Li

[Xudong Han @Xudong07452910]

Anthropic 最近持续更新的 Claude Cookbook，值得所有在做 Agent 的人收藏。

它很像一份公开的「Agent 工程实验手册」：没有停留在 Prompt 技巧，而是直接给出可以运行的代码，展示异步多 Agent 协作、工具调用、长期记忆、上下文压缩、自我验证、Skills 和评测系统该怎样搭建。

其中几篇尤其值得看：

长时任务中，记忆、上下文压缩和工具结果清理分别解决什么问题；如何给 Agent 配一个独立的「评审模型」，按照明确的评分标准反复检查和修改；甚至连怎样减少千篇一律的「AI 味」前端，都拆到了字体、配色、动效和背景设计。

看完会发现，Anthropic 现在讨论的重点已经从「怎样问 Claude」，逐渐转向「怎样给 Claude 搭建一套可靠的工作环境」。

模型负责推理，Harness 负责上下文、工具、状态和验证。真正拉开 Agent 产品差距的，可能正是这些平时不太容易被看见的工程细节。

建议先收藏，很多内容都值得直接照着跑一遍：

https://t.co/6jSqRqsCkn

[全球货币 Global Money @GlobalMoney]

https://t.co/pMOl7Cz4wt

[雪踏乌云 @Pluvio9yte]

https://t.co/OnIveaKBO0

[Hux @huxlab]

Karpathy 被一位父亲问：AGI 到来前，该教 8 岁孩子什么？

他的回答直接删掉了 80% 的学校课程。

数学、物理、计算机科学。

其他的？以后再说，如果还需要的话。

很多人还在拼命让孩子刷题、冲排名、堆证书。

却没意识到：你在花钱塑造的，是那些 AGI 一落地就瞬间贬值的脑回路。

为什么是这三样？

因为它们在大脑里刻的是处理现实的底层沟槽。
•数学让你学会抽象与严谨
•物理让你理解因果与系统
•计算机科学让你掌握“如何把问题变成可执行的结构”

这些沟槽，10 岁以后越来越难刻。

而信息本身，在 AGI 时代会变成空气一样的商品。

真正稀缺的，不是知道什么，而是大脑以什么样的方式运转。

你现在不是在选孩子的成绩单，
而是在选他接下来 60 年要带着走的那颗脑子。

16 分钟的视频，看完之后你会开始重新审视孩子的时间表。

[林晚晚的猫 @linwanwan823]

这是我今年见过最牛的「美股新股神」。

24岁的德国人，被OpenAI开除，
转头开基金，2亿变50+亿。

-先说这个哥们。Leopold Aschenbrenner。

我去年半夜跟朋友喝酒，
有个马来人按头推荐让我去看一篇
《Situational Awareness》，
说AI正在朝这篇写的方向发展。

后来我才知道，
这文章当时在硅谷VC圈里炸锅，
川普的女儿伊万卡也转了。

就是Leopold Aschenbrenner离职后写的。

-去年4月，这哥们据说因为泄密被OpenAI开除。
出来之后没多久，直接开了个对冲基金，
基金名字就叫那篇文章，
Situational Awareness Fund。

LP是Stripe两兄弟和前GitHub CEO Nat Friedman。

去年Q4披露持仓2.5亿，今年再披露直接就55亿。
一年涨了20多倍。

-我们再来看他持仓。

第一仓 Bloom Energy。给数据中心卖燃料电池发电的。去年4月16块一股，今天279块。一年17倍。

我去年也盲跟着买了，
买了到今天一直没动，赚了5倍左右。

第二仓 CoreWeave看涨期权，
AI算力卖家，英伟达亲儿子，IPO半年股票翻了3倍多。

第三仓 Intel看涨期权。
去年所有人都说Intel完了的时候他进去重仓买CALL，结果Intel一年涨356%。

所以晚晚我现在有个新思路：
紧跟OpenAI离职人群。
看他们在做什么，基本上就能看到AI投资和下一个大方向的路标。

[摸鱼局长 | MoyuChief @Jason23818126]

一年二十多万的彭博终端，被开源社区做出了免费的桌面端平替
美股、A股和加密货币的数据都能直接跑
这个叫 FinceptTerminal 的项目，让普通人也用上了机构级的投研框架

它没有用臃肿的框架套壳，打包出来就是一个干净的原生二进制程序，点开就能运行

核心功能覆盖了投研的关键环节：
1. 专业分析体系：
内置 CFA 级别的 DCF 估值、投资组合优化、VaR 计算等成熟模块

2. AI 智能体系统：
带有 37 个专项 AI，包含知名投资人框架和宏观分析。兼容主流大模型，也支持本地离线部署保护数据隐私

3. 数据交易闭环：
接了上百个数据源，集成多家经纪商，支持股票和加密货币的实时或模拟交易

4. 宏观情报系统：
附带海事跟踪、地缘政治和卫星数据模块，用来量化事件对各类资产的冲击概率

以前这种级别的工具，光是高昂的订阅费就把普通散户挡在门外了，这个项目算是提供了一个开源的平替
感兴趣的可以去下载安装看看，个人和非商业用途免费~

https://t.co/mN1J94SSeg

[财经数据库 @caijingshujuku]

父母就是这样的存在。

[Rey英语自由｜判断位 @ReyJudgementOS]

适合给孩子看：多维视角

当你改变看待事物的方式时，
你所看到的事物也会随之改变。
——马克斯·普朗克

[0x进击的水豚 @crypto_oldk]

🚨 Claude刚获得了实时股票价格、资产负债表、现金流量表和公司突发新闻的访问权限。

没有幻觉。没有猜测。真实的结构化财务数据。

它叫金融数据集MCP服务器，华尔街应该紧张了：

[爱丽丝呀！ @BTCqzy1]

量化交易的门槛，这次被 QuantDinger 彻底拆掉了。

你不再需要精通 Python、不用手动拉数据、不用自己搭回测框架，更不用担心代码调试。

只需要用大白话说一句策略想法，AI 就帮你完成剩下所有事。

QuantDinger 核心亮点：

· 支持加密货币、美股、外汇 全部打通
· AI 多智能体协作（策略师 + 风控 + 回测专家内部辩论）
· 自然语言生成 Python 策略 + 一键回测 + 可视化 + 自动交易
· Docker 两分钟部署，数据全在本地，隐私拉满

实际操作有多简单？

输入：“帮我用突破策略回测 BTC 过去 30 天”

→ 系统自动调度 AI 团队：拉取数据、生成策略代码、跑完整回测、输出图表和绩效报告。

进阶亮点⭐️：

预测市场分析：支持 Polymarket 等预测市场作为研究工作流。

输入市场链接或关键词，AI 可自动拉取赔率、做概率分歧分析、打机会分、给出 YES/NO/HOLD 建议（目前主要用于辅助研究和决策）。

GitHub：
https://t.co/elrN9rfO4v

感兴趣的可以直接跑起来试试，DYOR。

[铁锤人 @lxfater]

https://t.co/VXmgiu5h5f

[Andrej Karpathy @karpathy]

LLM Knowledge Bases

Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So:

Data ingest:
I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them.

IDE:
I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides).

Q&A:
Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale.

Output:
Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base.

Linting:
I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into.

Extra tools:
I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries.

Further explorations:
As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows.

TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

前端哥要失业了！
做产品、做前端、做设计的，这个 GitHub 仓库建议收藏。

awesome-design-systems——收录了全球 200+ 家公司的设计系统，21.5k Star。

Google Material、Apple HIG、Ant Design、IBM Carbon、GitHub Primer、Microsoft Fluent、Adobe Spectrum... 你能想到的大厂设计系统全在里面。

每个条目标注了四个维度：
- 有没有组件库代码
- 有没有语言风格指南
- 有没有设计源文件（Figma/Sketch）
- 源码是否开源

不管你是在搭自己的设计系统，还是想参考大厂怎么做的，这个清单都是最好的起点。

🔗 https://t.co/7TdXwAn8uC

[Niko @guishou_56]

本来以为前端类的 Skill 已经过剩了，出不了什么新鲜的活了

昨天刷到一个叫 Awesome Design 的仓库，将近20K的star

把全球 55 个大厂的设计语言，全塞进了一个 DESIGN.md 里

苹果、Spotify、IBM 这些有极好品位的品牌
常用的配色、字体、组件，一次全有了

用法很简单：
把仓库链接发给 Claude Code，让它自己安装配置
装好之后让它参考这份设计规范去跑你的项目就行

随便跑了几个 case

因为有了这套规范，设计下限直接被拉高了

几乎很难再出 AI 味的前端了

https://t.co/DjmPrfoOwF

[棱视资讯 Prism News @w9823]

全球第一家反洗脑平台，金融投资炒股必备！

[Bill The Investor @billtheinvestor]

MD，电诈又一春！

有人刚刚开源了一个工具，仅需 3 秒的音频剪辑即可克隆任何声音，并且可以 100% 本地运行。它被称VoiceBox。

它是 qwen3-tts 的首个原生桌面端实现，能够完美处理复杂的情绪和多语言切换。100% 开源。

[阿川 | AI thinking @AI_jacksaku]

微软又搞事情了。

一个低调的Python工具，悄悄爬到GitHub趋势榜第一。

10万+ stars。

它叫MarkItDown，干什么的？

把任何文件变成Markdown。

PDF、Word、PPT、Excel、图片...

扔进去，出来就是干净的Markdown。

听起来很简单对吧？

但你知道这解决了多大的痛点吗？

RAG系统最头疼的就是：怎么喂数据给AI。

PDF格式乱七八糟，Word藏满隐藏样式，

PPT全是图片没文字...

现在，一行代码搞定。

更狠的是，这是微软官方出品，

完全免费，开源，可商用。

我试了一下，一个200页的PDF，

3秒转完，格式干净得不像话。

这就是大厂的实力：

不做则已，一做就是行业标准。 https://t.co/wYANKoFiOl

[看不懂的SOL @DtDt666]

1. 握草，牛逼，有人做出了一款AI，完全读懂看懂K线图交易，胜率93%。

2. 它用45家交易所的120亿条数据训练而成，准确率比所有同类模型高出93%，比特币实时演示免费看。

3. 这款AI名叫Kronos

4. 它是首个专为金融市场打造的开源基础模型，不是把通用AI改去做金融，而是天生就懂K线形态的专业金融AI

5. 别的模型都把金融数据当成气象数据瞎分析，Kronos则是完全按金融数据的逻辑来处理

6. 它能做到这些：- 价格预测：输入K线，就能预判后续走势
- 波动率预测：提前算出资产接下来的波动幅度
- 零样本适配：不用额外调试，任何资产、任何市场、任何周期都能用
- 覆盖45家交易所：币安、纽交所、纳斯达克、伦交所等45家主流平台
- 4种模型大小：400万参数的版本笔记本就能跑，4.99亿参数版精度拉满
- 实时演示已上线：BTC/USDT24小时走势预测，每小时更新

7. 最夸张的是：- 准确率比主流时序模型高93%
- 比顶尖的非预训练基准模型高87%
- 全程零样本，不用调试，拿来就能用

8. 对冲基金花几百万做专属模型，彭博终端一年要2.4万美元

9. 但Kronos在笔记本上就能跑，几行Python代码就能调用，还完全免费

10. 由清华大学研发，入选2026年AAAI人工智能顶会，模型已上架Hugging Face

11. GitHub收获1.16万星标、2400次复刻，采用MIT开源协议

12. 100%开源