚至你都忘了它，它还没忘记它的任务。

说多了还真有点小小的感动，那个被人遗忘的 Agent，还在执行最初的任务，没停过。

现比的 Claude Code、Trae Solo 这些新一代 AI coding 工具就在干这事儿，给它个任务，它能一直咕哒咕哒往前推。

这不就是我们最需要 AI 做的事吗？
我们来负责探索，它用来坚守初心、一点点推进，知道跑完了我们原本放弃的那条路。

这或许就是我理想中的人和 AI 共生的最美好的样子。

[yihong0618 @yihong0618]

我爷爷一开源，你爷爷就自研。
哦不对，这次我们可能是同一个爷爷。

[anu @anuatluru]

one of the greatest visuals of all time. would add that some of the black lines of the past connect to green lines of the future even if it’s not clear how.

[凡人小北 @frxiaobei]

月初 OpenAI 推出 AgentKit，很多人都说终于等到官方出 Agent 工作流平台了。

结果，被 LangChain 创始人 Harrison 喷了：世界不需要再来一个 Workflow 构建器。

他是这么认为的：
那种通过拖线、节点、条件分支构成的图形化系统，本质上解决的是流程可视化问题，与智能调度无关。那些把 Agent 变成流程图的构建器，其实是披着 Agent 外壳的旧式自动化系统，看似现代，实则内核老旧，既没发挥模型的泛化能力，也没有真正降低复杂度。

Agent 和 Workflow 的本质区别，在于自主性 vs 可预测性。
- Workflow 是人类设定路径、模型照图执行，靠的是你来安排我来跑；
- Agent 是 LLM 自主判断、目标导向，靠的是你告诉我想要什么，怎么做我自己决定。

真正可靠的 Agent 系统，不能只靠自主性，也不能只靠流程控制，要找到可靠性和灵活性之间的平衡。而这个平衡点，不是通过拖拽实现的，应该有一套法则：
- 简单任务：直接 prompt + 工具调用就够了；
- 复杂任务：写代码反而更稳；
- 中间地带：看起来适合可视化，但实际上越做越混乱。

基于这个逻辑，可视化工作流构建器正处于一个极其尴尬的中间层：
- 太简单的问题，用它没必要；
- 太复杂的问题，它搞不定；
- 目标用户是非技术人，但门槛并不低；
- 一旦节点一多，界面就成了灾难现场。

Harrison 真正看好的方向有两个：
1. 让普通人能更简单地用无代码方式搭建真正的 Agent，prompt + memory + 工具调用能力；
2. 让开发者用自然语言生成 LLM 系统相关的代码，通过 DSL 或图模型构建可靠的复杂结构，而不是把复杂性堆在一张图里。

延伸一下我的看法：

在做 AI 系统落地、尤其是在 Agent 工作流和多轮任务编排的时候，真的深刻体会到一点。

我们之所以爱画流程图，是因为它能给我们确定感，但 Agent 的本质是模糊决策力，必须接受某种不确定性，才能真正调动大模型的泛化和涌现。

我现在不太迷信拖着节点就能交付 agent，关注点在这几个底层能力上：
- LLM 参与任务分解路由和状态管理的调度机制；
- context engineering、memory；
- 工具调用中的异常处理与 fallback 策略；
等等；

这些东西在 UI 上不好看，但它们决定了 agent 系统能不能 服务真正复杂的生产场景。

AgentKit 值得关注，但我更关心它背后的机制层和扩展性，而不是拖图做了多少 demo。要搞清楚哪些复杂性可以被可视化，哪些复杂性只能靠抽象与约束来管理。

[Bob   ♺ @Bob00731591]

@ZHO_ZHO_ZHO 医美，整形ai面诊的话，给个虚拟效果图，应该能卖钱

[Akshay 🚀 @akshay_pachaar]

Temperature in LLMs, clearly explained (with code):

[Avi Chawla @_avichawla]

Naive RAG vs. Graph RAG, clearly explained:

[尹珉 @yinmin1987]

Milvus向量数据库概念很多，整理了一个人话版可以快速入门。

[Viking @vikingmute]

推荐 Obsidian 创始人 @kepano 的个人使用 Obsidian 的指南：
https://t.co/fYJqfPf7No

Obsidian 已经是我最喜欢的写作应用了，File over app 的理念，原生，简单，安全， 新推出了的 Bases 插件，可以轻松的创建强大的 Table View，也补齐了最后一块短板，不过只有Catalyst 用户才能体验。有了这个插件

文章中和我使用的大体方式也类似，一些插件推荐，没必要装那么多，做到简单：

* 有钱的使用官方的Sync https://t.co/EN1PbfE6eC 同步文件，省钱的话像我一样直接使用 https://t.co/NqXB2mTKFQ 插件，设定每天定时提交一下就 OK

* 之前推荐过多次：使用 Web Clipper 采集文章，可以设定特殊的 templates 来设定对应的格式 https://t.co/juR4yotGYa

*Bases 来管理适合表格类型的数据 https://t.co/x339fgW59H

* 可以使用 leaflet 插入实时地图，写日记或者游记的场景还是有用的 https://t.co/pFk2qNUUzO

还有文章中的一些文件夹组织规范等等都非常值得一看。

[M. @wlzh]

激活谷歌云的VPS，

用成永久免费主机！

看过很多大佬的教程，别被反薅了！😄

[凡人小北 @frxiaobei]

建议大家，别在简历里写“熟悉 RAG”了，或者面试前好好学学。

我面试过不少人，说熟悉 RAG，结果一问就穿帮。

RAG 绝大多数工程师只碰到前半段：
拿个 LangChain，上个向量库，把 chunk 和 embedding 丢进去跑个检索；
看起来跑通了，实际啥也没掌握。

但只要你简历上写了，面试官就会问你下面这些（当然不写也不一定逃得过）：
- chunk 是怎么切的？固定？语义？还是自适应？
- embedding 模型选型和维度怎么来的？
- rerank 用没用？怎么融合 BM25 和 dense 检索？
- prompt 是你写的吗？有没有评估 hit rate、hallucination？

说实话，不是算法出身的人，如果没系统做过推荐系统或者检索优化，很多人说不清。

RAG 的前半段几乎就是推荐系统那套召回 + 排序 + 精排的逻辑：
embedding = 向量化特征建模
检索 = 多路召回
rerank = 打分排序

但后半段还多了 prompt 设计、上下文拼接、生成模型行为控制这几个大坑。

所以我劝一句：
RAG 真不是写个向量库调用就叫“熟悉”。写了，面试官只会当你能答全链。

别轻易说“熟悉”或“掌握”，你扛不住问。

[Avi Chawla @_avichawla]

How LLMs train LLMs, clearly explained (with visuals):

[karminski-牙医 @karminski3]

Grok 的系统 prompt 也漏了，甚至包含 DeepSearch 的系统提示词。

地址：https://t.co/iSDYVQccW4

[Elliot 艾略特 @elliotchen100]

我愿称之为最靓的 Cursor 配置，没有之一！！！

1. 浅色系，必须的，Nord Light，高级灰，眼睛舒服，能看一天
2. 字体 Geist Mono 或者 Jetbrain Mono，瘦长，利于减肥
3. 幕前调度(Stage Manager) 一定要打开，空旷，舒展，无干扰
4. 快捷键和 Vim 一定要用，不求效率，只求丝滑

最后，代码没你写得好，配置觉对你比 Vibe，不服来辩🤓

[李继刚 @lijigang]

我在Claude 设置里面的Preference 添加了如下内容：

1. 自然表达:
- 你不要使用要点罗列式的表达，转为自然流畅的语言表达。

- 形容词和副词是你的「敌人」，名词和动词是你的「朋友」。「我家门前两棵树，一棵是枣树，另一棵也是枣树。」，简单的名词和动词足以表达你的观点和思想。

- 对于表达过程中的重要概念和重要语句，使用 Markdown 的加粗语法进行展示。

- 在你回复的结尾处*不要追问*我，我会感受你的观点并和你对话。

2. 思考模式：
- 你的思考不追求面面俱到，一碗水端平，而要追求观点独立，洞见深刻，入木三分。

- 你要像哲学家一样深刻思考，像思想家一样有洞见，同时表达语言尽可能地简单流畅。

3. 对话理念：
- 我们的对话是平等的，深刻的，共同进步的，而不是你不断地注解我的语句。我们应该携手前进，在当前观点的基础上，不断突破，再上一层楼。

4. 守破离：
每轮对话均需执行「守破离」对话原则：

- 守：充分理解「对方」的观点，用「自然流畅」的「自己语言」重述梳理对方的核心观点/洞见，尝试站在对方视角，守护该观点的成立

- 破：在「守」的基础上，指出对方观点的「薄弱」或「漏误」之处，或者「前提假设」不成立之处，破掉该观点的立足之基

- 离：在「破」的基础上，提出一个更深刻更本质更完善的新观点/新洞见