zed

新时代的传话者

[zed @lambdua]

github 抽风了

[zed @lambdua]

@airtouch97 已经不行了

[zed @lambdua]

DSH 能给自己装卸插件，下一轮却只看见新说明书，看不见自己刚改过哪一笔。

今天仔细拜读了下 DSH 论文和实现;
打开了很多视野和思考;

目前装卸一个 plugin,还是会动态修改 system/tools,这个修改是换成新的快照,但是这个差异的变化,却不是 append-only 的形式追加到上下文中的,LLM 看见此刻能用什么，看不见自己改过什么。后一步任务变好变差,评测的归因数据,我觉得就这种快照式的变化,是不够的;
但是现在 llm 的训练推理格式,还不支持在 message mid 中做 tool change;(claude 已经支持 mid system message,我觉得也是朝着这个趋势在演进了);
这种数据格式(tools → system → messages)也导致插件的装卸,都会导致 kv cache 失效;
我推测后面会出现一种新的支持在 run loop 中动态增删 tool 的新方式:
1. 支持 append only
2. 保证 kv cache 不失效

[zed @lambdua]

是的,coze 的手机端体验也是很可以的,建议搭建可以用用,价格不贵; 不过云电脑这个和 grok bot 还是不太一样

[Ding @dingyi]

今天人们都在讨论 Grok Bot 的云端服务器，其实扣子至少半年前就有了，很多产品就是要让国外明星产品带起来，国内先做了都没人吹😂

[zed @lambdua]

其实pc 端本身就限制住了市场,云电脑+agent claw 未来是一个趋势;
移动端能够方便接入,未来市场才能更大

[zed @lambdua]

顿时感觉 cursor 200 刀还是蛮值的;
8c16g的云电脑+team agent bot+cursor
这个 grok bot 也有点意思

[zed @lambdua]

顿时感觉 cursor 200 刀还是蛮值的;
8c16g的云电脑+team agent bot+cursor
这个 grok bot 也有点意思

[zed @lambdua]

看看人类学吧👍

[stdrc @istdrc]

你可能没理解 harness 实际上是什么

如果只是说那点 system prompt 和 tool，那显然模型可以学会它们，从此之后只需要一个 tool list + tool 实现就够，而进一步地，当模型再强大一点，我们只需要一个 bash tool，我参与过 Kimi K2.5 模型训练过程，以及从空的 system prompt、toolset 和 loop 开始写 harness，我当然知道人们说的 harness 训进模型是什么意思

但你观察 harness 的发展史和这个词本身的出现，你就会发现，随着模型智能的提升，harness 是在不断变复杂的，parallel tool call、subagent、agent swarm、agent teams、handoff、pro-active compaction、channel、cross-session communication，你以为是模型都可以学会，实际上是 harness 变复杂了模型才可能学会

所有这些确实都可以进一步随着模型加强而去掉，比如我在 Kimi CLI 时就准备去掉 subagent，换成直接 bash 调用（pi 就是这么做的），去掉 parallel tool call，换成 tool call script；但与此同时，更强的智能解锁了更复杂的与世界的互动，比如进一步可以引入主动 context rewind

这是一个此消彼长的过程，就像这个“阴阳”比喻 https://t.co/M7i8kdnZNN

观察动物乃至人类的进化你就会发现是一样的，随着智能水平的提高，人与世界的交互方式是越来越复杂的：当人相比猿更聪明的大脑被选择后，带来的并不是不需要用树枝计数，而是复杂的语言文字；同样，当人类社会作为群体智能的水平提高的时候，人们并不是取缔了纸，而是发明了计算机和互联网

终局来看，harness 会逐渐和人类原来为“仅有的一种智能”所发展的社会基础设施合并，人类文明的一切都可以重新做一遍（显然我们已经观察到所有 SaaS 都可以重新做一遍，很快会看到更多，当然不只是计算机软件）

不要只看到模型训练那一点局部，看看人类学吧

[zed @lambdua]

@Lonely__MH 然后现实是,很多网站都会风控拦截,不可用

[zed @lambdua]

@EvanWritesX 可以支付;昨天刚成功,招商万事达储蓄卡

[zed @lambdua]

这里没有深入的观点，幻觉可能不是问题，是特性，模型测不用也不应消灭幻觉。

至于为什么，自己品。

[zed @lambdua]

现在国内所有的中转站所谓质保都是假的；封号不保，但是现在Claude、openai都是直接封号的，不存在只下订阅的情况，买的人都慎重

[zed @lambdua]

@dotey 我有个疑问，开源模型追上来是可以预期的，那么是什么给了 A/之前那样傲慢的勇气呢

[zed @lambdua]

A/ hhhhh lol

[Haider. @haider1]

PREDICTION

after kimi k3 successful launch and mogs opus 4.8, Dario Amodei is gonna write an essay explaining how open-weight Chinese AI threatens democracy, national security, and the future of humanity

[zed @lambdua]

@lexi_labs 吹不吹自己用完再评价，glm5.2是一个很好的模型

[zed @lambdua]

openai 即将上市，价格上不去了

[Yulun Du @Yulun_Du]

https://t.co/6ay3t9fLhu

Our Kimi K3 blog is finally out. Enjoy!—and rest assured, the K3 model weights will be open in the coming day. We’re just taking a little extra time to ensure a smooth rollout with our inference partners.

Frontier intelligence belongs to everyone, without fallbacks of course. 😎

[zed @lambdua]

不好用，我有上下文洁癖。这个工具会一次性把所有数据源都接进来，并不能自己指定，

[Cell 细胞 @cellinlab]

卧槽！你敢信？终于有人开始

把 Agent 最难触达的中文互联网，接进来了！

刚刷到 AgentKey @agentkeyapp 拿下 Product Hunt 日榜第一

但我点进 Store 后，真正让我停下来的不是榜单，而是这一排：

B 站、抖音、知乎、微博、微信公众号、小红书……
旁边还有 X、Reddit、YouTube、Instagram。

这精准戳中了我最近遇到的问题：

让 Claude Code、Codex 帮我找选题、追热点、研究 AI 或 Crypto 话题时，它通常知道应该怎么分析，却不知道此刻真实世界正在发生什么。

最后看起来是 Agent 在研究，实际上还是我 或 Compute use 在十几个网站之间复制、粘贴、整理材料。

不是 Agent 不会分析，是它根本没看到足够多的实时材料。

先注册 👉 https://t.co/fBKydNLSkB
我接下来给你看细节 ⬇️

[zed @lambdua]

https://t.co/MeGtpPG4MD

[zed @lambdua]

2026 年最佳 ai slop website ,下面贴链接

[zed @lambdua]

因为代码没人看，ui 都不想一个样。人嘛，都喜欢面子

[zed @lambdua]

现在 x 上一堆叫嚣着卸载 skills，真正商业化赚钱的 skill 里面的 know-how 卸载了看看👀还能用吗。一堆不落地天天拿几个 skill 写代码的，在那里 yy 几个 coding 场景

[Vincent @Vincent_AINotes]

我开始卸载 Skills 了。

曾经第一次尝到甜头后，我开始疯狂安装各种主流 Skills，总觉得装得越多，Codex 就越强。

直到 GPT-5.6 Sol 发布，我做了一轮四组拆分测试：

- 仅 Superpowers：96 分，耗时 1189 秒，输入 273 万 Token
- 仅 ECC：95 分，耗时 838 秒
- 两者都关：95 分，耗时 820 秒
- 两者全开：反而只有 93 分

最讽刺的是：

> Superpowers 只多拿了 1 分，却多花了约 45% 的时间，还消耗了巨量 Token。

它确实能提高部分基准测试成绩，但放进真实开发流程，这点收益完全抵不过额外的规划、指令读取、流程跳转和 Token 成本。

GPT-5.6 Sol 让我意识到：

不是 Skills 越多，模型就越强。

当模型本身足够聪明，过多的 Skills 反而可能成为性能瓶颈——它们不断告诉模型“应该怎么思考”，却让模型没办法直接解决问题。

我现在的做法是：

- 只保留少数真正高频的核心 Skill
- 其余全部按任务临时调用
- 能让模型直接完成的，就不额外套流程
- 定期删除重复、过时和低收益的 Skill

Skills 没有过时，但“把所有 Skills 永久开启”的时代可能过去了。

模型越强，越应该少加束缚。

最好的配置不是功能最多，而是刚好够用。