Firekiss2000

[brucexu.eth @brucexu_eth]

我擦，刚刚突然网络崩了，机场全挂了。折腾了一圈，包括用 Tailscale exit node，眼看就要成功了，然后发现 Tailscale 我是用 Google 登录的，死循环了，wtf。最后在 @draken_zeng 推荐下用了 Edge Tunnel，这个项目真他妈牛逼，丢给 codex 几分钟部署完成，直接就可以连上，完全免费，根本不需要掏钱买机场。

https://t.co/Tt3XNz50KA

[凡人小北 @frxiaobei]

LangChain 开源了一个很实用的小工具 OpenWiki。

功能很实用，用 agent 自动维护代码库文档。
基本原理：持续扫描 repo，把代码结构、API、模块关系整理成可读文档，并保持更新。代码变更 → agent 观察变化 → 更新文档 → 重新组织结构。

解决了什么问题就不展开了，相信很多人开发都整了各式各样的知识库。LangChain 出品的，值得一试。

https://t.co/RLCymEn8jh

[Herrington Darkholme @hd_nvim]

ast-grep release 0.44.1 is out! This one expands code outline support:

* more built-in language rules
* custom outline rules from config
* Python support for *.bazel files

Outline docs are live: https://t.co/hg64NjdzYb

[小弟调调 @jaywcjlove]

ClaudeFlag：检测 Claude Code 是否会将你识别为中国用户的工具

👉 https://t.co/foV893Cq4q

[AFei Liang @afei_AI]

https://t.co/nUKpMHKxJe

[lidang 立党 （劝人卖房/学CS/买SP500/纳100/OpenAI/Anthrop第一人） @lidangzzz]

我去年就跟你们说，用RAG和vector database一定是死路一条。正确做法是，

1. 正确用好memory；
2. 正确把内容分块，做好indexing，做好summarization；
3. 正确给agent提供search工具，让agent甚至multi agent自己模糊搜索；
4. 用更快的、我推荐过几十次的SRAM-only inference model provider， 比如groq、cerebras这些。

这些无论哪一个，都比无脑分块、无脑喂给vector database、无脑RAG要强一万多倍。

[mousepotato @iluciddreaming]

Spring Framework 创始人 Rod Johnson 做了一个 Java AI Agent 框架：Embabel。

动机很直接：全球 70%+ 的生产系统跑在 JVM 上，但 LangChain、AutoGen 都是 Python 的——Java 团队要么重写系统，要么放弃 AI。

Embabel 的思路不一样：不用流程控制写执行顺序，而是先定义任务拆解和每个任务的输入输出类型，框架自己安排执行顺序。

旧系统不动，AI 作为可监控的函数嵌进去。

[yibie @yibie]

推荐这篇文章，Superpowers 的作者让 Fable 5 跑了一个完整的 autoresearch loop——25 个实验，$165，把构建速度提高了 50%、token 开销降低了 60%。但这篇最值钱的不是结果数字，是他完整记录了实验过程：每次失败、每个被证明"彻底死亡"的想法、三个被中途纠正的测量 bug。这是目前最完整的"用 Fable 做自治研发"实操报告。

Superpowers 6：用 Fable 5 跑 25 个自治实验，砍掉 60% 成本

一周前我们准备发的是 Superpowers 5.2——已经推迟了几次，加了"再多一个改进"。然后 Anthropic 发了（又收了）Fable。在那几天里我把它用到了极致。

Superpowers 用户最常抱怨的是 token 贵、构建慢。慢不应该是个问题——它发生在自治子 agent 驱动的构建编排中。但它确实是个问题。慢不好玩。贵也不好玩。

Fable 出来的时候，我决定看看它能把 Subagent Driven Development 优化到什么程度。我原本期望大概 15% 的 token 消耗降低。我得到了那个——还有更多。

第一次攻击：coordinator 到 reviewer 的交接

Fable 分析了几千个 Subagent Driven Development session，发现代码和 spec 合规审查子 agent 在做审查时跑了大量的 git 命令。把"怎么找要审查的 commit"的书面指令换成一段 shell 脚本——预生成一个包含格式化 diff 和元数据的审查包——token 消耗和墙上时间减少了约 10%。

那天晚上睡觉前我告诉 Fable："看看能不能在我睡着的时候再砍 15% 时间和 token。"我在内部 Slack 上留了条消息：我们应该看看把代码 reviewer 和 spec 合规 reviewer 合并会发生什么。

我不知道我在期待什么。反正不是醒来发现 Fable 独立地得出了同样的结论，测试了它，发现在我们的 eval 套件上恰好省了那额外的 15%。

第二夜：自治研究循环

/goal 一旦完成，跑一个 autoresearch loop 来提升 superpowers 构建循环的成本效率。
用 opus 做协调器。建假��日志。跑实验。至少 25 个实验。

Fable 建了一套完整的 autoresearch harness 并且跑了一整夜。25 个实验跑完了，$165。

结果：可发货的候选方案（E27）——opus 控制器 + elicited plan + 条件化 haiku implementer + terse reviewer contract + narration recipe + 最终审查层固定。

有数字的胜利： terse reviewer contract 减少 reviewer 产出 41%，判定不变。narration recipe 减少 54%，零方差。条件化 implementer 分层约省 $0.5-1/次，而且 E22 证明它正确地拒绝了 haiku 处理 prose plan。

被证明彻底死亡的东西： 给控制器思考加帽适得其反——轮数从 92 升到 138，输出翻倍。plan 词数预算削减测试内容 62%，即使代码被豁免。Sonnet 生成 plan 保真度不变但毁掉任务结构。plan 中的实现内容体是边际的——测试 + 接口 + 结构承担了全部负载。

一个值得记住的��险发现： 只给 diff 包的审查员对 spec 做出自信的判定，却静默地把"spec"重新定义为全局约束——5 个里 0 个标记了缺失的简报。跟 haiku 审查员辩护同一个失败家族。

六个线索关闭为"已经最优"（report reads 缓存健康、审查员底线、haiku fixer、todo 簿记、dispatch 重推导）——记下来让没人再重复买这些教训。

我自己三个测量 bug 被中途抓修： 一个把模板回显跟自审查 catch 计在一起的 grep、一个从未内联 diff 的 harness、一个匹配漏了换行符的评分正则。一份被撤回的判定重新测量后干净了——-74% 变成了诚实的 -41%。

结果

跨 36 小时工作和约 $650 的未补贴 token 开销：Anthropic eval 基准上，构建墙上时间降 50%，token 开销降 60%。最大的改进来自合并 spec 合规和代码质量审查 agent、预烤给审查员的审查包让他们几乎不需要跑 git、以及改变我们给 orchestrator 的关于什么任务该用什么 agent 的指导。

然后在 Codex 上跑 eval——结果显示零改进。挖了几分钟：Codex 上的 eval 隔离不够好，一直在基准 Superpowers 5.1.0。修好后，所有结果都在。

一句话

Superpowers 6 证明：自治 Agent 研发不是一个 demo——是正在发生的事。 25 个实验，165 美元，一个通宵。每个实验有预先登记的假设。每个被否定的想法被记录下来。每次测量错误被中途纠正。这套 eval 基础设施让他们能够跨多种 harness 量化变化。这才是自治研发的正确形态。

原文：Jesse Vincent (obra), "Superpowers 6", 2026-06-15
https://t.co/mANs2ROpbs

#Fable5 #Agent #自治研发 #Superpowers

[老金 @freeman1266]

https://t.co/DKcZnwBZaI

[SagaSu @sujingshen]

https://t.co/3TiT4XgNEi

[Rivon @Rivonn]

https://t.co/2zJnUXbXCc

[yibie @yibie]

LangChain 开源了 OpenWiki——一个专门给 agent 用的 CLI，自动为你的代码库写文档并持续维护。不是让你手写文档，是让 agent 写、agent 维护、agent 参考。

OpenWiki：LangChain 开源的 Agent 自维护文档系统

LangChain 昨天发了个新项目，477 star，MIT 开源。OpenWiki 是一个 CLI，专门为 agent 设计——自动给代码库生成文档并持续更新。

安装： npm install -g openwiki

怎么用： openwiki --init 配置模型和 API key → openwiki 生成文档到 openwiki/ 目录 → 之后自动在 AGENTS.md / CLAUDE.md 里追加提示，让 coding agent 知道参考这个 wiki

关键设计：
• 支持 GLM 5.2、Kimi K2.6、Sonnet 5 等，默认预配好的模型列表
• 支持 OpenRouter、Fireworks、Baseten、OpenAI、Anthropic
• GitHub Action 集成——每天自动开 PR 更新文档
• 文档目录存在就做增量更新，不存在就从头创建

跟我们今天翻译的主题全部呼应：
• Karpathy 的 LLM Knowledge Base（同样的概念，这次做成了自动化工具）
• EXM7777 的 Agent OS 原则"keep memory in files"
• 20 个 Loop 模式里的 Memory Update Loop

这个工具把"让 AI 记住你的代码库"这件事从概念推进到了 npm install 一步。LangChain 说它 built specifically for agents——不是为人类写的 wiki。477 star 说明这件事正好是痛点。

原文：https://t.co/nEMpyoBjwE

#OpenWiki #LangChain #Agent文档

[Brace @BraceSproul]

Just published a YouTube video walking through OpenWiki. Setup and configuration, how it works, what it targets, and how to automatically keep your docs up to date.

Check it out, and see the OSS GitHub repo with the OpenWiki code!

https://t.co/2T1Uml8g95

https://t.co/aZONneVM8A

[Herrington Darkholme @hd_nvim]

劲爆！中推最新系统设计面试题！

设计一个基于仅追加日志的极简纯文本即时通讯平台

要求：
* 包含用户、会话（最多 500 人）、消息
* 单个会话消息均以文本形式追加到日志中，长度无上限
* 支持常见功能如撤回、搜索、艾特、回复引用等
* 搜索必须使用 grep 检索会话日志

[夜奏花 @O__Ollllllllll]

@hd_nvim 图一乐，claude 头都大了
https://t.co/YxZszIj52S

[KIWI @kiwiflysky]

总算把 llm-wiki 的稍后读流程打通了，我把 hermes 接入了 llm-wiki，然后集成滴答清单的 mcp，我现在遇到感兴趣的内容，先放到滴答清单上，hermes 每天会从Read-it-later 任务分组拉取，���后抓取文章开始内化到 llm-wiki,同时会把 AI总结回填到任务的描述中并添加"已内化"标签。后续我读���后，再手动完成这个任务。这样 AI 会读一遍并内化到 wiki 中，我再读一遍内化到大脑（也许🤔。其实稍后不读问题也不大，内化后的 llm-wiki 会有它的连接，直接问 hermes 就会关联出对应的知识，这可能比大脑的索引更好用。

[Matt Dancho (Business Science) @mdancho84]

This AI System Design guide teaches RAG and production AI architectures better than most courses.

And it's completely free and open-source.

Inside:
• Production RAG & Chunking: Hybrid retrieval, ColBERT, and GraphRAG
• Agentic Loops & Scaling: MCP 2.0, A2A protocols, and loop engineering
• Real-Time Voice & Audio Agents: Latency budgets and cascade vs. speech-to-speech stacks
• Evaluation & Observability: LLM-as-a-judge, Phoenix, Langfuse, and LangWatch frameworks
• FinOps & Token Economics: Model gateways, prompt caching, and cost control
• 116-Question Staff-Level Interview Bank with complete architectural case studies

No DMs, no hoops to jump through. Read the living reference guide directly here:

Github: https://t.co/mVrfJlY9bA

🚨 Want to learn how to build + ship AI and Data Science projects (that businesses actually want in 2026)?

On July 14th, I am hosting a free workshop to help you get started with AI + DS projects in Python.

Register here (500 seats): https://t.co/onpLpRwkzH

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

开会还敢用云端 AI 记录工具？你那些敏感对话早就躺在别人服务器上了。

Meetily 这个东西我觉得挺对路：本地 AI 会议助手，全程在你自己电脑上跑，一个字都不往云端传。

1️⃣ 实时转录会议内容
2️⃣ 自动生成总结
3️⃣ macOS、Windows、Linux 都能用，还开源免费

模型可以接 Ollama 本地跑，也支持 Claude、Groq。要隐私的自己看看。

🔗 https://t.co/JZ63ARDh5y

[Versun @VersunPan]

我貌似找到了 Codex 的平替了
上周我发现了一款让惊艳的 Agent IDE：Orca上周我发现了一款让惊艳的 Agent IDE：Orca
用了一周多，我已经离不开了，Codex 桌面端再也没有打开过了，目前已经成为我主要的 Agent IDE。

说说它的优点：
1. 完全开源！
Codex 桌面端只有 codex 核心是开源的，而且 Codex 越来越卡，bug 是越修越多，看在经常重置用量的情况下，就不继续骂了😆

2. 启动速度很快
使用很流畅，虽然也是基于 Electron 的，但优化的很不错，基本都是秒响应

3. 支持几乎所有的 Agent 框架
Claude Code, Codex, OpenCode, Pi，甚至还支持 Hermes Agent，OpenClaw

4. 支持手机端！！！
它的手机端体验甩 Codex 几条街！搭配 Tailscale 后就没有断连过！你敢信？

5. 支持自动化管理
创建自动化这没什么，但它还能管理 Hermes / OpenClaw 已有的自动化任务
而且还能查看每个自动化任务运行详情，这个太方便了！！

6. 支持编排、计算机控制、本地语音、手机模拟、浏览器等等等一堆功能
还没完，各种功能非常全，而且都很好用，特别是计算机控制，可以和Codex媲美了

总之，除了 Codex 的 Record & Replay 没有，其它地方体验都比 Codex 好！
快去下，不好用你找我，我直播吃！！！

[半吊子程序猿大铭 @CoderDaMing]

睡���也能帮你干活的 GitHub 仓库，10 个值得收藏：

1. OpenHands
AI 自己写代码、自己跑测试。SWE-bench 得分 77.6%，目前最强自主编程代理之一。
https://t.co/IWPTv4ac4Q

2. Hermes Agent
"自己训练自己"的个人 AI 代理。技能生成 + 记忆检索 + 多平台支持。19 万 ⭐
https://t.co/V2F5r4jg7p

3. CrewAI
给多个 AI 分配角色，像团队一样协作。调研、写作、审核可以并行跑，不用排队。
https://t.co/1V0FeBCwz8

4. Aider
终端里的 AI 结对程序员。改完代码直接帮你提交 Git，全程不用动手。
https://t.co/OjxdaAH5S3

5. n8n
连接 400+ 服务的自动化工具，开源可自托管，不用付月费。
https://t.co/fqv98A5yL4

6. LangGraph
生产环境里 AI 代理背后的调度基础架构。用"状态图"管理复杂任务流程。
https://t.co/rZfkVE7Cm6

7. Cloudflare Agentic Inbox
AI 自动读邮件、生成回复草稿的邮件客户端，部署在 Cloudflare Workers 上。
https://t.co/f5XbLFzSdv

8. Browser Use
让 AI 直接操控浏览器。填表单、抓数据、约日程，统统自动化。9.9 万 ⭐
https://t.co/1i7a5H3Zt8

9. awesome-mcp-servers
AI 代理可接入的工具大目录。GitHub、Slack、Notion、Stripe、Postgres……一网打尽。
https://t.co/e0BCQ3LMGI

10. claude-task-master
在 Claude Code 上统管多个代理的协调器。一句 prompt 进去，完整功能交付出来。