archzi

[小弟调调 @jaywcjlove]

Capcap 开源纯 AppKit 构建的截图工具

集窗口吸附截图、滚动拼接、标注和美化于一体的浮动截图工具

由 @skyrin1008 开发

👉 https://t.co/kPkrXjdHDe

[Andy Stewart @manateelazycat]

这个话题不好讲，讲出来容易听不懂

所有我就讲一下，为什么大前端时代， 很多人追求跨平台技术，我们却反其道走Native 客户端？

首先说一下，我们团队是深入调研过React Native， UniApp， Flutter， Electron，Tuari等各种各样跨平台技术的

最后我们选择了每个平台都用原生开发客户端，只是让JavaScript做内容跨平台的运行时框架

原因源于我很长时间的深度思考，知道我的人都知道我做了十几年Linux商业发行版的开发， 对底层技术、桌面技术和应用适配都非常擅长

我在过去的20多年时间内观察到这几个现象：

1. 客户端技术是每个平台的护城河： 比如Koltion是Android的护城河， Swift是iOS的护城河， C#是Windows的护城河， C是Linux的护城河

2.巨头竞争意识：我们之所以不看好React Native和Flutter方案的原因不是我们认为这些团队技术不够好，而是我们认为Google、Apple、Micrsoft这些巨头会为了自己的利益，故意更新自己的Native技术，让这些跨平台技术相互不兼容。 所以， 我们之所以不选择现有的跨平台技术，是因为我们从长期看，这些技术都会因为巨头的更新而没法达到产品的稳定形态。而长期稳定是商业产品必须要考虑的一个决定性隐私

3. JavaScript只适合页面跨平台，很多鼓吹JavaScript统一所有的平台的人，一定是没有做过跨平台开发的， 今天因为篇幅的关系， 我只举几个例子： 1）文件自动同步，JS不允许没有用户点击自动同步文件，所以本地相册同步，原生JS因为浏览器权限就没法实现； 2）摄像头相关的应用， 比如任何JS Camera库都无法实现二维码精准焦点聚焦， 这时候只能用原生相机组件才能实现各种商业场景的拍摄焦点要求； 3）网络和底层API， 这些API太多了， 原生大部分够不着，比如iOS，你不打开附近位置的功能，你都没法使用Wi-Fi P2P功能......这种商业依赖原生API的例子太多了，尤其是你们喜欢的大果子，各种原生API要求

所以，最后我们是怎么做的呢？ 我们招了很多客户端的工程师，每个平台单独写原生的壳负责和平台操作系统调用底层API， 只在页面渲染上通过JS来实现跨平台。我们最终实现对Windows,Linux,macOS,Android,iOS,鸿蒙，车机，服务器，VR等9端跨平台客户端技术的支持

好了， 篇幅要收着，太多干货你们吸收不了

喜欢我的文章的朋友记得点赞，关注，转发，爱你们

喜欢我们团队的朋友，欢迎来一台懒猫微服，支持我们创业呀， 评论区打1, 我来给老板打折并亲自服务 ;)

[Bitturing @Bitturing]

求职面试：
'你能解释简历上这8个月的空白吗？'

大多数候选人会说：
'我休息了一段时间来充电、旅游，弄清我的下一步职业计划。'

正确答案是：

[Bernard Traversat @BTraTra]

JVM optimization isn’t an afterthought. It’s deliberately engineered. Through dynamic profiling and C2 JIT compilation, the JVM can make generic code perform close to specialized code!
https://t.co/z3UZbdPfj8
"Java for the AI world"
#Java #AI #JIT

[JetBrains @jetbrains]

Agentic AI speeds up code production, but the challenge is execution and control.

JetBrains Central is an open system for agentiс development across the SDLC, with governance, observability, and controlled execution.

Early access starts in Q2 2026.

Learn more: https://t.co/k0gDXhXuf6

[宝玉 @dotey]

Learn Claude Code 是真做的好，强烈推荐👍
项目作者：@baicai003

很多人用 Claude Code 或 Cursor 写代码，觉得 AI 编程助手很神奇，但如果问一句"它到底是怎么工作的"，大部分人答不上来。

Learn Claude Code 这个开源项目做的事情很简单：用 12 节课，从零开始搭一个类似 Claude Code 的 AI Agent，每节课只加一个机制，每个机制都有可运行的 Python 代码。

这个项目的核心洞察是：所有 AI 编程 Agent 的底层都是同一个循环。用户发消息给模型，模型决定要不要调用工具，调用了就执行，把结果喂回去，继续循环，直到模型觉得任务完成了。

整个 Agent 的最小实现不到 30 行代码。剩下的一切，规划、子任务拆分、上下文压缩、多 Agent 协作、工作目录隔离，都是在这个循环上面一层一层叠加的。12 节课就是这 12 层。

学习路径设计得很讲究。

前两节搞定核心循环和工具调用

第三节加入计划能力（没有计划的 Agent 会跑偏）

第四到六节处理子 Agent、技能加载和上下文压缩（上下文窗口是有限的，不压缩大项目根本跑不动）

第七八节做任务持久化和后台执行，最后四节进入多 Agent 协作：组队、通信协议、自主领取任务、工作目录隔离。从一个人干活，到一个团队协作，复杂度是渐进的。

项目配了一个交互式 Web 平台（https://t.co/ZyubKItvQK），有步骤图解、源码查看器和文档，支持英文、中文、日文三种语言。

文档风格是"心智模型优先"：先讲问题是什么，再讲解决方案，配 ASCII 图，最后是最小可运行代码。

对想搞懂 AI Agent 内部原理的开发者来说，这可能是目前最好的从零到一的学习路径。不需要什么前置知识，有 Python 基础就能跟。

学完之后再去看 Claude Code 或者任何 Agent 框架的源码，会发现都和这个教程介绍的差不多。

[archzi @archzi130]

https://t.co/1AhGmkc30S 来自 @JBPlatform?twitter_en_US

[archzi @archzi130]

@intellijidea HBD！

[Andy Stewart @manateelazycat]

研发团队要远离爱抱怨的人，不管他技术水平有多高

软件开发过程中，并非所有错误都需要纠正。 有些人似乎特别热衷于证明别人是错的

当然，对于自己来说，这确实会带来满足感——尤其是在你证明自己是对的时候。而且，有时候挺身而出确实是负责任的做法

但大多数情况系，你不停地挑毛病并指出错误，你不仅帮不上忙，只会让人精疲力竭。别人永远记住的是，下次再难都不要找他帮忙，因为他会羞辱你，而且一定记住，一定不帮他

给别人一些信任。也许他们漏掉了什么。也许他们只是今天心情不好。如果不是至关重要的事，就别管了。善良并不意味着保持沉默——而是意味着说话时想一想，想5秒中，我的下一句话会不会伤害别人？

- 如果有人在公关稿中遗漏了某个小细节，请委婉地提醒一下

- 如果有人提出的想法稍有偏差，不要否定它，如果有人做错了事，要帮助他们理解错误的原因

- 如果身处群体环境中，请一定要选择私下纠正而非公开羞辱。 当这种吹毛求疵的行为成为常态时，它就开始塑造团队文化——而且是往坏的方向发展

如果研发带头人不注意这些细节，就会造成团队开始追求避免犯错，而不是快速行动和学习，每个人都变得更加谨慎，更加犹豫。

进步放缓——不是因为人们不够聪明，而是因为他们过于小心翼翼

个人的过于对往往意味着团队缺乏韧性，成长缓慢，作为带头人，要时刻明白做对事情不如当好教练，一个人再快也没有团队力量大

多建设，少争论

[Andy Stewart @manateelazycat]

36小时, Claude Code Opus写代码，我只教它核心原理和明确需求，100% AI编写的专业终端模拟器终于干完了

- 极简设计： 无边框、Chrome 风格的多标签、透明背景都是为了尽量减少对用户注意力的干扰

- 超强分屏： 内置分屏功能，无限分屏，Vim 风格的分屏间导航，全键盘操作，沉浸式开发

- 兼容性强： 基于 VTE 控件开发，完整支持终端转义序列和 Unicode 渲染

- 优秀性能： Vala 语言会编译成 C，启动速度超级快，开发手感类似 C#

- 内置主题： 内置 47 款流行主题，风格随心换，支持等宽和点阵字体

- 贴心设计： 后台标签进程完成提醒，透明度实时调节，URL 超链一点打开，实时搜索...

- Vibe Coding: 一键拷贝最后一个命令输出，输出反馈给 AI 速度更快

先遛狗，溜完狗回来整个AUR的包，Linux大佬可以先源码编译玩一下，源码在评论区，GPL3开源，欢迎发送补丁

[Akhilesh Mishra @livingdevops]

Linux is free.
- Docker is free.
- Kubernetes is free.
- Git and Github are free.
- GitHub Actions is free.
- Python is free.
- AWS, GCP, Azure are free (limited use).
- Terraform is free.
- ArgoCD and Flux are free.
- Prometheus and Grafana are free.

Your laptop and internet connection: That’s all you need to start.

No expensive bootcamps. No fancy certifications.

Just you, your determination, and these free tools.

While others are complaining about job markets and layoffs, DevOps engineers are getting multiple offers.

Companies are desperate for people who can automate, deploy, and manage infrastructure.

The same skills that took me from X to 3X salary, All learned using free tools.

Every successful DevOps engineer started exactly where you are right now. Zero experience. Zero connections. Just curiosity.

They didn’t wait for the “perfect” time. They didn’t make excuses about not having money for courses.

They downloaded Docker, broke things, fixed them, and repeated.

Start today. Your future self will thank you.

[AI产品黄叔 @PMbackttfuture]

AI Agent的十年之路：来自Karpathy的冷水与真相（最新）

当整个科技圈都在为AI Agent（人工智能体）的酷炫Demo欢呼时，有一个人却像一位冷静的哨兵，从未来战场归来，给我们泼了一盆冷水。

他就是Andrej Karpathy——一个履历堪称“AI界天花板”的人物。作为OpenAI的创始成员，他亲手构建了驱动ChatGPT的早期模型，是离数字智能最近的人；作为前特斯拉AI总监，他领导团队埋头五年，在物理世界中为了自动驾驶的0.001%可靠性而奋战。

正是这段横跨“数字天堂”与“物理炼狱”的独特经历，让他对当前AI Agent的狂热，有了一份极其冷静甚至近乎悲观的判断：

“这不是智能体元年（the year of agents），而是智能体十年（the decade of agents）。”

为什么？

因为他用在特斯拉5年、每天都在追求99.999…%可靠性的亲身经历，看到了所有AI产品从一个惊艳的Demo（演示品）到一个可靠的Product（产品）之间，那条由无数个“9”铺成的、漫长而艰难的行军路。

这个故事，要从十年前的一个“完美”幻觉讲起。

一、2014年的“完美”幻觉：一个关于自动驾驶的故事

2014年，Karpathy还在斯坦福攻读博士。彼时，深度学习的浪潮刚刚兴起，整个硅谷都对人工智能的未来充满了玫瑰色的想象。通过朋友关系，他有幸在加州帕洛阿尔托体验了一次Waymo的自动驾驶汽车。

那是一次“完美”的旅程。

车辆在复杂的城市街道上平稳地启动、转弯、避让、停车，全程丝滑流畅，毫无差错。坐在车里的Karpathy被深深震撼了。

“我当时觉得，这东西（自动驾驶）已经非常、非常接近成功了。”

然而，十年过去了。自动驾驶依然没有像智能手机一样普及到我们生活的每个角落。当初那个“完美”的承诺，似乎被无限期推迟。甚至连技术最领先的Waymo，也只敢在少数几个天气良好、路况简单的城市的限定区域内，小心翼翼地运营着它的无人车队。

问题到底出在哪？

Karpathy在后来加入特斯拉，并投身自动驾驶研发的五年中，找到了答案。他将其总结为一个极其生动而深刻的概念：

“九个九的行军”（The march of nines）。

一个AI产品，在实验室或演示环境中达到90%的成功率可能相对容易，这足以制作出一个惊艳四座的Demo。

但从90%到99%，再到99.9%，每在小数点后增加一个“9”的可靠性，所需要付出的努力、数据和资源，都是呈指数级增长的。

“在特斯拉，我们团队五年来的每一天，几乎都是在为小数点后新增的那个‘9’而战。” Karpathy回忆道，“而今天的AI Agent，就像2014年那辆给了我完美幻觉的Waymo。它看起来很美，但实际上，它的‘九个九行军’，才刚刚迈出第一步。”

二、AI Agent如何重走自动驾驶之路？四大残酷挑战

在Karpathy眼中，今天的AI Agent，正面临着与十年前的自动驾驶一模一样的四大挑战。这四大挑战，构成了从Demo到Product之间，那道深不见底的鸿沟。

挑战一：高昂的失败成本

自动驾驶的失败成本，是物理世界中不可逆转的人身安全。一次关键的失误，就可能导致一场悲剧。

那么，AI Agent的失败成本是什么？

是数字世界中同样不可估量的业务安全。想象一下，一个被赋予权限的企业级Agent如果突然“发疯”，它可能会：

错误地批量修改核心数据库，导致业务瘫痪。

在与客户的交互中，泄露公司的敏感商业机密。

基于错误的理解，给高管提供一个灾难性的商业决策。

“很多人觉得软件世界是虚拟的，错了也没关系。但在现代商业中，软件就是业务本身。” Karpathy强调，“一个微小的代码错误，就可能导致数百万用户的安全漏洞。这种成本，一点也不比自动驾驶低。”

当失败的代价极其高昂时，90%甚至99%的可靠性都是完全不够格的。你需要的，是值得托付业务生命的、五个“9”甚至六个“9”以上的工业级可靠性。

挑战二：从90%到99.999%的艰难爬坡

为什么提升一个“9”如此困难？

因为现实世界，无论是物理的还是数字的，都充满了无穷无尽的“长尾问题”（long tail problems）——那些极其罕见、你永远无法提前预料、但又确实会发生的极端情况。

对于自动驾驶来说，一个长尾问题可能是：

一个孩子扮成交通锥的万圣节服装。

一辆运输平板玻璃的卡车，在阳光下形成了镜面反射。

前方车辆掉落的一个床垫。

对于AI Agent，长尾问题则可能是：

用户一句包含了双重否定和复杂俚语的指令。

一个外部系统的API接口，突然返回了文档中从未定义过的错误代码。

需要同时处理两种语言、三种货币和四种不同税率的复杂任务。

Karpathy说，解决前90%的问题，靠的是模型强大的通用能力和主流数据。而解决后面那9.999%的长尾问题，则需要一个完全不同的工作模式：海量、高质量的、针对性的数据闭环，持续不断的模型迭代，以及近乎偏执的细节打磨。

“在特斯拉，最让我痛苦的回忆就是，每当你觉得终于解决了一个棘手的问题，就会有一千个新的、更奇怪的问题从数据的海洋里冒出来。这趟行军，永无止境。”

挑战三：那个“看不见的人”

很多人以为，Waymo的无人车里真的“无人”。但Karpathy一针见血地指出了背后的真相。

“你只是在车里看不见人而已。”

在你看不到的城市另一端，有一个庞大的远程操作中心（tele-operation center）。数十名训练有素的操作员正紧盯着屏幕，一旦车辆的AI系统发出求助信号或表现出不确定性，他们会立刻介入，进行远程指导甚至接管。

“我们并没有完全移除人类，只是把驾驶员从方向盘前，移到了你看不到的办公室里。这是一种聪明的策略，但并非真正的完全自主。”

AI Agent同样如此。

当一个创业公司向你演示，他们的Agent如何“全自动”地完成一套复杂的报销流程时，其背后很可能有一个人类团队在进行实时的监督、审核，并在AI卡壳时无缝接手。

这种“人机协作”（Human-in-the-loop）的模式，并非过渡阶段的权宜之计，而是在未来很长一段时间内，所有高风险AI应用都必须依赖的核心架构。

挑战四：残酷的经济可行性

最后，也是最现实的问题：成本。

自动驾驶的研发成本是天文数字。Waymo在盈利前已经烧掉了数百亿美元。这不仅仅是技术投入，还包括了激光雷达等昂贵的硬件、高精地图的绘制和维护、以及庞大的运营团队。

AI Agent虽然没有硬件成本，但其训练和推理成本同样高昂。一个能处理复杂任务的顶级Agent，其每一次运行的API调用费用都可能相当可观。

一个AI产品最终能否在商业上成功，不仅仅取决于技术有多酷炫，更取决于它的经济模型是否成立。它能否在覆盖高昂成本的同时，为客户创造出10倍于其价格的、清晰可衡量的价值？

“如果你无法让产品在经济上是可行的，那么无论技术多先进，它最终也只是一个昂贵的科学实验。” Karpathy总结道。

三、结论：乐观的技术，悲观的时间线

正是基于这四大挑战的深刻洞见，Karpathy才做出了“智能体十年”这个看似悲观的判断。

他预测，未来十年，AI Agent不会像很多人想象的那样，以一种颠覆性的姿态瞬间取代大量人类工作。它会以一种更渐进、更务实的方式，悄悄渗透到我们的工作流中。

他提出了一个极其重要的概念——“自主性滑块”（autonomy slider）。

大多数AI应用，都会有一个可以调节的“自主性”滑块。一开始，AI可能只被允许处理80%最常规、最低风险的任务，剩下20%最棘手、最高风险的环节，系统会自动“摇人”，交给人类专家处理。

随着技术的成熟、数据的积累和成本的降低，企业会慢慢地、一点一点地将这个“滑块”向100%自主移动。这个过程，会是漫长而谨慎的。

“我对技术本身是绝对乐观的，我相信这些问题终将被解决，AI Agent最终会变得极其强大。” Karpathy在访谈的最后说。

“但我对市场宣传的时间线是现实的，甚至是悲观的。我之所以听起来这么说，只是因为当我打开Twitter（X）时，我看到太多毫无意义的、纯粹为了融资而存在的炒作。”

这或许就是Andrej Karpathy这位AI领域的“两栖老兵”，带给我们最重要的启发：

在一个被AI浪潮席卷的时代，保持兴奋和想象力很容易，但保持一份基于实践的清醒和耐心，才是一种更稀缺、也更可贵的能力。

[archzi @archzi130]

@manateelazycat 这就去说服媳妇买懒猫

[Andy Stewart @manateelazycat]

分享工程师成长心法

1. 利益思考：工程师有时候说话得罪人的原因不是他们不够聪明。而是他们把写代码的思考逻辑搬运到现实人际交往，方法不应该向对方说对错原理，现实只看结果。说话之前花5秒思考，说了这句话对自己的利益有帮助吗？是不是不说这句评对错的话，对自己更好？

2. 不过早优化：商业代码的目的是快速做出来，接受现实的检验。不是老板说了就是需求，也不是产品经理说了就是需求。而是付费用户不爽说了才是真需求。所以第一遍代码是投石问路的，第二遍代码，第三遍代码才是真正需要大力优化的地方。过早介入优化，会做很多无用功，因为你辛辛苦苦写的代码以后会被删除，不是它写的不好，而是从来没人会用

3. 不要被逻辑吓怕：世间很多事情，特别是创业的事情，它的门槛在于亲身经历，即使概念一样，不同的人做就会有不同的效果和价值。而工程师心中有一个屏障是，别人做过的事情自己就不应该做，一定要做100%原创才能销售。别人做了，逻辑严谨，自己就做不过别人。也许别人只是给你烟雾弹呢？所以，人生短暂，做不做取决于兴趣，而不是技术完全原创。为什么？因为现代世界信息太发达，聪明人太多，100%原创基本上不可能，这个不是残酷，而是思考的基本逻辑。不要为了比较而非要原创伪需求，而是要在相同概念和赛道刻上自己独特的思考和印记

4. 浪费时间证明自己：我们的人生不过是宇宙中一抹星光，不要太在意结果和对错，重要的是自己的经历和思考。你每次和别人争论的时候，问一下自己，对方是朋友吗？对方是家人吗？不是的话，你把对方说赢了，对方会在乎吗？万一对方是一个无聊的SB，就是来恶心你的呢？你争辩生气浪费的是谁的时间呢？你浪费了大量时间的原因是为了证明自己，当你放弃证明自己的时候，你就有更多时间浪费在创造产品和取悦自己上，而这两件事情对你人生更幸福

5. 没有买懒猫微服：你买了懒猫微服就可以加我微信，随时随地向我微信请教。买微服送创业课程是不是很划算？少走几年弯路，关键是你评论区扣1，我还可以私发你购机优惠码，双重优惠不要错过呀 👻

[IntelliJ IDEA, a JetBrains IDE @intellijidea]

And here comes the truly important choice…

[Andy Stewart @manateelazycat]

大多数需求都是伪需求，大多数代码都是没必要写的。

怎么解决？

1. 深入思考：倾听付费用户的需求，认真思考本源和场景，而不是应激修改。找到本源就有可能用最少代码来满足需求，代码越少才越稳定。

2. 快速行动：白纸和白板是最快的原型工具，面对面沟通，不要沉迷于先进电子工具，因为它会让你为了把软件画的复杂精细而惯性地把简单问题复杂化。

3. 60%定律：做完60分，推出版本，让用户吐槽，然后快速改进。我见了很多年轻的团队，产品，研发和测试，按照自己的个人经验在一些根本不存在的逻辑和需求地方，无穷止的争对错，只为了证明自己，这是非常愚蠢的行为。我经常跟团队说，实在搞不清楚需求，就大胆的跟用户问，问用户真实需求是什么？

做到这些要有广泛的全局视野，快速试错，面对现实的勇气。

[Saquib Aftab @iamsaquibdev]

Java Virtual Threads : Short Explanation 👉

[大帅老猿 @ezshine]

这个网站有点离大谱（很强很牛逼）！可以让我们回顾把玩上古经典手机型号，我就不说了，毕竟在网页里放个 3D 是亲而易举的，但是作者竟然还模拟了这些经典的手机操作系统，这就有点过分了👍。

https://t.co/aHnibgwP6W

[边忘边学的Tina💋 @TinaLearning]

如何锻炼你的逻辑力

[Andy Stewart @manateelazycat]

管理和技术是两个完全不同的工种：

1. 管理本质是要团队利益大于个人利益，人话就是，天天帮助别人，自己不要写代码。团队进展缓慢的原因一般都是需求不明确、沟通信息差、资源卡住了，而管理者应该向篮球后卫一样，在团队里到处乱窜，传球，组织，最后进球

2. 视野不一样：管理要关心他人，从组织管理到每个人的职业瓶颈，组员知识不够要传授看书经验，组员心理遇到问题了，要及时疏导，组员有成绩以后要及时夸奖和给物质激励

3. 有担当：有成绩是团队的，有错误是自己的，时时刻刻照顾好兄弟姐妹，这才是管理，做好救火队员，做好大砖头（哪里需要哪里搬），做好纯牛马。这才是好的管理者

管理本身就是舍身为人，只有团队好了，管理者才会获得自己的成就和物质回报。

哪些人不适合当管理者？
1. 自恋的人：获得一点成就就夸夸其谈的，生怕天下人不知

2. 自私的人：帮助他人的发心不对，利用成员的人心恶来操控他人

3. 不会分享的人：先有舍才有得，财散人才聚