Jayer

喔喔喔

[Jayer @Jayerzo]

#Jayer

[少个分号 @shaogefenhao]

程序员变成技术管理者，理解这5句话：

1. 人很难一次性把需求说明。所以需要反馈和确认，以及迭代。

2. 人不可靠。和大模型一样有幻觉，甚至更严重。

3. 人们被习惯支配，所以需要固定节奏和纪律。

4. 组织是人构成的一台精密机器，所以需要角色和职责边界、通过交付物咬合。

5. 人有懒、短视等弱点，但有创造力等优点。所以通过机制约束弱点，激发优点。

被坑过无数次才会懂。

[Frank Wang 玉伯 @lifesinger]

https://t.co/X4TYsNG3xG

[Geek Lite @QingQ77]

给编码智能体用的 HTML 技能，专门生成简洁的架构图、计划页和视觉文档。

https://t.co/rrYGQlWbYJ

effective-html 是一套给智能体用的 HTML 技能，专门做自包含的、好看的 HTML 交付物。三个子技能：html 做通用页面，html-diagram 做全屏架构图和系统图（SVG 优先），html-plan 做计划页。

[Viking @vikingmute]

分享一篇文章：《How LLMs Actually Work》
https://t.co/apHhTvjdiB

好像是前几天 HackerNews 排名第一来着，类似的文章很多，但是这篇深入浅出和直观的例子非常适合有一定编程但没深入学Transformer��人阅读，里面的比喻也恰当，一看就是活人写的，没什么 AI 味道。

最近重新爱上了写东西，写了两篇技术文章，之后还会继续写，而且我的一个原则，活人写，绝对不用 AI，写作是一种乐趣，梳理逻辑，表达观点，不要让这种乐趣被 AI 剥夺。

[诺鸭船长3 @noahduck283]

倒买倒卖就是变现最快的方法，没有之一

1、国内的"数字人直播"教程，本质上是把国外的HeyGen、D-ID等工具的官方文档和案例，改成中文实操版来卖。

2、有人每天蹲守Twitter和Reddit上的热门创业话题，把干货帖子整理成"冷门搞钱思路"，发到知识星球收费，订阅者大几百。

3、短剧火的那阵子，有人批量从国内平台下载热播短剧，加上AI配音和字幕，上传到Youtube Shorts，靠广告分成月入数万。

4、网易LOFTER上的热门同人文，有人整理成合集搬到微信公众号，配上精修排版，靠流量主广告躺着收钱。

5、国内很多AI绘画教程账号，其实就是把国外的Midjourney提示词案例库翻译搬运过来，配上中文操作截图。

6、Dan Koe的Newsletter、Twitter长文、YouTube脚本，有人系统整理成"个人品牌方法论"知识库，包装成付费社群卖给想做IP的人。

7、小红书上的"AI写作技巧"博主，很多是从国外AI工具社区（如ChatGPT Prompt Engineering）扒来的提示词，包装成自己的课程。

8、有人把国内抖音、小红书上爆火的短视频，翻译剪辑后发到TikTok，播放量百万，赚创作者基金。

9、各大电商平台的"跨境爆款选品"服务，其实就是从亚马逊、虾皮的热销榜单扒数据，再卖给想做跨境的国内卖家。

好多人和我说："现在信息这么透明，哪还有什么信息差？"

我听完就想笑，你说信息差没了？

那只是你不愿意承认——你懒得动手，懒得动脑，还看不起这点"小钱"。

[Jayer @Jayerzo]

💯的��眠质量真不容易啊！

[梭哈.AI @SUOHA_AI]

不用看教程了—这是用Obsidian最简单的方式

他们的创始人推出了完整 Agent Skills 系统，让你直接用 Claude Code、Codex 原生读写你的整个 Obsidian 笔记库，直接用AI精准操作笔记、链接、视觉画布、数据视图等所有结构

GitHub 34.5k stars，MIT 免费

核心技能：
➤ obsidian-markdown：完美支持 Obsidian 所有语法

➤ obsidian-bases��.base 文件 + 视图、过滤、公式、总结

➤ json-canvas：完整构建 Canvas 节点/边/组/连接

➤ obsidian-cli：终端直接操作 vault

➤ defuddle：网页内容一键转干净 Markdown，省 token

有什么不懂直接问AI让他帮你操作🥸

🔗：https://t.co/o61aIm0GGd

[Viking @vikingmute]

这是哪个神仙做的这个网站？https://t.co/qM6FJuo28V
收集和展示和AI 相关的所有信息和内容， 论文/最新模型/Benchmark/排行榜 论文还能直接在线看，非常非常全

还有 feed ，可以直接订阅了解最新的消息。

还有这个 Sophon 这个词居然是三体里面智子的意思。

[snowboat @snowboat84]

https://t.co/fEDSELUq9P

[老金 @freeman1266]

Spec + ReAct + Ralph：这三层架构，才是 Agent 长任务真正能跑通的工程基础。

很多人以为让 Agent "跑起来"就完了。

其实那只是开始。

模型停了，不代表任务完成。

做 Agent 长任务，你需要三层结构：

第一层：Spec——把任务拆清楚
没有清晰的任务定义，Agent 只会做到哪算哪。
Spec 的核心是把目标、验证条件、约束边界都写明白——不是写进 prompt，而是挂到 Session 上，让整个任务有一个持续存在的完成条件。

第二层：ReAct——让模型进入执行现场
ReAct 的循环是：思考 → 行动 → 观察 → 再思考。
Agent 才不是在"回答问题"，而是在"做事"。
PlanAct 管规划，CodeAct 管代码行动，MultiAgent 管协作——但底层都跑在这个循环上。

第三层：Ralph——在外面套一层 LoopControl
Ralph 是外部控制器，负责判断任务有没有真正完成。
模型觉得差不多，不代��任务完成。Ralph 持续检查：继续、暂停、完成，还是停下来等人确认。

三层缺一不可：
· Spec 解决任务定义
· ReAct 解决执行循环
· Ralph 解决完成判断

Agent 工程不是"让 AI 多干几轮"。是把任务、执行、控制都结构化，让每一次运行都比上一次更可靠。

[meng shao @shao__meng]

Claude Code 核心开发者 @trq212 分享了一段高价值「人机结对编程中的 “理解验证” 工作流」

通过这份工作流 Skill，让 Coding Agent 结束工作时，人类对问题、方案和影响都有可复述、可辩护的掌握，一起拆解看看。
https://t.co/mBCHBHglKL

核心定位：AI 扮演「高效且睿智的教师」
成功标准不只是「任务完成」，更要看人类是否真正理解整场会话，与常见 agent 模式的差异：
· 每步增量教学，过关才进入下一阶段
· 先让用户复述，再补缺口
· 清单 + 测验 + 演示理解 才算结束

三条理解轴（清单应覆盖）
1. 问题域
· 是什么问题
· 为何会出现（根因、历史、分支路径）
· 曾有哪些取舍路线

2. 方案域
· 做了什么、为何这样解
· 设计决策与 trade-off
· 边界情况与失败模式

3. 语境域
· 改动在系统/业务里意味着什么
· 会影响谁、什么流程、什么风险

反复追问 why → 更深层的 why，同时覆盖 what / how。强调：问题理解不到位，方案理解往往是假的。

操作流程（可执行的节拍）
1. 做完一小步
只推进一个可验收的小单元（例如：定位根因、选定方案、改一处逻辑），不要一口气跨多个阶段。
2. 先让用户复述
在进入下一步之前，请用户用自己的话说明：这一步在解决什么、为什么这样做、还有什么不确定。这是诊断，不是考试前的泄题。

3. 按缺口补课
根据复述找空洞：补动机、补业务逻辑、补边界与分支；可按需要切换抽象层级（例如 ELI5 / ELI14 /「像实习生那样讲」）。
4. 小��围验证
用开放题或多选题检查是否真懂；若用选择题，打乱正确选项顺序，且在用户提交答案之前不公布对错。

5. 过关才前进
同一阶段需在高层（为何要做）和低层（怎么做、边界在哪）都确认后，才进入下一阶段。
6. 同步更新清单
在 running 的 Markdown 里勾选或补充：问题 / 方案 / 语境三个维度下，用户应掌握的具体条目。

7. 必要时绑到真实材料
理解若依赖实现细节，贴相关代码片段，或一起用调试器走一遍，避免「听懂了但对着 diff 仍说不清」。
8. 收工条件
会话结束前，清单上的每一项都需用户表现出已掌握（能复述、能答题、能解释 trade-off），而不是由 agent 单方面总结一句「你应该懂了」。

设计意图（为啥在 Anthropic 内部被推��）
· 对抗「智能体黑箱」：长会话里人类容易变成审批按钮；增量确认把认知负荷摊到全程。
· 把 tacit knowledge 外显化：分支、否决方案、边缘 case 往往只存在于 agent 上下文里，清单强制沉淀。
· 可审计的学习：对团队负责人或后来的自己，「当时为什么这么改」有迹可循。
· 与产品风险对齐：懂 impact 才谈得上 responsible shipping，而不只是 merge。

实操要点（落地时注意）
· 清单是活文档：随会话演进增删项，不是一次性大纲。
· 测验要变式：避免背答案；多选题需轮换正确选项位置。
· 层级要交替：同一主题在动机 <-> 实现 <-> 边界之间切换，防止只会背概念或只会跟 diff。
· 会话可拉长：这是刻意的——深度理解优先于速度。

[idoubi @idoubicc]

聊一聊 Agent 的存算分离架构设计👇

一个有灵魂，有记忆的 Agent，一次任务的生命周期包括以下步骤

1. 用户输入 query（text + files）
2. Agent 读取提示词文件（soul.md，identify.md，user.md 等）
3. Agent 读取可用的工具和技能（tools，skills 等）
4. Agent 读取记忆（memory.md，memory_search 查询）
5. Agent 构建上下文（prompt + tools + memory + query）
6. Agent 进入 Loop（LLM 调用 → 工具调用 → 观测 → 再推理）
7. Agent 交付结果（Artifacts）

什么需要存：提示词文件，工具和技能，对话记录，交付产物

什么需要算：上下文拼接，LLM 调用，工具调用

简单表示这个过程

fn(query, agent runtime) = artifacts

我们可以把 agent 运行方式简单分为三类

1. 本地裸机运行
2. 本地带沙盒（sandbox）运行
3. 云端多副本运行

---

1. 本地裸机运行，是 OpenClaw 之类 Agent 的常见模式。Agent 提示词文件、skills，对话记录（sessions）全部存在本地磁盘，Agent 执行任务时，会在固定 workspace 目录下运行，用户上传的文件、Agent 产出的文件全部落在同一个 workspace，Agent Loop 完全依赖本地文件构建上下文和执行工具调用，存跟算是一体的。

这种模式好处是足够简单，避免了额外的文件挂载开销，弊端在于安全性，比如 Agent Loop 执行了一个 exec(rm -rf /) 工具调用，很容易对宿主机产生破坏

2. 本地带沙盒运行，是 Codex 之类的 Agent 的常见模式。主要解决两个问题。一是防止 Agent 越权操作，提高安全性；二是解决宿主机的依赖缺失导致工具调用异常的问题。

Agent Loop 执行工具调用时，涉及到敏感操作或者有外部依赖时，把宿主机的 workspace 目录挂载到 sandbox，在 sandbox 执行工具调用，输出产物自动同步到宿主机的 workspace 目录

这种模式下的存算分离，只在工具调用环节引入 sandbox 来动态计算，存储主要靠宿主机的文件系统

3. 云端多副本运行，是 Manus 之类的工具型 Agent 的常见模式。主要特点是多租户，多任务，长时间运行

像 genspark claw，kimi claw，max claw 之类的托管版小龙虾，本质上是在云端多副本运行的助理型 Agent，每个用户有独立的提示词文件，动态安装的 skills，需要长期记忆

这类 claw 托管服务，最简单的实现方式是搭建一套 k8s 集群，在每个 pod 部署一套 Agent 框架（OpenClaw，harmes 等），通过 pvc 挂载云硬盘，实现对用户资料的持久化存储。通过负载均衡策略把每个用户的请求路由到固定的 pod，在同一个 pod 做 Agent Loop，存算是一体的，每个 Agent 有独立的运行空间。这种方案隔离性很好，不好的地方在于 pod 需要常驻，运行成本很高，难以规模化

---

云端 Agent 需要规模化（scalable），必然要结合 serverless 架构做存算分离。计算层依赖 k8s 集群的调度机制动态扩缩容，水平扩展 Agent 网关的并发处理能力

存储层结合 Agent 的运行生命周期，不同阶段的产物用不同的存储方案，主要��为四种

1. 热状态。Agent Loop 的 step，plan，游标等状态，用 kv（redis）来存，高性能，低延迟，用于异常重启后的断点恢复

2. 对话和任务记录。在任务完成后用关系型数据库（postgres）来存

3. 长期记忆。基于对话/任务记录做摘要，提取成记忆，用向量数据库（pgvector，milvus）来存

4. 工作产物。包括用户上传的文件，Agent 输出的文件，系统内置的 tools，动态创建的 skills 等，用对象存储（s3，oss）来存

---

以 FastClaw 为例，演示基于存算分离架构的云端 Agent 的运行过程👇

1. 一套 k8s 集群，日常 2 个 pod，部署 fastclaw gateway，接收用户请求

2. 负载均衡把用户请求路由到其中一个 pod，Agent 开始计算逻辑：

2.1 从 db 读取提示词文件（soul，identity，user）
2.2 初始化 pod 内一个临时目录作为 workspace
2.3 初始化 sandbox，挂载 workspace
2.4 从对象存储下载用户资料和系统 skills 到 workspace
2.5 调用 memory_search 工具，从向量数据库查询记忆
2.6 拼接上下文，调用 llm，解析工具
2.7 在 sandbox 执行工具调用，读写 workspace 内的文件
2.8 把 Agent Loop 过程中的状态设置为 checkpoint，保存到 kv
2.9 Agent 输出结果给用户

3. 通过惰性检查，把不活跃的 sandbox 关闭，关闭前把 sandbox 内 workspace 的文件上传到对象存储

以上的存算分离架构，计算层依赖 pod + sandbox，pod 水平扩容支持并发调用，sandbox 承接少量的工具调用，使用 e2b 作为 sandbox 可以做到秒级启动，构建 sandbox 池可以提高并发容错；存储层依赖 kv + db + vector db + oss 的组合使用，瓶颈在于 io 延迟

这套架构最大的挑战在于分布式多副本场景下的数据一致性，需要合理使用锁机制和负载均衡策略。

理解了这套架构，再去看 Manus，Claude managed agents 的实现，就很好理解了。

篇幅有限，不能详述细节，欢迎留言讨论。🤗

[nini @nini_incrypto_]

claudecode10个最强skill

[123olp @123olp]

软件工程整体地图
├─ 计算机科学
�� ├─ 数据结构与算法
│ ├─ 操作系统
│ ├─ 计算机网络
│ ├─ 数据库
│ └─ 编程语言
│
├─ 系统工程
│ ├─ 复杂系统建模
│ ├─ 系统集成
│ └─ 可靠性工程
│
├─ 软件工程
│ ├─ 软件生命周期
│ │ ├─ 需求分析
│ │ ├─ 系统设计
│ │ ├─ 编码实现
│ │ ├─ 测试验证
│ │ ├─ 部署发布
│ │ └─ 运维维护
│ │
│ ├─ 软件质量
│ │ ├─ 正确性
│ │ ├─ 可维护性
│ │ ├─ 可扩展性
│ │ ├─ 性能
│ │ ├─ 安全性
│ │ └─ 可用性
│ │
│ ├─ 软件过程与方法
│ │ ├─ ���布模型
│ │ ├─ 敏捷开发
│ │ ├─ DevOps
│ │ └─ 持续交付
│ │
│ ├─ 软件架构
│ │ ├─ 分层架构
│ │ ├─ 微服务架构
│ │ ├─ 事件驱动架构
│ │ └─ 云原生架构
│ │
│ ├─ 项目与团队管理
│ │ ├─ 计划
│ │ ├─ 估算
│ │ ├─ 风险管理
│ │ ├─ 版本管理
│ │ └─ 协作机制
│ │
│ └─ 工具与工程实践
│ ├─ Git
│ ├─ CI/CD
│ ├─ 自动化测试
│ ├─ 代码审查
│ ├─ 监控告警
│ └─ 缺陷追踪
│
└─ 产品与业务系统
├─ 用户需求
├─ 商业目标
├─ 业务流程
└─ 用户体验

[Joruno @wsl8297]

用 AI 写代码越来越多之后，你会发现很多问题其实卡在“术语没弄清”：context window、turn、tool call、harness、permission mode、parametric knowledge、RAG、memory……听过，但不一定真懂。

AI Coding Dictionary 是一份开源的 AI 编程术语词典，用更接近开发者日常工作的方式解释这些概念。

GitHub：https://t.co/gEd1xD9drz

它不是按字母顺序堆名���，而是按使用 AI 编程时会遇到的路径组织：
- Section 1：模型本身，比如 parameters、training、inference、token、provider
- Section 2：会话、上下文窗口和 turns
- Section 3：工具、环境、permission mode、harness
- 后��继续讲常见故障、上下文管理、记忆、协作模式等
- 术语之间互相链接，适合边查边补齐概念网

如果你正在用 Claude Code、Codex、Cursor 这类工具，先把这份词典过一遍，很多“为什么它又写歪了”的问题会更容易定位。

[AYi @AYi_AInotes]

今天听到的最醍醐灌顶的一句话了，

老黄说，真正会用AI的人都是极高认知的提问者，都是带着自己的认知去提问，让它帮你叩开未知的边界，而不是让它替你思考，

也就是说，以道御术，前提是你能以术入道，

没有自己的道，再好的工具在你手里也只是一个玩具而已，

以下文章是我自己的一点道和术，跟大家共勉

[Jason Zhu @GoSailGlobal]

AI入门20个核心概念

这图很棒

加上之前做的，大家还有啥ai词汇需要补充的

[Adrian Punk @AdrianPunk115]

先把你今天第三次复制粘贴的那段要求，写成第一个 SKILL.md。

[AI搞钱研究院 @gaoqian2580]

https://t.co/E0ICTPrdPx

[Geek @geekbb]

macOS 上终端和编辑器来回切换太麻烦，Muxy 把终端、文件浏览器、Git 操作、代码编辑揉进一个轻量应用里，内存占用还低。

https://t.co/FXYGOB5PED