龙虎镜

[龙虎镜 @bingfajing]

@Zai_org 无法注册新用户何意味

[龙虎镜 @bingfajing]

@ungetsuli 感谢大佬分享！🥹

[龙虎镜 @bingfajing]

@RiverAi7z @ungetsuli 卧槽，这个nb

[龙虎镜 @bingfajing]

@chang_nianbtl 说正常你也不高兴、说不正常你就高兴了是吧。你们这下小傻逼已经把病理特征内化成自己身份认同的一部分了，没救

[Koutian Wu @ktwu01]

https://t.co/BWw6RY4Luk

[龙虎镜 @bingfajing]

@daoyuex 以及两半人几乎都是被调剂来的

[龙虎镜 @bingfajing]

@Xiaoyi_0324 觉得当了trans就有人倒追真有点奇艺搞笑了

[AYi @AYi_AInotes]

你永远可以相信@deepseek_ai 开源的诚意！！！
DeepSeek 竟然把自己内部工程团队吃饭的家伙直接开源了🤯。。

就算DeepSeek API价格涨价12倍，
我依然觉得叫一声梁圣他值得！

DeepSeek Harness发布的仓库里，把自己内部工程团队怎么干活的11个真实工程级 Skill，也全部拿出来了， 是他们自己每天在用的Code Review标准、质量门禁、PR验收流程，damn！！！

你可以拿来塞进Agent直接跑：
等于让你的Agent按DeepSeek内部的工程标准干活，像资深工程师一样工作——知道什么优先、什么该拦、什么该删、什么该归档，

1️⃣ dsh-code-review — Agent 按仓库自己的标准做语义审查,优先看正确性、安全边界、生命周期,不是堆 nit
2️⃣ dsh-pre-push-checks — 推送前只跑与当前改动相关的最小检查,不是机械全量测试
3️⃣ dsh-find-simplifications — 主动找过度设计、死代码、重复实现,写成正式提案
4️⃣ dsh-merging-stacked-prs — 安全落地一串依赖的 Stacked PR,不再手动改 base 改到崩溃
5️⃣ dsh-doc-site-sync — 文档站永远是源文件的投影,不是两套独立的东西
6️⃣ dsh-doc-standards — 文档层级、字数预算、教程 vs 参考的结构纪律
7️⃣ dsh-prose-standard — 所有 prose 只保留合同（不变量、前后置条件），去掉装饰和推理过程
8️⃣ dsh-translate-docs — 中英双语文档的高质量维护,强制术语一致+验证门禁
9️⃣ dsh-trim-cot-leakage — 清理文档里残留的思维链泄漏、变更叙述、审查痕迹
🔟 dsh-archive-agent-notes — 决策笔记按未来价值归档,解决知识库膨胀问题
1️⃣1️⃣ record-browser-gif — GUI 相关 PR 必须附真实浏览器录制的交互 GIF,验收从看文字变成看行为

我觉得这些skill的真正价值不是教 Agent 写代码,而在于教 Agent 怎么像一个有经验的工程师一样工作——有标准、有优先级、有质量门禁、有归档纪律,

资深工程师脑子里那些隐性的工程纪律,现在变成了可执行、可复用、可审计的 SOP,

做 Coding Agent 或者在搭自己 Harness 的兄弟,

这11个skill值得一个字一个字拆，
每个背后都是踩了无数坑攒出来的工程方法论，比你买多少课都管用。

GitHub 链接放评论区 👇

[Max For AI @MaxForAI]

这是中国🇨🇳模型的平替版：

实时研究 → K3+Kimi Swam（其实我也推荐我朋友的U深研，效果也不错）
规划与编排 → Qwen3 Max
日常编码/调试 → LobeHub的Loop Agent+GLM5.2/5.3
编写与运行测试 → LobeHub的Loop Agent+DeepSeek-V4-Flash（是的flash比Pro好用）
复杂编码/调试 → GLM5.2/5.3
前端 → K3

这一套你就用吧，包打一切～

[沉梦昂志 @XchenEvan]

DeepSeek harness @tianyi 崔神主导的 project 里面有这样一个 skill https://t.co/eBsqMZXIXX

整个开发过程每提交数个 PR 之后就会使用此方法进行一轮简化，累计删除了数十万行代码

我让 codex 将其 deepseek harness 特化部分去除后修改为 https://t.co/r8Ym9OYKhX

虽然软件工程没有银弹，但是在大型生产项目背书过后的简化代码和熵回收的方法论还是非常值得学习的

[Max For AI @MaxForAI]

刚刚，一篇可能会引起大模型圈地震的论文发表了！

研究人员第一次系统性地从 OpenAI、Anthropic、Google 的闭源模型里，大规模“偷”出了真正的隐藏思维链。

然后，他们顺手拿这些思维链去研究了 Kimi K3、GLM-5.2、DeepSeek 等一批开源模型。

结果非常有意思。

01｜原来闭源模型的 CoT，真的可以被“偷”出来

现在 OpenAI、Anthropic、Google 都越来越不愿意把完整思维链交给用户。

原因也很好理解：最终答案可以抄，真正值钱的是模型“怎么想”。

一旦完整 CoT 被批量拿走，就可以直接拿去做蒸馏，训练自己的模型。

所以现在很多 API 的做法，是把模型的 reasoning 加密以后返回给客户端。你看不到内容，但下一轮请求可以把这坨加密数据再交回模型，让它继续思考。

结果研究者发现了一个很离谱的漏洞：

这些加密思维链，在同一家厂商的不同用户、Session，甚至不同模型之间，居然可以互相兼容。

于是攻击方法简单得有点荒谬：

让最强模型思考 → 拿到加密 CoT → 扔给同厂更弱、更容易越狱的模型 → 让小模型把它解出来。

比如 Claude Opus 4.8 的隐藏思维链，可以交给 Haiku 去“念”出来。

你甚至不需要攻破 Opus，找它的小弟Haiku就行。

论文最终在 Claude、GPT、Gemini 三套 API 上都实现了隐藏 reasoning 的提取，等于直接绕过了厂商原本用来防止 CoT 蒸馏的那层保护。

[阿哲Phil @Formulasearch]

https://t.co/uVhjCJPFX6

[Ruiteng Huang @huangruiteng]

开源项目 LoopX：超长程 Agent 自主运行 200+ hours，状态不漂移。

我的技术主张是：LLM 上下文有限，长程 Agent 需要外置状态，通过完备的状态管理、监督和规划，让 Agent 无人干预时跑得稳、持续有产出；有人干预时跑得更好，能吸收反馈继续演进。

两条真实 trajectory 分别跨越 220.7 / 272.9 小时，跨多轮执行、等待、人工决策、writeback 与 resume 后，整个 loop 仍能找回目标、证据和下一步。

目前 LoopX 已有 3 个 showcase：auto PR issue fix、AutoML experiment 和 auto coredump fix。

以 OpenViking 开源仓库的 PR issue fix 为例，Agent 不只是循环写代码。它需要持续理解 issue 的不同状态，判断何时开发、何时等待、何时请求 review，处理 CI、冲突和上游变化，并连续交付多个 PR。

这对应 LoopX 的 domain state 管理：领域系统决定真实状态，LoopX 负责把状态投影成下一步可执行的工作。

与此同时，Agent 还可以在干活过程中实现能力自进化。当它发现现有系统缺少某项能力时，可以提出 feature、完成开发与验证、发布新的离线或在线版本，再使用新能力继续原来的任务。

长程 Agent 天然适合自进化，“完成工作”和“升级完成工作的系统”可以在同一条长程轨迹中发生。

LoopX 把这些信息外置成结构化控制面：

• Goal / Vision：目标是什么，什么不能被局部优化牺牲
• Todo / Gate：当前执行的 frontier，以及必须留给人的关键判断
• Identity / Authority：谁能 claim、writeback、approve
• Evidence / Receipt：每次推进留下什么可回读证据
• Quota / Scheduler：何时继续执行，何时安静等待
• Handoff / Recovery：换模型、换会话、换 host 后如何恢复

你也可以把它理解为一块专门给 Agent 设计的可执行 Kanban。

普通看板只展示“谁在做什么”；LoopX 的状态会直接约束和驱动下一次 bounded turn，让看板本身成为执行系统的一部分。

这套系统最强的地方是通用性。它不只可以修 PR，还可以做 auto research、长期实验、自媒体运营、复杂 feature 开发和办公任务。

Agent 不再只是一次性的回答机器，而可以围绕一个人的 vision，长期工作、等待、吸收反馈、积累证据并持续演进。

LoopX 从一开始 build in public：状态协议、CLI、控制面实现和真实运行轨迹都进入了开源仓库；它也已经和 OpenViking、NoKV 等 agent infra 项目形成了开源合作伙伴关系。

我希望 LoopX 最终能放大每个人的 vision 和想象力。只要你有自己的目标、想法或技术主张，就能拥有一个全天候继续工作和探索的 Agent 系统，帮助你把愿景一点点变成现实。

欢迎试用、提 issue、贡献代码，或者用一个真实的 multi-day task 跑 LoopX。

https://t.co/ncHCZheYb7

[AYi @AYi_AInotes]

别死刷 LeetCode 了，OpenAI 刚流出的 2026 工程师面经，直接给我看楞了：人家已经开始考你怎么和 AI 搭档写代码了，你还在刷五年前的算法脑筋急转弯。

这是 Reddit 刚爆的新鲜热乎面经，候选人刚走完整个流程，和谷歌 Meta 那种纯考 DSA 八股的路子完全不一样，6 轮面下来，根本不给刷题家留一点活路。

给你们拆得明明白白：
1️⃣初筛根本不走流程
别以为 HR 面就是问你期望薪资、为什么来 OpenAI，人家上来先聊 “你觉得 AI 未来会往哪走”—— 说白了根本不缺能写代码的人，先筛认知和价值观同频的，连 OpenAI 自己的 Charter 都没读过的，直接就刷了。

2️⃣技术初筛全是生产场景
同一天连考俩，各一小时：手写带版本控制的键值存储，设计带容错的任务调度器。没有接雨水、爬楼梯这种脱离实际的脑筋急转弯，全是工程师上班天天要碰的真问题。

3️⃣回家作业根本混不过去
48 小时时间，让你做一个带重试机制、死信队列的分布式 Webhook 投递系统，不是几十行的玩具 demo，是真能上线跑的生产级项目。别想着抄个开源项目交差，后面有狠的等着。

4️⃣逐行代码拷问才是真杀招
面试官拿着你交的作业逐行走查，你每选一个方案、每写一个判断，他都要追着问为什么这么做，为什么不选别的方案，权衡点在哪。抄来的代码你根本讲不出背后的逻辑，一开口就露馅。

5️⃣Onsite 四轮全是硬货
▫️ 第一轮 coding 是渐进式关卡制，必须把当前阶段跑通才能进下一关，比如先实现 token 级流式 diff，再做状态追踪，再做回滚，背的模板根本套不上，一步卡壳就没了；
▫️ 第二轮 coding 往深了考系统能力，并发控制、内存效率、Python 生成器 / 异步这些写业务天天踩坑的点，全是实操出来的经验，背书背不出来；
▫️ 系统设计直接让你画 ChatGPT 的架构，考 GPU 怎么调度、流量突增怎么自动扩缩容、分布式节点怎么协调，全是他们自己天天在解决的真问题，没什么假大空的通用模板；
▫️ 行为面别背 “我遇到困难迎难而上” 的套话，要听你真的主导过的跨团队架构决策，当时有什么选项，你选了什么，付出了什么代价，拿到了什么结果，全要具体的 tradeoff，空话直接过。

6️⃣最反常识的 Beta 加试
现在部分候选人会遇到额外一轮：给你一个现有代码库，放一个人根本不可能短时间写完的大需求，让你用 AI 编码 Agent 协作完成。人家根本不防着你用 AI，反而直接把 “和 AI 搭档干活的能力” 摆上了考场，这才是真的在招 2026 年的工程师，不是招十年前的码农。

我看完最大的感受是，传统大厂那套选人逻辑真的过时了：
▫️ 纯刷题的时代彻底翻篇，LeetCode 刷得再熟，做不了真实系统、讲不清决策逻辑，根本过不了关；

▫️ 代码跑通只是最低要求，能想明白每一个选择的代价和收益，才是工程师和搬砖的区别；

▫️ 会用 AI 早就不是什么加分项，很快就是工程师的标配能力，你还在抵触 AI 抢工作，人家已经把和 AI 协作当面试必考点了。

给准备冲的人提几个实在醒：

别抱着题本死磕了，多写点真实的分布式小项目，把语言底层的并发、内存逻辑摸透，准备几个你真刀真枪做过的、有取舍的架构故事，

现在就开始练怎么给 AI 派活、审 AI 的代码、和 AI 一起搭系统。等这套面试逻辑全行业铺开的时候，你连该刷什么题都不知道。

你们觉得这种考真实能力的面试，和传统刷 LeetCode 比，哪个更难？

#OpenAI #程序员面试 #AI编程 #工程师求职

[TJ (thaddeus jiang) @ThaddeusJiang]

TIL：原来简单英文有国际标准，我今天就会在 AGENTS.md 中强制要求 AI 遵守 ASD-STE100。

推荐大家都试试

https://t.co/PkzzH2qDpa

[Yangyi @yangyi]

这个博主叫real屠龙的胭脂井
在复旦的这场分享里 对品牌营销的拆析鞭辟入里
一看就是经过大量减法后找到的更加底层的东西
不知道这些学生会不会在很多年后才能理解这场分享的价值

这个博主是有脑科学和认知科学背景的 我觉得这在AI时代至关重要 尤其是利用建模来辅助决策
我认为做任何事都应该这样 做营销更应该计算数据

但怪就怪在 大部分从业人员 都缺少这种最基础的认识
往往依靠一个错误的虚荣指标指导自己进行愚蠢的工作

[Mo Elgaraihy @EngMoElgaraihy]

أندريه كارباثي (Karpathy) أعلن رسمياً نهاية عصر البرومبت التقليدي (The Prompt Era) بوثيقة برمجية واحدة قلبت الموازين! 🤯

​القاعدة الجديدة واضحة: البرومبتس سهلة، لكن الحلقات الذاتية (Loops) هي الصعبة. وكتابة 50 برومبت في اليوم هي وظيفة غبية لن يعيدها أحد مرتين. كارباثي نقل العبء بالكامل من عاتق المطور إلى "حزمة التشغيل الذاتي" (The Harness).

​إليك تفكيك البنية التحتية لـ 9 قواعد ستُحول Claude إلى عميل ينهي المهمة بنفسه: 👇

[Lonely @Lonely__MH]

https://t.co/TfERu0JWnX

[Adrian Punk @AdrianPunk115]

https://t.co/6uV0qOHFUh