天才交易员猴老师（黑化版）

你就是你自己的交易之神 |做空一切山寨|垃圾都去死吧

[空投龙 | 预测世界杯就在Gate @1YES_yes1]

兄弟们，今天真挖到一个宝。

我感觉很多人还没意识到。

**Agent 最大的问题，从来不是模型不够强。**

而是：

**它根本拿不到数据。**

你让 Agent 去网上找资料。

结果现实是：

推特/X API 要付费。
网页抓取要订阅。
抖音小红书都要付费
以前我让 Claude Code 帮我抓点信息。

体验跟闯关差不多。

结果今天发现一个开源项目：

https://t.co/LKLd8cmrzW

直接帮 Agent 打通整个互联网。

它现在能直接接入 14 个平台。

我装完直接测试。

让它抓一篇小红书帖子评论，然后做总结。

10 秒直接出结果。

更关键的是：

它不需要你自己折腾配置。

工具自动帮你选。

接口自动帮你处理。

哪条链路失效还能自动切换。

安装方式更简单。

直接对 Agent 说一句：

**Install Agent Reach**

就能开始跑。

越来越觉得。

未来 AI Agent 的竞争。

拼的不是模型。

拼的是谁能先帮 Agent 接管互联网。

[Easycompany @Easycompany333]

Anthropic 工程师70分钟workshop

教你如何让Agent自我优化式的工作十几小时甚至天而不偏移、丢失上下文、自我Loop和迭代

对于Agent解决工作、生活、编程、产品有非常大的帮助

[Niko爱学习 @ai_super_niko]

Google DeepMind 刚刚发布了一篇长达 44 页 的论文，介绍了一种能够循环重写自身代码的 AI 系统。整个流程为：
采样（sample）→ 变异（mutate）→ 运行（run）→ 评分（score）→ 保留最佳（keep the best）→ 重复（repeat）研究人员将这个系统应用于一个自 1969 年 以来一直悬而未决的数学问题，成功打破了 Strassen 算法 的纪录。随后，这个相同的循环还被用于加速 Gemini 背后的训练内核，让模型能够优化自己的训练过程。
不过针对不同的开发需求和背景，你真的需要 loop 吗？

[Phoenix Yin @Phoenixyin13]

Loop Engineering是2026 真正的范式跃迁

Addy Osmani、Peter Steinberger、Boris Cherny 在 2026 年 6 月同一周同时点燃这个概念。现在，它已经超越实验，成为了真正的生产力核武器。

当Coding Agents 足够可靠，能独立完成非平凡任务，Scheduling 原语成熟，且单次运行成本低到可以反复跑而不心疼后，我们可以设计一个会自己 Prompt 自己的系统。

我总结，此为四栈五行。

四层栈，越往上，人类离现场越远。
1. Prompt Eng.：写一句好 prompt
2. Context Eng.：管好窗口里的信息
3. Harness Eng.：武装单次运行
4. Loop Eng.：让它自己反复跑

Loop 的五个动作，缺一不可。
1.Discovery：自己找活干，读 CI、Issues、Commits
2.Handoff：把任务切干净，用 worktree 隔离
3.Verification：最重要的环节，独立 Evaluator 说No，Generator 永远给自己打高分
4.Persistence：把状态写到磁盘，Markdown、Linear、State File，反对只靠上下文的情况
5.Scheduling：定时或事件触发，本地、Cloud Routines 、GitHub Actions。

Loop 是最忠实的放大器。
你带理解，它就放大理解。
你带懒惰，它就放大懒惰。

同一个 Loop，两个人建出来，有可能半年后一个更强，一个成了自己机器的看门人。

Stay the Engineer, not just the one who presses go.

[向阳乔木 @vista8]

字节火山引擎大会上洪定坤的分享，有几点值得参考：

1. 用原型驱动开发：用 AI 生成可交互原型替代 PRD，基于这个讨论，提前暴露分歧。

2. AI Development系统化：AI写 Spec → 功能实现→ Browser Use 验证→自动提交上线

3. Harness 基建：上下文工程 + 架构约束 + 团队知识 Memory + 技术债梳理 ，能把可交付性从 40~60 分提到 80 分

原文见评论

[AB Kuai.Dong @_FORAB]

太牛批了，某大厂内网的万字长文。核心项目组员工，在离职前的长篇吐槽，里面出现好几位高管名字。

从见证 AI 立项，到 300 万日活，最后因管理者、员工、文化矛盾等问题，成为项目最后一位走的人。

https://t.co/mul6SF8WTX

[nini @nini_incrypto_]

Google 把内部工程师的代码审查（Code Review）规范公开啦

这几乎是目前业界最顶级的标准

很多程序员只会写代码，但不知道怎么审代码，可以看看 Google 是怎么做的

1.双向指南：不仅教审查者怎么挑毛病，还教作者怎么写出容易通过的代码

2.术语科普：解释了 Google 内部常用的 LGTM（看起来不错）和 CL（变更列表）到底意味着什么

3.实战价值：这套规范不是理论，而是 Google 每一位工程师都在用的实际操作准则

如果你想提升团队的代码质量，或者想知道顶级大厂的开发门槛，这份文档必读！

https://t.co/OdaozRkMYn

[sitin @sitinme]

https://t.co/qNaM6Q0Op8

[Ren @Ryrenz]

GitHub 上一个叫《Learn Harness Engineering》的开源课程最近上了 Hacker News 首页（155 分、5.1k stars），
主题是 AI coding agent 的可靠性工程——也就是 OpenAI 和 Anthropic 最近几个月一直在讲的 harness engineering。

https://t.co/y0BYMumpCA

作者是清华 SIGS 的开源团队 walkinglabs，课程内容 12 节 lecture + 6 个实战项目，全部围绕同一个压轴项目（一个 Electron 知识库 app），目前已经有 13 种语言版本。

核心讲的是这几条：

1、Harness Engineering 是新概念但绝不只是营销：
OpenAI 2026 年 2 月在 Codex 官方博客正式提出，Anthropic 同期发了两篇配套工程文章。这门课是把这两家分散的工程内容系统整理成中文可读的体系，不是发明新东西；

2、核心论点是模型不是问题，环境才是：
Anthropic 自己跑过一个对照实验，同样的 Opus 4.5、同样的提示词（"做一个 2D retro 游戏编辑器"），没 harness 花 $9 跑 20 分钟出不来；有完整 harness（planner + generator + evaluator）花 $200 跑 6 小时跑出来一个能玩的游戏。差距不在模型，在环境；

3、Harness 的 5 个子系统：
Instructions（agent 看什么）、State（已经做了什么）、Verification（怎么算完成）、Scope（一次只做一个 feature）、Lifecycle（会话起手和收尾）；

4、最小起手 4 个文件：
AGENTS.md（操作手册）、https://t.co/vGBn7j7LRZ（每次起手跑的环境检查脚本）、feature_list.json（机器可读的功能边界）、claude-progress.md（会话之间的进度交接）。这 4 个文件直接丢进你现有代码库就能用，不用读完 12 节课；

5、为什么 agent 总是搞砸（课程反复回答的几个问题）：
一次想做 3 件事但 3 件都只做一半；说"done"但其实 test 跑不过；跨会话完全没有记忆，这次写到一半下次重头来；没有验证流水线就没有真完成（只有 test pass + lint pass + e2e pass 三件齐了才算）；

6、6 个项目渐进式演进：
P01 prompt-only vs rules-first 对照看差距、P02 把代码库改成 agent 能读的结构、P03 跨会话续接、P04 加运行时反馈控制范围、P05 让 agent 自验、P06 完整 harness 加可观测性；

7、压轴项目是个 Electron 知识库 app：
每个项目的答案就是下一个项目的起手代码——app 在演进，你的 harness 技能也在演进；

总结：

"AI agent 工程师"这个角色正在从"会写提示词的人"变成"会搭 harness 的人"。

这门课本身不算硬核，但它把 OpenAI 和 Anthropic 两家工程博客分散的内容系统整理成了中文索引，对中文圈想入门这个方向的人来说，能省下读 5 篇英文工程博客的时间。

[Gyro @gyro_ai]

试过大部分 AI Agent 框架，LangChain、LangGraph、Crew，最后发现生产环境跑得好的 Agent 都是自己撸代码实现的，框架基本看不到

一个 YC 创始人总结了 12 条生产级 Agent 开发原则，20k Star，这是把 Agent 当真正的软件工程在做

评论区 GitHub 链接⬇️⬇️

核心特点：
1. 自然语言转工具调用 - 把用户意图准确映射到函数调用，这一层的设计决策文档里讲得很细
2. 提示词所有权 - Agent 的提示词不该散落多处，原则里明确了应该谁管、怎么版本化
3. 上下文窗口管理 - 多步任务跑着跑着 context 污染，这套原则给出了具体压缩和清理策略
4. 状态统一 - 把任务执行状态和业务数据状态放同一套机制里管，不分开维护
5. 接入人工 - 在工具调用层内建 human contact 机制，不是外挂，更容易集成进现有系统

无需安装，TypeScript/Python 代码示例配文档直接读

正在把 Agent 产品往生产环境推、或者搭完感觉不稳定不知道问题在哪的工程师，先看这个比翻框架文档有用

[Feiteng @FeitengLi]

动手搭了一个 ReAct agent 系统：围绕 LLM 做 agent 系统
傍晚散步时在想：如何训练 LLM 的 agentic 能力、数据准备、模型训练、agent 轨迹 action 构造 RL 训练，再想 Claude 在过去一年的进步来自于哪些 SFT RL 方面的进步；

晚饭后读 智谱 “GLM-5: from Vibe Coding to Agentic Engineering” 是真的技术报告、细节非常丰富了；和自己想的差不多，用了 9T Code 还是数据让我感到意外 👍 多个 推理框架 top-k 实现竟然还存在 random 🥲

https://t.co/Ds13cqfH2Z

[Bridge Wang @qc777qc]

https://t.co/3EnqH5DjUx

[Joruno @wsl8297]

逛 GitHub 时挖到一个真·宝藏开源项目：12-Factor Agents。它把「AI Agent 应用怎么做才像工程、能上线」这件事，浓缩成 12 条核心设计原则，GitHub 已拿下 11k+ Star。

这套原则不是拍脑袋总结，而是作者与上百位技术创始人深度交流后提炼出的可执行方法论。覆盖上下文管理、工具调用、状态建模、控制流设计、错误收敛、模块化架构等关键环节，讲的不是概念，而是能直接落地的工程做法。

GitHub：https://t.co/h7vew4iDWx

你将收获：

- 12 条核心原则：从自然语言交互到工具编排、状态与错误处理的全链路指导
- 生产级设计模式：来自真实项目的架构套路与最佳实践
- 模块化思路：把 agent 拆成可复用、可组合的独立模块
- 实战案例：完整流程 + 常见坑位与解决方案
- 框架无关：不绑任何特定技术栈，怎么做都能套用

还附带清晰的视觉图解和深度讲解，适合边学边搭。希望能帮你把 agent 从 demo 做到可投产的 AI 产品。

[nash_su - e/acc @nash_su]

这个功能仅上线一天，就已经震撼我好几次了

AI 自动连接知识所产生的主动的新发现真的让人大为震撼，我读这篇文章，并没有产生这些 insight，AI 却能精准关联并深入追问探讨。

注意这里的关联分析并不是简单的让 AI 找关联，在背后我是融合了基于组织行为学领域大师 Karl E. Weick 提出的意义构建理论的，真正做到 Harness knowledge.

[Leo｜一个人 + AI @runes_leo]

这篇最值钱的不是 Hermes Agent 本身，而是 control room 这个概念。

单 Agent 解决执行问题；
Agent fleet 解决组织问题。

真正难的是记忆、权限、路由、runbook、状态和人工审批边界。

没有 control plane，多 Agent 只是把混乱并行化。

[nash_su - e/acc @nash_su]

官方给出的 Claude Code 在大型代码库中的最佳实践

当然同样的方法论也可以用在 Codex 或任何 Agent 上，AI 会犯错，会糊弄人，项目越大 AI 债越多，文章中是一些基本的防护和优化方式。

本文使用 https://t.co/wGCv4oGgi9 快速改写并生成封面图和插图。感兴趣的可以使用下。

[GitTrend @GitTrend0x]

Hermes 又集体进化了！

技能超市、企业员工适配器、本地记忆黑科技、创意超级英雄工作流、Obsidian 身份层……全网程序员把 Hermes 玩成了下一代 Agent 商场 + 公司员工 + 懂你大脑 + 创意工厂 + 私人知识永存神器:

1️⃣ hermeshub（https://t.co/CQH8Kpmpeo）

社区技能注册表 + 安全扫描市场，一键 install + x402 付费。
“Agent 技能也能逛淘宝”实锤了！

2️⃣ hermes-paperclip-adapter（https://t.co/oBRHtQn2Kt）

Paperclip 官方适配器，让 Hermes 变身企业“受管员工”。
任务分发、技能同步全自动，企业党狂喜！

3️⃣ hermes-agent-yantrikdb-memory-plugin（https://t.co/hMIMlisRFX）

本地动态 memory 插件，skill 生成 + recall 零 token 浪费。
记忆从“存”进化成“真懂你”😂

4️⃣ superpowers（https://t.co/WsqeCQRoJV）

创意工作流包，设计哲学 + 品牌 pipeline 打包成 skill。
Agent 也要当创意超级英雄了！

5️⃣ obsidian-skills（https://t.co/CUtucuUU6P）

30 秒把 Obsidian vault 变成 Agent 身份层。
私人笔记直接变“自我认知”上下文，隐私党福音！

[叫我阿杭 @Astronaut_1216]

我没用过hermes
但是阿里的算法工程师讲的我要听

[Joruno @wsl8297]

在 GitHub 上发现一个递归式多 Agent 框架：ROMA（Recursive Open Meta-Agent），它通过层次化的递归结构来解决复杂问题，把任务拆解成可并行处理的组件，让 Agent 能处理更复杂的推理任务。

GitHub：https://t.co/Y9wLbzDY1e

核心工作流程：
- Atomizer：判断任务是否可以直接执行，还是需要进一步规划
- Planner：如果需要规划，就把任务拆解成更小的子任务
- Executor：执行原子任务，支持调用 LLM、API 或其他 Agent
- Aggregator：收集并整合子任务结果，生成父任务的答案
- Verifier（可选）：验证聚合结果是否符合原始目标

信息流是三向的：任务自上而下递归分解，结果自下而上聚合，依赖关系从左到右按顺序执行，这种结构让系统能灵活处理复杂问题，同时保持清晰的透明度。

框架基于 DSPy 构建，支持多种预测策略（CoT、ReAct、CodeAct 等）。提供两种安装方式：最小安装 30 秒上手，只需 pip 安装即可使用核心功能；完整安装支持 Docker 部署，包含 PostgreSQL 持久化、MLflow 可观测性、REST API 服务器等生产级功能。

默认配置使用 OpenRouter（Claude Sonnet 4.5 + Gemini 2.5 Flash），也支持 OpenAI、Anthropic 等其他 LLM 提供商。内置计算器、文件操作等工具包，还可以接入 E2B 代码执行沙箱、S3 存储等扩展功能。

适合需要构建层次化多 Agent 系统、处理复杂推理任务的开发者，或者想了解递归式 Agent 框架设计的人。

[Roland.W @rwayne]

https://t.co/QlPd9AVxiY