Ryan Li

Mastodon: [email protected]

[MasterPa @HanyangWang]

小西天，看着像视频，但其实是我们在现场实地拍摄 3,811 张 206 GB 的照片后建模的。FUNES 把《黑神话：悟空》里「既见未来，为何不拜」满天神佛的原型，来自自山西临汾隰县的小西天，做成了一个可漫游的 3DGS 数字存档。

完全实地拍摄，每天清晨一开门就冲上山去，趁着没人的时候拍。然后通过 Gaussian Splatting 重建，没有手工建模，尽量保留真实悬塑和圆塑的极其密集的金色空间、细节和光感。不同的材质在这里交织成了无法分辨的一个天国世界。这种半空中的小塑像是「悬塑」，它们大多出现在十六世纪到十七世纪。

在现场如果要看清小西天的所有细节，我想大概需要三天时间。但是有了模型，我们可以在屏幕前慢慢看。在相当长的时间里，学术界并没有特别重视小西天这样的悬塑——因为在只有学术图录的年代，平面印刷无法展示出悬塑的震撼。而随着技术的进步，我们终于可以在远方一窥明代悬塑的璀璨。

重轻特意为这个模型做了配乐，大家可以打开慢慢欣赏。

推荐电脑访问：https://t.co/az1wuMhmuu

[Hunter Bown @goodhunt]

鲸鱼兄弟们好，我是做 DeepSeek-TUI 的那个美国佬。

说真的，特别想跟国内的鲸鱼兄弟们一起混——但我的翻墙技能仅限于写代码，微信到现在都没搞定，属实有点丢人。

求各位大佬帮个忙：
1）帮忙转发扩散一下，让这个开源终端工具翻过高墙被兄弟们看到
2）顺手帮我验证个微信号，我想建个群，大家一起聊 DeepSeek、聊开源、聊怎么把 agent 做得更好

作为交换，我发誓死守 cargo install 这条安装路径，绝不让任何一个兄弟受 npm 的苦。

顺带一提，这段话是 DeepSeek 帮我润色的——感谢鲸鱼赐我流利中文 🙏

https://t.co/fnO73VB5gs

[鸭哥 @grapeot]

团队协作里推行 AI skill 库时，很容易陷入两个死胡同：要么每人写自己的（团队不沉淀），要么指派专人审核合并（成本养不起）。两个选项底下藏着同一个假设：团队知识必须收敛到一份权威版本。

AI skill 库其实可以不收敛。个人 axiom 用时间的稳定性筛选，团队 axiom 用空间的稳定性筛选——原则是同一条。

https://t.co/FZEdhGxOGc

[Shen Huang @ShenHuang]

https://t.co/7LMUY5A8BE

[Barret李靖 @Barret_China]

看到很多朋友问过一个问题，为什么给我的 Claude Code 安排任务，它都不会一口气执行完，而是跑最多几十分钟就停下来，然后问我要不要继续。例如让它把项目中的单测全部补全（大概 1k 个），它跑了大概 200 个就停下来了。

cc 并不是对一句话任务抗拒，如果不理解它的执行机制，很难设计出能跑长程任务的 harness 流程。

在执行一个超大任务的时候，单 agent 的执行流程大概是这样的：1）刚开始是高效模式，指令遵循效果特别棒；2）跑了大概 80k tokens 的时候，context 开始逼近 compact 阈值；3）紧接着，对话历史被压缩为摘要，模型开始忘记刚才修复单测的细节；4）再经过一两轮 auto-compact，它甚至会开始重复检查已修复的测试，当触发 maxTurns 并且 response 没有 ToolUse 指令时，模型会退出任务，然后开始询问用户："我已经修复了约 200 个测试，要继续吗？"

如果你在当前 session，回复继续，接下来的工作，它会做的更加不符合预期，并且退出得更快。

任何试图在一个 agent session 内完成海量工作的方案，最终都会碰到 context 膨胀 → compact → 信息丢失 → 效率下降的问题。

其实优化方向也特别简单，设计一个主-子 Agent 的运行模式（任务调度器），同时将任务进度写到 file system 中（进度持久化），每个子 agent 有独立 context、独立退出逻辑，主 agent 只负责调度和进度追踪，从而绕过单一 agent 的所有瓶颈。

因此给 cc 的指令需要包含至少这三部分：

1）任务分解。不要给一个无边界的指令（如修复所有单测），而是先扫描出所有失败测试，按目录或模块分组，每组 15-30 个，作为一个独立子任务。关键是每个子任务的 prompt 必须自包含——写清楚文件路径、错误现象、期望行为，不能写"根据之前的分析来修复"，因为子 agent 看不到父 agent 的历史。

2）进度持久化。在项目根目录维护一个 progress.json，记录 completed / failed / pending 三个列表。主 agent 每轮调度前读这个文件决定下一批任务，子 agent 完成后更新对应条目。这样即使主 agent 自己被 compact，重读文件就能恢复全部状态。

3）失败策略。子 agent 报错时，如果错误可修复，用 SendMessage 继续同一个子 agent（保留错误上下文更高效）；如果方向完全错了，启动新的子 agent 避免锚定在错误路径上；多次失败则上报用户，不要无限重试烧 token。

Claude Code 其实已经内建了这套能力。最直接的方式是启用 Coordinator Mode（输入 /coordinator），主 agent 自动变成纯调度者：它不执行任何实际工具调用，只负责理解子 agent 的返回结果、合成下一步的具体指令、并行派发独立任务；而每个子 agent 会通过 AgentTool 启动，它们有独立 context。

记住一句话就行了：设计多个 agents，各司其职、快进快出，把进度交给文件系统来记忆。

[geniusvczh @geniusvczh]

大体上同意🤪

[0n10n @0xN10N]

这个推占据我的时间线一整天了，不过看大多数人都是在感叹它怎么『zero accuracy loss』地去压缩的，没有见到有人讲它背后的 Johnson-Lindenstrauss 定理，睡觉前简单写一下，应该能解答一些人的问题：

1. JL 定理牛逼在哪？
通常我们做降维（比如 PCA 等），一般是和数据相关的，算协方差、找主成分，这个过程重度依赖数据本身，且计算极慢。而 JL 定理非常暴力：不用管数据长什么样，只需要随便（符合正态分布，也没那么随便）构造一个投影矩阵，闭着眼睛把高维数据乘上去，降维后的数据点之间的L2相对距离基本和降维之前是一样的。
这个定理非常牛逼的一点在于，你能这么降维的幅度，跟你原来到底在多高的维度没关系，只取决于你能接受的误差，和所有数据的数量。

2. 『zero accuracy loss』指的是什么的 accuracy？
首先，把高精度的浮点数压缩这件事，绝对是有损的。但这篇博客里的“Zero Loss”指的是宏观的下游任务指标没有掉点。 也就是刚刚我们保证L2距离的前提下，降维带来的误差没怎么影响下游任务的表现。

3. 10000维的向量如果能降到1000维，那为什么不能继续降到100，10维？
这涉及到算法复杂度的“物理下界”。你能从 10000 降到 1000，是因为原来的高维空间太“空旷”了，数据其实高度集中在一个低维流形上，你挤掉的只是“水分”。 但是，JL 定理要求：降维后的目标维度，必须跟“数据点数量的对数 (log N)”成正比，跟“你允许的误差平方”成反比。这也符合压缩越多信息损失越大误差越大的直觉，只不过我们可以做到在可容忍的误差范围内做到最好。

JL定理的证明只涉及到本科的数学知识，建议没看过的人可以都去看看。它还有一些稀疏版本和其他度量下的变体，都挺有意思的，这里空白太小，我写不下。

晚安。

[Ryan Li @conbas2019]

@taresky @safaricheung 豆包输入法也是这么玩的，可以设置常驻时间。过期会再次跳转，重新触发常驻。

[yetone @yetone]

/compact 再继续就好了，效果一模一样，还不用复制 summary（

[Evan Kail (PAWN MAN) @EvanKail]

SURPRISE!!! I wasn’t just invited to the 2025 Spring Gala… I WAS IN IT! Thank you so much for inviting me. Truly a historic honor to be the first American featured in this incredible nation-wide celebration! 新年快乐! 🇺🇸 🇨🇳 ☮️

[Tom Huang @tuturetom]

这段 50 行代码的「正则表达式」几乎可以完成任何复杂度文本内容的 RAG Chunking ⚡️

使用该正则来 Chunking 《爱丽丝梦游仙境》书籍，耗时仅 2 毫秒，切分 1204 个 Chunk，效果拉满！ 🤯

代码地址：https://t.co/CPA1Ynhr6X

[Geek @geekbb]

DuckDuckGo AI Chat 已支持 GPT-4o mini
https://t.co/SHDIdEwAMK
Duck2api 项目我测试了 GPT-4o mini 模型，也能用。
https://t.co/m24ntks6vM
幸福来得太突然，GPT-4o mini 就这样自由了🥳

[居然sir @juransir]

每一个入职我部门的人我都会在入职第一周、第二周、第一个月、第三个月、以及后续至少每两个月一次 1 on 1 面谈。

主要了解几个信息：
1. 你来这家公司最想要的是什么？可以是钱，可以是 title，也可以是项目履历等等。
2. 你未来一年最想要的是什么？
3. 你未来三年最想要的是什么？（的确遇到过佛系青年，我会引导他去想）
4. 入职后有没有发现公司的哪些问题，你如何看待这些问题？
5. 你对我有哪些要求和期待？

[Geek @geekbb]

牛逼PLUS，感谢活菩萨 Cloudflare，这个《Cloudflare开源工具＆文档》大大方便开发者和羊毛组成员。另,开庭的时候不要带上我🤣

[Tom Huang @tuturetom]

很火的 ChatGPT Cheatsheet🔥，一图看懂 ChatGPT 提高生产力的场景或技巧！

[Tom Huang @tuturetom]

刚刚发现知名博主 3Blue1Brown 平时制作视频使用的动画库 Manim 竟然开源并且 59K Star ⭐️，有点酷炫！

结合之前使用 Manim 制作的 ChatGPT 图解原理实现教程搭配使用，感觉极佳啊 https://t.co/IOHxhtgHUd

https://t.co/nOITGioWeP

[Ryan Li @conbas2019]

@accolades_dev @NotionHQ Sounds good.

[Neovim, e/plugins @Neovim]

"The State of the Terminal" Neovimconf 2023 talk by Gregory Anders is now uploaded:

https://t.co/PSlia68pfw

[Tom Huang @tuturetom]

Rust 感觉越来越流行了⚡️🔥

- 前端工具链： @rspack_dev
- 向量数据库： @qdrant_engine 、 @lancedb
- 代码搜索: @bloopdotai
- Full-text Search：https://t.co/Nob0d0eLTq
- 桌面端应用： @TauriApps
- LLM Inference 平台： https://t.co/gnwjMm2I34

欢迎补充👏🏻