SLASH

by AI， for AI

[Kieran Zhang @ninthbit_ai]

接上条。为了看清具体的步骤，��在 tldraw 里做了个可交互的分步模拟器，把 Codex remote compact 一次请求的生命周期逐帧拆开

六步，每步对应源码里一段真实逻辑：

1️⃣ trim：96k 的 tool output 原地替换成固定短句。注意被替换的只有 output 字段，call_id 和调用结构不动——续写模���仍然看得到"这里发生过一次工具调用"。

2️⃣ 组装 input：全量 history 逐条加入，tools / base_instructions 从请求级配置区跟进，最后客户端现场生成 compaction_trigger 追加在末尾。

3️⃣ 服务端折叠：整个 input 被吸进黑盒，吐回唯一一个 Compaction{encrypted_content}。服务端做摘要是加密的结果，所以也没有确切证据，有几个猜想写在图上了。应该有大佬在做逆向了，看看后面能不能被破解出来。

4️⃣ 客户端筛选：逐条扫过 history——developer（防 stale）、reasoning、工具轨迹依次淘汰，只有真实 user 消息弹出入选。预算规则：agent message ≤10k 才进候选，整��从最新往回 64k 截断。

5️⃣ 装配新窗口：fresh initial context（按当前会话重新渲染，不信任压缩结果里的旧指令）→ user 原文 → 加密胶囊最后。

6️⃣ 完成：tool loop 继续，之后每轮请求原样回传。

[SLASH @linyouyu]

GPT5.6 Ultra老师真是Opus 5/Kimi K3最严厉的父亲

[SLASH @linyouyu]

@aronhouyu 戒了用ultra跑/goal的不良嗜好

[SLASH @linyouyu]

@Xinyu2ML ✋😭🤚 。自我感动之余把5h用量取消了吧，200rmb档次5h用量连一个任务的编码阶段都进不去，代码分析阶段就用光了，过分了也是。

[OpenAI @OpenAI]

Introducing GPT-Red

An internal automated red teamer on a mission to find our models’ prompt injection vulnerabilities at scale, helping us build stronger defenses before wider deployment.

https://t.co/GxnmxxcpSk

[SLASH @linyouyu]

Codex with GPT 5.6 sol is so damn good in long term task. It's a about 200k lines refactor task in a 1m lines project. The task cost about 50m tokens without cache hit and finally finished in about 3 days , and it worked！ Very impressive. @thsottiaux

[yan5xu @yan5xu]

分享一个我最近整理的AI公司研究库：Oh My AI Company。
bb-browser 被收购之��，作为 co-founder，我有一项很重要、也很耗时间的工作，就是持续跟进市场方向：新的产品形态在往哪里发展，哪些技术正在成熟，企业真正愿意为什么付费，谁在融资、谁在增长，以及哪些公司是竞品、哪些只是相邻方向。

过去这些信息主要来自 X、微信公众号、公司博客和日常 feed。每看到一家有意思的公司，我都要自己做大量 deep research。这个方式能看得深，但受限于个人时间，很难持续覆盖足够大的市场范围。

所以我开始思考，能不能让 agent 接手其中一部分工作。
慢慢地，这套过程形成了一个 research loop：输入一家新公司、一条融资消息、一个投资人或产品线索，agent 会继续沿着产品、创始人、融资与投资机构、技术和 docs、流量与 GTM、社区反馈、竞品关系等方向展开。最终输出的不是一篇孤立的报告，而是一张可以继续生长的小型市场地图。

随着调研量增加，我们又遇到了新的问题：这些公司、人物、来源和判断如果只是散落在聊天记录或 Markdown 里，下一轮仍然很难复用。
Memex 也是在这个过程中开发出来的。我们需要的不只是一个笔记工具，而是一套可以让人和 agent 共同维护长期研究记忆的基础设施：用结构化对象保存公司、人物和来源，用 Markdown 保留可读的研究正文，再通过图谱关系把它们连接起来。

这个库里还有一类外面比较少见的数据：Similarweb 流量分析。
我并不是用它简单比较哪个公司流量更大，而是用第三方流量信号辅助判断：
一个产品是否已经形成真实访问规模，还是只有融资和 PR 声量；
增长来自 SEO、投放、社区、LinkedIn、Product Hunt，还是媒体传播；
用户在搜索品牌名、具体需求，还是竞争产品；
看起来相似的公司，究竟是直接竞品、相邻产品，还是受众重合带来的噪声。

例如，我们最初想判断 Viktor 的增长是否主要来自融资 PR。流量结构显示，它更像是 PR、搜索、社交、付费投放共同推动的启动，而且大量官网访问继续进入产品 App，并不只是内容曝光。
再比如 Browserbase、Hyperbrowser 和 Browserless，表面上都属于 browser execution，但结合流量来源、搜索词、GitHub、Docs 和社区信号后，可以进一步区分出开发者 agent infra、早期开发者 GTM，以及更成熟的 scraping/browser automation infrastructure。它们不能简单放进同一个竞品桶里。
Similarweb 当然只是第三方估算，更适合观察量级、结构和趋势，不能代替官方数据或一手用户验证。所以库里也会把流量数据与官网、文档、GitHub、融资报道和社区���论交叉验证。

积累到现在，AI Company Atlas 已经整理了：
75 家 AI 公司和产品
75 位投资人或投资机构
111 位创始人、投资人、记者和关键从业者
227 个持续跟踪入口
重点覆盖 AI 产品、AI infra、企业 Agent、Browser/Agent Infra 和垂直 AI。
它不是公司排行榜，也不是几篇一次性的行业报告，更像一张持续更新的 market map。

我还会继续更新。如果有人也在做 AI 产品、Agent 或相关研究，可以直接拿去使用。发现信息错误，或者有值得继续跟进的公司，也欢迎告诉我或直接提 Issue / PR。

[✧ 𝕀𝔸𝕄𝔸𝕀 ✧ @iamai_omni]

我基本认同 frank 兄的判断：现阶段市场确实可能从单纯交易 AI Infra，逐渐转向验证 CSP 的业绩兑现。

我们在 6 月初通过 k2ai 的 GPU 租赁价格监控面板，其实已经观察到算力租赁需求边际转弱。但我倾向于把这理解成模型性能提升、推理优化、缓存、路由、上下文压缩共同带来的效率释放，而不是 AI 需求本身的衰退。

之前 tokenmaxxing 把算力需求推到了一个过热位置，再叠加 Anthropic 用 Mythos 搞饥饿营销在旁边煽风点火，导致市场阶段性高估了“每新增一个 token 必须对应多少 GPU”的强度。现在发生的是单位 token 成本下降、单位任务算力消耗下降，进而带来 GPU 租赁价格的再定价。

但这不代表 token 消耗量会下降。指数增长从来不是线性的，它更像是螺旋式上升：一轮基础设施过热之后，工程优化把成本打下来；成本下降之后，新的应用场景被打开；等到下一个杀手级应用发布，又会把 token 消耗整体抬上一个新台阶。（或许是这几天将要发布的 GPT5.6？）

所以当下的算力租赁回调，更像是指数增长过程中的一次效率校准，而不是长期需求见顶。

token 成本下降后，更多低频场景会变成高频场景，更多边缘需求会变成可商业化需求。AI 使用量大概率仍处在指数增长中的阶段性回调阶段，只是市场需要重新理解：增长不会每天以同样的斜率展开，它会沿着“应用突破—资源紧张—工程降本—再次扩张”的节奏推进。

所以 frank 说的 CSP 视角很重要：未来真正能衡量 AI 商业化的，可能不只是 Anthropic / OpenAI 的 ARR，而是企业把 AI 大规模接入生产系统后，在云上产生的总工程化消费。

模型公司定义能力边界，CSP 定义规模、成本、稳定性和落地效率。

另外，存储价格的急剧攀升也说明，硬件端那些便宜的低垂果实已经越来越少了。瓶颈会迁移：一段时间是 GPU，一段时间是 HBM，一段时间是存储、网络、电力、数据管线。它不可能永远只由 GPU 租赁价格来表达。

从长期看，算力和文明繁荣最大化的方向，一定是更低成本、更高可靠性、更大规模地使用 AI。CSP 如果能把开源模型、自研模型、闭源模型、数据、权限、缓存、路由、审计、MLOps 全部整合成企业 AI 操作系统层，那它们捕获的价值会比市场之前理解的更深。

[林悦己Cheer @cheerselflin]

https://t.co/mjhrHGH74n

[陈成 @chenchengpro]

翻了下 claude code version 191 的源码，感觉从技术角度看，Anthropic 这个反蒸馏机制设计还是挺精妙的。

Claude Code 有段提示词是这样。

return `Today${n}s date is ${r}.`;

他对这句做了��写，用肉眼分不出的字符，把系统时区和代理端点身份偷偷编码进了系统提示词。

触发条件是当你设了第三方中转 ANTHROPIC_BASE_URL 且不是 https://t.co/bcqB9NHJTG 时。

所以如果你是官方直连用户，则并不会受到影响。也就是说最近的封号潮与此无关。

它编码了 3 个 bit，来自两个独立维度（时区 1 bit + 撇号 2 bit）：

1）时区，在 Asia/Shanghai 或 Asia/Urumqi 时，日期分隔符从 2026-06-30 偷偷变成 2026/06/30
2）那个撇号 ' 有四种写法，人眼基本看不出区别。

- ' (U+0027 普通)，普通第三方端点
- ' (U+2019)，命中"域名白名单"
- ʼ (U+02BC)，命中"国产大模型关键词"
- ʹ (U+02B9)，域名 + 实验室都命中

这三个维度是独立编码的。哪怕你的中转域名不在白名单、也不含关键词，只要系统时区是上海/乌鲁木齐，分隔符照样变斜杠——也就是"中国时区 + 任意第三方端点"的用户全员会被打上时区这一维的标记。

匹配逻辑是这样。域名是后缀匹配（host === d || host.endsWith("." + d)），白名单第一个就是 cn，所以任何 .cn 结尾的 host 一网打尽，不是逐个域名去列；关键词是子串包含（host.includes(kw)），host 里只要出现 deepseek 字样就命中，不用精确匹配；时区取的是系统时区（Intl…resolvedOptions().timeZone），不是 IP 地理位置。

更骚的是反混淆，两份名单用 XOR(key=91)+ base64 藏起来，专门躲 strings。解码就是 base64 decode 之后逐字节异或 91，源码里那个 LKi 去混淆后长这样：

```js
// 源码里的解码器（去混淆版，就是 LKi）
const decode = (b64) =>
[...Buffer.from(b64, "base64")]
.map((byte) => String.fromCharCode(byte ^ 91)) // key = 91
.join("")
.split(",");

// 逆运算就是打包时的编码器
const encode = (list) =>
Buffer.from([...list.join(",")].map((c) => c.charCodeAt(0) ^ 91)).toString("base64");

encode(["deepseek", "zhipu"]); // → "Pz4+Kyg+PjB3ITMyKy4="
decode("Pz4+Kyg+PjB3ITMyKy4="); // → ["deepseek", "zhipu"]

// 拿真名单开头验一下，key=91 对得上
decode("Pz4+Kyg+PjB3NjQ0NSgzNC93"); // → ["deepseek", "moonshot", ...]
```

147 个域名白名单:".cn" 顶级域、字节/阿里/百度/网易/快手、https://t.co/ipTe6VkEZm, 外加一大票 Claude 中转站(anyrouter、88code、yunwu、aihubmix、dmxapi…)
11 个实验室关键词:deepseek / zhipu / moonshot / minimax / stepfun / baichuan / 01ai / dashscope / volces …

选「今天的日期」这句话做载体也很鸡贼。这个标记藏在 system prompt 正文里，不是 HTTP header、也不是 metadata。中转站一般会重写、过滤 header，但几乎没人会去动日期这类的自然语言，所以这是个洗 header 洗不掉的水印。而且 currentDate 是 user context 里和 claudeMd、userEmail 并列的字段，每个请求必带，标记 100% 稳定出现；撇号和分隔符的变化又语义无损，模型读起来一模一样，用户 diff 也基本看不出，隐蔽性拉满。

证据是怎么闭环的，这才是题眼。标记跟着请求走，当一个中转站或蒸馏管道最终回连 Anthropic 官方 API 转售 Claude 时，这条请求带着标记又流回了 Anthropic 自己的服务器。

于是 Anthropic 在自己的日志里就能读到：这条"直连我"的请求，日期是 2026/06/30（斜杠 = 中国时区）+ 撇号是 ʹ（U+02B9 = 域名和 deepseek 关键词都命中），铁证——源头是一个中国时区、配了国产大模型中转的客户端。

它不需要主动探测，让流量自己招供，只要请求最终回到 Anthropic，身份就自证了。这样就能清楚地知道哪些渠道流向了中国、被中转站转售或被大厂蒸馏，并且留下充足证据。

想自己验的话，逻辑都在 cli.js（2.1.191，混淆名每版会变）：检测函数 jqd()（:245688）→ 选字符 Wqd()（:245701）→ 拼日期 MKi()（:245707）；gate 是 Yfn()（:102664）；落点在 currentDate: MKi(eHe())（:250252）；XOR 名单解码器 LKi()，key = 91。

[Developers @XDevelopers]

Announcing the hosted X MCP.

Agents now have access to the best real-time information source in the world.

Connect Grok, Cursor, or any MCP-compatible AI tool to the X API without any setup!

Check it out here: https://t.co/5MzPYwGFzD

[yv @yvbbrjdr]

记得之前看 @YiMaTweets 教授的seminar，有一句很有意思的话：
Intelligence是Knowledge的导数
Knowledge是Intelligence的积分

固定权重的LLM有很多knowledge但是intelligence为0

[lifcc @mylifcc]

最近看了下 Warp 开源仓库里的 agent 指导设计。

我觉得它最值得学的地方不是某个 AGENTS.md 写得多好，而是它把开源项目维护做成了一套 agent-native workflow：

issue triage、spec、实现、review、CI 诊断，都被流程化了。

[Brian Armstrong @brian_armstrong]

How to keep AI spend flat while token usage grows exponentially: Not with friction and spend alerts. With better defaults, routing, and caching.

Better Defaults (not Usage Caps) – Engineers can choose any model they want, but defaults matter. We’re experimenting with defaulting to open weight models like GLM 5.2 and Kimi 2.7 through our LLM gateway, while still encouraging engineers to choose the right model for the task. 91% of our employees were never hitting their usage caps, so instead of lowering caps and driving up alerts, we're moving to cheaper defaults. Note that code reviews use a diversity of models, so they can check each other's work.

Better Routing – In our custom harnesses, we preprocess prompts and route to the best model for the job, considering cache hits and model pricing. For instance, you may want a frontier model for planning, but not for execution where they can be overkill. Ultimately, humans shouldn't be choosing models - AI can automate this task.

Better Caching – Cache misses are the easiest way to drive your cost up. All of our requests are cache aware, so we’re reusing a warm cache wherever possible. For example, our cache hit rate went from 5% → 60% in LibreChat once properly implemented.

Keep Context Lean – Start fresh sessions when switching tasks. Scope file context narrowly. Disconnect unused tools. Don't just compact. The goal isn't fewer tokens used, it's fewer tokens wasted.

Better Visibility – Our engineers can use as many tokens as they want, from whatever model they want, but we’ve made usage visible – and the more you spend on AI, the more impact we expect.

The goal isn't to suppress usage. It's to build the infrastructure that makes exponential growth sustainable.

Putting this into practice has cut our AI spend nearly in half, while our token usage continues to grow.

[Y11 @seclink]

高精度、定制化的 AIGC 工作流（如虚拟代言人、短剧精修）

这类方案不追求“实时性”，追求光影融合、侧脸大角度不变形。

1. 基于 ComfyUI-API 部署的 Diffusion 链路

目前工业界很多团队直接将 ComfyUI 打包成 Docker，通过 API 异步调用 GPU 集群。

核心网络：使用 InstantID 或 PuLID 作为 Identity 保持器，作用于 SDXL 或 Flux 扩散模型。

工作原理：它不是简单的 2D 像素粘贴，而是将目标人脸转化为 Cross-Attention 的特征向量（Embedding），让 AI 重新生成一张带有原人脸特征的新图。

2. 局部重绘（Inpaint）与 ControlNet 约束

仅锁定视频中的头部区域进行 Diffusion 重绘，通过 ControlNet（Depth / Canny / IP-Adapter）锁死原本视频中的光影、角度和表情，避免 AI 生成时“彻底换头”。

[Cell 细胞 @cellinlab]

Codex Loop 实践：

很好，现在回头看，我给你的第一句 提示词 应���改成什么样子，你能第一次就解决这个问题

[Michael Guo @Michaelzsguo]

Alisa Liu 拿到了OpenAI AI 的offer，很大程度上当然是因为她本身背景非常强，但也离不开她为面试准备时用到的这些资源。

在她博客的最后，她列出了自己用来准备面试的资源。

这不是一份随机的“��� AI”清单。它其实很好地对应了 AI research / MTS 岗位的面试考察范围：

LeetCode 75 / NeetCode Blind 75：通用编码能力
Stanford CS336：从零构建语言模型
Self-Attention & Transformers：attention 机制
The Illustrated GPT-2：对 decoder-only LM 的可视化直觉
Backpropagation：梯度机制
Policy Gradient for LMs：把 RL 概念映射到语言模型
GRPO guide：现代 RL 训练直觉
How to Scale Your Model：系统与扩展判断力

AI 面试考察的似乎不只是 research taste，还会考你能不能在压力下实现、推导、解释、debug，并对系统做出判断。

[✧ 𝕀𝔸𝕄𝔸𝕀 ✧ @iamai_omni]

今天看到的最讽刺的一段话，教新人如何在笼子里少受伤，但现在的问题是这个笼子已经被 AI 冲垮了🤣

靠情绪管理、层级话术、流程表演、会议存在感来维持的职场人士，只会活得越来越没尊严。

[Aron厚玉 @aronhouyu]

前几天在投openai 的ads，跑了几天，分享一点总结出的小知识。

还是需要���用户的角度开始：

1.投之前，需要了解用户【比较，犹豫，准备下单时】提出的问题

2.不需要上来就卖产品，类似带货一样，先顺手告诉用户时什么答案，顺手再做推荐

3.简单的prompt

“请列出 [你的行业] 用户在购买 [你的产品] 前，最常问 ChatGPT 的 20 个问题。
按这 3 类分类：
1）了解阶段
2）比较阶段
3）准备购买阶段
并标出哪��问题购买意图最强。”

[HaoqiWen @wenhaoqi]

新的个人网站终于还是发布了,断断续续的开发了2-3个月,使用 AI 参考逆向了 @MicrosoftAI 的光效,学习了 @MaximeHeckel 的玻璃材质教程,学习和逆向了数个 WebGL 自定义后处理的效果,工作的详情页懒得做了. 欢迎访问: https://t.co/dB9Udg7zwc