旺旺

一人一码一世界，AI筑道，美股问道 | 独立开发者 ｜开源小模型

[旺旺 @TiagerBao]

最近看到一个挺有意思的 TTS 项目：sanoTTS。

它的思路很直接：把 TTS 做到足够小。

最小的 heart-nano 只有 294K 参数，模型权重 337KB，最大的也就 2.27M 参数。甚至可以直接跑在大约 $3 的 ESP32-S3 上，不需要云端，也不需要 NPU。

而且浏览器里也能直接跑，WebAssembly 全部在本地完成，不需要把文本上传服务器。

目前有 11 个声音、6 种语言，Python、NPM、Arduino/PlatformIO 都能用。

我觉得这种项目比单纯把模型越做越大更有意思。

以后一个小玩具、一块 MCU，甚至一个网页，可能自己就能直接“开口说话”。

AI 不一定非得塞进云端。

能跑进 337KB 里，才是真的有点东西。

GitHub：https://t.co/0Ukx1SXULU
#TTS #AI #OpenSource #EdgeAI #ESP32

[旺旺 @TiagerBao]

@KakaluoteW45042 冲突这块目前不是让 Agent 自己拍板，提取出来的经验还要 review + approve。数据默认可以只放本地 JSONL，不想上云就不上，也可以自己接 S3、Datadog 这些。对团队来说，数据放哪儿能自己控制还是很重要。

[旺旺 @TiagerBao]

Claude Code 刚修好的 Bug，换到 Codex 又得重新查一遍。

现在 Coding Agent 越用越多，但它们的历史基本是各管各的。

Claude Code 不知道 Codex 做过什么，Cursor 也不知道你刚刚纠正过 Claude Code 什么。

Agent Beacon 就是专门解决这个问题的。

它把不同 Coding Agent 的完整 session 统一记录下来，包括：

• Prompt / Response
• Tool Call
• Shell Command
• 文件修改
• Approval
• MCP 调用
• Token 使用
然后统一成 OpenTelemetry 事件格式。
目前已经支持 Claude Code、Codex、Cursor、OpenCode、Hermes、Pi、Gemini CLI、Qwen Code 等 20+ Agent / Harness。
它不只是存日志。
流程大概是：
Agent运行 → 记录会话 → 找出有效经验 → 人工审核 → 变成可复用 Memory → 通过 MCP / Agent Skills 给后面的 Agent
比如：

Claude Code 刚踩完一个迁移坑，下一次 Codex 进同一个项目，可以直接复用这次留下的经验，而不是重新试一遍。

还有一个我比较看重的功能：

完整 Session Replay。

可以回头查 Agent 当时看了什么、跑了什么命令、改了哪些文件、调用了哪个 MCP、最后花了多少 Token。

默认数据可以直接保存在本地 JSONL：

~/.beacon/endpoint/logs/runtime.jsonl

也可以发到 Splunk、Datadog、Elastic、Sentinel、S3、GCS、CloudWatch 等现有日志系统。

连 ChatGPT 和 https://t.co/vQh3mUevzY 的浏览器会话也能收集。

现在 Coding Agent 已经不缺执行能力了。

我更关心的是：Claude Code、Codex、Cursor 干过的活，能不能统一留下来，下一个 Agent 直接接着用，出了问题还能完整追溯。

GitHub：https://t.co/viHZg2q17a

#Agent #ClaudeCode #Codex #OpenSource

[旺旺 @TiagerBao]

@VinkoWh 我的都用了2年多了，很老的号了。
目前看下来好像老号封的概率很小。

[旺旺 @TiagerBao]

GPT-6 Astra 真的把我用麻了。

刚切到 Claude Opus 5.5 用了一会儿，脑子里就一句话：

卧槽，这才叫人工智能啊。

理解快，执行稳，很多东西根本不用来回解释。

再回头想想之前被各种模型折磨的日子，突然有种苦日子终于熬出头的感觉 😂
#claude #opus5.5

[旺旺 @TiagerBao]

@allice1203 👍

[旺旺 @TiagerBao]

家人们，给大家介绍个好东西。

Qwen-Image-2.1 无审查 GGUF 版本出来了，移除了内置安全过滤，可以生成成人、NSFW 等内容。

更实用的是，它对本地部署也做了优化。

主模型放显卡里跑，保证出图速度；体积很大的 Text Encoder 可以直接丢到 CPU + 系统内存。

这样可以省下大约 9～17 GB 显存，而 Text Encoder 每个 Prompt 主要在前面跑一次，对后续生成速度影响相对小。

主模型还有多档 GGUF：

• Q8_0：7.59 GB
• Q6_K：5.88 GB
• Q5_K_M：5.22 GB
• Q4_K_M：4.60 GB
• Q4_0：4.15 GB
比较推荐 Q4_K_M，体积和质量比较均衡。
Qwen-Image-2.1 本身这次升级也不少：
文生图 + 图片编辑合成一个模型
不用为了生成和编辑来回切模型。

最多支持 10 张参考图

可以同时参考多个人物、商品或者家具。官方案例里甚至可以把 6 张单人照合成一张多人合照。

原生支持透明图：
可以直接处理 RGBA 和 Alpha 通道，做 Logo、贴纸、商品素材不用每次再单独抠图。

文字和人物细节也加强了：
中文文字、字体和排版比以前稳定，人物皮肤、毛发、光影这些细节也有明显改善。

模型：
https://t.co/j0FBfxwfmR

Qwen-Image-2.1 才刚出来，GGUF 就已经把主模型压到了 4GB 级别。
#Qwen #QwenImage #GGUF #ComfyUI #AI

[旺旺 @TiagerBao]

@BlockInsight214 对，白名单这个我也挺看重，Agent 真长期跑的话没必要默认给全网权限。空闲自动 suspend 也很实用，状态还在但资源先释放掉，同时挂很多 Agent 的时候能省不少。

[旺旺 @TiagerBao]

Google 开源了 AX，可以理解成“Agent 版 Kubernetes”。

google/ax 不管 Agent 怎么推理，专门解决大规模 Agent 的运行和调度。

官方目标：单集群运行 billions of autonomous agent workloads。

核心就 4 个对象：

• Task：Agent 任务 + sandbox + CPU/内存限制
• Workspace：挂载 Git、MCP Server、Skills
• Gateway：控制 Agent 能访问哪些外部地址
• Model：配置 LLM 和凭据
操作方式基本照着 Kubernetes 来：
ax apply
ax get
ax watch
ax ssh
还支持 ax suspend / resume，Agent 空闲后暂停并保存状态，需要时继续运行。

我比较关注的是 Gateway：可以直接给 Agent 配网络白名单，而不是默认放开整个互联网。

项目目前还是 v1alpha1，API 可能继续大改。
如果以后同时跑几百、几千个 Agent，真正麻烦的就是 sandbox、资源限制、网络权限、状态恢复和调度。
Google 现在准备把这些单独做成一层。
GitHub：https://t.co/1XK9qF5ROL

#Agent #Google #Kubernetes #OpenSource

[旺旺 @TiagerBao]

@VeknQAQ 确实，Agent 真开始大规模跑以后，模型只是其中一环。谁来分配沙箱、CPU、内存，谁来做隔离、回收和限额，这些基础设施问题反而越来越重要了。

[旺旺 @TiagerBao]

@prodbitz Git 管代码变更确实够用，而且所有 Agent 都能接。但它记录不了完整的 Prompt、工具调用、MCP、审批和 Token 这些过程信息。要不要再加这一层，主要还是看有没有审计和跨 Agent 复用的需求，简单项目确实没必要搞复杂。

[旺旺 @TiagerBao]

@qtwaiter 👍

[旺旺 @TiagerBao]

马上用起来👏👏

[Claude @claudeai]

Introducing Claude Opus 5.5, the first model in our new Claude 5.5 family.

It performs at the level of Claude Fable 5.1 for most tasks, and costs 40% less to run than Opus 5.

[旺旺 @TiagerBao]

@use_kibble Exactly. “Per unit” is really the full review loop, not one translation call. Implementer + two reviewers + fixer means the baseline is already roughly four model runs, and retries can push it higher. That multiplier needs to be in the budget from day one.

[旺旺 @TiagerBao]

100 万+行代码，从 Zig 迁移到 Rust，Anthropic 把背后的 Claude Code 方法开源了。

项目叫 code-migration-kit-with-claude-code。

这套方法参考了真实生产迁移，包括 Bun 的 1M+ 行 Zig→Rust 项目。

它不是让 Claude Code 一口气把整个仓库翻译完，而是把迁移拆成 6 个阶段：

建依赖图和迁移规则
用难文件先压力测试规则
并行翻译全部代码
统一编译，把错误变成修复队列
跑最小端到端测试
和旧实现逐项做行为一致性验证

其中一条规则很关键：

只要两个 Agent 可能给出不同答案，就先写进 RULEBOOK.md。

真正开始迁移后，每个单元也不是交给一个 Agent 就结束，而是：

Implementer + 2 个 adversarial reviewer + fixer

先翻译，两个独立 Reviewer 找问题，再让 fixer 修。

编译也不是几十个 Agent 各跑各的。

整个仓库统一做 survey build，把错误整理成机器可读队列，再按模块分给 fixer。

验证阶段更重要。

如果原来的测试不能直接复用，就要在迁移开始前建立 parity harness，同时运行旧代码和新代码，对比行为。

README 里有句话说得很直接：

No judge, no exit condition.

另外，大规模迁移的成本也不能忽略。

官方提醒，生产级迁移可能在两周内消耗 数十亿 input tokens，预算应该直接按：

工作单元数量 × 单元成本

来算。

这套流程比较适合 Zig→Rust、Python→Go、C/C++→Rust 这种整个代码库都要换语言的项目。

JavaScript→TypeScript 这种可以渐进迁移的场景，Anthropic 自己都说多数情况下没必要搞这么重。

我觉得这个项目最值得看的不是那几个 Prompt，而是怎么让一群 Claude Code 同时改大型代码库，还能保证最后的结果可验证。

Agent 可以并行，规则和验收标准必须先统一。

GitHub：https://t.co/gM7bfagX8G

#ClaudeCode #Anthropic #Agent #OpenSource

[旺旺 @TiagerBao]

@tootoocvc 对，真正有价值的不是保存整段聊天，而是把里面已经验证过的经验提取出来。哪些坑踩过、哪些方案不行、项目有哪些规则，这些应该跟着项目走，而不是跟着 Claude Code 或 Codex 走。

[旺旺 @TiagerBao]

现在 Coding Agent 越用越多，但有个问题一直没解决：

Claude Code 学会的东西，换到 Codex 或 Cursor 后，基本又得重新来一遍。

Agent Beacon 做的就是这一层。

它会把不同 Agent 的完整 session history 收集起来，再把里面有用的调试路径、修改习惯、项目规则和纠错记录提取成可以复用的知识。

目前支持 Claude Code、Cursor、Codex、OpenCode、Cline、Hermes、Pi、Gemini CLI 等 20+ Agent / harness。

它主要做几件事：

>把不同 Agent 的历史统一成一套格式
>记录 prompt、response、tool call、command、文件修改、审批、MCP、token 使用
>可以完整回放一次 Agent session
>从历史会话里提取可复用的项目知识
>通过 MCP 或 Agent Skills 再提供给后面的 Agent
>默认本地写入 JSONL，不强制绑定某个 Agent 平台
数据模型基于 OpenTelemetry。
本地可以直接看：
beacon traces
或者打开 dashboard：
beacon endpoint dashboard

底层原始记录也直接放在：

~/.beacon/endpoint/logs/runtime.jsonl

除了本地，它还能把同一份 Agent telemetry 发到 Splunk、Datadog、Elastic、Sentinel、S3、GCS、CloudWatch 等现有日志系统里。
我觉得它比较实际的一点是：
它把“Agent Memory”和“Agent 可观测性”放在了一起。

你不仅能让下一个 Agent 复用之前踩过的坑，还能知道之前那个 Agent 到底执行了什么命令、改了什么文件、调用了哪些工具、花了多少 token。

对同时用 Claude Code、Codex、Cursor 这类工具的人来说，这比给每个 Agent 单独维护一套 Memory 更省事。

github:https://t.co/viHZg2q17a

#Agent #ClaudeCode #Codex #AI #OpenSource

[旺旺 @TiagerBao]

Claude Code 和 Codex 现在可以把活直接丢给 Gemini 去干。

agy-staff 做的事情很直接：

把 Google 的 Antigravity CLI agy 接进 Claude Code、OpenAI Codex 和 Pi，当一个可委托的 worker。

它内置了 5 个角色：

• staffer：通用任务
• researcher：调研代码和项目
• reviewer：代码、方案、决策审查
• implementer：实现具体修改
• ask：快速问答
Claude Code 里直接：
/agy:reviewer
Codex 里是：
$agy:reviewer

比如可以让它：

审查当前 working tree
研究一个仓库里的认证逻辑
Review PR
挑战一份迁移方案
修一个 flaky test
甚至调用 agy 自带的图片生成工具

它的核心思路我比较认同：

主 Agent 不需要亲自把所有活都做完。

Claude Code / Codex 负责拆任务、做跨任务决策、验收和最终整合，具体的调研、Review、局部实现可以交给 agy。

任务默认以 job 的形式跑。
普通 job 最长默认 60 分钟，启动时可以调到 120 分钟；主 Agent 可以 wait、查看状态、取消，也可以在已有结果上继续追加任务。

还有一个需要特别注意的地方：
staffer、researcher、reviewer、implementer 默认是 unrestricted。

也就是说 agy 可以读仓库、跑命令、改文件。
项目提供 --restricted 和按仓库设置的 restrict 模式，但这是可选加固，不是默认隔离。

多一个便宜又快的 worker 确实有用，但权限边界还是得自己管。

GitHub：https://t.co/bKYLhtg3oJ

#ClaudeCode #Codex #Gemini #Agent #OpenSource

[旺旺 @TiagerBao]

@creedants 换工具前先把 session rules 丢进共享存储。不然同一个坑得重新踩一遍，真受不了。

[旺旺 @TiagerBao]

@mx200406 对，尤其是 Agent 权限越来越大的时候，凭据直接塞环境变量风险还是挺高的。能在代理层按需注入，让 Agent 用得到但看不到，会更稳妥。

[旺旺 @TiagerBao]

Cloudflare 开源了一套 Claude Managed Agents 的自管方案。

claude-managed-agents 提供的是一个控制平面：Claude 开始一个 Agent session 时，Cloudflare 自动拉起 sandbox；session 结束后，再把环境关掉。

它重点解决的是 Agent 真正长期运行时的几个问题：

• 两种执行环境：MicroVM 或轻量 Isolate
• 状态持久化：session 休眠后可以继续恢复
• 网络出口控制：限制 Agent 能访问哪些域名
• 凭据注入：Agent 不直接拿到 secret，也能调用外部服务
• 私有网络访问：通过 Workers VPC 访问内网或其他云资源
• 自定义工具：可以直接接 Browser、Email、Image Generation 等 Cloudflare 能力

内置已经支持：Browser Automation、Email、Private、Service Access、Image Generation
还有一点我觉得很关键：
Agent 可以访问某个服务，但不一定需要知道这个服务的真实凭据。

凭据可以在网络出口层自动注入，请求经过代理再发出去。对于长期运行、权限比较高的 Agent，这种设计比直接把 API Key 塞进环境变量更稳妥。

我最近看多 Agent 项目时越来越关注这一层：模型和工具只是上面一层，真正准备让 Agent 长期跑，sandbox、网络权限、secret、状态恢复这些基础设施迟早都得补。
这个项目比较像是在补 Claude Managed Agents 的运行底座。

GitHub：https://t.co/BFFMQWr5Um

#Claude #Agent #Cloudflare #AI #OpenSource

[旺旺 @TiagerBao]

@An_yhl 确实，模型反而好换。Agent 真长期跑起来，最头疼的还是环境隔离、权限和资源回收这些问题，不处理好很容易越跑越乱。