dwarfone.eth

提供 现货，永续合约 撮合，落地方案，有多个成熟交易所成功运营的合作伙伴

[Tw93 @HiTw93]

挺有趣，听朋友说我这几篇文章成为了现在 AI 岗位面试准备必读的文章，那我来汇总一下给大伙好啦，希望有帮助，当然也祝福最近从传统岗位工程师转型成 AI 岗位的小伙伴找到自己满意的工作。

1. 你不知道的 Claude Code：架构、治理与工程实践
https://t.co/p0RWjHcklI

2. 你不知道的 Agent：原理、架构与工程实践
https://t.co/4FXcGYqbaJ

3. 你不知道的大模型训练：原理、路径与新实践
https://t.co/DJuvPaBvhu

4. 你不知道的 AI Coding：非技术人的上手、场景与实战
https://t.co/TLi4q9XOtJ

5. 你不知道的 GEO：AI 可见性的原理、实践与取舍
https://t.co/VrLUqgucwR

6. 你不知道的具身智能：从小机器狗到 Optimus
https://t.co/bRBbRZXIZg

[领哥LingGe🙏 @shangdu2005]

停止对 Codex 和 Claude说：
“帮我写个程序”
“修一下 bug”
“做个网站”
“帮我做交易”

你这不是在用 AI。
你是在把一个顶级高级工程师，当成实习生使唤。

真正能拉开差距的，是你给他们的精准任务提示词。
下面这9个 Prompt，建议直接收藏 👇👇

[ZEN @supezen]

第一版终于快做完了🎉
开源的可视化 agent 工作流编排软件
组合任何 skills、mcp、cli 使用 deepseek 模型自动化日常工作
忘掉 harness 工程

[Cell 细胞 @cellinlab]

Pi Agent 原理与实现🤖

手把手从零到一实现一个 AI Agent⚡️

用工程化视角拆解 Pi 的核心思想：模型流、Agent Loop、工具调用、会话树、资源加载与上下文压缩。

[烟花老师 @teach_fireworks]

从同步 Agent 到异步 Agent的演进，我系统的梳理了相关的内容！

Async Agent 和普通 Agent 的分水岭，不在“会不会调用工具”，而在它能不能离开当前对话窗口，持续接任务、保留状态、跑验证、回到 review，再把结果交还给人。

早期 Copilot 更像同步补全：
人写主线，模型补局部。
后来的 tool agent 开始能查资料、跑命令、调 API，但多数还停在一个 turn 或一个 session 内。

coding agent 往前走了一步：
进入 repo、改文件、跑测试、提 PR，比如 OpenAI Codex 官方描述的云端隔离环境，就是这一层的典型形态：[Introducing Codex](https://t.co/vwQj0cfbiE)。

Async Agent 再往前推了一层。
它处理的是是“这个任务在接下来几十分钟、几小时甚至几天里怎么被托管”。它是长任务Agent 架构的稳定性因素。

Task Timeline：Spec -> Triage -> PR -> Review -> Merge
这说明 Async Agent 面向的是软件生命周期，不是单次代码生成。任务会跨阶段，每个阶段都有不同的上下文、权限和验证门槛。Anthropic 在 long-running agents 里讲的 harness，就是为了解决这种跨阶段推进问题：[Effective harnesses for long-running agents](https://t.co/nYXQzPmvxp)。

Orchestrator / Scheduler
普通 Agent 可以靠用户一句一句推着走。Async Agent 需要调度层：
什么时候启动 worker，什么时候暂停，什么时候重试，什么时候把结果交给人。这里开始出现 control plane 问题。多 agent 一跑久，坏掉的经常不是 reasoning，而是 registry、stream state、conversation state。真实工程病例可以看这个 Codex issue：[subagent tasks trigger reconnect loop and stream disconnect](https://t.co/YDX253Z5cM)。

Context -> Plan -> Tool Use -> Code -> Test -> Review`
这条链才是 Async Agent 的主工作流。同步 Agent 的上下文通常靠当前窗口维持，Async Agent 必须把 context 变成可管理资产。plan 改了，tool state 要同步；代码改了，test 要可复现；review comment 回来后，agent 要知道自己在原任务里的位置。

Anthropic 把这个问题进一步拆成 brain、hands、session 的分离，很适合用来理解 Async Agent 的底层趋势：[Scaling Managed Agents](https://t.co/svwl2bsiio)。

Knowledge / Playbooks / Checkpoint / Scoped Secrets / VM Sandbox
这一组是 Async Agent 跟普通 Agent 最大的工程差异。
Knowledge 解决进入项目时的局部先验。

Playbooks 把团队反复出现的操作沉淀成执行策略。
Checkpoint 让长任务可以恢复，而不是靠模型“记得”。
Scoped Secrets 决定 agent 能碰什么资源。
VM Sandbox 给它一个可隔离、可销毁、可复现的手。

Devin docs 里关于 [Knowledge](https://t.co/fhSGIWDzqV)、[Playbooks](https://t.co/HjPR4Y3459)、[Review](https://t.co/7OdhlThAlb) 的设计，虽然带产品语境，但机制上很值得拆开看。

Observability / Trace Replay / Video Verification
Async Agent 越长，越需要把“它做过什么”变成可回放证据。很多失败不是最后一步错了，而是中间某个状态写歪了，后面所有步骤都在错误轨道上继续推进。

这里可以接到 event-sourced agent runtime 的方向：[The Log is the Agent](https://t.co/2r1GlJgNSL)。如果 log 只是事后审计，debug 仍然很难；如果 log 成为 runtime 的状态来源，replay、fork、diff、lineage 才有机会变成原生能力。

这也是为什么 Async Agent 会成为趋势。

模型能力提升以后，单步生成的边际差距会缩小。真正拉开差距的地方，会转到这些更工程化的面：

- 长任务怎么保持 session continuity
- memory 怎么写入、修订、遗忘，而不是无限堆积：[Is Agent Memory a Database?](https://t.co/AZB0cKwWyV)
- harness 怎么把目标拆成可验证 trajectory：[Harnesses for Inference-Time Alignment over Execution Trajectories](https://t.co/BM343kvoaf)
- trace 怎么服务训练、回放和质量控制：[Polar: Agentic RL on Any Harness at Scale]()
- review 怎么从人工兜底，变成 agent workflow 的一等环节
- permission boundary 怎么防止 agent 把“能做”误解成“该做”

所以我现在看 Async Agent，不会把它理解成“后台跑的 Agent”。

更准确的说法是：
Async Agent 是 Agent 从 chat interface 进入 software production runtime 的过渡形态。

普通 Agent 解决的是一次交互里的智能。
Async Agent 解决的是一段执行周期里的状态、验证、权限、回放和交付。

AI Coding 真正进入工程现场以后，竞争会越来越像 runtime engineering，而不是 prompt engineering。

[Kafka @kfk_ai]

https://t.co/Iq6HNNHNpa

[Leo｜一个人 + AI @runes_leo]

Tw93 这篇 Agent 长文值得通读。1.2 万字覆盖了从 Agent Loop 到多 Agent 协作到评测体系的完整链路。

几个判断特别锐利：

"80% 的 Agent 出问题其实是评测系统设计缺陷，而非模型故障" — 评测框架的 bug 比被测系统的 bug 更危险，因为它会让你对着错误的信号优化。

多 Agent 的真正壁垒不是模型，是隔离与协议设计。子 Agent 之间不做交叉验证，错误会指数级放大 — 文中叫"集体幻觉"，这个词精准。

反模式清单里的"过度依赖模型而非 Harness"说到点子上了。Agent越来越重的部分不是 prompt，是 Memory、路由、验证闭环这些基础设施。先把工程做好，再谈智能。

[1024 @xiaohua_888]

Google Cloud这篇文章值得收藏，总结了写SKILL.md的5种设计模式。

现在30多个AI编程工具（Claude Code、Gemini CLI、Cursor）都在用SKILL.md，格式已经不是问题了，关键是怎么写好里面的内容。

这5种模式非常实用：

1、Tool Wrapper：按需加载特定库的文档规范，不用塞一堆东西到系统提示里
2、Generator：用模板+样式指南，保证每次输出结构一致
3、Reviewer：把检查清单独立出来，换个清单就能做不同类型的审查
4、Inversion：让AI先问你问题收集需求，再动手干活，避免瞎猜
5、Pipeline：多步骤工作流加检查点，一步一步来不跳步

我最喜欢Inversion这个模式，之前经常遇到AI上来就猜你要什么然后一顿输出，加个Inversion环节确实靠谱很多。

每个模式都有完整的代码示例，直接抄作业就行。

[XinGPT🐶 @xingpt]

https://t.co/5GBtn0C4qr

[GitHub @github]

You can now use your GitHub Copilot subscription with @opencode 🙌

[Boris Cherny @bcherny]

I'm Boris and I created Claude Code. Lots of people have asked how I use Claude Code, so I wanted to show off my setup a bit.

My setup might be surprisingly vanilla! Claude Code works great out of the box, so I personally don't customize it much. There is no one correct way to use Claude Code: we intentionally build it in a way that you can use it, customize it, and hack it however you like. Each person on the Claude Code team uses it very differently.

So, here goes.

[小耳👂Jane｜Xiaoer @xiaoerzhan]

关于最近很火的skills，我拔啦到以下资源，请诸位收藏，可以来个资源大库：

下面这些，基本都是 star 500+、更新还算勤快的 Skills 仓库，可以直接当素材库撸：
1. https://t.co/J86EmnBDp1
2. https://t.co/zTFPg1gDDz
3. https://t.co/PaL7HL0IgI
4. https://t.co/z0VjiOg9q4
5. https://t.co/g3ZyLChUAx
6. https://t.co/ZgYDvPwR95
7. https://t.co/SalqYp4VFr
8. https://t.co/yNhqJWa19k
9. https://t.co/cxLuvpj7o9
10. https://t.co/zmCSRsE2kg
11. https://t.co/QHyo8opYft

这些加起来，差不多能把当下主流 Skill 场景扫一遍：
文档清洗、EPUB 转换、Markdown 处理。

AWS CDK、D3 可视化、iOS 模拟器这类"重型活"。

CSV 智能分析、根因追溯、竞品广告分析、域名脑暴。

会议洞察、内容研究、视频下载、GIF 生成、发票整理、文件归档、代码审查。
还有安全相关的威胁猎杀、数字取证。
如果你是开发，可以直接锁定两个仓库起步：
• 官方：anthropics/skills
https://t.co/Tc0WvAPwcf
• 江湖：obra/superpowers
https://t.co/J86EmnBDp1

内容创作者就去翻 ComposioHQ 的精选 Skills：
https://t.co/zTFPg1gDDz

里面像 Content Research Writer、Theme Factory 这类，都是可以直接嵌进你日常内容生产流程的。

数据分析师也可以盯着 ComposioHQ：
CSV Data Summarizer、Meeting Insights，一边跑表、一边总结会议，省掉一大堆低价值操作。

设计相关的，就老老实实抄官方的 Canvas Design、Brand Guidelines，在 anthropics/skills 里都能看到。

把自己的品牌规则固化成 Skill，让 AI 自己帮你守规矩，而不是靠设计师一条条盯。

[Alex Xu @alexxubyte]

What is MCP?

Why is everyone talking about it?

Let’s take a closer look.

Model Context Protocol (MCP) is a new system introduced by Anthropic to make AI models more powerful.

[meng shao @shao__meng]

谷歌 「Agents」白皮书: AI Agent 的发展趋势

TL;DR
随着专业化 Agent 的出现，Agent 之间的协作可能，带来更多未来应用前景，详情解读：
https://t.co/gZgmS2EXKY

专业化 Agent 的出现
AI Agent 正在向专业化方向发展，体现在：

专业领域深耕Agent 不再是通用型助手，而是在特定领域深度专业化，就像人类社会的分工一样，每个 Agent 都专注于自己最擅长的领域。例如：
· 数据分析 Agent
· 代码审查 Agent
· 客服支持 Agent

这种专业化让 Agent 能够在特定场景下提供更深入、更精准的服务。

Agent 协作模式
白皮书特别强调了"agent chaining" 的概念，这代表了一种新的协作模式：

用户查询 → 主控 Agent → 专业 Agent A → 专业 Agent B → 综合响应

这种模式类似人类团队协作：
· 有总负责的项目经理
· 有各自领域的专家
· 共同完成复杂任务

未来应用前景
未来发展将围绕三个维度：

1. 能力维度
· 从单一功能向综合能力演进
· 从辅助决策到自主决策
· 从简单任务到复杂流程

2. 应用维度
从白皮书的展望来看，未来应用将覆盖：
· 企业工作流程自动化
· 个性化服务与支持
· 专业领域决策支持

3. 技术维度
关键技术突破方向：
· 推理能力的提升
· 工具使用的增强
· 协作机制的完善

[蓝狐 @lanhubiji]

前些天Uniswap提出要搞基于OP超级链构建的Unichain，按照目前态势，未来还会有更多基于OP超级链的应用链或基于ZK弹性链的应用链，加上本来就为数众多的L2链，以太坊的流动性分割和价值捕获的分歧让ETH持有者感到担忧。

虽然基于OP的超级链之间，基于ZK的弹性链之间可以解决互操作性，但它与以太坊L1之间依然缺乏互操作性，不同L2平台之间依然处于割裂状态；此外，在价值捕获上，L1和L2之间也开始存在不完全相互增益的部分，至少L2上呈现大规模采用之前是如此。这对于以太坊未来演化来说，又到了关键时刻。

Based Rollup是接下来以太坊重新拿回生态主导权的关键

为了解决上述问题，Vitalik也多次提到了Based Rollup概念，该概念由以太坊基金会研究员Justin Drake（也是Puffer顾问）于2023年3月提出。为了理解Based Rollup，首先需要理清楚一些基础概念，首先跟BASE链无关，只是名字上有些相似。Based Rollup的意思，简单说，核心就是确保L2的排序工作发生在以太坊L1上。目前以太坊L2排序器多数是中心化排序器模式。Based Rollup顾名思义，是基于L1完成排序器工作（L1 Sequenced），下一个以太坊L1的区块提议者跟L1的搜索者以及区块构建者合作，将下一个Rollup区块包含进入下一个以太坊L1的区块。说白了，就是利用以太坊现有去中心化的节点体系，帮助L2完成排序器的去中心化。

当然，这里也是有权衡的，也是存在利益分配争夺的。Based Rollup未来能否脱颖而出，肯定需要很多努力，因为至少在早期这里存在巨大的利益博弈。未来L2整体的演化值得关注，是走向OP超级链联盟，还是ZK的弹性链联盟，又或是实现Based Rollup的崛起？这是以太坊生态发展过程中极其重要演化。相对于前两者的崛起，Based Rollup的崛起对于以太坊生态的整体性更友好。以太坊L2生态整体模式演化，尤其是对ETH持有者来说，需要保持高度的关注。

Based Rollup解决方案对以太坊L1的好处有几个，Justin Drake也有充分说明。比如包括跟L1相同的活性保证、去中心化、简洁、减少成本等。而从以太坊L1自身的利益角度（拿回生态主导权和相互增益），有两个方面尤其重要：

*互操作是生态相互绑定和协同的重要关键

当确保L2排序器工作发生在以太坊L1时，可以实现L1和L2之间，L2应用链之间的互操作性，这对于加强L1和L2的联系，提升用户体验，实现生态整体性协同非常关键。

*以太坊L1与L2的经济相互增益关系

目前排序器由L2掌握，且是中心化的。如果排序发生在L1，则MEV等价值将流向以太坊L1，有利于增加ETH质押量以及ETH烧毁量，利于ETH价值提升，并反过来提升L2安全性和生态整体的上限。当然，不可否认，L2的收入组成中会失去MEV部分的收入，其主要收入组成变成主要来自基础费用。这在短期内不利于L2的收入，但如果长期来看，随着安全、互操作性、费用等方面问题的解决，随着交易规模提升，L2的收入规模也会上升。在这个均衡点到来之前，以太坊L1和L2之间会有博弈。

Based Rollup也有不足的地方，除了在经济利益上存在博弈之外，因为要以太坊L1验证者参与排序，会面临软确认时间的问题，相比较于中心化的排序器，Based Rollup无法获得明确的软确认，需要遵循12秒左右的区块生成时间。因此，需要采用其他方式（如预确认等方案）来解决速度问题。

Puffer在目前众多L2平台中的机会窗口

目前L2已经数十个，再造一个OP或者ZK已经意义不大。在这种情况下，需要有新的路径。新路径在安全、费用、速度、互操作性等方面有提升才有机会。

Based Rollup技术方案的提出为新以太坊扩展模式打开了一个突破口。对于OP、ZK、ARB、STRK网络来说，目前由于排序器收益丰厚，短期内放弃的可能性不大。以太坊通过支持新的扩展模式来推动Based Rollup发展是个不错的选择，在某种程度上这也会倒逼其他L2平台逐步采用Based Rollup的方案。

在这种情况下，率先使用Based Rollup方案的平台有可能会获得打破目前L2格局的窗口机会。其中就包括Puffer。在大家的印象中，Puffer是一个基于Eigenlayer做原生流动性再质押的协议。不过，发展到今天，Puffer已经逐步演化成为一个帮助以太坊扩展的平台。只不过，Puffer平台跟其他的L2平台路径不太一样，它将流动性再质押、Based Rollup以及pre-Conf AVS结合在一起。这三者结合，存在一定的相互增益效果，有机会在以太坊扩展路上走出Puffer自己的道路。尤其是在ZK、OP以及ARB在早期不太积极推进Based Rollup时，这算是个机会窗口。

下面简单介绍Puffer的Based Rollup解决方案，以及它跟流动性再质押、Pre-Conf AVS在其整体发展的增益作用。

Puffer的UniFi：基于Based Rollup方案的以太坊可扩展平台

Puffer的UniFi是基于Based Rollup的平台，除了意在扩展以太坊，也试图驱动价值回归到以太坊L1，同时实现去中心化的排序器。除了Based Rollup技术方案之外，Puffer还充分利用其原生的再质押验证者网络以及Preconfirmation Slasher AVS机制在技术实现相互支撑，在经济机制上实现相互增益。

[Bytebytego @bytebytego]

How does 𝐠𝐑𝐏𝐂 work?

RPC (Remote Procedure Call) is called “𝐫𝐞𝐦𝐨𝐭𝐞” because it enables communications between remote services when services are deployed to different servers under microservice architecture. From the user’s point of view, it acts like a local function call.

The diagram below illustrates the overall data flow for 𝐠𝐑𝐏𝐂.

Step 1: A REST call is made from the client. The request body is usually in JSON format.

Steps 2 - 4: The order service (gRPC client) receives the REST call, transforms it, and makes an RPC call to the payment service. gPRC encodes the 𝐜𝐥𝐢𝐞𝐧𝐭 𝐬𝐭𝐮𝐛 into a binary format and sends it to the low-level transport layer.

Step 5: gRPC sends the packets over the network via HTTP2. Because of binary encoding and network optimizations, gRPC is said to be 5X faster than JSON.

Steps 6 - 8: The payment service (gRPC server) receives the packets from the network, decodes them, and invokes the server application.

Steps 9 - 11: The result is returned from the server application, and gets encoded and sent to the transport layer.

Steps 12 - 14: The order service receives the packets, decodes them, and sends the result to the client application.

Over to you: Have you used gPRC in your project? What are some of its limitations?

--
Subscribe to our weekly newsletter to get a Free System Design PDF (158 pages): https://t.co/eVEdOFSYPY

[Sky @sky_gpt]

仰仗智商，寸步难行？

周硕基是一个非常注重有效人脉的人：“有好朋友来办公室，周硕基会让出自己的会议室，他不喜欢朋友圈发动态的人，看见谁发删谁。”

🧵以下是周硕基经营人脉的故事👇

(1/)

[Dan Robinson @danrobinson]

New mechanism with @_Dave__White_!

We present MEV taxes, a technique that:

* Lets arbitrary apps capture their MEV
* Preserves composeability
* Would work today on OP Stack L2s like @Optimism @base @Blast_L2

The secret? The surprising power of priority ordering 🧵

[Uniswap @Uniswap]

Introducing @unichain — a new L2 designed for DeFi ✨

Fast blocks (250ms), cross-chain interoperability, and a decentralized validator network

Built to be the home for liquidity across chains

[Seek | DappLink & The Web3 @seek_web3]

https://t.co/QDM5UL1euU