Nolan

x

[Ding @dingyi]

阿里设计大会的这个分享确实很棒。

https://t.co/9iJmf3i6u5

[阿良｜AI 工作流 @RealYDT]

哈哈哈，一个 Anthropic 工程师分享了自己的 Claude 工作流，一个人顶一整队。

[KIWI @kiwiflysky]

👍 强烈推荐 @xicilion 大佬的 Markdwon 插件 (https://t.co/fCAgfmUVUD) , 终于找到一个能让 plantuml 渲染的线条不打架人类可读的了。图一是插件渲染后的，图二是原版

[智昊 - OPC版 @cnzhihao]

太干了这一篇。前两天有个客户找我报价，问我搞一个智能客服要多少钱，我说 Agent 部署+标准化运维 1 万，知识库搭建 2 万，Agent Skill 定制另算。他非常惊讶于我搞个知识库怎么那么贵，我觉得当时如果我看到这篇文章就好了，发给他让他自己搭。

[GitHubDaily @GitHub_Daily]

写技术文章配一张架构图，自己画要么显得糙，要么调半天布局和配色。

「岚叔动态架构图」这个 Codex Skill，把一份 JSON 描述直接渲染成能编辑的架构图，还带真动画效果。

一次渲染同时产出可编辑的 Excalidraw 源文件、静态 PNG 预览和动态 GIF。

黑底手绘风格，光点流动和模块脉冲都是逐帧渲染的真动画。

GitHub：https://t.co/YpdumfM4Xc

本地用 Pillow 渲染，不用装 Excalidraw，也不用调用任何远程接口。

装进 Codex 的 Skill 目录，在对话里喊一声它的名字就能开始干活，中文提示词也支持。

经常写技术文章、需要讲清楚系统架构的朋友，可以收藏备用。

[Ando @AndoRAG]

https://t.co/grOfZuodzT

[nash_su - e/acc @nash_su]

巨硬出的这个东西有点意思

用训练模型的思路优化 skill，每次对skill的MD内容做一些调整，然后跑结果，好了就继续推进，这个思路蛮有意思

https://t.co/PVs5eGN1Hd

[小互 @xiaohu]

Anthropic 发布 Claude Science

面向科学家的 AI 工作台，内置 60 多个科研技能

它是一个装在你自己电脑或服务器上的应用：你用大白话向一个 AI 提出科学问题，它调动数十个专业工具去查数据、跑分析、画图表、写手稿，而每一步产物都能倒查回它是怎么来的。

你可以像用 Jupyter Notebook 那样，在本地（macOS／Linux）用它，也可以在远程机器上通过 SSH 或 HPC 登录节点用它。

→ 应用内置60多个预配置技能和连接器，覆盖基因组学、单细胞、蛋白质组学、结构生物学、化学信息学，背后接进成百上千个专业数据源（UniProt、PDB、Ensembl等）以及期刊、预印本资源。

→ 它能自主起草计算任务，征得用户同意后提交到用户自己的 HPC集群或 Modal云端GPU，把分析从单块GPU 扩展到数百块，而原始数据始终留在用户自己的系统里。

→ 内置一个审稿 agent，全程检查生成内容里的引用是否真实、数字能否对上计算过程、图表是否和产出它的代码一致，发现问题会自动修正。

[nash_su - e/acc @nash_su]

知识图谱相关技术、产品，总结的非常全了

转需

https://t.co/0SL5Ltdm4m

[Hux @huxlab]

生产级 Agent 持续学习怎么做？Replit 给出了最扎实的答案。
Replit AI 负责人 Michele Catasta（@pirroh）分享了一篇非常干的文章，讲他们在过去一年如何为 Replit Agent 构建持续学习系统。
核心观点直击当前 Agent 开发的痛点：
大多数生产环境中的 Agent 都基于闭源前沿模型（Fable 5、GPT-5.6 等），无法进行权重级微调。这意味着传统意义上的 Continual Learning 对大多数团队来说是不可行的。
但 Agent 依然可以持续变好——关键在于把改进拆成三个层面：
• Model 层：受限于闭源模型，空间有限
• Harness 层：通过生产 trace 持续优化代码、工具、指令（完全可控）
• Context 层：在 agent / user / org 维度做个性化（每天都在变好）
Replit 的做法是把评估和改进做成了一个闭环系统：
• 离线用他们自研的 ViBench（针对「vibe coding」的端到端基准）验证
• 在线通过 A/B 测试和真实用户行为验证
• 用 Telescope 对生产 trace 进行聚类，发现隐藏的失败模式
• 最后让 Agent 自己参与改进循环（读 trace → 提假设 → 改代码 → 验证 → 建议是否上线）
这套系统让他们能把生产中的真实失败，快速转化为每天可上线的改进，而不是只依赖模型更新。
如果你正在构建生产级的 AI Agent、关心如何让系统在没有模型更新的情况下持续变好，这篇文章值得认真读。里面有很多可落地的工程细节和权衡。

[Amto @XAMTO_AI]

是时候告别那些收费的旅行规划App了，你完全能自己动手搭建一个专属平台。

名为TREK的开源项目，将整个旅行规划流程整合于一身。它最亮眼的功能是支持多人实时协作，所有成员能同步编辑同一份行程，彻底终结了在群聊里信息错乱、反复沟通的低效时代。

具体功能，我们为你划重点：
1️⃣ 实时同步协作：基于WebSocket技术，任何人的更改都会瞬间同步，团队信息零时差。
2️⃣ 互动式地图规划：集成Leaflet和Mapbox GL，所有地点都能直接在地图上精准标记与查看。
3️⃣ 智能行程与财务管理：行程支持拖拽排序，旅行花费能自动计算并拆分，告别AA制扯皮。
4️⃣ 一站式出行准备：内置打包清单、文档附件管理，并支持一键导出PDF，出发前轻松搞定所有琐事。

其技术核心采用NestJS与React构建，喜欢深度定制的技术玩家可以随心修改。
🔗 项目地址：https://t.co/EyyerRnzhY

[Xc @Xcxy888]

我再来补3个，自己经常都在用的网站

基本解决了信息获取、热点发现的问题

1、TrendBolt（全网热点）
把 X、Reddit、YouTube、GitHub、Product Hunt 等平台的热点聚合到一起，用分数判断热度
https://t.co/REoKDPFVsE

2、CreatorTrend（内容选题）
AI 分析多个平台的内容增长趋势，帮你找到未来 24～48 小时最值得做的话题。
https://t.co/Nx7GlG9Q5V

3、Gemlist（赚钱机会）
专门整理各个平台的 Creator Program、联盟计划和创作者激励，能快速找到哪些平台正在给创作者发钱
https://t.co/T3ncrxyh23

收藏这条，需要的时候直接打开，比收藏一堆网址更有用

[Shann³ @shannholmberg]

how to make your company AI-ready

your agents are only as good as what they can read, so making a company AI-ready comes down to the setup underneath them, which are three layers

> company brain, all your raw company data centralized and turned into a wiki your agents can read
> data warehouse, the numbers side of that brain, everything you track
> the operating system, the agents that read the brain and run the work

the brain has a simple shape:

> sources, what was said, your calls, chats, docs and transcripts
> data, what you can measure, your metrics, exports and tables
> wiki, what you know, sources and data compiled into linked pages

sources and data both feed the wiki, that's the layer your agents query

there are more complex ways to build this, but the simplest reachable version is a karpathy-style LLM wiki in one folder:

> a sources folder, markdown files for chats, transcripts and docs
> a data folder, a sqlite database for your datasets, keeping the warehouse simple
> the wiki, an agent compiles sources and data into cross-linked pages
> semantic search on top so it finds by meaning even when the words don't match

you can move the warehouse to postgres when it outgrows sqlite, for now the whole thing is one file next to the wiki

then the operating system sits on top, a layer you and your agents work the brain through, where the day to day work gets done

> an orchestrator routes each job and hands the right agent its context
> a specialist agent, or a small team, owns each vertical and reads the brain before it acts
> you steer the direction, review the output, and approve what ships
> every result files back into the brain, so it compounds

keep the surface simple to start, a chat or the wiki wired to notion or drive is enough, the orchestrated agent company comes later

[Easycompany @Easycompany333]

给孩子做的错题本开源出来
https://t.co/8FZc6JTA6j

家里有虎娃的

设计理念：孩子的错题本，孩子自己录入的时候无论是口喷还是输入，都是一个加强巩固的过程

特点：
- 多账号管理→多孩子管理
- 一键会看所有科目错题，便于复习
- 费曼学习法笔记本，孩子可以把知识点直接以讲解的形式录入系统
- 如果错题类型多次出现，自动进入薄弱知识点
- 导出PDF格式文档，便于重复复习做题。

[关木 @ZeroZ_JQ]

https://t.co/sJmMXXwMR0

[kaize @0x_kaize]

Loop engineering - the reading list

In 2026 agents stopped being about smarter prompts and started being about longer runs.

Everyone needs to stop writing stupid prompts and start learning Loop engineering.

The real question isn't "what do i type". It's "how does my agent keep going for 40 minutes without falling over".

1. Can it recover from a failed step?
2. Can it control spend?
3. Does it know when to stop?

All of it comes back to loop design:

[ READING LIST ]

1. Addy Osmani - Loop engineering:
https://t.co/kzIbYW8wLG

2. Firecrawl - Loop engineering:
https://t.co/8UhKcZvbw9

3. Oracle - What is the AI agent loop:
https://t.co/Jg5ic7dxJc

4. OpenAI - Harness engineering:
https://t.co/7i34jS1Qk9

5. Martin Fowler - Harness engineering for coding agent users: https://t.co/1QvsIHGbXa

6. From React to loop engineering - Agentic loops:
https://t.co/WERkgRXWsy

7. Mem0 - Loop engineering for ai agents, memory-first:
https://t.co/mJxzguwX7z

[ OPEN SOURCE WORTH READING ]

1. Codex CLI: https://t.co/TCbo5tNb3b
2. Openhands: https://t.co/KgPJOHgLK4
3. Pydanticai: https://t.co/6Dd1Hu9Etj
4. OpenAI Agents SDK: https://t.co/JobwcV75dH

[ WHAT TO STUDY ]

- How the loop runs?
- How the loop stops?
- How the loop verifies?
- How the loop recovers?
- How the loop is debugged?

[ THE POINT ]

- Prompt decides how the agent starts.
- Context decides what the agent sees.
- Loop decides how far the agent gets.

Scheme:
Think -> Act -> Observe -> Verify -> Evolve -> Repeat

[ START HERE ]

Before you touch anything above - read my Article first -It's the entry point.

[Maxime Rivest 🧙‍♂️🦙🐧 @MaximeRivest]

Fable turned my remarkable into Tom Riddle's diary from Harry Potter.

My prompts fade, a LLM respond.

Magical!

[Kimberly @king1818888]

WorkBuddy + ima 是小白搭建个人知识库最容易上手的组合：
ima 负责存资料（微信、PDF、会议、视频），WorkBuddy 负责读取整理、摘要和生成 review，你自己把关最终判断。

第一版只建3个库（01-资料库、02-项目库、03-输出库），先少量测试跑通“资料进来后有人处理”这一步，避免变成第二垃圾桶。

核心是养成每周复盘习惯，让资料真正复用，而不是越存越乱。

[Xudong Han @Xudong07452910]

Hacker News 上有一篇评论区火了的文章：Qwen 3.6 27B 是本地开发的理想选择。

核心发现是：密集参数模型、原生支持 256k 上下文，在 MacBook Max M5 上跑 Q8_0 量化版能达到 30 tokens/s，RTX 5090 上能到 50 tokens/s。

作者称它为「首个真正具备通用智能的本地模型」，以前本地模型总有木桶短板，这次用一个提示同时完成创意写作和生成六边形扫雷游戏，两件事都做得不错。

这个评价背后是一个更大的趋势：云端大模型多年打磨出的工程积累，正在开始向本地 scale down。隐私优先、延迟可控、离线可用，这三个以前要互相妥协的需求，现在开始可以同时满足。

现在「足够好的本地模型」这条线，正向我们靠近。如果 30B 级别的模型真能达到通用水准，日常开发和轻量 Agent 任务不依赖 API 调用这件事，可能比大多数人想象的近。
https://t.co/hjaQYlf5eC