jingxu

[AlexZ 🦀 @blackanger]

虎哥这个分享不错。

通过trace Agent的行为（比如tool call）来分析 Agent + 不同模型的 优劣和提供优化方向。

[GitHubDaily @GitHub_Daily]

想学习操作系统底层原理，面对动辄几十万行的内核源码，看得头大，抓不住核心脉络，很难真正读完读懂。

偶然看到 egos-2000 这个教学操作系统项目，整个系统只有 2000 行代码，却实现了操作系统的所有核心组件。

采用三层架构设计：底层处理硬件交互，中间层管理进程和系统��用，上层实现文件系统和命令行，结构非常清晰。

GitHub：https://t.co/DivZFwCzV3

支持在 QEMU 模拟器和真实的 RISC-V 开发板上运行，配套的教材还提供了 9 个课程项目，可以边读代码边动手实践。

如果想系统性地弄懂操作系统是怎么跑起来的，这份精炼的源码非常值得静下心来读一读。

[jingxu @bg2dph]

@long_2519_ who are they?

[好奇猫a @acnekot]

硅基圣经…

[恒星 @vintcessun]

多智能体系统开发门槛太高，没学过Agent理论的人根本不敢碰。结果就是项目落地难，团队只能依赖少数专家。这篇论文直接把��布式系统的成熟架构模式（发布-订阅、消息队列等）拿过来，定义一套最小Agent概念映射上去。学生连DS经验都没有也能用gRPC、RabbitMQ上手，平均分超80%。工程复用思路比重新造轮子实在得多。
https://t.co/Yf34mXdRyx

[zjding @peopleallremake]

pi 加入 earendil 后今天去官网看了下，忽然被很真诚的价值观戳中了。

---
保持善良。我们首先是人，其次才是工作者。记住每个人都会有糟糕的日子
首先选择慷慨。世界不是零和游戏。我们可以共同创造丰富
假设恶意是自我实现的预言。���设善意会带来善意
---

大道至简的人文关怀理念，绝大多所谓的企业家都难望项背

[0x_Miko @Mikocrypto11]

Anthropic engineer 这句话很关键：
“你不应该一直 prompt Claude。你应该搭一个会自己 prompt 自己的 system。”
这可能是最近看到最值得保存的 Claude workflow 之一

视频里她拆了很多人正在犯的同一个问题：
用了 Claude 几个月，但每次还是从零开始
新开 session
重新解释背景
重新贴上下文
重新写 prompt
然后关掉 tab，一切停止

她讲到几个细节：
CLAUDE.md 在你输入第一个字前，就可能吃掉 14%
95% 用户从来没装过的 plugins
不需要你手动输入 prompt，也能运行的 workflows
以及为什么“打一条 prompt 然后关掉页面”，等于把 90% 的能力留在桌上

真正有意思的是：
Claude 的价值不只是回答你的问题
而是你能不能把它放进一套系统里

让它记住规则
读取上下文
调用 plugins
跑 workflows
甚至在你不输入下一条 prompt 的时候，继续推进任务
如果你用了 Claude 几个月，但每次 session 还是从头开始

那你至少还有 28 个 untouched features
可能是 30 个
今晚与其再刷一集剧，不如看完这个视频
看完先 bookmark

[슈뢰딩거🚀🛰 @LoganKi04925170]

황사장: 대충 여기 있는거 사

ㅋㅋㅋㅋ

[evolight @evolightime]

小黄文作者续集：
早行，无罪国度，豌豆荚，黄心火龙果，小花灯糕，余戳，碎碎平安，红烧肉，梦为鱼，黛妃，兆壹北，棠梨煎雪，长青长白，艾尼尼，溪夕汐，zydzyd，凤栖堂前，五花马，妈耶耶，唯雾，木口银，在言外
（有些作者前几个帖子说过啦）

[Xudong Han @Xudong07452910]

这篇最新的论文 Scaling Laws for Agent Harnesses 很适合做 Agent Harness 的人看。

它讲了一个很关键的点：Agent 不是靠多跑 token、多调工具、多循环几轮就一定变强。真正重要的是，这些交互有没有变成“有效反馈”。

论文提出了 Effective Feedback Compute，EFC：只有那些信息量足够、可靠、不重复，并且真的被 Agent 用来改变下一步决策的反馈，才算有效。

这点挺重要，因为很多 Agent 系统现在容易把 raw compute 当成能力提升：上下文更长、工具更多、循环更复杂、日志更详细。但如果反馈没有被结构化整理，没有进入 plan / revise / verify 的闭环里，本质上只是消耗更多资源。

这对日常做 Agent 也很有启发。很多 Harness 看起来很复杂，工具很多、日志很多、验证很多，但如果反馈没有被整理、记住、复用，Agent 只是更忙，不是更聪明。

未来 Agent Harness 的优化，可能不是简单堆更多工具和更长上下文，而是提高“每一次反馈的利用率”。

好的 Harness，不是让 Agent 多干活，而是让它每干一步都能真正学到东西。

https://t.co/JVoQEYT0ct

#AgentHarness #AgenticAI #AIResearch #claudecode #codex

[ByungJun Ahn @dubidubabap]

NVIDIA GTC Taipei 2026 핵심 정리.

이번 발표에서 NVIDIA가 가장 강하게 밀고 있는 프레임은 AI Factory임.

젠슨 황은 AI 데이터센터를 단순 서버 집합이 아니라, 토큰을 생산하는 공장으로 설명함.

앞으로 AI 인프라의 핵심 기준은 GPU 개수만이 아니라,

전력�� 토큰 생산량
네트워크 효율
냉각 효율
가동률
배포 속도
토큰당 비용
운영 안정성
이쪽으로 이동하는 구조임.

NVIDIA가 말하는 AI Factory는 그냥 GPU를 많이 꽂은 데이터센터가 아님.

GPU, CPU, DPU, NIC, 스위치, NVLink, Ethernet, CPO, 액체냉각, 전력 관리, 운영 소프트웨어, 디지털 트윈까지 하나로 묶은 전체 인프라 시스템임.

핵심 발표는 크게 4개로 보면 됨.

1. Vera Rubin

NVIDIA는 Vera Rubin 플랫폼을 agentic AI 시대의 핵심 인프라로 제시함.

Vera Rubin NVL72는 랙 단위 AI 슈퍼컴퓨터 구조임.

구성은 대략 이럼.

36개 Vera CPU
72개 Rubin GPU
NVLink 6
ConnectX-9 SuperNIC
BlueField-4 DPU
Spectrum-X Ethernet Photonics
액체냉각 기반 랙 시스템

여기서 중요한 건 NVIDIA가 이제 단일 GPU만 파는 구조가 아니라는 점임.

칩 하나가 아니라 랙 전체, 네트워크 전체, 냉각 전체, 운영 시스템 전체를 묶어서 팔고 있음.

이 구조가 강한 이유는 경쟁사가 좋은 AI 칩 하나를 만든다고 바로 따라잡기 어렵기 때문임.

AI 인프라는 이제 GPU 성능만의 싸움이 아니라,

랙 설계
GPU 간 연결
CPU 환경
DPU 보안
네트워크 fabric
전력 안정성
냉각 효율
운영 자동화
배포 속도

이 전체 최적화 싸움으로 바뀌고 있음.

2. Agentic AI

이번 발표에서 NVIDIA가 계속 강조한 방향은 agentic AI임.

이제 AI는 단순 챗봇이 아니라, 추론하고, 도구를 쓰고, 코드를 실행하고, 검증하고, 여러 작업을 동시에 처리하는 방향으로 가고 있음.

이 구조에서는 GPU만 중요한 게 아니라 CPU도 중요해짐.

AI agent가 여러 환경을 동시에 실행하고, 시뮬레이션하고, 검증하고, 반복 학습하려면 GPU 옆에서 CPU 기반 작업이 대규모로 돌아가야 하기 때문임.

그래서 Vera CPU가 중요해짐.

NVIDIA는 Vera CPU를 agentic AI와 reinforcement learning 시대에 맞춘 CPU로 설명함.

Vera CPU rack은 대규모 CPU 환경을 동시에 돌리는 구조고, AI agent가 실제 업무를 수행하는 데 필요한 도구 실행, 환경 검증, 데이터 처리, orchestration을 담당하는 쪽임.

즉 앞으로 AI 인프라는 GPU만 커지는 게 아니라, GPU + CPU + 네트워크 + 스토리지 + 보안 + 운영체계가 같이 커지는 방향임.

3. Spectrum-X Ethernet Photonics / CPO

투자 관점에서 가장 중요한 부분 중 하나는 Spectrum-X Ethernet Photonics임.

NVIDIA는 Vera Rubin NVL72에 Spectrum-X Ethernet Photonics co-packaged optics switch를 포함시킴.

이건 광통신/CPO가 AI 데이터센터에서 점점 핵심 위치로 올라오고 있다는 신호임.

AI 클러스터가 커질수록 병목은 단순 연산이 아니라 데이터 이동에서 발생함.

GPU와 GPU 사이
랙과 랙 사이
데이터센터 내부 fabric
데이터센터 간 연결
추론 요청과 응답 흐름
모델 병렬화
MoE routing
long-context inference

이 모든 구조에서 네트워크 대역폭과 전력 효율이 중요해짐.
전기 기반 연결만으로는 거리, 발열, 전력, 신호 품질 문제가 계속 커짐.

그래서 NVIDIA가 직접 Spectrum-X Ethernet Photonics와 CPO를 전면에 올린 건 의미가 큼.

광통신은 더 이상 먼 미래 테마가 아니라, AI Factory 확장의 필수 인프라로 들어오는 중임.

다만 여기서 바로 특정 종목을 확정 수혜주로 단정하면 안 됨.

COHR, LITE, AAOI, SIVE, POET 같은 이름들이 시장에서 거론될 수는 있지만, 실제 매출 연결은 별도 확인이 필요함.

누가 laser를 공급하는지
누가 optical engine을 공급하는지
누가 PIC를 만드는지
누가 FAU를 공급하는지
누가 package와 test를 담당하는지
누가 NVIDIA ecosystem 안에서 실제 order를 받는지

이걸 확인해야 진짜 수혜주와 테마주가 갈림.

방향성은 광통신/CPO 쪽으로 강화됐지만, 종목별 수혜는 아직 검증 영역임.

4. DSX / AI Factory Reference Design

NVIDIA가 이번에 또 강하게 민 부분은 DSX임.

DSX는 AI Factory를 설계하고, 시뮬레이션하고, 배치하고, 운영하기 ��한 reference design에 가까움.

여기서 중요한 건 NVIDIA가 데이터센터 건설 영역까지 내려오고 있다는 점임.

AI Factory는 단순히 서버를 사서 꽂는 문제가 아님.

전력
냉각
배전
랙 배치
네트워크 topology
운영 자동화
건물 설계
grid 연결
digital twin
workload simulation

이 모든 요소를 동시에 맞춰야 함.

NVIDIA는 Omniverse DSX Blueprint를 통해 AI Factory를 실제로 짓기 전에 디지털 트윈으로 시뮬레이션하는 구조를 제시함.

이건 전력·냉각·건설·운영 회사까지 NVIDIA 생태계 안으로 묶겠다는 의미로 볼 수 있음.

공식 자료에서 언급된 DSX 관련 파트너들은 Cadence, Dassault, Eaton, Jacobs, Schneider Electric, Siemens, Trane, Vertiv, GE Vernova, Hitachi 등임.

이름만 봐도 방향이 명확함.

AI 인프라 병목이 GPU에서 끝나는 게 아니라 전력, 냉각, 건설, 배전, 운영 자동화로 확장되고 있다는 뜻임.

투자 관점에서 이번 발표의 핵심 수혜 축은 이렇게 정리됨.

첫째, NVIDIA 본체

NVIDIA는 GPU 회사에서 AI Factory 플랫폼 회사로 확장 중임.

GPU
CPU
DPU
NIC
스위치
CPO
NVLink
Ethernet
소프트웨어
운영체계
레퍼런스 디자인
이걸 전부 묶어서 파는 구조가 되고 있음.

이러면 NVIDIA의 해자��� 단순 칩 성능이 아니라 전체 시스템 장악력으로 이동함.

둘째, 대만 AI 서버 공급망

이번 GTC Taipei는 대만 공급망의 중요성을 다시 보여준 행사임.

TSMC
Foxconn
Quanta
Wistron
Wiwynn
Pegatron
QCT
Compal
Inventec
ASUS
Gigabyte

이런 업체들은 AI 서버, 랙 조립, 보드, 시스템 통합, 공급망 ramp에서 계속 중요해질 가능성이 큼.

특히 Vera Rubin은 랙 단위 시스템이고, 부품 수와 조립 복잡도가 매우 큰 구조임.

NVIDIA가 아무리 강해도 실제 물건을 만드는 건 대만 ODM/EMS/서버 공급망임.

셋째, 전력·냉각 인프라

AI Factory는 결국 전기 먹는 공장임.

GPU 수요가 커질수록 전력 확보, 냉각 효율, 배전 안정성, grid 연결이 핵심 병목이 됨.

Vertiv
Eaton
Schneider Electric
Siemens
GE Vernova
Trane
Delta Electronics
이런 축이 계속 중요해지는 이유가 여기에 있음.

좋은 GPU를 사도 전력이 없으면 못 돌림.

냉각이 안 되면 못 돌림.

배전이 불안정하면 uptime이 떨어짐.

그래서 AI Capex의 다음 병목은 전력과 냉각임.

넷째, 광통신/CPO 밸류체인

이번 발표는 광통신 쪽에 꽤 중요한 신호임.

AI Factory가 커질수록 네트워크 전력과 대역폭 문제가 커지고, NVIDIA는 Spectrum-X Ethernet Photonics와 CPO를 통해 이 문제를 풀려는 방향을 보여줌.

즉 CPO, silicon photonics, optical engine, laser, 고속 test, advanced packaging 쪽을 계속 봐야 함.

하지만 이 구간은 특히 조심해야 함.

테마는 강하지만, 실제 수혜주는 매출로 검증해야 함.

발표에 이름이 나오는 것과 실제 공급망에 들어가는 것은 다름.

기술력이 있다는 것과 NVIDIA 물량을 받는 것도 다름.

PO를 받는 것과 대량 양산 매출이 찍히는 것도 다름.

그래서 광통신/CPO 투자는 방향성보다 “고객 증거”가 더 중요함.

이번 발표에서 확인된 큰 흐름은 명확함.

AI는 모델 경쟁에서 인프라 경쟁으로 이동 중임.

AI 인프라는 GPU 경쟁에서 AI Factory 경쟁으로 ��동 중임.

AI Factory 경쟁은 전력, 냉각, 네트워크, 랙 시스템, 운영 소프트웨어, 대만 공급망 경쟁으로 확장 중임.

그리고 네트워크 병목을 풀기 위한 핵심 축으로 광통신과 CPO가 점점 더 중요해지고 있음.

내가 보는 결론은 이거임.

다음 AI 사이클에서 봐야 할 병목은

GPU 자체
HBM
전력
냉각
랙 시스템
고속 네트워킹
CPO
광인터커넥트
대만 AI 서버 공급망
AI Factory 운영 소프트웨어

이쪽임.

특히 내가 중요하게 생각하는 광통신/CPO가 이번에도 핵심으로 나온 것을 검증하는 발표였다고 봄.

NVIDIA GTC Taipei 2026은 이 흐름을 공식적으로 한 번 더 확인시켜준 행사임.

이제 시장은 단순히 “누가 GPU를 많이 파느냐”보다,

누가 AI Factory를 가장 빠르게 짓고
누가 전력당 토큰을 가장 많이 만들고
누가 네트워크 병목을 가장 잘 줄이고
누가 냉각과 전력 문제를 가장 잘 해결하고
누가 실제 매출로 연결되는 공급망을 잡고 있는지

이걸 보게 될 가능성이 큼.

매수·매도 의견 아님.
개인 공부 기록.

[Evan @RanRan113080440]

@object_nullll 这个人agent水平高不高，直接问他有没有做过评估，怎么做评估

[jingxu @bg2dph]

@Phoenixyin13 怎么试呢

[Tairan He @TairanHe99]

We’re hiring full-stack roboticists, and solving robotics with a full-stack mentality: hardware, systems, ops, and ML… all moving together. Come and build with us.

[鸭哥 @grapeot]

LLM 推理系统到底是怎么跑的？SGLang Omni 团队最近公开了一篇很少见的文章——把一个顶级推理系统团队的完整决策链路摊在明面上。我顺着原文梳理了一篇科普，从自回归decode、KV cache、continuous batching这些基础概念讲起，一路推到多 stage decode 给系统设计带来的三个挑战和对应的架构决策。https://t.co/tEgURHCdBq

[苍何 @canghe]

Windows上的Codex现在也能使用 Computer Use 能力了！

话说这个自动发推是怎么做到的，不会被封号吗？

[시마이 (Shimai) @KyleKim84]

에어컨에서 냄새 난다고 바로 청소업체 부르지 마세요. 🙅🏻‍♂️

삼성전자서비스 공식 가이드에
나온 방법 알려드립니다.

1️⃣ 창문을 전부 열어주세요.
습한 외부 공기를 끌어들여야 응축수가 더 많이 생깁니다.

2️⃣ 냉방 18도, 강풍으로 1시간 돌려주세요.
열교환���에 응축수를 최대한 만드는 단계이며,
이 물이 냄새 성분을 녹여서 밖으로 배출합니다.

3️⃣ 송풍 모드로 1시간 동안 말려주세요.
내부를 완전히 건조시키는 단계로서,
이 과정 생략하면 오히려 곰팡이 번식 조건이 됩니다.

💡낮은 온도 냉방 시 열교환기에 붙어있던 냄새 성분이 응축수에 녹아 외부로 배출되는 원리입니다.

📎출처
• 삼성전자서비스 공식 솔루션
• 미쓰비시 에어컨 공식 답변

[lance @lance012210]

有了自动翻译，我开始沉迷韩语色情内容了，太劲爆了！

以下是搜索关键词：
한국야동
자위
클리
클리자위

或者更推荐使用高级搜索例如：
NSFW lang:ko filter:videos
NSFW lang:ko filter:images
NSFW lang:ko filter:images filter:videos

한국야동 filter:videos
한국야동 filter:images

자위 filter:videos
자위 filter:images

클리 filter:videos
클리 filter:images

클리자위 filter:videos
클리자위 filter:images

搜索说明例如：
한국야동 filter:videos filter:images→
表示同时包含图片和视频的帖子（结果通常很少）。

한국야동 filter:videos
表示包含带有关键词"한국야동"的视频

한국야동 filter:images
表示包含带��关键词"한국야동"的图片
lang:ko 只显示语言为韩语

[XinGPT🐶 @xingpt]

美光今天爆涨，核心原因之一是UBS把美光的评级估值直接调高到目标价 $1635！

所以我仔细看了一下UBS今天对美光大幅上调评级的报告原文，核心是估值方法的变化。

UBS此前对美光采用的是SoTP分部加总，按照P/S倍数估值。
它把美光拆成两块：HBM业务和核心DRAM+NAND业务。HBM因为受益AI服务器需求、增长更快，给更高倍数，按照2027年收入约278.9亿美元、6倍P/S估值，对应每股约132美元；核心DRAM+NAND按2027年收入约1,877亿美元、3倍P/S估值，对应每股约405美元。

两部分相加，得到原目标价535美元。这个方法的���含逻辑是：美光仍是强周��存储公司，只是其中HBM业务更优质，所以分开给不同收入倍数。（图 1）

现在UBS改用整体P/E估值，把目标价从535美元上调到1,625美元。新方法是用约15倍NTM P/E，锚定2029年EPS约117美元，并用约12%的股权成本折现回2028年。

UBS选择2029年EPS，是因为它认为到那时模型已包含一轮温和的存储下行周期，如果美光届时仍能赚超过100美元EPS，就说明这不是单纯周期高点盈利，而是更接近“穿越周期的盈利能力”。（图 2）

估值方法转变的核心原因是LTAs，也就是长期协议。

UBS认为，新一轮增强型LTA不只是锁定出货量，还包括3到5年期限、固定量承诺和部分固定价格机制。它估计2027年行业DDR出货中约20%到30%会被这类协议覆盖，美光约20%，hyperscaler已锁定行业Server DDR5约60%到70%的量。这样一来，美光的收入和利润可见度提高，DDR价格峰谷波动可能被压低约一半。

所以，UBS的判断是：美光不再只是靠存储价格周期上行赚钱的公司，而是因为AI需求和长期锁价锁量协议，盈利稳定性被系统性抬高。

因此估值框架从“分部收入倍数”切换为“整体盈利倍数”。核心变化就是从“HBM单独重估”升级为“美光整体重估”。

[马东锡 NLP @dongxi_nlp]

看到讨论该不该用 python 写 Agent。

去看看 Shunyu Yao 的 ReAct 源代码吧，就几个 notebook。

记得当年运行这些简单代码，直接瘫坐在椅子里，那是人生中为数不多的体验。

毫不夸张地说，这几个notebook开���了价值巨大的 Agent 时代。

优秀的思想可以开创时代。

而鄙视这个语言那个语言的，却常常是被时代裹挟。