小镇做题家·卷

[Surendar @Surendar__05]

- Meet Chip Huyen
- AI researcher, educator, author, and entrepreneur
- Born and raised in Vietnam
- Earned a Bachelor's and Master's degree in Computer Science from Stanford University
- Started her career working at leading technology companies including NVIDIA and Netflix
- Worked on large-scale machine learning systems used by millions of users
- Became one of the earliest voices explaining how to take machine learning from research to production
- Taught Machine Learning Systems Design at Stanford University
- Shared practical insights on AI, MLOps, and machine learning engineering
- Built a strong reputation among AI engineers and researchers worldwide
- Authored the bestselling book Designing Machine Learning Systems
- Helped thousands of engineers understand how to build and deploy AI systems at scale
- Founded Claypot AI
- Focused on building infrastructure for real-time AI applications
- While many focused only on AI models...
- She focused on making AI systems work reliably in the real world
- Became one of the most respected educators in AI engineering
- Continues to teach, write, build startups, and shape the future of AI infrastructure
- From student → NVIDIA → Netflix → Stanford educator → AI founder

Massive inspiration for aspiring AI engineers and entrepreneurs

[Space Investor @SpaceInvestor_D]

The Great Space Corridor

[AI Dance @AI_Whisper_X]

海外网友扒了1680 份 Anthropic 工程师的简历，先说我觉得最反常识的几点：

第一，招的几乎全是搞 infra 的，不是 researcher。
第二，几乎不招初级员工。中位数的工作经验是12.2年。只有13%的人有博士学位。
第三，最大的人才来源不是OpenAI和DeepMind，而是Google和Meta。
第四，如果是 junior ，一个特别"干净"的典型画像是这样的：MIT，IOI 银牌，Codeforces 2900+。

一篇非常好的文章，作者是做招聘的，把当前雇主一栏写着 Anthropic 的 LinkedIn 主页全爬了下来，共 5306 人。从里面筛出 1680 个真正做工程的，再去翻他们进 Anthropic 之前写的 7986 段过往岗位描述。

可以一观Anthropic的人才构成。

1、Anthropic几乎是一夜之间把团队搭起来
现在还在 Anthropic 的工程师里，2021 年之前就进来的，只有 15 个人。
真正的大扩张是在2025-2026年。2025 年一年，工程组织差不多扩了3倍，招了686个。2026 年看起来也会接近这个节奏：截至 6 月，已经招了455个。
现在团队里一半人入职还不到一年，过去 12 个月进来的占53%，在职时间中位数10个月。
也就是说，这是一个在大概 18 个月里，被非常快地搭起来的巨型团队。

2、他们几乎只招资深工程师
这条我觉得最反常识。
进Anthropic之前，这些人的中位工作经验是12.2年。中间 50% 的人，经验8.8到16.5 年。
1680个人里，工作经验不到3年的只有 50 个；44%的人有 13 年以上。应届这块基本等于没有。
所以一个典型的 Anthropic 新人是这样的：已经工作 12 年，但进公司才 10 个月。

3、他们其实更看重 infra，不是我们以为的“搞研究”
40% 的人背景里出现了 infrastructure。
backend、distributed systems、databases、security 这几个方向，各自都在 20% 左右。
而reinforcement learning，只有3.3%人。
也就是说，典型的 Anthropic 工程师，过去十年更像是在 hyperscaler 或 infra-heavy startup 里搭大规模生产系统的人。

4、最大的人才来源不是 AI lab，是 Google
大家总觉得 Anthropic 很多人来自 OpenAI 和 DeepMind。
但实际上，它最大的人才管道是 Google，而且领先很多。
除了 Google，它明显还偏爱那些以工程严谨著称的地方：Stripe、Databricks、Snowflake、Palantir、Airbnb。

[Vivi @vivilinsv]

"Craftsman is knowing how to work, Art is knowing how to stop" - @BenAffleck explains LLMs and why he's not worried about AI taking filmmakers' jobs.

This might be his sexiest moment on stage, in my opinion. 😍

[Blossom @meetblossomapp]

Bill Ackman was buying Uber at $82.12 and calling it "incredibly cheap".

Today, you can buy it for $70 at 17.5x earnings.

That's a 14% lower price.

$UBER

[区块链行情研究 @qkl2058]

一位斯坦福毕业生刚发了一个马尔可夫链的讲座视频，50分钟，专门讲给做量化交易的人听，讲得特别简洁。

Jane Street 的量化分析师年薪能到 120 万美元，说到底就是要搞懂这套数学。

现在这个讲座把同样的框架给你讲透了，完全免费。

收藏起来，周末抽时间看看。

[KK.aWSB @KKaWSB]

Anthropic工程师Cal Rueb的25分钟Claude Code工作坊，比你今年看过的所有教程都实用。

核心：用CLAUDE.md写清项目规范，用规划模式让它先想再做，用测试驱动让它自己验证结果。

Cal的设计哲学四个字：简单但有效。不追求炫酷，追求可靠。

推荐观看并收藏👇

[Claude @claudeai]

Introducing Claude Managed Agents: everything you need to build and deploy agents at scale.

It pairs an agent harness tuned for performance with production infrastructure, so you can go from prototype to launch in days.

Now in public beta on the Claude Platform.

[Vaishnavi @_vmlops]

System Design notes

https://t.co/BTedklDgY6

[Peter Tuchman @EinsteinoWallSt]

This man is giving every child born in the U.S. a $1,000 investment account over the next two years 🇺🇸👏

Truly a pleasure to meet you @MichaelDell 🤝

[Zara Zhang @zarazhangrui]

Introducing "codebase to course", a skill that turns any codebase into an interactive coding course

So that you can learn coding through your own projects, complete with visualization, plain-English code translations, metaphors, even quizzes...

I vibe code a lot but have no idea how the code works under the hood. This is how I think "learning to code" should be in the AI age: Build first, learn later

Link below

[Claude @claudeai]

You can now enable Claude to use your computer to complete tasks.

It opens your apps, navigates your browser, fills in spreadsheets—anything you'd do sitting at your desk.

Research preview in Claude Cowork and Claude Code, macOS only.

[PolitMemeAi🔥 @MemesNoWords]

@SpencerHakimian Marco run

[Bidhaan @bidhaan_daju]

Google uses Go.
Meta uses Go.
Microsoft uses Go.
Amazon uses Go.
Uber uses Go.
Dropbox uses Go.
Cloudflare uses Go.
Twitch uses Go.
Docker uses Go.
Kubernetes uses Go.
PayPal uses Go.
Shopify uses Go.

What’s stopping you from learning Go?

[小镇做题家·卷 @_lambdanotfound]

Join me on Polymarket https://t.co/pXFF6eTSiI

[meng shao @shao__meng]

如何成为世界级的「Agentic Engineer」

-- 你可以把大量的设计和实现交给 Agent，但结果你必须自己负责。

工具不是越多越好，而是越精简越强
大多数人陷入了"工具崇拜"的误区：以为安装越多的插件、harness、记忆系统，就能让 Agent 更强。实际上，这些外部依赖带来的是上下文污染，Agent 表现反而下降。
@systematicls 现在用的是近乎裸机的 CLI（Claude Code + Codex），并且做出了迄今为止最好的工作。

理解"模型在飞速进化"这件事
· 几个版本前，在 CLAUDE. md 里写"先读这个文件"，Agent 有 50% 概率会无视你
· 现在，它能理解嵌套的条件指令（"如果 C，则读 D"）

今天为某个缺陷设计的复杂解决方���，可能在下一个模型版本中直接失效，或直接被模型实现。这和 @bcherny 面向 6 个月后模型开发产品有异曲同工之妙。

上下文管理：最被低估的工程能力
> "你只需要给 Agent 完成任务所需的确切信息，不多也不少。"

研究与实现必须分离：
· 错误做法："去帮我构建一个认证系统。" — Agent 会去查所有方案，上下文被各种备选实现细节填满，实现时容易混乱或幻觉。
· 正确做法："用 bcrypt-12 实现 JWT 认证，refresh token 7 天过期……" — 上下文直接聚焦在实现细节上。

如果你自己不确定实现方案，流程应该是：
1. 开一个 Agent 做调研，输出方案对比
2. 你或 Agent 决策选哪个
3. 另开一个全新上下文��� Agent 来实现

巧用 Agent 的"奉承性"
Agent 被设计为"取悦用户"——你让它找 bug，它会找到 bug，哪怕需要编造一个。这不是 Agent 的错，这是你的提示词问题。

解决方案一：中性提示词
别说"找 bug"，而说"梳理各模块的逻辑，报告所有发现"。
中性提示不预设结论，Agent 会如实汇报，有 bug 说 bug，没有就说没有。

解决方案二：利用奉承性设计多 Agent 对抗系统
作者设计了一个三 Agent 的 bug 验证机制：
· Bug 发现者：低/中/高影响 bug 分别得 +1/+5/+10 分
· 对抗者：成功反驳得对应分，反驳错误扣 2 倍
· 裁判：告知有真实答案参照，对错各 ±1

明确任务的"终点"
Agent 很擅长开始任务，却不知道何时结束——这是当前模型的固有限制。

两种可靠的终点定���方式：
· 测试套件：明确告知 Agent "X 个测试全部通过才算完成，且不得修改测试文件"。测试是确定性的，Agent 无法糊弄。
· 截图 + 视觉验证：实现功能后让 Agent 截图，并验证设计或行为是否符合预期。Agent 可以根据截图反复迭代，直到视觉结果满足要求。

更高阶的做法：为每个任务创建 {TASK}_CONTRACT.md ，其中列出所有验收条件（测试、截图验证等），结合 stop-hook 机制，强制 Agent 在合同完成前不得退出。

长期运行 Agent 的正确姿势
作者明确反对"24 小时连续运行的超长会话"，原因正是上下文污染——多个不相关合同的上下文混在一起，会导致漂移。

推荐方案：
· 每个合约开一个新会话
· 用一个编排层负责创建合同、分发新会话
会话完成即关闭，下个任务开新会话

规则与��能的管理
CLAUDE. md 的定位：不是一份完整文档，而是一个条件跳转目录。它只告诉 Agent "在什么场景下，去读哪个文件"。

格式示例：
· 如果你在写代码，先读 coding-rules. md
· 如果你在写测试，先读 coding-test-rules. md
· 如果测试失败，先读 coding-test-failing-rules. md

规则（Rules）：编码偏好——"不要做 X"、"总是做 Y"。看到 Agent 做了你不满意的事，就写成规则。
技能（Skills）：编码方法——"按照这个流程做 Z"。如果你想让某件事的做法确定可控，先让 Agent 研究如何做，把方案写成 Skill 文件，然后你审阅修正——这样在真实场景出现前，你就已经掌握了 Agent 的解法。
维护原则：规则和技能积累到一定程度会出现矛盾和冗余，导致性能再次下降。此时需要定期"清理"——让 Agent 整合并去重，向你确认最新偏好。这是一个需要周期性执行的维护动作。

[hsn @hsn8086]

这倒是提醒我了

[Niko @guishou_56]

这个 GitHub 项目 claude-mem 是近期 AI 开发者圈子里的“神器”，它解决了 Claude Code 使用中的最大痛点：上下文丢失。

Claude Code的核心痛点，每次开新 Session 都要重新解释一遍项目背景，token 烧得心疼

这个插件直接给 Claude 装上了长久记忆：
✅ 自动记忆：悄悄记录你所有的 Coding 路径和决策。
✅ ���能压缩：用 AI 压缩上下文，Token 利用率直升 10 倍！
✅ 跨 Session 共享：在 Claude Code 做的计划，Cursor 里直接搜到。
✅ 本地隐私：全本地存储，不用担心代码外泄。

安装只需一行命令，从此告别上下文断片的痛苦，开发者必备，强烈建议收藏！

[meng shao @shao__meng]

如何构建永不遗忘的 Agent

开发者 Rohit 因面试失败而深入研究 Agent 记忆系统，最终构建出生产级方案。核心洞察：记忆是基础设施，不是功能。

标准方案为何失效
对话历史塞入上下文 — 10 轮对话后上下文填满，截断旧消息，Agent 忘记用户是素食者。对话历史不是记忆，只是聊天日志。
向量数据库检索 — 两周后数据库有 500 条记录，用户问"我的工作情况"，返回 12 段矛盾片段。Agent 幻觉出错误综合答案。
关键认知：Embedding 衡量相似性，不是真实性。向量数据库不理解时间、上下文或更新。

短期记忆：Checkpointing
每个 Agent 作为状态机运行。检查点是特定时刻整个状态的快照，提供：确定性重放、崩溃恢复、回溯调试。

长期记忆架构 A：基于文件的自组织系统
三层结构：
· Resources：原始数据，不可变，带时间戳
· Items：原子事实（"用户偏好 Python"）
· Categories：演化摘要（work_preferences.md）
写入时主动处理：新信息不只是归档，而是编织进现有摘要。用户转向 Rust？系统重写档案替换旧偏好，自动解决矛盾。
读取时分层检索：先拉摘要，问 LLM "够了吗"，不够再下钻到具体事实。

长期记忆架构 B：上下文图谱
混合结构：向量存储用于发现相似文本，知识图谱用于精确的主体-谓词-客体关系。
冲突解决：用户从 Google 跳槽到 OpenAI？系统识别矛盾，归档旧连��为历史，更新当前雇主。
混合检索：向量搜索 + 图谱遍历并行运行，结果合并。

记忆必须衰减
"永不遗忘"不是"记住每个 Token"，而是"记住重要的"。
· 每夜：合并冗余，提升高频访问项优先级
· 每周：压缩旧事实为高层洞察，修剪 90 天未访问的记忆
· 每月：重建 Embedding，调整图谱边权重，归档冷数据

推理时检索
从上下文窗口约束反向工作：
1. 用合成查询广泛搜索
2. 搜索结果是候选，不是答案
3. 相关性评分 × 时间衰减 = 最终排序
4. 近期记忆往往击败六个月前的完美匹配
结果：只注入 5-10 条真正有用的记忆。

五个致命错误
1. 存原始对话 — 提取事实，而非转录
2. 盲目用 Embedding — "我爱工作"和"我恨工作"嵌入相似
3. 没有衰减 — Agent 淹没在过去
4. 没有写入规则 — 想写就写，���的是垃圾
5. 记忆当聊天历史 — 聊天历史短暂，记忆是结构化表示

核心心智模型
把 Agent 当操作系统，不是聊天机器人：
· RAM：当前对话的快速易失上下文
· 硬盘：持久化、索引化的知识存储
· 垃圾回收：定期维护，否则系统崩溃

[范凯说 AI | Kai on AI @fankaishuoai]

打开 Chrome 浏览器的 Gemini 其实非常简单，只需要两步操作：
1. 在Mac的系统设置里面语言和地区，让Chrome使用英文；
2. 使用美国节点的梯子；
然后就用下面这条命令打开就可以了：
open -n -a "Google Chrome" --args --variations-override-country=us