Em kinda iconic

soft hands, racing thoughts 🫶 follow back always

[半吊子程序猿大铭 @CoderDaMing]

中国开源了一个花生大小的OCR，能一次性解析整个100页PDF。

叫'Unlimited-OCR'。仅3B参数。本地运行。

其他OCR工具都是逐页切割文档，容易丢失上下文。这个一次性读取整个文档。

→ 单次'长视野'解析（32K上下文窗口）
→ 开箱即用多语言支持
→ 标准基准测试93%准确率（+6超基线）
→ 40页以上<0.11错误率
→ 100%本地运行
→ 支持Transformers、vLLM、SGLang、Docker、Ollama、llama.cpp

传统云端OCR（Textract、Google Vision、Azure）成本1.5-15美元/千页。

这个在你的机器上运行。永久免费。

百度开发它来推进'DeepSeek-OCR'。已在HuggingFace获190万次下载，多数人还不知道它。

100%开源。

[Lonely @Lonely__MH]

🚨 开发者重磅福利！

Anthropic 刚发布了基于 Fable 5 的 Loop Engineering 免费课程。

内容质量极其硬核，直接引爆了技术圈！

官方发糖，100% 免费 🙂

https://t.co/FFz0PacHfG

[Sadao Tokuyama @tokufxug]

単眼RGB映像のみで屋内の物体を長期的に追跡・再識別する技術「REMIND」。

カメラ姿勢や深度は不要で、独自のメモリと空間文脈により視点や照度が変わってもIDを安定維持します。

判断が曖昧な時はID割り当てを一時保留する安全機構も備えています。

詳細はリプ欄。

[K三 凯 @kaikaibtc]

我把Serenity和Crux这两个美股狂魔，蒸馏成了一个自动投研的Agent

上周我扒了 Serenity（@aleabitoreddit）的 1073 条推文，5 个月 32 倍。

这次我又扒了第二个人——Crux Capital（@crux_capital_），五个月 647 条原帖，126 个价值票。

Serenity窄而深：找一个制胜点，押死。
Crux 宽而有纪律：画一张六层栈，每层按执行力排仓位。

看完我有点难受，不是因为收益图太夸张。是我发现，这两个人干的根本不是传统意义上的“选股”。

他们是在搭一条投研流水线， AI 负责搬砖，人负责最后拍板。

1⃣ 他们的方法论：先拆机器，再找堵点

他们看一个赛道，不先问“谁会涨”。

先问的是：

这台机器到底长什么样？
BOM 里最难替代的零件是什么？
如果其中一家明天停产，下游要等多久？

这个问题一问出来，视角就完全变了。

大家还在盯 GPU、HBM、电力这些第一层热点时，
他们已经往下抠第二层、第三层：

激光器、InP 衬底、外延、测试、连接、冷却、配电……

Serenity 最狠的地方，是死盯单点故障。
Crux 更像工程师，先画一整张栈，再给每层贴标签：

谁是龙头，
谁是瓶颈，
谁只是会讲故事，
谁又是那种没人聊、但每台机器都得用的“无聊必需品”。

2⃣AI 在他们手里，不是军师，是苦力

普通人用 AI 做投资，喜欢问：

“这票能买吗？”
“帮我总结一下财报。”
“这个赛道有没有机会？”

这种问法，说到底还是在等答案。

他们不是这么用的，他们让 AI 去干最脏最累的活：

拆机器，
顺着零件找供应商，
再找供应商的供应商，
横着读多家公司财报和电话会，
把“产能打满”“认证快结束”“明年放量”这些零碎信号拼成一张图。

说白了，AI 没替他们赚钱，AI 只是把研究量的上限硬抬上去了。

3⃣所以我把这套东西蒸馏成了一个 skill

https://t.co/V6OUO1IuJZ

它不干一件很俗的事：上来就给你甩股票代码。

它先跑五步：

L1 先确认终端，到底研究的是哪台机器、哪套系统
L2 再画供应链栈，搞清楚谁在第几层
L3 找真正的卡点，卡的是产能、认证、热、电、良率，还是材料
L4 用财报、产业新闻、研报交叉验证
L5 先给方向，再给名字，最后才谈仓位

我蒸馏的不是他们买了什么，我蒸馏的是他们怎么提问，怎么排除，怎么把热闹拆成一个个能验证的环节。

4⃣举个例子，人形机器人接下来该买什么

大部分人第一反应都是特斯拉、英伟达、总龙头。
但这个 skill 不会先看这些。

它会先问：

如果 Optimus 真开始放量，最先紧张的是哪一层？

如果谐波减速器已经被市场盯得很紧，
那下一步就该继续往旁边看：

每个关节都离不开的力传感器，有没有被认真定价？

重点不是马上得出“买谁”。
重点是先知道：你该查哪一层。

顺着这套方法继续往后推，
我现在最想深挖的，反而不是更拥挤的 GPU 叙事。
而是AI factory 的供电 + 液冷 + 物理交付层。

原因很简单。

芯片再猛，电接不进去也白搭。
柜子再多，热散不掉也白搭。
模型再聪明，机房交不出来，还是得排队。

这条线不性感，不热闹，也不太适合吹牛。
但真缺了它，项目就只能往后拖。

最后

看完 Serenity 和 Crux，我最大的感受其实挺扎心的：

AI 没有让投研变轻松。
它只是先把偷懒的人淘汰了。

以后谁再跟我说
“AI 会让投资越来越简单”

我大概只会回一句：

简单个屁，马太效应罢了，你有的他给你更多，你没有的，他把你已有的都给抢走。

[meath @JettHuu]

https://t.co/4V1MLp343E

[梭哈.AI @SUOHA_AI]

想让你的 AI Agent 看遍全网，却总是被 API Key、付费墙、403 报错 卡得死死的？

这个工具用一条命令，就能读取、搜索 Twitter/X、Reddit、Bilibili、小红书、YouTube、GitHub 等 15+ 平台的内容，彻底告别 API 密钥！ 彻底告别付费墙！ 彻底告别各种反爬限制！

GitHub 上已有 15.4K Stars 的开源工具：Agent Reach

它的优势有👇：

→ 支持 15+ 主流平台：直接读取 Twitter/X 推文、Reddit 帖子、Bilibili 视频、小红书笔记、YouTube 字幕、GitHub 仓库、微信公众号文章、抖音视频等

→ 零 API 费用：全部基于开源 CLI，无需任何 Key 或订阅

→ 一键安装：直接给 Agent 一条指令就能自动搞定

→ 智能绕过限制：本地 Cookie + 抓取，稳定读取受限内容 → 可插拔设计：每个平台独立，随时替换升级

→ 安全可靠：本地存储 Cookie，支持安全预览模式

它的核心机制是：全部基于开源免费的 CLI 工具，通过本地 Cookie + 抓取方式访问，完全不走官方付费 API，所以零费用、本地运行，数据只留在你自己电脑上

注意：Cookie 登录的平台（如 Twitter、小红书）存在被检测封号的风险，建议用小号操作，安全第一！！

🔗 GitHub:
https://t.co/XeI6xtpPaF

[Tw93 @HiTw93]

https://t.co/yJi18lu2a9

[太阳闯关记 @asd3312223]

claude code新手教程，这个老外讲的非常仔细，这教程在闲鱼卖398，卖了几百份了。

这里免费，真的是认知差，静下心看完这一套完整教程，你就能真正用 AI 搭建工作流、实现自动化、处理复杂任务。

[宝玉 @dotey]

看鸭哥写的：《AI 工程的真实代价：从 Claude Code 泄露源码看新模型接入的工程现实》
https://t.co/Cz5XBMXnCk

里面提到了 Anthropic 在 Claude Code 里埋了三层反蒸馏机制，专门防竞争对手用 API 输出来训练自己的模型。泄露的源码把这套系统完整暴露了出来。

第一层：往输出里掺假。API 返回结果时，服务端会混入一些虚假的工具调用数据。正常用户完全不受影响，服务端会帮你过滤掉。但如果有人批量抓取 API 输出去训练模型，这些假数据会一起被吃进训练集，污染模型质量。

第二层：把推理过程藏起来。Claude 在工具调用之间会产生中间推理文本，比如"我先读这个文件，再检查语法"。这些细节对蒸馏训练价值很高，因为它暴露了模型怎么思考。这一层把中间文本替换为一句摘要加密签名，下一轮对话时客户端拿签名换回原文。外部观察者只能看到摘要，完整推理链拿不到。

第三层：协议隔离。Claude Code 用一种新的 JSON 协议格式跟 API 通信，带独立的版本标记，跟每周 920 万次的普通 API 请求在统计上隔离开。服务端可以对不同群体做差异化处理，也让竞争对手无法简单伪装成 Claude Code 来获取特殊待遇。附带好处是省了大约 4.5% 的输出 token。

[摆烂程序媛 @wanerfu]

微软刚刚开源了一款前沿语音AI，可在单次处理中处理60分钟音频。

你上传录音文件。它识别每个说话人，为每个词添加时间戳，输出完整结构化文本，标注谁说了什么以及何时说的。

还支持实时TTS，首音频延迟仅300毫秒，支持50多种语言。

100%开源。
链接：https://t.co/T9Q9RQx61r

[meng shao @shao__meng]

学习 Claude Code 源代码之余，抽时间看看 Compound Engineering v2.60.0 最新更新

如果你还不知道 Compound Engineering！
它是一套强制代码审查、智能降噪、测试感知的 AI 辅助工程管道系统，支持 Claude Code, Codex 等 AI Agents，v2.60.0 更新有三个点很值得关注。
https://t.co/FGQg5MXz7x

1. 审查强制化 /ce:review：
从可选项变为必经关卡，植入置信度评分（0.60阈值过滤六类误报，降噪49%），结构化输出替代自由文本。

2. 工作灵活化 /ce:work：
裸提示直启，自动复杂度分级；测试从"通过检查"转向"变更感知"，强制标记行为改动零测试增补的情况。

3. 规划验证化 /ce:brainstorm & /ce:plan：
修复"不设计=不看文件"的漏洞，当前状态核查始终允许；交互式深化替代自动合并，文档审查强制闭环。

[Leo｜LeoLabs.me @runes_leo]

我每天会扫一遍 GitHub 热门项目，找能优化自己工作流的东西。今天筛出来发现一半都是 Claude Code 生态的，挑三个值得看的：

claude-code-best-practice（+2407⭐）
整理了 87 条 CC 使用技巧 + 8 种社区工作流对比。刚上手或者用了一阵想系统化的都适合翻一遍。
https://t.co/IdTU9dn8ZN

oh-my-claudecode（+1126⭐）
多 Agent 编排框架，19 个预设 Agent + 自动模型路由（简单任务走 Haiku 省钱，复杂的自动升 Opus）。最有意思的是它能从调试过程中自动提取可复用的 skill，不用你手动写。适合已经用 CC 干活、想上团队协作的。
https://t.co/vyjoWN2ubz

superpowers（+2620⭐，总星 128K）
Jesse Vincent 做的 Agent 技能框架，核心是测试驱动 + Git worktree 隔离。适合对代码质量有要求、不想让 Agent 乱改代码的。
https://t.co/zieJ9XBHRh

按阶段选：入门看 best-practice，干活看 superpowers，搞团队看 oh-my-claudecode。

[俊哥AI @jungeAGI]

claude 流程和架构图

[KK.aWSB @KKaWSB]

90%的人用Claude Code就像买了跑车只会用来听广播。

Claude Code里藏着一套指令体系，是高手和小白之间真正的鸿沟：

关键认知转变：别再"问Claude问题"，开始"给Claude派任务"。

它不是聊天对象，是你管理的系统。

这篇从救命级到团队级，一层层拆解给你。

强烈推荐阅读👇

[摸鱼局长 | MoyuChief @Jason23818126]

昨天 Claude Code 的源码泄露刷屏了。
大佬们都在熬夜扒系统提示词。

但对我们普通人来说，搞懂怎么把这 AI 神器上手用起来，比看懂源码更实际。

今天整理了 GitHub 上目前最火的 3 个 Claude Code 学习教程。
按难度从低到高排好了，零基础也能直接看👇

1️⃣ 零基础抄作业：claude-howto
一个直白的实战案例库。没有枯燥理论，全是现成的场景模板。你想让 AI 干什么活，直接在里面找对应的例子复制粘贴，马上就能跑通，很适合新手破冰。
🔗https://t.co/Cc9DdOiJmP

2️⃣ 避坑与进阶指南：claude-code-best-practice
用久了肯定会遇到 AI 死循环或者胡言乱语。这套教程整理了社区的 80 多个真实经验。主要教怎么正确下指令：比如怎么中途打断、怎么回滚、怎么让它先理清思路再动手。看完能少走不少弯路。
🔗https://t.co/qbWakxZzFF

3️⃣ 高阶自动化配置：oh-my-claudecode
如果前两个教程都吃透了，想追求更顺滑的操作，就看这个（致敬了经典的 oh-my-zsh）。它把很多复杂的交互提前封装好了，不用死记繁琐的命令，通过简单的键盘操作就能让 AI 自动拆解任务，日常使用会流畅很多。
🔗https://t.co/qNxDgUV3FE

💡 学习建议：先用 howto 找手感 ➡️ 遇到卡顿翻 best-practice 调整 ➡️ 熟练后用 oh-my-claudecode 优化流程。

把脏活累活都交给 AI，剩下的时间就能心安理得去摸鱼了。建议先码住防走丢，有空再慢慢折腾~

[sitin @sitinme]

https://t.co/mUpQe9duic

[Viking @vikingmute]

居然现在还有人做这么精致的 Claude Code 的教程？https://t.co/6u4WUDc5vh
很适合初学者，不用看文档，取而代之的是 11 个从入门到精通的交互式课程，最后还附有测验，很古早的感觉。
没有任何订阅也可以用它的模拟终端学习把玩一下，从最基本的 slash，到 skills 再到 MCP 再到 Sub Agents 和高级特性都有。

我觉得初学者和高手都能跑一遍都能学到一些新的知识。真的很棒。

[meng shao @shao__meng]

Claude Code 7 层分级记忆体系

来自 @evermind 团队 @troyhua 对源代码的解读，他发现 Claude Code 的分层记忆管理，从亚毫秒级轻量操作到后台“梦境”式长期巩固，每一层都以“最低成本优先”原则设计，后一层仅在必要时触发，从而最大化效率并保护 prompt cache。

- 核心约束与基础
Claude Code 通过精确的 tokenCountWithEstimation() 函数实时监控用量（API 返回的精确 input_tokens + 后续消息的 4 字节/ token 或 JSON 2 字节/token 启发式估算），并预留 20K token 作为 compaction 输出缓冲。上下文窗口解析优先级清晰：模型后缀 → 能力查询 → 环境覆盖 → 默认 200K。

- 7 层记忆架构（由廉价到昂贵，层层防御）
Layer 1: Tool Result Storage（工具结果持久化）
工具输出（如 grep、cat 大文件）极易膨胀上下文。方案：超阈值结果立即落盘（tool-results/<sessionId>），上下文仅保留 ~2KB 预览 + <persisted-output> 标签；后续可通过 Read 工具按需加载。同时引入 ContentReplacementState 冻结替换决策，确保 prompt 前缀字节级一致，最大化 cache hit。支持远程 GrowthBook 动态调优阈值。

Layer 2: Microcompaction（微压缩）
每轮 API 调用前轻量清理旧工具结果。包含三种机制：
· 时间触发（闲置 >60min，利用 cache TTL 过期窗口清理）；
· Cache-Editing API（最精妙：通过 cache_edits 在服务器端删除旧结果，本地消息不变，不破坏 cache）；
· 新增 context_management 原生 API。仅针对特定工具生效（FileRead、Grep、Bash 等），避免干扰思考块或用户消息。

Layer 3: Session Memory
实时维护结构化 Markdown 笔记（~/.claude/projects/.../session-memory/<sessionId>.md）。在 token 增长或工具调用达到阈值时，通过 fork 子智能体提取总结。核心价值：当需要 compaction 时，直接注入现有笔记作为摘要，无需额外 summarizer API 调用，成本极低。

Layer 4: Full Compaction
上下文逼近阈值时的最后防线。fork 专用 summarizer 智能体生成 9 节结构化摘要（含 <analysis> 草稿区提升质量，后被剥离）。压缩后自动重注入关键上下文（最近文件、技能、计划等），并插入 CompactBoundaryMessage 标记断点。内置电路保护（连续 3 次失败后停止，防止全局浪费）。

Layer 5: Auto Memory Extraction
每轮完整查询结束时运行，构建跨会话持久知识（存入项目 memory/ 目录）。提取 4 类记忆，明确排除可从代码推导的内容。互斥机制：若主智能体已写入记忆，则跳过后台提取，避免重复。MEMORY.md 作为索引文件，硬限 200 行 / 25KB。

Layer 6: Dreaming
后台跨会话记忆整合，类比人类睡眠期记忆重塑。采用四阶段流程（Orient → Gather → Consolidate → Prune），严格只读工具限制。使用文件锁（.consolidate-lock，含 PID + mtime）防并发与崩溃恢复。用户可在 UI 中监控/终止，进度通过后台任务 pill 实时展示。

Layer 7: Cross-Agent Communication
所有后台操作（记忆、压缩、梦境）均基于 forked agent 模式：克隆可变状态 + 共享 prompt cache 前缀，实现隔离与高效并存。支持 Agent 工具多模式 spawning 与 SendMessage 工具实现运行时通信、计划审批等。

- 底层设计哲学（文章最有价值的提炼）
1. 分层防御 + 最低成本优先：每层都尽量阻止下一层触发，形成高效“瀑布”防御。
2. Prompt Cache 极致优化：几乎所有决策（ContentReplacementState 冻结、renderedSystemPrompt 透传、cache_edits、fork 前缀字节一致性）都以不破坏 cache 为前提。系统甚至主动监控 cache miss 并区分“已知良性”与异常。
3. 隔离与共享的平衡：fork 子智能体既防状态污染，又最大化 cache 复用。
4. 容错与可控：电路断路器、互斥保护、GrowthBook 特征旗（可远程关闭任意模块）、优雅降级（失败时自动切换下一层）。
5. 可观测性：从 UI 进度 pill 到详细日志，全部后台任务透明可控。

[Xiao Tan @tvytlx]

没想到《Claude Code 源码架构深度解析》第一版一天就超过了2K star，我刚刚发布了第二版。

第二版由我亲自审校和修改，我敢说第二版这个文档丢给任何一家AI公司，都能让你们的Engineer团队对Agent的理解上升一个层次。我100%确定。

另外我特意降低了些技术难度，即便没有技术背景，你也能学到很多知识。 链接👇

[huangserva @servasyy_ai]

https://t.co/7DYh1Qa0WJ