awe

[Kai @real_kai42]

Kimi code 支持了接入专业数据库，直接从官方数据源 查询

• stock_finance_data — A股/港股/美股 综合金融数据：实时行情、历史价格、财务报表、公司公告、股东信息、财务指标、业务分部、盈利预测、智能选股
• yahoo_finance — Yahoo Finance 全球金融数据：股票/外汇/ETF/加密货币/指数的历史价格、财报、股东、分析师评级、期权链、公司新闻
• world_bank_open_data — 世界银行宏观经济数据：全球各国 GDP、人口、通胀、失业率、教育、医疗、贸易、环境等 29,000+ 指标
• tianyancha — 天眼查中国企业工商信息：工商登记、股东结构、司法风险、知识产权、经营状况、关联关系
• arxiv — 学术论文预印本：计算机/物理/数学/生物等领域论文的搜索、下载、阅读
• scholar — Google Scholar 学术搜索：论文检索、作者画像、引用分析

[Max For AI @MaxForAI]

昨天见了一个非常牛逼的Agent团队，我敢说在国内绝对是T0的级别（之前DPSK还找他们搞了点Agent数据）

刚好聊到了这两天推上吵得非常热闹的AI产品（Agent）要不要用Python的话题

他们Founder说的很直接：SB才在Agent项目里用Python🤣

TS适合100%Agent项目，主要有几个原因：

第一，Agent最终大多时候会在产品里。

不管你做的是Chat界面、工作流面板、浏览器插件、Copilot，还是IDE扩展、Slack/Discord/网页工具，TS天然离这些更近。

前端是TS，后端也是TS，中间的tool schema、事件流、UI状态都能共用一套类型。

如果你用Python那就会变成：

模型服务在Py、后端在Node、前端在TS
一份schema要复制三份

如果某个字段名大小写错了，你的Agent马上就给死给你看。

第二，Agent很依赖异步和事件流。

Agent不是一次请求一次回答这么简单。

它要边想边输出，边调用工具，边等用户确认，边更新UI，边处理取消、重试、超时、恢复。

TS/Node在事件驱动、stream、WebSocket、server-sent events这些场景里很顺。

Python当然也能做，但你会更容易感受到「这东西本来不是为这类Web产品链路长出来的」。

第三，类型系统对Agent很重要。

Agent真正容易炸的地方不是「模型不会说话」，而是工具参数错、返回结构错、状态字段错、上下文对象变形。

TS可以把很多东西提前卡住：

tool input/output、agent state、message format、UI事件、workflow node、permission object、external API response

这对Agent很关键，因为Agent系统里有大量JSON对象在飞来飞去。

第四，TS更适合做「Agent runtime」。

如果你做的是一个Agent框架、SDK、运行时、插件系统，TS优势更明显。

因为使用者往往要把它接进：
网页、后台服务、Electron、浏览器插件、VS Code插件、API route、serverless、edge runtime

这些地方TS生态更统一。

所以很多Agent infra选TS，不是因为Python不行，是因为它们要服务的使用场景更接近Web开发者和产品团队。

第五，AI应用现在其实是拼系统。

早期大家用Python，是因为AI=模型。

现在很多AI产品已经演化到包含LLM API、tool calling、database、vector store、browser automation、workflow、UI、billing、auth、analytics

这已经不是研究工程了，是产品工程。

互联网产品工程的主语长期就是JS/TS。

很无聊，但世界就是这么没品😮‍💨

但他也表示Python不会消失。

更合理的分工其实是：

Python做模型层、数据层、eval、embedding pipeline、离线任务、实验脚本。

TS做产品层、Agent编排层、前端交互层、插件层、用户可见的runtime。

所以你如果做一个Agent产品，你最好：
MVP前端+Agent orchestrator用TS。

涉及模型训练、数据处理、复杂检索、评测系统，再上Python。

聊了一下午，真的学了太多了

才知道自己之前对于Agent的认知到底有多浅薄🧎

[郭宇 guoyu.eth @turingou]

今天把我所有发布的产品的公开聊天机器人的模型都从 haiku 换成了 deepseek v4，然后我觉得好麻烦，因为我有太多的产品，但其中关于对话和 tool use 的逻辑和 UI 都几乎是一致的，背后的深度对话也都是依赖 sandbank 中的 codex cli，所以，大家有没有人见过有人在做统一对话组件？能根据不同的需求路由不同的模型，并且对 tool use 有良好测试，当然也需要支持各种 chat UI？对话的方式出来这么久应该有不少成熟的方案了吧？

[比特币道 @Bitcoin188]

兄弟们，卧槽！！！

我直接原地傻了…… 居然有人搞出来一款能直接看懂K线交易的AI，实测胜率高达93%！

它叫 Kronos，清华团队干的，靠45家交易所120亿条真实数据从零训练，是全球首个专为金融市场生而为K线的基础大模型，不是拿通用AI瞎改的！

它能干的事太离谱了： 价格预测
波动率预判
全资产零样本直接用（币安、纽交所、纳斯达克全覆盖）

400万到49.9亿参数共4个版本，笔记本就能跑！ 实测数据炸裂：
比主流时序模型准93%，比顶尖非预训练模型高87%，不用微调，拿来就用！ 现在BTC实时走势演示免费开放，每小时更新！

对冲基金定制模型动辄几百万美金，彭博终端一年2.4万刀…… 而Kronos完全免费，几行Python直接调用！ 白嫖党福音来了！！！

目前已在Hugging Face上架，GitHub 1.16万星标 + 2400复刻，MIT协议100%开源，还入选2026 AAAI顶会。

别手动看K线了兄弟们！

这玩意儿真的要改变交易规则了…… 快冲！

GitHub搜 Kronos + Hugging Face搜 Kronos 就能白嫖！ （我已经冲了，你们呢？） https://t.co/zBWQQPP906 #Kronos #AI交易 #开源大模型 #比特币

[赵纯想 @chunxiangai]

这就是所有 ToB AI 软件的最终形态，只要不是这样，就肯定设计错了。我说的。如果你会搞点儿VibeCoding，拿起我推荐的 Mastra 框架，上山下乡，走到小公司去，走到一切尚未正确拥抱AI的公司去，帮助他们把业务抽象成工具调用，让AI能够真正为他们干活，不赚钱我给你补。

[九原客 @9hills]

现在最流畅，组件最全的Agent ChatUI 库是哪个？

前端一窍不通，但是之前Codex给我做的真的不太行，卡卡的。

ChatGPT 推荐我用 assistant-ui。

[plusxiaxia @plusxiaxia]

去传统行业搞AI？
很多人觉得是“降维”，但我实操后发现：这事儿残酷10倍。
没有数字化转型 ，AI落地寸步难行；组织僵化，用传统IT成本中心思路管AI，高层喊要却不给资源和决策权。
AI会改变集团这艘大船，但至少3-5年，技术人很容易成为组织博弈的耗材。
现在我掀桌子走人，不在不匹配的组织做无用功

[Cell 细胞 @cellinlab]

时间线 刷到 好几个 Pi Agent 的推荐，
让 Codex 帮我学了下，做了个手把手教程

👉 Pi Agent 原理与实现：从零到一实现一个 AI Agent
🔗 在线学习：https://t.co/LUq9fZ52om
🌍 文档源码：https://t.co/lWCaekC1V4

[酱紫表 @pengchujin]

阿里做个 88查，不需要各种 VIP 完全免费，加了很多 AI 的功能。能查企业、查风险、查关系等多维度的商业信息AI搜索，算是企查查、天眼查的平替。

[William Long @williamlong]

小知识：深户或者有深圳居住证的非深户，可以办理一年多次香港签注（80元签注费用），一年内无限次往返，从深圳过关去香港，可以合法携带2万人民币和5000美元，两者分开计算，可以同时带满。不过，15天内第二次出境，美元限额会降到1000美元。几乎所有香港主流银行都可以开人民币账户，人民币现金带到香港存入银行，就变成了离岸人民币，香港无外汇管制，离岸人民币可以大量兑换为美元，没有 “每年5万美元” 这种个人购汇额度。

[TechFlow 深潮｜APP 已上线 @TechFlowPost]

Y Combinator 合伙人分享，如何打造一个 AI 公司？

现在的公司就像罗马军团，AI 打破这个范式，把公司重构为递归自改进的 AI 循环。Tom Blomfield 给出的核心做法是：

· 让整个组织对 AI 完全可读（记录一切）
· 做说话人分离，把海量信息提炼成 AI 可用的面包屑线索
· 把软件当成一次性产物，但要把数据永久珍藏

[卫斯理 @imwsl90]

刚群里有同学说agent这件事情已经结束了

我基本同意

感觉垂类Agent真没什么能做的了🥶🥶🥶🥶

[泊舟 @bozhou_ai]

现在 Agent 框架非常的多，我把几个主流的都用过了，说一下我的经验，可以让你在做技术选型时少走弯路。

1. LangChain。教程最多，第一次写 Agent 跟着能跑通。但出了问题，报错指向的是它内部的某一层，不是你写的代码，调试很费劲。适合先跑通再说，不适合认真做产品。

2. LangGraph。我用它处理那种需要循环判断的逻辑，失败了重试，或者 A 搜完交给 B 整理，B整理完交给 C 发出去。这种多步接力的场景，LangGraph 是目前最清晰的选择，当然还有就是目前也没有合适的替代产品。

3. Claude SDK。Anthropic 官方的，原生支持流式输出、提示词缓存、工具调用，这些在其他框架里要自己搭，这里开箱即用。没有多余封装，是我目前开发 Agent 最快的方式。

4. Pydantic AI。FastAPI 背后那个团队做的，风格一脉相承，核心卖点就是简单。用 Pydantic约束 LLM 的输出，格式不对自动重试，不用自己写校验逻辑。

选框架是选和你要解决的问题最匹配的。

[烟花老师 @teach_fireworks]

https://t.co/tFA865eVEi

[宝玉 @dotey]

去做一个 Agent Harness 这种事情价值不大了，怎么做也做不过模型公司，模型一升级好多活都白干了。

但是基于成熟的 Agent Harness 去做方案，大有可为。

MCP 只是解决了连接的问题，Skills 只是解决了领域知识的问题。

垂直领域还有很多事需要解决：
- 为老的工作流针对 Agent 去重新设计 AI Native 的 Agent 工作流
- 在 Human In Loop 的部分，重新设计 UI、UX 交互
- 垂直领域的高质量数据整理
- 等等

这些事情是模型公司做不到的，也需要去共建的。

Agent 是未来的操作系统，几家模型公司提供模型和 Harness，其他人基于上面构建应用。

[鸭哥 @grapeot]

最近Pi的开发者感慨PR池已经被AI污染了，83%的PR都是一坨💩，需要当场close。但这个故事说明的是"AI只能堆屎山"吗？其实不是，具体看他的例子，传统编程高手提交的PR也不行。AI是放大器，但放大的不是传统编程的能力。类似在船上装上蒸汽机之后，不是说以前划桨划得快的人，自动蒸汽机就开得好了。需要先学会虚心unlearn，抛下以前的骄傲，承认自己比不上AI，然后从头学习怎么用蒸汽机，才至少有希望追上时代。 https://t.co/nJJIZjUOlJ

[Saito @SaitoWu]

https://t.co/H1wQ8CAPzc

[郭宇 guoyu.eth @turingou]

上周我在 vas 环境中让 mac 上的 codex 操作远程主机上的 codex 用交互式的方式跑 /goal，今天我已经不需要这个东西了，因为 somehow mac 上的 codex 能直接操作远程机器的 codex 跑 /goal 了，codex 的进步真快

[余温 @gkxspace]

Get笔记真的离谱，目前没有发现他抓不到的，我试了国内海外各种平台：

小红书、b站、抖音、公众号......

TK、YouTube、推特......

给它一个链接就行，我目前成功率 100%，而且还能直接用官方 skills 把这个接入 codex、cc

[xsser @xsser_w]

陆奇还是太强了， 1年前让我做沙盒/容器安全，我没意识到啥意思，现在看看 真的。。。我太傻逼了 他还有很多远见， 其中很多都是现在被验证了。我了个去😀
放到现在来看 做harness 的核心就是沙盒和验证 你在沙盒里可以看到一切轨迹和边界的探测，能观测整个reward hacking过程。