SnowCoder

An avid coder in the Snow

[宝玉 @dotey]

https://t.co/LAqhpQoY1c

[宝玉 @dotey]

谷歌发布新一代旗舰模型 Gemini 4 Argon。

谷歌在跑分表里拿它和 OpenAI 的 GPT-6 Astra、Anthropic 的 Claude Fable 5.1 和 Claude Opus 5.5 对比，价格却定在 GPT-6.1 Sol 和 Opus 5.5 的档位。

普通用户和开发者暂时还用不上，第一批只开放给谷歌 Fairwind 计划里的网络安全防御人员。

谷歌说会分阶段放开，同时参与美国政府的模型发布前自愿审查流程，也就是正式发布前先让政府访问模型。之���先开放给付费 API 客户和 Google AI Ultra 订阅用户，再到普通消费者，具体日期没有公布。

首发优惠价是每百万输入 token 2 美元、每百万输出 token 10 美元，和 GPT-6.1 Sol 完全相同。优惠期结束后是 4 美元和 20 美元，和 Claude Opus 5.5 相同。

GPT-6 Astra 和 Claude Fable 5.1 都是 10 美元和 50 美元，也就是说即使恢复原价，Argon 也只要它们的五分之一。命中缓存的输入按原价的 5% 收费，同样与 Sol 和 Opus 5.5 持平。token 是模型计算文字量的单位，一百万 token 大约相当于 75 万个英文单词。

规格上最大的变化是输出上限：单次最多输出 100 万 token，上一代是 6.4 万。

GPT-6 Astra、GPT-6.1 Sol、Claude Fable 5.1 和 Opus 5.5 目前都是 12.8 万，Argon 是它们的将近 8 倍。

按谷歌的说法，模型可以在一次任务里连续思考、生成几十万 token，难题不用���成很多轮来做。

谷歌说已有数千名员工在日常工作中使用它，并举了几个内部例子：

量子计算团队用它优化量子算法的资源消耗（量子比特数乘以门操作数），其中一例几分钟内就比已发表的基准方案好 40%。

一组 Argon 智能体分析谷歌数据中心的内存使用数据，自动找出并应用优化，已释放超过 300 TiB 内存，谷歌估计总共能省下 500 TiB 到 1 PiB。

Argon 智能体正在把谷歌的 C/C++ 代码迁移到 Rust。Rust 是一种从语言层面避免大部分内存安全漏洞的编程语言。迁移规模从几万行的基础库，到 80 多万行的 Fuchsia 系统 Zircon 内核，上线前都要经过自动和人工审核、测试。在视频解码库 libgav1 的 Rust 版���里，智能体把 3.2 万行手写的底层加速代码换成了编译器能自动优化的安全 Rust 代码，速度是原 Rust 版的 2.7 倍，解码出的画面完全一致。

谷歌的对比表一共 19 项测试，Argon 13 项第一，1 项和 Astra 并列第一，5 项落后。以下分数均为谷歌公布，顺序是 Argon、Astra、Fable 5.1、Opus 5.5。

领先最明显的是专业工作。Harvey 的法律智能体测试考法律检索和文书起草，Argon 19.6%，其他三家是 5.4%、6.7%、3.8%。金融研究测试 Vals Finance Agent v2 是 65.4%，对手是 53.5%、58.9%、58.6%。Zapier 的 AutomationBench 考从头到尾完成企业业务流程，Argon 51.3%，对手是 41.4%、31.4%、42.5%。按美国 GDP 加权、覆盖金融编程法律税务的综合榜 Vals Index 上差距小一些，68.9% 对 63.1%、65.8%、67.0%。

超长材料也是强项。GraphWalks 测模型在长文本里追踪信息之间的关系，材料长度在 25.6 万到 100 万 token 时，Argon 84.2%，其他三家是 71.8%、65.0%、66.8%。长视频理解 LVBench 上 Argon 91.7%，对手是 87.5%、79.7%、83.7%。

编程有输有赢。考长流程真实软件工程任务的 DeepSWE v1.1 上 Argon 77.9%，对手是 74.1%、67.4%、74.2%。但在另一项软件工程测试 FrontierSWE v2 上 Argon 只有 55.0%，四家里最低，Astra 65.5% 第一。在考命令行操作的 Terminal-bench 4.0 上 Argon 57.4%，也是四家最低，Opus 5.5 以 66.4% 领先。

另外三项落后的：机器学习工程 PostTrainBench，Opus 5.5 第一（49.3% 对 Argon 45.3%）；科学计算 Terminal-Bench Science，Astra 第一（68.1% 对 57.6%）；操作电脑的 OSWorld-2.0，Astra 第一（72.6% 对 69.2%），这一项表里没有 Claude 的分数。

网络安全是这次发布的重点。谷歌专门训练 Argon 做安全防御：自动找漏洞、验证漏洞、打补丁。给受信任防御人员和谷歌内部团队的版本不带网络安全方面的限制，可以用上全部能力。

安全公司 Wiz 已在它的免费公益项目 Scan for Good 里使用 Argon。据谷歌介绍，Argon 在全球医院使用的一款医疗软件里发现了一个严重漏洞，可能泄露敏感个人信息，之前的前沿模型都没发现。在测试漏洞修复能力的 CWE-bench v1 上，Argon 和 GPT-6 Astra 都是 68%，并列第一，Opus 5.5 是 67%，Fable 5.1 是 58%。谷歌称，它发现漏洞的能力比上一代安全专用模型 3.8 Flash Cyber 明显更强。

在大范围开放前，谷歌列了四项安全措施：

拒绝协助网络攻击和化学、生物、放射性、核武器方面的有害请求，并通过监测模型内部的激活状态来识别滥用。

防提示词注入，也就是有人在网页或文件里藏恶意指令来劫持模型。谷歌称 Argon 在 Gray Swan 的间���提示词注入测试中领先。

监控模型的思考过程和实际操作，发现它做出超出用户意图的事就中止执行。训练阶段也有类似监控，谷歌称没有把监控结果用回训练，以免模型学会躲避监控。

在高风险训练和测试开始前，把运行模型的沙箱环境隔离封闭。

[宝玉 @dotey]

Anthropic 上线新站点 https://t.co/UazfKYPKLO，面向用 Claude 做开发的人。站点会发布工程深度文章、Claude Code 和 API 使用指南、Claude 团队成员的经验分享，另外还藏了一些彩蛋。

原来的文档网站仍在 https://t.co/t4KD4eylrq，首页导航里的 DOCS 链接会直接跳转过去。https://t.co/UazfKYPKLO 更接近 Anthropic 工程团队的博客，文章分为智能体（Agents）、工程、实战手册（Playbooks）、技能（Skills）四类。技能指的是给 Claude 预先写好的一套操作说明，让它按固定流程完成某类任务。

首页现有的文章大多围绕 Claude 5 代模型的实际用法。例如《Building with Claude Sonnet 5.5》讲怎么用 Sonnet 5.5 开发，《What a task costs on Opus 5.5》算的是在 Opus 5.5 上跑一个任务要花多少钱，《The new rules of context engineering for Claude 5 generation models》讲怎样给新一代模型组织输入内容。也有团队自己的工程复盘���比如《How we made https://t.co/vefasn3rYt 3x faster in two weeks》，记录他们两周内把 https://t.co/vefasn3rYt 提速 3 倍的过程。

最新一篇是 9 月 28 日发布的《用 Claude 自动设计评测并逐步调优》。

对正在用 Claude API 或 Claude Code 的开发者，这些文章能直接看到 Anthropic 内部团队怎么用模型、怎么估算成本。

站点还收录了视频，包括 Claude Code 团队怎么用 Claude Code，以及 Ramp、DoorDash 等公司让员工用 Claude Code 和智能体工作的案例，完整视频放在 YouTube 上。

彩蛋之一是终端模式。点导航里的 TERMINAL，整个站点会变成命令行界面，文章列表像终端里的滚动输出，输入 /help 能看到可用命令。站点的主要入口都配了键盘快捷键，按 H 回首页，按 D 打开文档，按 T 进入终端。

[小盖 @xiaogaifun]

看来很多人没注意到Anthropic这个论文。

Anthropic 这公司很多事情做得确实细致和严谨。今天周五，下午没什么事，我把他们刚发的这篇论文完整看了一遍。

整篇 57 页，系统研究了如果未来几年 AI 能力继续快速提高，而且真的开始大规模进入工作，到 2030 年，GDP、工资、就业和整个社会的收入分配会发生什么变化。

这套分析框架做得非常好，反正我看完还是有很多收获。它设计了几种不同的 AI 发展情景，然后看每一种情况下，经济和就业的影响。下面是我的笔记。

还有时间的话，我还是强烈推荐看一看，主要是看他们的分析逻辑。同时在看这个的过程中，也确实能够直观地感受到 AI 可能会带来的影响。

1、论文把工作粗略分成了两类。一类是认知型工作，包括管理、专业人士、销售、办公室工作这些，程序员、律师、研究人员基本都在里面。

另一类是其他工作，比如建筑、电工、运输、现场服务这些。

他们先假设，2030 年以前 AI 主要直接影响第一类工作，暂时不考虑机器人快速进入体力工作的情况。

所以后面论文里讨论 AI 对工作的冲击，核心讨论的其实都是今天这些知识工作和办公室工作。

2、论文设计了三种情景，温和、显著和极端。

温和情景下，AI 的发展和普及都比较慢。到 2030 年，GDP 只比没有 AI 的情况高 1.6%。显著情景下，AI 已经成为比互联网影响更大的新技术。

到 2030 年，GDP 比没有 AI 的情况高 8.3%。极端情景下，AI 开始大规模完成原来由人做的认知工作。到 2030 年，GDP 比没有 AI 的情况高 32.4%。

注意，这三个数字不是作者对 2030 年的预测。他们也没有说哪一种情况概率最高。这些都是假设。

3、AI 对工作的影响，主要有两种情况。一种是 AI 帮人提高效率。比如程序员、律师、销售用了 AI，同样时间能完成更多工作，人还留在原来的岗位里。

另一种是 AI 已经可以独立把任务做完。这个时候，人开始退出，原来支付给人的那部分工资，会更多���到模型、算力这些资本上。

4、论文认为，AI 对就业和收入分配影响最大的变量是自动化比例。AI 参与的任务越多，其中由 AI 独立完成的比例越高，人需要参与的工作就越少，收入也会更多流向资本。

拿刚刚提到的显著情景来说。到 2030 年，AI 能影响整个经济大约 30% 的任务，但真正部署到工作里的只有 40%。

算下来，大概有 12% 的经济任务真正用上了 AI，相当于今天认知工作任务的五分之一左右。

更关键的是，这些已经用上 AI 的任务里，四分之三都已经可以由 AI 独立完成，只有四分之一还是 AI 辅助人。

这种情况下，AI 会让这些任务的生产率提高大约 57%。整个经济也明显加速，到 2030 年，GDP 比没有 AI 时高 8.3%，当年的经济增速达到 5.4%。

这个增长速度已经很快了。1999 年美国互联网最繁荣的时候，实际 GDP 增速也只有 4.7%。

5、但经济增长以后，这些新增收入并不会平均落到劳动者和资本身上。

显著情景下，到 2030 年，GDP 比没有 AI 的情况高 8.3%，平均工资却只高 2.1%。

再拆开看，差别更明显。认知型工作的工资反而低了 0.3%，其他职业工资高了 5.9%。所有劳动者加起来拿到的总收入，只比没有 AI 时高 1.4%，但资本收入���高了 18.9%。

原因就在前面讲的自动化。

这个情景里，已经用上 AI 的任务中，有四分之三可以由 AI 独立完成。

原来需要支付工资给人完成的一部分工作，开始交给模型、算力和其他资本完成，对应的收入也更多流向资本。

所以虽然整个经济增长了 8.3%，劳动收入占 GDP 的比例却从 60% 降到了 56.1%，资本收入占比从 40% 升到了 43.9%。

这也是论文一个很重要的结论。AI 可以让整个经济增长得很快，但 GDP 增长多少，和普通劳动者的收入增长多少，是两回事。

6、再具体一点，假设原来的 GDP 是 100，劳动者拿其中的 60。现在 GDP 增长到 132，但劳动者只能拿其中的 45%。

132 乘以 45%，还是差不多 60。

也就是说，整个经济大了三分之一，但所有劳动者加起来拿到的总收入几乎没增加。新增出来的这部分收入，基本都去了资本端（AI 公司）。

7、AI 还会重新抬高那些暂时无法被替代的工作的价值。

极端情景下，认知型工作的工资比没有 AI 时低 11.5%，其他职业的工资却高出 33.6%。

背后的逻辑是，AI 把大量认知任务的成本降了下来，整个经济的产出也随之快速增加。

���经济要多生产这么多东西，依然需要建筑、电工、运输、现场服务这些 AI 暂时完成不了的工作。

于是一个很有意思的变化出现了。

认知工作这边，AI 可以直接补充供给，企业对人的需求下降，工资受到压制。

其他工作这边，AI 暂时补不上，但整个经济扩张以后，对这些工作的需求反而增加。即使一部分认知工作者转过去，也未必能完全补上新增需求，所以工资会上涨。

这也是为什么 AI 越强，不同职业的工资不一定一起上涨或者一起下降。

越容易被 AI 完成的工作，人的价值越容易受到压制；越难被 AI 接手的工作，反而可能因为整个经济增长而变得更值钱。

8、前面说了，AI 会减少一部分认知工作的需求，同时整个经济增长，又会增加建筑、电工、运输、现场服务这些工作的需求。

问题是，人没法跟着岗位变化立刻完成转行。

论文举了一个很���象的例子。一个软件工程师失去工作以后，很难马上转去做电工。换一个行业，需要重新学习，需要寻找岗位，过去积累的很多经验也未必还能直接用。

当然不一定是电工，也可以是保险经理等等服务行业的工作。

所以即使整个经济里还有新的工作机会，中间依然可能出现失业。AI 接管旧工作的速度越快，劳动者转换职业的速度越慢，这批暂时找不到新工作的人就会越多。

9、同样一次 AI 冲击，最后可能表现成两种结果，一种是降薪，一种是失业。

论文专门做了一个对比。AI 的能力、自动化程度都保持不变，只看企业在用人变少以后，工资能不能跟着下降。

如果工资可以快速下降，企业会继续保留更多人。结果是，认知工作者的工资比没有 AI 时低 42.2%，但失业率只有 2.6%。

如果工资很难下降，企业需要的人已经变少了，工资却降不下来，那最后只能少招人、裁更多人。

这个情况下，认知工作者的工资甚至还能比没有 AI 时高 2.8%，但失业率会升到 24%。

所以 AI 减少用工需求以后，结果不一定只表现成失业。工资越��易下降，更多影响会落在收入上。工资越难下降，更多影响就会落在就业上。

10、还有一个我觉得很有启发的概念，叫 so-so automation，可以理解成收益不高的自动化。

比如以前一个人完成���项工作需要花 100 块钱，现在 AI 可以把任务接过去，成本变成 95。

对公司来说，人确实可以不用了。但从整个社会来看，这项技术其实只创造了 5 块钱的效率提升。

原来支付给劳动者的那一大块收入，却已经随着任务一起转到了资本端。这种 AI 会替代很多工作，但整个社会并没有因此多创造多少财富。

11、AI 越能独立完成工作，企业就越需要更多算力来承接这些任务。

如果算力供给能快速跟上，企业需要更多算力，市场也能及时增加，价格就不会被明显推高。这样一来，资本因为稀缺拿走的收益不会太多，劳动者也能通过工资分到更多。

如果算力供给跟不上，情况就反过来了。所有公司都在争抢有限的算力和设备，需求越高，价格就越容易上涨，更多收益也会流向资本所有者，留给工资的部分自然就会减少。

当然，这个模型也做了很多简化。它��算力这些都放进了一个统一的资本项里，没有单独去算模型价格、推理成本持续下降这些变化。现实里，这些因素可能会缓解一部分资本稀缺。

但如果未来模型的长程任务能力已经非常强，AI 真正开始大规模接手工作，那接下来一个很现实的问题就是，有没有足够多的算力、数据中心和电力，把这些能力真正跑起来。

到那个阶段，算力供给很可能会成为一个重要瓶颈。

12、不过即便在最极端的情况下，AI 创造的新增收益，依然远远高于认知工作者损失的收入。

论文算下来，整个经济增加的收益，大约是认知工作者收入损失的三倍。

理论上，只要拿出相当于 GDP 9% 的收入，就可以让受影响的认知工作者维持原来的收入水平。而剩下的人，整体收入依然能比没有 AI 时高 20% 以上。

所以真正麻烦的地方，可能不是 AI 创造的财富不够多，而是这些财富最后怎么分。

论文也专门提到，过去无论是技术变革还是贸易冲击，受益的人很少会主动补偿那些受到冲击的人。

AI 如果真的走到极端情景，最后要解决的可能就是这个问题，怎么让那些被 AI 替代、降薪的人，也能分到 AI 创造出来的增长。

13、AI 加速科学研究这条路径，在 2030 年以前反而没有贡献特别多的经济增长。

即使在极端情景里，AI 确实可以帮助科研，但很多研究最终还受到实验、物理世界这些环节限制。

所以他们算下来，通过加速科研带来的额外劳动生产率提升，在三种情景里都不到 1%。

当然作者自己也承认，这部分模型没有把 AI 帮助 AI 研究之后的递归反馈完整算进去，所以这个结果很可能偏保守。

挺有意思，推荐大家去看看。Anthropic 官方还做了一个漂亮的解析网页，论文链接我放评论区了。

[三个三 @3three_AI]

Reddit疯传！
最近在 Reddit 的看到一段高赞的“深度思考” Prompt，
我拿 Codex 试了几次，彻底改变了我和 Codex 的沟通方式。

Prompt：
“请先不要回答我的问题。 在给出答案之前，请先完成以下分析：
1、指出我在这个问题中没有明确说出、但已经默认成立的假设；
2、告诉我还缺少哪些关键信息，以及这些信息可能如何改变你的答案；
3、指出人们在处理这类问题时最常犯的一个错误。 然后，请只向我提出一个最关键的问题。这个问题应该能够帮助你理解我的真实目标和具体情况，让最终答案真正对我有用，而不是一��谁都能套用的通用建议。
等我回答以后，你再给出最终输出。
我的问题是：[粘贴你的问题]”

[The Math Flow @TheMathFlow]

Solving a Rubik's Cube with graph theory.

[在悉尼和稀泥 @JamesAI]

普通人如何在24小时内，0成本拿到你的B端客资

1. 选取一个B端的焦虑型需求，比如出海、获客、GEO、FDE改造。（1小时）

2. 去闲鱼购买上述关键词的9.9引流课、行业报告、销售资料。不用看，挑字数多的下单。（1小时）

3. 想一个商务又土鳖的公司名，注册微信公众号、抖音号，把自己的微信昵称加上这个名字后缀。（1小时30分钟）

4. 把刚才买来的资料全部丢给豆包，提取高频关键词、概念词、客户痛点，再生成一套宣传海报、传单、易拉宝，右下角统一放微信二维码。（20分钟）

5. 再用AI做一份公司介绍《白皮书》、解决方案《红皮书》、行业案例《绿皮书》、报价表和客户诊断报告模板《黄皮书》。到这里，你已经从一个人变成了一家数字化出海服务商。（1小时30分钟）

6. 把第5步生成的彩虹书挂回闲鱼，回本。（30分钟）

7. 报名一个���地或者周边传统行业线下展会。工业设备、跨境电商、建材、汽配、医疗器械之类���可以。（1小时）

8. 找同城打印店把易拉宝、传单做出来，带着东西赶到展馆，完成签到、布展。（1小时30分钟）

9. 在现场发传单，加微信，跟老板聊出海、获客、GEO、AI。不用试图解决任何问题，搜集问题。老板问能不能做，一律能做。

顺便用iPhone随机拍一些展位、人流、客户交流、电脑屏幕和易拉宝的现场照片。（4小时）

9a. 如果今天没有展会，或者你根本没报名上，把第4到第5步的素材丢给AI，让它生成几张展会现场iPhone抓拍图。一定要有人流、遮挡、歪构图、过曝、路人后脑勺。
（10分钟）

10. 公众号、抖音、朋友圈同时发plog。标题参考《今天在XX展聊了几十家制造业老板，我发现2026年企业出海最大的坑不是流量》，随机配一个土鳖的BGM。（20分钟）

11. 睡觉。（8小时）

12. 起床，回私信，通过好友请求。（1小时）

13. 把老板的公司介绍��个丢进AI，根据他的公司和行业生成一份3页的行业免费诊断：
第一页告诉他问题。
第二页告诉他机会。
第三页告诉他可以找你。
不用管内容，他大概率不会看，会直接和你聊。（1小时20分钟）

14. 把第13步的报告挂回闲鱼。另外开始拉收费群，入群即送这些报告。回本第8步的开销。（50分钟）

15. 记得回来给我点赞转发。（10分钟）

恭喜你。

24小时前，你也许还不知道FDE是什么意思。

24小时后，你已经是一家给做了20年外贸的工厂老板诊断数字化出海的服务商了。

如有雷同，纯属巧合。

[Mathematica @mathemetica]

From flux alone, Coulomb’s law emerges.

Gauss’s law: Φ_E = ∮ E · dA = q_in / ε₀

Spherical symmetry makes E constant and radial, so
E · 4πr² = q_in / ε₀
⇒ E = q_in / (4π ε₀ r²) = k q_in / r²
(k = 1/(4π ε₀))
This inverse-square field shapes atomic forces, transistor design, and particle accelerators.

A surface integral becomes the local force law through pure symmetry.

[Mathematica @mathemetica]

Einstein’s E=√((mc²)²+(cp)²) generates the wave equations of electrons and light.

Apply Planck and de Broglie operators.
For m≠0,
s=1/2 it produces the Dirac equation (reducing to Schrödinger when v≪c); for m=0,
s=1 it becomes Maxwell’s equations written as (i/c)∂Ψ/∂t = ∇×Ψ with Ψ=E+iB.

These govern modern electronics and photonics. The same square-root energy unites particle and field.

[小互 @xiaohu]

ChatGPT 现在支持生成透明背景的图像

也可以将任何照片、图像变成透明的图像

所以他们搞了个可以生成自定义贴纸包的功能，可以在 ChatGPT 中生成和制作各种透明贴纸和表情包，

然后还能分享到各种社交软件平台...

网页/应用侧边栏，选择图片，就能看到贴纸选项....

[Gorden Sun @Gorden_Sun]

Apodex 1.1：面向复杂科研任务的专业Agent
传统Deep Research只是搜资料、出报告，Apodex 1.1把推理和核查应用在整个任务过程，产出内容链路完整、可核查，更契合严谨的科研场景。

Moderna与默沙东联合研发的癌症疫苗临床取得成功，于是我让Apodex 1.1预测：
未来半年会有哪些生物医药和AI结合的机会；
生物医药会有哪些突破；
有哪些相关股票推荐；

Apodex 1.1不是直接开始任务，而是先核查癌症疫苗取得成功的真实性以及癌症疫苗的发展程度，然后再启动3个子Agent来并行执行3个预测任务。3个子任务的报告完成后，会有交叉验证环节，验证完后会写最终整体报告，完成最终报告后还有一道终审验证。
所以完整的流程是：
1）核查用户输入的事实；
2）启动子Agent收集数据和写报告，交叉验证子Agent完成的报告；
3）撰写最终报告，终审报告。
质疑和核查始终贯穿整个流程，极大降低幻觉，专门为科研场景优化。

Apodex 1.1同时开源了35B本地模型Apodex 1.1 mini和Agent框架FrontierAgent，生态完整，支持本地部署，开箱即用。
开源Agent框架FrontierAgent，Github值得一个Star：https://t.co/VTHIsghx0e
本地模型，搭配FrontierAgent使用，HuggingFace：https://t.co/NwMc68htN5
在线体验Apodex 1.1，官网：https://t.co/Np5MD5ExiR

视频是整个任务的全流程，单个任务执行25分钟：

[余温 @gkxspace]

这篇内容写的太太太详细了！立马按照教程搞一个美国 edu 邮箱😋

有了这个 edu 邮箱，你能搞的东西太多了，如图

[lumxss @bkdgiffug]

搞爬虫、跑批量请求，最头大的是什么？IP被墙，一死死一片，任你代码写出花来也白瞎。

给你安利个硬核玩意儿：mubeng，Go写的，速度猛得一批，核心就干两件事：

1️⃣ 本地起一个代理服务器，每发一次请求自动换一个IP，什么暴力破解防护、API限速、按IP封的WAF，统统绕道走

2️⃣ 顺手帮你把代理池体检一遍，哪个能蹦跶哪个已经凉了，一眼看穿，别的验代理工具可以卸载了

HTTP、SOCKS、Amazon API Gateway全支持，Windows、Linux、Mac甚至树莓派都能跑，几乎零配置，扔个代理文件进去就开工。轮换逻辑再也不用自己手搓了。
项目地址甩这儿：https://t.co/WdeDOJKEZm

[宝玉 @dotey]

https://t.co/TxWy1XGBrY

[小互 @xiaohu]

Anthropic 发布：
AI 原生 SDLC（软件开发生命周期）实施指南

指南按 Plan、Design、Build、Test、Deploy、Maintain 六个阶段，讲解怎样把 Agent 接入软件开发生命周期。

它来自 Anthropic Applied AI 团队的日常实践，也吸收了客户项目经验。

推荐阅读 https://t.co/3KHaayEDIu

[Daniel.S @ai_goge]

GitHub 上有个很实用的开源仓库，已经拿下 46.2 万+ Star。

它整理了 1000+ 个可免费使用的 Public API，覆盖：

天气、股票金融、加密货币、AI、地图、新闻、动漫、游戏等几十个领域。

每个 API 都标注了：

是否需要 API Key
是否支持 HTTPS
是否支持 CORS
官方接口地址

做项目时需要什么 API，直接进仓库搜就行，不用再满互联网到处找。

做开发、AI Agent、自动化工作流的人，建议收藏。

下次缺 API，先来这里翻一遍，可能几分钟就解决了。

仓库地址：https://t.co/weKa3IQvjP

[Ren @Ryrenz]

🔒 真香，把录音丢进去直接出笔记，全程不联网

GitHub 上 2.2K stars

听两小时的播客或者网课，真正想留下的可能就那几段。手动记要暂停回放，用在线转写工具又得把音频传上去，涉及公司会议或者私人内容时就不太敢用。

AudioNotes 整套跑在本机。上传音频或视频，它先出文字稿，再整理成 Markdown 笔记，���后还能就着内容直接提问，对话历史也存着。浏览器录音、领域热词这些都支持，专业名词转错的问题能靠热词修掉。

之所以能全本地，是因为语音识别用 FunASR，语言模型走 Ollama，默认配置是 FunAudioLLM/Fun-ASR-Nano-2512 加 qwen3.5:2b。音视频、文字稿、笔记和对话历史默认全部留在本机，网页服务也只监听本地地址。

部署给了 Docker 和 Python 3.12 源码两条路，默认端口 15433，Docker 版初始账号密码都是 admin，装完记得先改。首次使用需要联网下载镜像和模型，语音模型约 2.15GB。

能本地跑的工具，才敢拿来处理真正重要的东西。

GitHub：https://t.co/1bEmIJPFXc

[lumxss @bkdgiffug]

雅思报班花了大几万，结果发现还没YouTube上几个博主讲得通透，这冤大头当得可真够憋屈。整理了6个宝藏频道，从零基础到冲刺高分全覆盖，别再当韭菜了！！

1️⃣ English Class 101
听说读写全方位系统教学，节奏舒缓、讲解清晰，雅思小白闭眼入，从零开始也完全不慌。
搜索：English Class 101
2️⃣ Arnel's Everyday English
语法讲解的天花板！这���老师讲得比很多付费机构都透彻，听一遍就能懂，那些收你高价的机构真该脸红。
搜索：Arnel's Everyday English
3️⃣ BBC Learning English
英语学习界的祖师爷，纯正地道英音搭配高质量听力口语素材，磨耳朵首选。
🔗 https://t.co/RQYrCrzUOX

4️⃣ IELTS Simon
前雅思考官亲自下场！写作口语阅读听力全被研究透了，干货密度高到溢出来。
搜索：IELTS Simon
5️⃣ English Speaking Success
Keith老师也是前考官出身，英音标准到没朋友，口语技巧实用到学完就能用。
搜索：English Speaking Success
6️⃣ E2 IELTS
两位专业老师深扒考试技巧和阅读评分标准，有基础想冲高分的直接看它。
搜索：E2 IELTS

[SemiAnalysis @SemiAnalysis_]

Recently, we purchased one of each Anthropic/OpenAI subscription plan and randomly ran long horizon coding tasks until we exhausted the weekly limit. It's widely believed that a $200/month plan maxes out at ~$2000/month worth of tokens (assuming API pricing). However, we found that the subscriptions are actually far more generous. (2/4)

[Vincent @Vincent_AINotes]

https://t.co/AIs3CipQ2H