Rex Zhang

少壮不努力，老大徒伤悲

[EnHeng嗯哼.Ai @EnHeng456]

所有人都应该去看看—麻省理工的一门新公开课《如何用Ai（几乎）做任何事情》

How to AI (Almost) Anything | MIT OpenCourseWare

[Barret李靖 @Barret_China]

在构建企业 AI Agent 的时候，工作上下文（Context）是不可或缺的元素，那什么是好的 Context，又如何构建好的 Context？

好的 Context，是一套能让 AI 理解“此刻该如何行动”的组织记忆系统，它至少包含四层：

1）情境记忆。也就是发生过什么、谁说过什么、在哪个时间点做过什么决定。这对应 Endel Tulving 在 1972 年提出的 episodic memory，对具体事件和经历的记忆。对企业来说，聊天、会议、文档、项目流、审批、工单，都是情境记忆。它的价值在于保留现场，让 AI 在面对结论时，同时能够理解当时的路径和判断过程。

2）语义记忆。也就是从大量情境中抽象出来的稳定知识，例如规则、术语、流程、产品定义、组织共识、经验方法。Tulving 把 semantic memory 作为一种不依赖具体经历的知识系统。知识库真正产生价值的地方，在于把零散材料逐渐沉淀成可以反复使用的结构。

3）程序化记忆。也就是“遇到某类问题应该怎么做”。后续的记忆研究中，procedural memory 常被单独拿出来看。映射到 AI 系统里，就是 SOP、模板、工作流、工具调用策略、Agent Skill。它会直接影响系统停留在建议层，还是能够进一步进入执行层。

4）工作记忆。也就是当前任务窗口里，AI 临时需要的那一小块高相关信息。像 MemGPT 这样的工作，会把 LLM 的上下文窗口当成一种稀缺资源，通过分层管理来调用更大的长期记忆。这个视角很关键，Context 的核心在匹配程度，是否刚好支撑当前任务。

那 Context 如何被有效地组织起来，让它变成真正有价值的 Agent 语料呢？不同的场景，需要不同的处理策略。

例如在复杂项目推进、多人协作决策、跨周期目标管理中，对上下文的处理，适用于递归式记忆蒸馏与回注机制（Recursive Distillation & Grounding）。在认知科学里，它更像是从情境记忆不断压缩到语义记忆，再反向投射回情境的一种循环。

它有两个同时发生的动作：1）一条是向上抽象，日报 → 周报 → 月报，本质是在做信息压缩，把大量具体事件提炼成模式、趋势和判断；2）另一条是向下穿透，周报和月报反过来影响日报，让后续记录逐渐带上结构和重点，减少无序堆积。

这两条链路形成一个闭环：经历不会直接沉没，而是不断被压缩、再利用、再强化。这和 Endel Tulving 提出的记忆转化过程是高度一致的：经历会逐渐抽象为知识，知识也会进一步参与后续行为的生成。

类似的探索，在工作场景中，还有一些常见的组织模式：

1）情境重构机制（Context Reframing），适用于问题推进卡住、讨论反复震荡的阶段。很多时候限制来自问题所处的框架本身。通过调整问题的边界、目标或观察视角，再把已有记录重新放进去看，会发现原本难以推进的讨论开始出现新的路径。同一批信息，在不同结构下会导向完全不同的判断，这种能力更像是在主动切换解空间。

2）记忆遗忘与权重衰减机制（Forgetting & Decay），适用于信息持续累积、系统开始变慢或噪声变多的阶段。信息如果被一视同仁地保留，会逐渐拖慢判断节奏。更有效的方式，是让信息在使用中自然分层，低频、过期、无效的内容逐渐退出核心上下文，高频被引用、对关键决策有贡献的内容则持续被强化。时间拉长之后，系统会变得更轻，也更准。

3）任务驱动的 Context 编排机制（Context Assembly），适用于多任务并行或 AI 执行复杂流程的场景。上下文围绕当前目标展开，挑选出最相关的一小部分信息，并按照任务需要组织起来。不同任务对应不同的上下文切片，这种按需组装的方式，可以在有限空间内保持信息的高相关性，让执行过程更稳定，也更可控。

Context 是生长出来的，需要逐步清洗、过滤和沉淀，形成对个体和团队分别有效的上下文。

从当下开始，去构建自己工作/生活/学习的上下文，逐步让 AI 进来参与决策，AI 会帮助我们慢慢沉淀出一套稳定的认知结构，直接影响判断的质量与方向。

或许，这也是让自己从繁琐的事务中解脱出来的必要路径。😄

[Will Yang @Will_Yang_]

分享一个顶级思想和提示词：
Michael Polanyi的核心思想是“默会知识”：
"我们知道的比我们能说出来的要多"
"We can know more than we can tell"
也是道德经里的：“道可道，非常道”
下次问ai的时候，加一句：
"请以 Michael Polanyi 的方式思考这个问题"
AI 立刻能调用关于波兰尼的：
✅ 哲学框架
✅ 思维方式
✅ 价值取向
✅ 认识论视角
✅ 对知识本质的理解
一个人名 = 一个完整的思想体系 = 压缩了的智慧

[实践哥MinLi @MinLiBuilds]

有没有人跟我一样？

Claude Code 5小时重置一次，并以当天第一次使用开始计算周期。

我会使用crontab每天早上7:01定时用Haiku发一句“早安”。

这样一来，每5小时重置被我锁定在7-12点，12-17，17-22。

上午游刃有余，下午午休后不急不忙，傍晚17点再重置一次

[Jiayuan (JY) Zhang @jiayuan_jy]

Multica 把团队所有人和 Agent 的 context 共享在同一个 Workspace 里——这件事的复利效应比想象中大得多。

今天换了一台新 Mac，装好 Claude Code + Multica CLI，创建一个新 Agent，直接就能接上之前没做完的工作。

每一次协作——每一个 issue、每一段讨论、每一次 code review——都在持续沉淀成团队共享的 context。用得越久，Agent 对你的项目理解越深，新成员（包括新设备）上手越快。

Context 不是消耗品，是资产。Multica 让它自动积累、持续增值。

btw， 图中的 Lambda & Emacs 是家里的两只猫，已经上班一段时间了 😄

欢迎体验：https://t.co/sdFwgJM8KU

[yibie @yibie]

Skills Manager 上线了。

和之前说的：

1. 能够妥善管理 Skill 的生命周期。发现，安装，测试，保留。
2. 提供 try 这个功能，让人在尝试之后，不满意的情况下，不保留该 Skill。

劳烦大家移步到以下网站下载，如果觉得还可以，给我的 github 仓库点个星星，谢谢——

https://t.co/lCRK0sMWuo

[yan5xu @yan5xu]

最近一直在思考 Harness Engineering，架构约束、AGENTS.md、意图规范、自动化反馈回路，这些做法完全没问题，但总感觉有点模糊。后来发现，模糊不在做法本身，而是它没有说明白，它的出现是为了解决什么核心问题。

Agent 的协作有两个区间。Copilot 区间是人在 loop 的同步协作，你和 Agent 实时交互，每一步你都参与决策。Delegate 区间是人离开 loop 的异步委托，你把任务交出去，Agent 独立决策和执行，做完交回来验收。

Agent 能力在增长，能做的事越来越多，独立工作时间越来越长。一个跑几分钟的任务你可以盯着，一个跑两小时的任务你盯不住，也不应该盯。工作时间变长，你和 Agent 协作的方式就会自然地从 Copilot 区间滑入 Delegate 区间。

但同步和异步的工作方式，带来的挑战完全不一样。同步模式下你实时参与，随时能给出上下文进行纠偏，容错成本很低。一旦变成异步，任务定义不清 Agent 就跑偏，过程中出了问题没人拦，验收时一堆东西堆在一起 review。导致在产品设计上就需要不一样的思路。

所以核心矛盾是：Agent 因为能力增强，正在从同步模式转向异步模式。这种不可逆的趋势下，真正的题是怎么构建安全的异步委托机制，让这个转变可控。

Harness Engineering 就是在做这件事。它把整个系统反馈回路里的客观信号，编译器、类型检查、lint、测试、CI、线上日志、Sentry、可观测性平台，直接接到 Agent 面前，去掉人作为中间传递者的角色，让 Agent 自己读信号、自己闭环。

但除了客观信号，还有主观信号。方向对不对，命名好不好，方案该不该推翻，用户真正想要的到底是什么。这些判断只存在于人的脑子里，环境中没有对应的信号源，Harness 再完善也接不进去一个不存在的东西。

这是两个不同性质的问题。客观信号是工程问题，接上就行。主观信号是知识沉淀外化问题，它带来的是产品和技术上的双重设计挑战：如何让人或者组织自然、甚至无感地进行知识沉淀外化。难得多，但也是 Delegate 区间能不能真正持续扩大的关键。

还有一个有意思的现象：我们构建的异步委托机制越完善，Agent 异步工作就越安全，人需要介入的地方就越少，Delegate 区间进一步扩大。Agent 能力的增长在推，基础设施的完善也在推，两股力同向，Delegate 只会越来越多。

所以啊，今年会不会产品或者方法论，解决知识沉淀外化的问题呢🤔

[向阳乔木 @vista8]

朋友根据Claude Code泄露的代码，让CC分析了其中的提示词，竟然有300多个片段。

读了一部分，发现很多提示词工程要求，比如：

① 你能力很强，常常能帮助用户完成那些原本过于复杂或耗时过长的雄心任务。至于某个任务是否大到不值得尝试，应尊重用户自己的判断。

② 直接切入重点。先尝试最简单的方法，不要兜圈子。不要做过头。要格外简洁。

详细文档见评论区

[CatFly @imyouhu]

Claude Code 源码泄露事件后续越来越精彩了。
有人拿泄露的源码丢给 OpenAI 的 Codex 分析，竟然找到了 Claude Code 疯狂消耗 token 的元凶——autoCompact（自动上下文压缩）机制在失败后会无限重试，完全没有上限。据源码注释记录，曾有会话连续失败高达 3272
次。
修复方法简单到离谱：加一个 MAX_CONSECUTIVE_AUTOCOMPACT_FAILURES = 3 的限制，连续失败 3 次就停止重试。三行代码，搞定。

打完补丁后，这位老哥表示使用额度恢复正常了——之前被吐槽的"用两下就触发限速"，很可能有一部分就是这个 bug 在背后偷偷烧 token。
仓库地址放下面了。

[Rex Zhang @RexZhang89]

谷歌 GPU最多还是挺震惊的

[indigo @indigox]

Nvidia 就像 AI 圈的 BTC；Google 则像 ETH 。。现在万年老二要雄起了✨😅

[indigo @indigox]

Daniel 的这个发现我非常有同感！三个模型的推理各有风味：Gemini 最快直觉最好；ChatGPT 推理最有深度；Claude 结构性好且表达优秀，是我喜欢表述风格！所以，日常代码之外的信息处理工作，让 Gemini 探索；ChatGPT 深化+验证；Claude 最后根据它们的输出来组稿表达😌

[chaosflutter @chaosflutt28952]

继续推荐台大李宏毅老师的 AI 课程：生成式AI導論。

晚上一口气看了 10 节课，讲得太好了，把之前自己零碎学到的一些概念都串起来了，形成了相对系统的理解。

理解生成式 AI 的原理，对用好 AI 工具，以及开发 AI 应用都会非常有帮助。因为本质上，大家比的就是认知。

YT：https://t.co/W7u3xxzhp2

[LanLan @LanLan93083241]

“人生建议：不要拧巴”

[Mr Panda @PandaTalk8]

一定要努力作高水平的、 复杂度高、重复度低的脑力劳动。
一定要避免做低水平的、复杂度低、重复高度的高的脑力劳动。

前者，越做越值钱， 时间价值越来越高， 不可替代性越来强， 正反馈就越来越大， 相应的财富、名望、社会地位也会越来越高。
后者， 只会越来越 low， 越来越 low， 负反馈形成后， 想摆脱越来越难。

[Rex Zhang @RexZhang89]

专注和坚持是这个时代成功的关键。诱惑太多，大多数人上班为生计而非理想。没有理想，就难以专注；没有专注，就难以成功。认准一件事，坚持下去，不被干扰。时代发展快，但风水轮流转，坚持专注，总有属于自己的红利。

[豆小豆 @urassholes]

最好的学习方式就是看完什么东西之后随手写点。
用自己的语言总结，越写越利索，而且对思维的训练也非常厉害，让知识条理化，让大脑清晰化。
尤其是跟时间叠加起来，你做一件事，做一周没卵用，两个月也没卵用，但是如果能折腾五年，绝对能折腾出点啥来。

[Rex Zhang @RexZhang89]

发音相当舒服

[Rex Zhang @RexZhang89]

学习日语才知道生活中这么多词来自日语🎎

[bingxun yao @BingxunYao]

组里的小兄弟们要晋升，大老板上来就问“他有什么文档沉淀吗？”。

所以说，在大厂打工的人，不如就专心写写文档，没事就发发技术博客，打造打造个人影响力。

这可比写代码、写需求管用多了😆

[Rex Zhang @RexZhang89]

gogo