xiaoheijw

[xiaoheijw @bloackj]

人生是你自己的，是你在拥有，经营，创造。

[xiaoheijw @bloackj]

@imwritingbugs @Jason_Young1231 @sama 试试这家店

【淘宝】https://t.co/0f8FiLN3WT

[xiaoheijw @bloackj]

之前通过的pro，等于赚了一台iPhone 18 Pro

[Charlie Marsh @charliermarsh]

We started Codex for OSS six months ago.

Today, we’re renewing the program with $100 Pro plans and doubling the number of grants (from 5,000 to 10,000) to reach more maintainers.

(If you received a grant previously, we encourage you to re-apply!)

https://t.co/PiUy7vNFZo

[xiaoheijw @bloackj]

@hd_nvim 这图伤害好大🤣

[xiaoheijw @bloackj]

【和五条人在完全没人认识他们的县城里做一场演出！丨HOPICO X 小鹿Lawrence】 https://t.co/YCkxpHFW5G

人生就像种荔枝，有雨不行，没雨也不行。

[xiaoheijw @bloackj]

又反串

[程序员大熊 @xiongchun007]

@dignewsdeephub 做了 25 年的 PM，今年刚借助 Codex 的神力转码。

[xiaoheijw @bloackj]

还记得你何时加入 X 吗？我知道！#我的X周年纪念日

[xiaoheijw @bloackj]

最近在调研agent sandbox，整了一份landscape
https://t.co/43eOcIsD9U

[xiaoheijw @bloackj]

有了Pro 20x, 用来干啥好呢

[xiaoheijw @bloackj]

免费的pro真香啊

[xiaoheijw @bloackj]

免费的pro真香啊

[雨夹雪❄️ @mizorewww]

看了南大JYY的生成式软件工程

jyy提到传统看视频是“低吞吐、线性、不可随机寻址”的极低效学习方式。

所以这么好的vibe coding教程当然要vibe watching！

隆重推出 https://t.co/dsF8mSn2vq.

自动把网课视频转成带截图的文字稿！完美解决了这个问题！

[xiaoheijw @bloackj]

https://t.co/4fWcbwPOJk
和菜头这文章不错

[xiaoheijw @bloackj]

傻逼拉黑

[AYi @AYi_AInotes]

一个做了两年客户端的创始人，体验DeepSeek Harness一天，把项目停了。

池建强是墨问西东创始人，MacTalk作者，下午体验DSH，当天把核心研发叫到一起开会，停掉刚花两个多月重构完的客户端开发，开始论证全面迁移。

他自己的产品即我和另一家果蔬流通SaaS都计划迁过去。

先说清楚DSH是什么，
它不是又一个Codex或Claude Code。那些是成品，DSH是底座。

核心设计一句话：Everything is a Plugin，模型适配、工具调用、会话记忆、沙箱权限、任务调度、甚至UI本身，全是可替换插件。

基于Cordis插件系统，不改源码通过配置就能组装。MIT开源，模型无关，支持DeepSeek、OpenAI、Anthropic、Gemini，还能把Claude Code和Codex当子Agent调度。npx一行启动本地Web UI。

8月13日发布，一周GitHub冲到约18万星。很多人叫它Agent界的Android。

他为什么这么决绝？
一开始以为是国产版Codex，实际体验后发现是全栈AI原生应用基建。

自研客户端再怎么重构，也很难和开源生态的迭代速度、插件丰富度竞争。

迁移路径也清晰：把现有UI和核心逻辑做成插件挂到DSH上，白拿完整Agent能力加持续生态更新。

两年代码不是沉没成本，是验证了旧架构的极限。

模型能力已经不卡了，卡的是工程化运行时——怎么让模型稳定、可控、可扩展地在真实环境持续干活。

DeepSeek把这层开源并做到极致插件化，相当于把Agent的操作系统层开放了。封闭的Claude Code和Codex像品牌机，DSH像散件，谁都能搭自己的垂直应用。

价值在快速上移：从写客户端代码，移到拥有用户数据、领域知识、场景理解和差异化插件。未来很多产品会长成开源Harness加自定义插件加领域数据。

大家也别盲目跟风，
DSH还是开发者预览版，官方明确会有破坏性变更。

本地Agent有shell和文件编辑高权限，安全边界要自己盯。

生态早期，插件质量和长期维护待观察。池建强也是先论证再迁，不是当天上线。

一个有经验的创始人愿意公开承认两年自研要转向，这件事比DSH本身更值得注意。

看见趋势就砍沉没成本，这种判断力比任何技术细节都稀缺。

[xiaoheijw @bloackj]

@xuanwo 粤语梗

[xiaoheijw @bloackj]

@koobai 有搜索关键词吗？或店铺推荐，感谢

[xiaoheijw @bloackj]

感谢OpenAI

[xiaoheijw @bloackj]

不懂，英文博客翻译中文就能收会员费😅

[yibie @yibie]

一个工程师，一周时间，构建了一个全公司使用的 AI 助手——然后它一周内达成季度采用目标，如今每周使用率超过八成。

《Stripe 如何在 Deep Agents 上构建 Kai》

Stripe 是全球支付和金融基础设施平台，被数百万企业使用。为了支持产品的大规模持续发布和迭代，他们构建了帮助 Stripe 全体员工提高生产力的 AI 工具。Stripe 的 AI 平台团队负责为公司所有 AI 应用提供动力的技术栈。他们最显眼的产品是 Stripe's Knowledge AI Platform，也叫 Kai——一个基于 LangChain/LangGraph 技术栈和 Deep Agents agent harness 的全公司生产力 agent。

构建一个内部 agent harness

随着 agentic AI 采用加速，Stripe 各地的工程团队开始在现有的 Ruby 和 Java 技术栈之上构建编排层。把这些系统与 Stripe 的内部基础设施集成相对直接，但构建一个可靠的、生产质量的 agent harness 引入了额外挑战。

有效的 agent 系统需要的比连通性更多。它们还需要强性能、稳健评估和一致处理复杂任务的能力。团队经常发现他们最初的实现适用于更简单的用例，但需要进一步投入才能在规模上交付可靠结果。

随着 Claude Code 在 2024 年底发布，突然每个 Stripe 员工都想构建 agents。但对非工程师来说，终端、数据访问和安全组件是显著的障碍。Sharadh Krishnamurthy（Agent Foundation 团队的工程经理）和 Anupam Upadhyay（Staff 软件工程师）看到了一个反向的方法：与其把非技术员工推向开发者工具，不如在他们所在的地方与他们会面，用专门构建的东西？换句话说，"如果每个人都拥有一个永远在线、生产就绪的助手会怎样？" 答案变成了 Stripe 的 Knowledge AI Platform。

为每个 Stripe 员工配备一个上下文感知的 AI 同事

Stripe 的 Knowledge AI Platform 对每个员工可用。它专为 Stripes 实际做的工作构建——综合数据、头脑风暴、起草文档、分析趋势和跨职能协作——全部在一个连接到 Stripe 内部数据仓库、Slack 和 Google Suite 的基于会话的界面中。

一个用户开始一个会话，通过聊天交互，Kai 产生与对话并存的产物、报告、仪表盘或文档。随着聊天继续，产物演变。它像一个为非工程师设计的编码 agent 一样运作。

与通用 AI 助手不同，Kai 通过工具和技能预装了 Stripe 上下文。它知道 Stripe 如何运作，理解公司的内部系统、数据源和规范。用户不需要在每项任务前向 Kai 解释他们的工作职能或公司。公司各处的专家通过一个技能库贡献他们的领域知识——来自 100 多个团队的超过 1000 个技能。

Deep Agents 给了 Stripe agent 基础，让团队能专注于领域特定工作流

Kai 的基础是 Deep Agents，LangChain 的开源 agent harness。Deep Agents 提供了接线工具调用循环、中间件组合、流式和状态管理的基础，否则需要几个月从头构建和加固。

Stripe 的分层架构包括：

1. Deep Agents 作为基础：基础层处理所有 LLM 交互原语，包括请求管理、agent 执行和中间件组合。
2. 构建在 Deep Agents 上的 Stripe 特定 harness：这个中间层把 Kai 集成到 Stripe 的安全态势、基础设施和内部服务中，创建一个有主见的环境。
3. 配置层：在 harness 之上，团队能配置他们自己的自定义 Kai agents——具有不同技能集、行为和角色的专门 agent 实例——不触及底层 harness。
4. Kai UI：大多数 Stripes 交互的产品体验，连接穿透所有三层。

"Deep Agents 层解决了所有非 Stripe 的问题，让我们能专注于解决 Stripe 的 agent 问题，" Sharadh 解释说。"你可以从货架上拿一堆中间件。可组合的技能模式、组合后端，它提供了正确的结构，但仍然有足够的灵活性。"

什么让 Kai 生产就绪

Anupam 在一周内构建了 Kai 的初始版本。解锁那个速度的 Deep Agents 中间件是：

1. 文件系统中间件：Kai 是一个运行在云中的生产服务，不是一个本地进程。Stripe 构建了一个由 S3 支持的虚拟文件系统，让 agents 能跨轮次读取、写入和引用文件作为上下文。文件系统对 LLM 上下文工作得很好，因为它们把上下文变成模型能随时间检查、更新和组织的东西。Stripe 用"同步进/同步出"模式包装每个沙箱 execute 调用：执行前，所有相关文件被具体化进沙箱；执行后，任何新的或修改的文件被同步回虚拟文件系统。结果，agent 和驱动它的 LLM 在会话的整个生命周期体验一个连贯、持久的文件环境。
2. 沙箱中间件：Kai 通过沙箱环境运行代码执行，用于两类工作：分析（编写和运行 Python 查询数据、产生图表）和处理任意文件格式（PDF、演示文稿、结构化文档）。沙箱作为工具暴露给 agent，而不是作为 agent 本身的执行环境。agent 在沙箱外运行并调用进去，保持执行边界干净，防止一类与 LLM 生成代码相关的安全担忧。
3. 摘要中间件：对跨长运行、多轮会话管理上下文至关重要，积累的上下文否则会降低性能或命中模型限制。Kai 特别擅长多轮长会话。为了在平衡成本的同时最好地利用可用的 LLM 上下文，Kai 利用 deepagents 库提供的各种调优旋钮，比如摘要阈值、摘要模型和输出大小等。大多数用户间歇运行 Kai 会话，所以避免大上下文大小的缓存未命中有助于控制成本。

技能：Kai 如何导航数百个内部工具和技能

Kai 用技能跨数百个内部工具和工作流运作。Deep Agents 中的技能是结构化的、agent 可执行的模块。每个技能封装如何完成一个特定任务、加载什么工具、以及如何接近一类工作。

Stripe 遵循一个联邦方法，单个团队拥有和维护自己的技能。基础 Kai agent 带一组覆盖广泛 Stripe 导航的基础技能，额外的分层技能根据用户配置文件和使用的特定 Kai agent 配置加载。例如，销售运营的用户得到与财务用户不同的技能集；一个用户级配置文件层允许个人在功能默认值之上添加更多技能。

有 500 多个内部 MCP 工具可用和一个增长的技能库，Kai 不能把所有东西加载进上下文。Agent Skills 的 allowedTools 列表驱动动态工具加载，创建一个两遍系统，技能选择门控工具上下文，而不是预先加载所有工具。选择依赖已经拥有相关上下文的 LLM。"LLM 正在花精力弄清楚加载哪些技能，所以那就是我们依赖来加载相关工具的东西，" Anupam 解释说。某些基础技能被固定，无论模型决定加载或卸载什么都持续存在。这确保任何时刻一致的 Stripe 上下文和策略行为。

有了 1024 字符的 frontmatter 限制，团队发现前沿模型在超过 150 个技能与系统提示结合时质量退化。技能的数量仍然是一个挑战，团队正积极致力于未来更好的解决方案。

1 个工程师，1 周：Stripe 的 Python 赌注如何立即回报

Stripe 花了十多年在 Ruby 和 Java 周围构建内部工具、安全层和部署支持。采用 Python-native 技术栈意味着围绕新语言重建 Stripe 的内部服务脚手架，这是一项巨大投资。

Kai 通过示范证明了 ROI。一个工程师在一周内构建了 Kai。来自 Deep Agents 的原语意味着困难的 agent 基础设施已经解决了。那个速度证明了花在构建 Stripe 内部 Python 支持上的时间立即得到回报。"Kai 完全巩固了人们 Deep Agents 是正确方式的信念，" AI Platform 负责人 Chrissie 强调。

一周内达成 Kai 的季度采用目标

当 Kai 进入公开预览时，它在一周内达成了团队的季度采用目标，继续从 296 个用户增长超过 16 倍到 5000 多，大约四周。"它就是着火了。人们用它，它对他们就是点上了，" Sharadh 说。

大部分新用户是团队为之设计的角色：销售、财务分析师、业务运营人员——被告知"用 AI"但从未找到一个适合他们实际工作方式的工具的员工。"有很多人说，'我发现以前的东西不可接近。我必须调一堆旋钮。但我被要求用 AI，我真的试过。'然后：'这个太棒了，我不需要做那些东西，'" Sharadh 解释说。

今天，83% 的 Stripe 每周使用 Kai，跨超过 6 万个会话。按百分比看，Kai 在业务功能中的采用比工程还要多，比如市场营销（95%）和 GTM 团队（87%）；他们形容 Kai 对交易准备是变革性的，从多个内部来源拉取数据、综合它并产生可用的产物。财务团队发现它对数据分析和仪表盘生成同样有用。

一些最生动的早期反馈：

• "Kai 对销售人员绝对难以置信。将节省数万小时。"
• "我的 Stripe 职业生涯被分成 Kai 前和 Kai 后。"

新员工开始用 Kai 加速 onboarding。工程团队，尽管为非工程师构建 Kai，发现自己把它当作自己工作的副驾驶：用 Kai 回答关于自己系统的问题，并对着自己的 traces 和使用数据运行它来识别技能差距并改善覆盖。

接下来：产品市场匹配之后

团队现在面临一个好问题，在快速采用之后……有一千个用例要修复和构建。

扩展技能选择。 Stripe 已经超过 500 个内部 MCP 工具和 1000 多个技能。没有 LLM 能在没有帮助的情况下跨那么大的技能目录执行可靠选择。团队正在构建一个混合选择系统。纯 LLM 选择在当前规模工作得很好，当完整上下文可用时产生比 RAG 更好的结果，但需要一个 RAG 或分类器层在规模上预过滤，然后 LLM 做最终决定。

治理和护栏。 随着采用扩散到数千名员工，团队正投资安全和合规护栏，确保 Kai 的触达不超出企业环境所需的监督结构。

行为层面的个性化。 不同团队想要不同的 agent 行为。有些想要 Kai 总是在行动前计划并问澄清问题；其他想要快速、直接的回答用于快速头脑风暴。"这个产品的全部承诺是你不需要调旋钮，" Sharadh 重复。"所以我们现在承担了为人们构建智能来解决这一切的责任。" 团队正在评估 ML 分类器和 AI 驱动的机制，自动调整行为到用户上下文。

跨会话协作。 当前模型是单用户会话。路线图延伸到共享技能、共享产物，最终延伸到多个员工能一起迭代相同 AI 输出的协作会话。

Kai 构建在 Deep Agents 上，LangChain 的开源 agent harness。如果你正在构建一个生产 agent，Deep Agents 文档是一个好的起点。

原文：https://t.co/jUpB8WYKdo
#Stripe #DeepAgents #AgentHarness

[xiaoheijw @bloackj]

@tualatrix @vikingmute 把地区切成旧金山，首页就有gift card

[xiaoheijw @bloackj]

@alterxyz4 主要是写java的人多吧，比什么go/rust好招啊

[xiaoheijw @bloackj]

自己发现的issue，本来想PR，结果印度老哥真快

[xiaoheijw @bloackj]

World Cup 2026: A celebration
https://t.co/tRtRPOhGZ0