blockit@🐐

x

[Yanhua @yanhua1010]

目前看到关于 “Agentic Engineering Workflow”的最完整的介绍👇

花了一个小时完整看完了，完全可以做成一个付费教程。

内容涵盖了tmux，agent记忆，skills，语音输入，长任务执行，并行worktree管理，多agent调度。

还有让我眼前一亮的可视化html编辑器Lavish和一套代码变更校验的流水线: no-mistakes

感谢作者@kunchenguid分享，值得每一个用ai agent的人收藏、学习。

[空空 ｜ 跟着Serenity学投资 @chuge857]

Serenity 今天主动公开了自己的亏损仓位，这在财经博主里非常罕见，值得认真读一遍。
她的三大核心主线是：新型云计算（能源基础设施）、存储（Memory）、光子学/光模块（Photonics）。
先说哪些赚了：
在这三条主线里，她选中了各自赛道的最强标的——新型云计算选了 NBIS（美股，AI数据中心能源基础设施），存储选了NBIS（美股，AI数据中心能源基础设施），存储选了EWY LEAPS 期权（美股，追踪韩国股市的 ETF，覆盖三星和 SK 海力士），光模块选了 $SIVE（瑞典股市，硅光子核心供应商）。这三个都是今年的顶级表现者。
再说哪些亏了，这部分更有价值：
第一个大坑：台湾 CPO（光电共封装）产业链。 今年初有分析师发布了一份关于"CPO 延迟"的报告，引发市场恐慌，导致她持有的三只台湾 CPO 相关标的（Foci、Msscorp、Xintec）大幅下跌，目前仍处于深度亏损。后来英伟达直接出面否认了 CPO 延迟的说法，但股价已经被砸坏了。 ——这个教训对 A 股投资者很有参考意义：一份分析师报告，哪怕后来被证明是错的，也可以在短期内把一个正确的产业逻辑打成重伤。
第二个大坑：韩国标的。 她持有的 Auros 和 Foosung（WF₆六氟化钨供应商）目前都是亏损状态，韩国市场的波动性让她直呼"PTSD"，表示短期内可能不会再碰韩国股票。但她同时说，长期来看，随着 SK 海力士和三星完成量产资质认证（HVM），以及日本供应链的潜在收缩，这些标的最终可能还是会回到盈利区间。
第三个坑：宏观判断失误。 她之前做多过公用事业 ETF XLU（美股，电力/能源基础设施），逻辑是降息预期。但伊朗战争爆发后，降息预期从3−4次直接归零，这个仓位没有按预期走。此外，XLU（美股，电力/能源基础设施），逻辑是降息预期。但伊朗战争爆发后，降息预期从3−4次直接归零，这个仓位没有按预期走。此外，TTD（美股，程序化广告平台）和 $META（美股，社交媒体/广告）也是亏损收场。
最后她说了一句非常重要的话：
"我提到 AAOI的时候是30美元，AAOI的时候是30美元，AXTI 是 13 美元，但不是每个人的买入价都一样。如果有人在 220 美元买了 $AAOI，然后跌到 160 美元，我会感到很抱歉。"
这句话直接点出了跟单最大的风险：博主发现机会的时间点，和你看到这条推文的时间点，可能已经相差了几十甚至几百个百分点。
对我们 A 股投资者，这条推文有三个实际参考价值：
第一，即便是研究深度极强的博主，也会踩坑。Serenity 的整体胜率很高，但她仍然有台湾 CPO 链、韩国标的、宏观判断等多个方向的亏损。没有人能做到全对，这是市场的本质。
第二，"分析师报告"不等于事实。台湾 CPO 延迟报告的案例说明，一份被广泛传播的研报，可以在短期内制造巨大的价格扭曲，而最终被证伪的时候，损失已经造成。对于 A 股里同样的 CPO/光模块标的，这个逻辑同样适用。
第三，买入时机比方向判断更重要。方向对了，但买在高点，依然可能亏损。Serenity 自己也承认，她更倾向于用几个月的中期维度来评判一个想法，而不是几周。这和 A 股里很多人追热点、几天就割肉的操作方式形成了鲜明对比。

[Macro_Lin｜市场观察 @LinQingV]

Jukan的这篇文章里说，韩国存储厂已经在和GPU客户讨论把HBM从GPU封装里拆出来，用光互连桥接。核心原因是，堆叠层数往20层以上走，工艺难度指数级上升，横向多放HBM又被GPU的周长卡死。垂直和水平两个方向同时摸到物理边界，光互连成了剩下的选项。

这件事如果真正落地，对CPO供应链的拉动是巨大的。现在CPO的需求跟着交换机和光模块走，一个机柜一两个模块。但如果每颗高端GPU都需要多个光耦合点来连接HBM，需求量级直接跟着GPU出货量走，从网络设备级跳到芯片级，差好几个数量级。

这个场景里最有瓶颈的制造环节是光耦合对准。板级GPU-HBM光互连要求在极小空间里做亚微米级的激光光源、硅光波导、探测器之间的精密对齐，偏差几百纳米器件就报废。罗博特科收购的ficonTEC做的就是这件事，全自动主动对准加闭环计量，全球能做到这个精度和量产节拍的设备公司屈指可数。现在ficonTEC的订单主要来自CPO和OCS的产业化放量，但GPU-HBM光互连如果在2028年后起量，它的TAM会从光通信设备市场扩展到AI芯片封装市场。

时间节点上，这篇报道说的还是联合预研阶段，真正上量还有距离，从叙事到落地还需要时间。

[烟花老师 @teach_fireworks]

OpenAI Agent SDK 杀疯了！「Harness/Compute分离」架构，彻底解决长时程Agent的安全与可扩展性痛点🔥

OpenAI 这次 Agents SDK 大更新，直接把企业级 Agent 架构的「教科书级」设计公开了——核心就是这张图里的 Harness 与 Compute 分离架构，完美解决了困扰 Agent 开发者的两大难题：

安全隔离 & 长时程稳定运行。

🧩 核心架构拆解：

这张图把 Agent 系统拆成了两个完全独立、但又协同工作的模块，每一层的职责都极度清晰：

• 左侧：可信层（Harness + Secrets）
这是你的「信任大本营」，跑在你可控的可信环境里（支持 Temporal、AWS、Azure 等任何平台），完全不暴露给外部沙箱：

✅ 管理所有敏感凭证、API Key，彻底杜绝沙箱代码泄露密钥的风险
✅ 控制 Agent Loop 调度、MCPS/Tools 编排，决定什么时候调用模型、什么时候触发工具
✅ 负责与外部数据库、API、公网的交互，所有高权限操作都在这里完成

• 右侧：计算层（Sandbox + 存储）
这是「隔离的执行沙箱」，专门跑模型生成的代码、Shell 命令、文件操作：

✅ 支持 OpenAI 官方沙箱、E2B、Vercel 等 7 种主流沙箱环境，可按需选择
✅ 支持本地/挂载式文件系统，无缝对接 S3、Azure Blob、GCP 等云存储
✅ 沙箱里只有执行权限，没有任何高敏感凭证，就算被注入攻击也不会造成太大影响

🔑 这一架构，到底解决了什么痛点？

1. 安全隔离：把风险锁在笼子里
传统架构中，Agent 代码跑在哪，密钥就必须在哪，一旦被 Prompt Injection 攻击，密钥直接泄露。而现在，Harness 层只在可信环境里，沙箱层只负责执行，就算沙箱被攻破，也拿不到任何核心凭证，完美实现了「最小权限原则」。

2. 持久化与长时程执行：再也不怕任务中断
Harness 层和 Compute 层分离后，Agent 的状态、进度可以独立保存到文件系统/云存储中，就算沙箱重启、崩溃，也能从断点恢复，支持几小时甚至几天的长任务，这是传统 Agent 架构做不到的。

3. 可移植性拉满：哪里都能跑
不管是 Harness 层还是 Sandbox 层，都支持跨平台部署，你可以把 Harness 跑在本地，沙箱跑在 E2B 云环境；也可以全部部署在 AWS/Azure，不用被单一平台绑定。

4. 调试与审计更简单
所有高权限操作、外部请求都集中在 Harness 层，日志和审计追踪可以统一在这里做，沙箱层只负责执行，排查问题时不用在复杂的沙箱环境里翻日志。
💡 对开发者来说，这意味着什么？

简单说，OpenAI 把他们在 Codex 上踩过的坑、验证过的最佳实践，直接做成了开箱即用的架构：

• 不用再自己从零搭沙箱隔离、密钥管理、状态持久化了，SDK 直接给你做好了

• 可以放心让 Agent 跑复杂代码、Shell 命令，不用再担心里层泄露、环境被污染

• 长任务终于有了可靠的断点续跑能力，再也不用因为一次网络波动重头再来

#OpenAI #AgentSDK #AI架构 #开发者工具 #LLM

[Berryxia.AI @berryxia]

我靠！Warp 这个Skills 太顶了！
直接官方开源啊！

Warp团队居然把他们日常用来大幅提效的内部「Skills」全部开源了！

一条命令就能直接装上15个高质量生产级技能：

npx skills add warpdotdev/oz-skills

里面包含：
• SEO & 无障碍审计
• 文档自动写作
• Terraform / DevOps 配置
• GitHub Issue 处理
……等等真实能落地的工具

视频里演示的SEO审计已经能直接给出具体优化建议。

他们没把这些好东西藏着当私有武器，而是直接扔给整个社区。

这才是真正的开放精神。

想贡献自己的Skill？GitHub已开放：
https://t.co/spH0q6q1L5

[0x_Miko @Mikocrypto11]

我取消了每月 $2,000 的交易订阅，
用开源仓库替代了每一个。
这是我用的完整技术栈：

↣ TradingView Pro ($30/月) → lightweight-charts
由 TradingView 自己开发，14K 星，45KB，免费
GitHub 链接: https://t.co/QwrEVNMy1V

↣ Bloomberg Terminal ($2,000/月) → fredapi + Claude
每个美联储发布的宏观数据集，免费 API
GitHub 链接: https://t.co/SSmAjbXN8w

↣ 回测平台 ($100/月) → prediction-market-backtesting
NautilusTrader 的分支，支持 Polymarket + Kalshi
GitHub 链接: https://t.co/BGukSoGwfF

↣ 实时仪表盘 → polyrec
终端 UI：Chainlink 预言机、Binance 数据源、订单簿深度
70+ 指标，自动 CSV 日志，策略回测器
GitHub 链接: https://t.co/nGPYXqJ1Za

↣ 机器人框架（7 种策略） → Polymarket-Trading-Bot
53K 行 TypeScript，包含套利、动量、市场做市、AI 预测、鲸鱼跟单、收敛等策略
GitHub 链接: https://t.co/jb1KHGyiTV

↣ 策略反向工程 → polybot
执行 + 市场数据基础设施，模拟交易
使用 Kafka、ClickHouse、Grafana，完整分析管道
GitHub 链接: https://t.co/kGQ7k9M4p4

↣ AI 代理模拟交易 → polymarket-paper-trader
真实订单簿，精准费用模型，滑点跟踪
Claude 代理有 $10K 模拟资金进行交易
GitHub 链接: https://t.co/QjRYnqE7oE

↣ 代币节省 → rtk
CLI 代理，减少 Claude Code 代币消耗 60-90%
使用 Rust 编写，支持 10 种 AI 工具
GitHub 链接: https://t.co/TJ8Pe4caE3

↣ Claude Code ($200/月) → goose
35K 星，由 Block (Jack Dorsey) 开发，Rust
支持任何 LLM，完整的代理循环，免费
GitHub 链接: https://t.co/bdWCgOXukl

总花费前： ~$2,600/月
总花费现在： $0
收藏这个，你以后会需要的。

[Thariq @trq212]

I put a lot of heart into my technical writing, I hope it's useful to you all.

📌 Here's a pinned thread of everything I've written.

(much of this will be posted on the Claude blog soon as well)

[高军 @GoJun315]

Anthropic 一不小心又干掉了一批创业公司。

现在可以在 Claude 上，通过 MCP 直接接入并使用 Financial Datasets 金融数据库。

包含 1.7 万只股票 30 年来的损益表、资产负债表、现金流量表等数据。

接入指南：https://t.co/sxz9XbncN9

[Evan Long @evanlong_me]

说真的，AI 写代码已经很猛了，但前端页面一眼 AI 味儿

昨天发现个东西叫 Impeccable，给 AI 直接装上设计师的脑子。敲个 /polish 出来的页面呼吸感层次感全对了，之前手调半天的东西一个命令搞定。

核心洞察说得好："好的设计 prompt 需要设计词汇，但大多数人没有。" 这东西把 gap 填了。

链接放这儿 👇
https://t.co/a6ylKHrd8T

[马天翼 @fkysly]

世间太纷扰，还是看看 Google Cloud 官方的技术小姐姐，讲解《AI Agent 设计模式》吧。相信各位兄弟们都会喜欢，主要是喜欢学习技术。

[Yanhua @yanhua1010]

https://t.co/Fy7CpMH5rA

[吴川 @WuChuanIJ]

整个框架可以套其他的工作流程，价值无限；感兴趣的细细品；

该项目是一个 A股全自动多智能体量化分析系统 ，旨在实现从新闻抓取、主题挖掘、策略匹配到个股选择的全流程自动化。系统采用模块化设计，通过 Orchestrator 编排多个 Skill （智能体/技能）协同工作。

以下是该项目的详细分析报告：

### 1. 项目框架与架构
- 核心架构 : 多智能体流水线（Multi-Agent Pipeline）。
- 入口 : run_a_share_multi_agent.py 或 a_share_multi_agent/stock_agents/main.py 。
- 编排器 : Orchestrator ( stock_agents/orchestrator.py ) 负责按顺序调度各个 Skill，管理上下文 ( SkillContext ) 和数据流。
- 技能层 (Skills) : 位于 stock_agents/skills/ ，每个文件代表一个独立的智能体/功能模块。
- 策略引擎 : stock_agents/strategy_engine.py 和 strategy_rules.py ，负责策略逻辑的定义、评分和筛选。
- 大模型支持 : 集成 DeepSeek API ( stock_agents/llm/client.py ) 进行非结构化文本分析和推理。
### 2. 多 Agent 流程 (Multi-Agent Flow)
系统按照以下顺序依次执行：

1. News Fetch ( news_fetch ) :

- 功能 : 从 ReadHub、早报等源抓取最近 24-72 小时的财经新闻。
- 输出 : 原始新闻文本列表。
2. Theme Heat ( theme_heat ) :

- 功能 : 利用 LLM 从新闻中提取热门概念和行业主题，并评估其热度。
- 输出 : 热门主题列表（行业/概念）。
3. Canonicalize ( canonicalize ) :

- 功能 : 将提取的主题名称标准化（例如将“低空经济”映射到标准板块名），并进行去重和别名处理。
- 输出 : 标准化的主题列表。
4. Theme Validate ( theme_validate ) :

- 功能 : 对比本地历史数据，验证主题的连续性，过滤掉纯粹的噪音。
- 输出 : 经过验证的有效主题。
5. Theme Regime ( theme_regime ) :

- 功能 : 判定主题当前所处的生命周期阶段（启动、加速、分歧、衰退/过热）。
- 逻辑 : 结合资金流、涨幅、情绪等因子进行判断。
6. Theme Stock Bridge ( theme_stock_bridge ) :

- 功能 : 建立“主题-个股”映射。根据本地数据库找到属于该主题的成分股，并加载个股的基础行情数据。
7. Strategy Select ( strategy_select ) :

- 功能 : 策略路由核心 。根据主题的 Tier（梯队：Leaders/Rising/Watch）和 Regime（状态），为该主题选择最合适的交易策略（如：龙头适合做突破，补涨适合做低吸）。
- 输出 : 每个主题对应的策略计划。
8. Backfill Enriched ( backfill_enriched ) :

- 功能 : 为候选股补充更详细的量化因子数据（如 RSI、换手率、主力资金流、均线状态等）。
9. Feedback Curator ( feedback_curator ) :

- 功能 : 读取历史运行结果和反馈，构建“负面清单”或“经验库”，避免重复犯错（如避免在某类行情下反复推荐失效策略）。
10. Stock Pick ( stock_pick ) :

- 功能 : 核心选股环节 。结合策略指令、量化因子和 LLM 的定性分析，从候选池中精选个股，并生成交易计划（买入条件、止损位、逻辑）。
11. Chief Risk ( chief_risk ) :

- 功能 : 风控官 。对选出的个股进行二次风控审查（如是否即将财报雷、是否有巨额解禁、是否短期涨幅过大等），剔除高风险标的。
12. Report ( report ) :

- 功能 : 将所有分析结果汇总，生成 Markdown 格式的投资研报。
13. Outcome Enrich ( outcome_enrich ) :

- 功能 : 保存本次运行结果，用于后续的复盘和反馈学习。
### 3. 功能与策略详解 3.1 选股策略 (Stock Selection Strategies)
系统内置了多种经典量化策略，根据市场环境动态切换：

1. Trend Breakout (趋势突破)

- 适用场景 : 主题处于 Leaders （领涨）或 Rising （上升）阶段，且资金配合。
- 逻辑 : 寻找突破关键阻力位、成交量配合、均线多头排列的个股。
- 核心因子 : 价格创 20/60 日新高，成交量放大，主力资金净流入。
2. Pullback Reversal (回踩反转/低吸)

- 适用场景 : 主题处于 Rising 阶段但短期有分歧，或 Watch 阶段。
- 逻辑 : 寻找上升趋势中的缩量回调，回踩关键支撑（如 MA20/MA60）不破后企稳的个股。
- 核心因子 : RSI 适中（非超买），缩量下跌，支撑位获得支撑。
3. Mean Reversion Range (均值回归/震荡)

- 适用场景 : 主题处于震荡期或 Watch 阶段。
- 逻辑 : 在箱体下沿或超跌区域寻找反弹机会。
4. Event Momentum (事件动量)

- 适用场景 : 突发高热度事件驱动，主题热度极高 ( Heat >= 85 )。
- 逻辑 : 侧重于事件的新鲜度和市场情绪的爆发力，对技术面要求相对宽松，但风控更严。
5. Money Follow (资金跟随)

- 适用场景 : 主题趋势不明朗，但有显著主力资金介入。
- 逻辑 : 纯粹跟随主力资金流向，寻找资金持续净流入的个股。
6. Low Attention Build (低关注度潜伏)

- 适用场景 : 市场关注度低，但有隐形资金建仓。
- 逻辑 : 寻找成交量温和放大、股价底部抬升但未被市场广泛挖掘的标的。 3.2 选股流程 (Stock Selection Process)
选股是一个“漏斗式”筛选过程：

1. 初筛 (Candidates Generation) :

- 由 theme_stock_bridge 找出主题成分股。
- 由 strategy_select 根据主题状态决定使用哪种策略（如：龙头主题用 Trend Breakout，跟风主题用 Pullback Reversal）。
2. 硬性过滤 (Hard Filtering) :

- 代码中 ( stock_pick.py ) 包含硬编码的规则，例如：
- _breakout_candidate_passes_filters : 必须站上 MA20/MA60，主力资金评分 > 50，当日涨幅 < 10%（防追高）。
- 风险剔除：RSI > 84（超买），换手率 > 40%（过热），当日涨幅过大等。
3. LLM 深度分析 (LLM Reasoning) :

- 将通过初筛的股票数据（量化因子、资金流、技术形态）构建成 Prompt。
- LLM ( https://t.co/uYGbZgQr2y ) 扮演资深研究员，进行定性分析：
- T+1 约束检查 : 确认不是当日情绪高潮导致次日被核。
- 盈亏比评估 : 优先选择有安全边际（如回踩不破）的结构。
- 证伪机制 : 必须给出具体的 stop_loss （止损条件）和 observe （次日观察点）。
4. 全市场回溯补遗 (Market Pullback Check) :

- 除了主题选股，系统还会运行 _heuristic_market_picks ，扫描全市场人气股，寻找非热点主题但资金流好、形态好的“沧海遗珠”。
5. 最终风控 (Chief Risk Check) :

- 最后一道关卡，再次检查入选名单，剔除潜在的高风险项，输出最终关注清单。

[Dr Robertlee 李波 @Robertl83909710]

这篇文章非常有深度，可以看到美国主流监管的一些脉络！

Circle 股价目前 80 美元，这个数字本身没有意义。
重要的是它背后代表的状态：一家有真实利润、有增长、有技术路径的公司，站在一个监管悬崖边上，等一个它无法控制的裁决，同时用 Arc、CPN、AI 代理支付这三条腿，在等待中努力重新证明自己的科技公司属性。
270 天，三次重新定价，本质上是市场在强迫 Circle 回答一个问题：当利息收入不再可靠，你拿什么证明自己的价值？

[刘江/LIU Jiang @turingbook]

好文，分析了软件/SaaS护城河如何在AI面前崩塌。大模型对应的自然界面，相对传统软件图形界面有巨大优势，这一点很多人还远远没有真正看清楚。其实OpenClaw（相对原来传统操作系统）也是自然界面威力的牛刀小试。

[meng shao @shao__meng]

12 个经过真实验证的 OpenClaw 使用场景

作者 @Hesamation 从实际场景出发，每个场景都聚焦：痛点 -> 功能描述 -> 所需 Skills -> 设置 Prompt -> 可选技巧

社交媒体类（3 个）
· Daily Reddit Digest：每日定时摘取你关注的 subreddit 热帖，并通过反馈循环优化推荐偏好使用 reddit-readonly skill，无需认证；通过 memory 机制学习用户偏好
· Daily YouTube Digest：解决 YouTube 算法"吞通知"问题，从指定频道或关键词抓取新视频并总结转录内容使用 youtube-full skill + TranscriptAPI；支持频道模式和关键词模式；用 seen-videos.txt 去重
· X Account Analysis：对你的 X/Twitter 账号做定性分析，发现内容规律使用 Bird skill；需要提供 cookie 认证；强调安全隔离，建议用独立账号

创作与构建类（2 个）
· Overnight mini-App Builder：每晚睡前告诉 Agent 你的目标和兴趣，醒来后收获一个 MVP 小应用无特定 skill 要求；核心是"主动性"设定——显式告诉 Agent 保持 proactive
· YouTube Content Pipeline：自动化 YouTube 频道的选题、调研、去重、立项全流程集成 web_search + X/Twitter 搜索 + RAG 知识库 + Asana 项目管理；SQLite + 向量嵌入做语义去重

生产力类（5 个）
· Inbox De-clutter：每日汇总邮箱中的 Newsletter，提炼精华，并根据反馈持续优化Gmail OAuth skill；建议为 Agent 专设邮箱，将所有 Newsletter 订阅迁移过去
· Personal CRM：自动从邮件和日历中发现联系人，构建可自然语言查询的个人关系管理系统gog CLI（Gmail + Calendar）+ SQLite 数据库 + Telegram 查询入口Health &
· Symptom Tracker：追踪饮食与症状，通过每周分析发现过敏/不耐受等触发因素Markdown 日志文件 + 3 次/天 Telegram 提醒 + 每周日自动模式分析
· Multi-Channel Personal Assistant：将 Telegram、Slack、Google Workspace、Todoist、Asana 整合为单一 AI 助手入口多 skill 联动；Telegram Topic 路由不同功能域；自动化提醒（垃圾回收日、周报等）Phone-Based
· Personal Assistant：通过电话/短信访问 AI Agent，无需智能手机或浏览器ClawdTalk + Telnyx 电话 API；支持语音交互和 SMS 指令

研究与学习类（2 个）
· AI Earnings Tracker：自动追踪科技/AI 公司财报季，提供预告、提醒和结果摘要web_search + Cron 定时任务 + Telegram 推送；支持 memory 记忆用户偏好公司列表
· Personal Knowledge Base (RAG)：将日常阅读的 URL、推文、文章存入向量知识库，支持语义搜索和跨工作流调用knowledge-base skill + web_fetch + Telegram/Slack 输入端；RAG 结果可供其他工作流复用

架构层面的观察
1. Cron + Event 双驱动：几乎所有用例都依赖定时任务（Cron Job）做周期性信息抓取和提醒，同时支持事件驱动（用户发消息触发）。
2. Telegram Topic 作为统一路由层：Telegram 的"主题"功能被大量使用，不同 Topic 对应不同功能域（CRM、Earnings、健康追踪等），形成了一个轻量级的"微服务路由"。
3. Memory + 反馈循环：多个用例都设计了偏好学习机制——Agent 推送结果，用户给出反馈，Agent 将反馈写入 memory 文件，下次推送时据此调整。这是一种朴素但有效的个性化策略。
4. SQLite + 向量嵌入做状态持久化：复杂场景（CRM、Content Pipeline）使用 SQLite 存储结构化数据，并结合向量嵌入实现语义去重和检索。
5. 用例间的组合性：Knowledge Base 作为共享底座被多个上层用例引用；Multi-Channel Assistant 作为统一入口编排其他子系统。这种"可组合"的设计理念让 12 个用例不是孤立的，而是可以拼装成一个完整的个人 AI 操作系统。

项目地址
https://t.co/p76svJATFR

[meng shao @shao__meng]

如何构建永不遗忘的 Agent

开发者 Rohit 因面试失败而深入研究 Agent 记忆系统，最终构建出生产级方案。核心洞察：记忆是基础设施，不是功能。

标准方案为何失效
对话历史塞入上下文 — 10 轮对话后上下文填满，截断旧消息，Agent 忘记用户是素食者。对话历史不是记忆，只是聊天日志。
向量数据库检索 — 两周后数据库有 500 条记录，用户问"我的工作情况"，返回 12 段矛盾片段。Agent 幻觉出错误综合答案。
关键认知：Embedding 衡量相似性，不是真实性。向量数据库不理解时间、上下文或更新。

短期记忆：Checkpointing
每个 Agent 作为状态机运行。检查点是特定时刻整个状态的快照，提供：确定性重放、崩溃恢复、回溯调试。

长期记忆架构 A：基于文件的自组织系统
三层结构：
· Resources：原始数据，不可变，带时间戳
· Items：原子事实（"用户偏好 Python"）
· Categories：演化摘要（work_preferences.md）
写入时主动处理：新信息不只是归档，而是编织进现有摘要。用户转向 Rust？系统重写档案替换旧偏好，自动解决矛盾。
读取时分层检索：先拉摘要，问 LLM "够了吗"，不够再下钻到具体事实。

长期记忆架构 B：上下文图谱
混合结构：向量存储用于发现相似文本，知识图谱用于精确的主体-谓词-客体关系。
冲突解决：用户从 Google 跳槽到 OpenAI？系统识别矛盾，归档旧连接为历史，更新当前雇主。
混合检索：向量搜索 + 图谱遍历并行运行，结果合并。

记忆必须衰减
"永不遗忘"不是"记住每个 Token"，而是"记住重要的"。
· 每夜：合并冗余，提升高频访问项优先级
· 每周：压缩旧事实为高层洞察，修剪 90 天未访问的记忆
· 每月：重建 Embedding，调整图谱边权重，归档冷数据

推理时检索
从上下文窗口约束反向工作：
1. 用合成查询广泛搜索
2. 搜索结果是候选，不是答案
3. 相关性评分 × 时间衰减 = 最终排序
4. 近期记忆往往击败六个月前的完美匹配
结果：只注入 5-10 条真正有用的记忆。

五个致命错误
1. 存原始对话 — 提取事实，而非转录
2. 盲目用 Embedding — "我爱工作"和"我恨工作"嵌入相似
3. 没有衰减 — Agent 淹没在过去
4. 没有写入规则 — 想写就写，写的是垃圾
5. 记忆当聊天历史 — 聊天历史短暂，记忆是结构化表示

核心心智模型
把 Agent 当操作系统，不是聊天机器人：
· RAM：当前对话的快速易失上下文
· 硬盘：持久化、索引化的知识存储
· 垃圾回收：定期维护，否则系统崩溃

[meng shao @shao__meng]

Anthropic 官方免费课程：两小时理论到实战掌握 Agent Skills -- 由 @AnthropicAI x @DeepLearningAI 推出， @eschoppik 主讲：
https://t.co/Ls59qy4TDm

核心概念：什么是 Agent Skills？
Agent Skills 是一种标准化的文件夹结构，它将特定任务的指令、脚本、模板和素材打包在一起。它的本质是“可移植的程序化知识”。
· 标准组成：
· https://t.co/JW8wM9KmBn：核心文件，包含 YAML 格式的元数据（名称、描述）和 Markdown 格式的详细指令。
· scripts/：可执行脚本（如 Python、Bash），用于处理复杂逻辑。
· references/：静态参考资料或文档。
· assets/：输出模板（LaTeX, HTML）、图片或 Logo。
· 开放标准：你编写的一个 Skill，可以无缝运行在 Claude. ai、Claude Desktop、Claude Code、Claude Agent SDK 甚至 Codex、Gemini CLI 等任何兼容该标准的平台上。

关键技术特性
课程深入探讨了 Skills 为什么比长 Prompt 更高效：
1. 渐进式披露
为了保护极其珍贵的 Context Window，Skills 遵循“按需加载”原则：
· 初始状态：模型只加载 Skill 的名称和描述。
· 触发状态：当用户意图匹配描述时，模型才会加载 SKILL. md 的主体内容。
· 深层加载：只有在必要时，模型才会进一步读取引用文件或执行脚本。
| 这避免了上下文污染，显著降低了长对话中的幻觉风险。

2. 确定性工作流
LLM 是非确定性的，但业务逻辑往往需要确定性。通过 Skills，你可以定义一套严密的 SOP：
· 低自由度 vs 高自由度：你可以强制模型按步骤（Step 1, Step 2...）执行，确保输出格式（如特定的 CSV 结构或 PPT 风格）始终如一。

生态协作：Skills, MCP 与 Sub-agents
· MCP：数据接口，连接外部数据源（如 BigQuery, Notion, Google Drive）。
· Tools：底层组件，提供基础能力（如 Bash 运行、文件读写）。
· Skills：领域专家，指导模型“如何使用工具”来完成特定业务（如：品牌分析）。
· Sub-agents：并行执行，拥有独立上下文的执行单元，可以被分配特定的技能。

重点工具：Skill Creator
课程特别推荐了 skill-creator。这是一种“元技能”，即用 AI 生成技能。
· 它包含一组 Python 脚本，用于初始化 Skill 结构、封装文件并进行验证。
· 最佳实践：不要从零开始写 Markdown，先与 Claude 沟通需求，然后让它调用 skill-creator 来生成符合生产标准的 Skill。

跨平台实战路径
课程展示了 Skills 在不同环境下的表现：
· Claude. ai：通过上传 .zip 包，让网页版 Claude 具备处理特定格式报告的能力。
· Claude API：结合 code_execution 预览功能，通过 API 远程调用 Skills。
· Claude Code：在本地开发环境中，通过 .claude/skills 目录实现代码自动评审、单元测试生成等开发流自动化。
· Agent SDK：构建像“科研助手”这样的复杂应用，主智能体指挥三个分别拥有“搜索”、“仓库分析”、“文档阅读”技能的 Sub-agents 并行工作。

开发者视角的总结与建议
· 从“写 Prompt”转向“封装 Skill”：如果你发现自己一直在输入类似的重复指令，就该把它封装成 Skill。
· 构建自己的“私有技能库”：你可以为你的实际业务建立一套专属技能，例如“架构评审技能”、“React 组件重构技能”，这些 Skill 可以在不同项目快速迁移。
· 拥抱标准化：Agent Skills 的出现标志着智能体开发正从“玄学调优”走向“工程化治理”。

[超级个体｜柿子 @yaohui12138]

作为一名每天消耗上千美金费用的coder

分享下我跑通的完整AI coding SOP，纯自用心得分享
（附所有涉及到的资源地址）

需求阶段:
Gemini（产品经理gems） 这阶段用来聊需求、做PRD、明确产品逻辑

前端设计: 这里我有3套打法，全部分享给大家：

方案1: 设计稿生成 → Figma转代码

用Gemini nano banana/lovart/stitch 直接生成设计稿

让ai工具通过Figma MCP读取设计文件

官方仓库: https://t.co/uutBQaRMs3

Figma插件会在Dev Mode自动启动本地MCP服务器(127.0.0.1:3845)

方案2: 对标网站直接参考

找到对标网站截图

用Frontend Design Skill指导Claude生成代码

官方Skill: https://t.co/NApUW54zQx

这个Skill会让Claude避开AI味的通用设计，做出有辨识度的界面

方案4: 专业设计系统UI UX Pro Max Skill

用UI UX Pro Max Skill
支持Claude/Cursor/Windsurf等多平台
仓库地址: https://t.co/wBfREydyYs

内置设计系统生成器，可以按行业生成配色/字体方案

框架设计:
1.Claude Opus 4.5 Plan模式设计总体架构

2.Codex 把Opus的方案给Codex补充细节，再返回Claude生成完整骨架

细节填充:
1. 先用opus跑一遍，把基座跑出来

2.然后是Claude Sonnet完善框架

3.Codex修bug通常一遍过，修不好直接换模型就行

人工审阅:

1.感觉项目完成度差不多的时候，开启单元测试，针对于每个功能进行点对点测试

2.集成测试：整体按照用户旅程进行测试

这两步侧重点不同，缺一不可

编程工具推荐：

1.claude code-必备
2.codex-必备
3.cursor/trae/antigravity/kiro任意选配一个即可

分享完毕，大家有什么更好的方案欢迎补充

[lencx @lencx_]

前两天写了篇《初识 Moltbot》，总觉得差点意思。这次又翻了些源码和实现细节，想把 Moltbot 再讲透一点。看似驳杂的超级缝合怪，实则蕴含诸多巧妙且先进的设计理念。简单背后的不简单，注定结果非凡！@steipete 真的厉害 👍！
https://t.co/rR7uQXlFhE