Elvis Cai

have great interest in the world

[车厘子 @0xcherry]

https://t.co/selPFddHVP

[Yuker @YukerX]

https://t.co/KTrGqOtRAq

[宝玉 @dotey]

你日常用 Claude Code，用了多少功能？手机上写代码？语音编程？让 Claude 每 5 分钟自动帮你处理代码审查？

Claude Code 的创建者 Boris Cherny 列了 15 个他觉得被低估的功能。

【1】Claude Code 有移动端

Boris 说他有很多代码是在 iOS 上写的，不用开电脑就能改代码。操作方式：下载 Claude App（iOS 或 Android），左侧菜单里有个 Code 标签页。

【手机端更适合轻量级修改和任务下发，比如在地铁上让 Claude 开始跑一个任务，不是真的在 6 寸屏幕上写复杂逻辑。】

【2】会话可以在手机、网页、桌面端和终端之间来回切换

在终端运行 `claude --teleport` 或输入 `/teleport`，可以把云端会话拉到本地继续。反过来，用 `/remote-control` 可以从手机或网页远程控制本地正在运行的会话。

Boris 在设置里开启了"为所有会话启用远程控制"。

文档：https://t.co/E07xvGQM93

【解决的是一个真实痛点：工位上启动了长时间任务，人需要出门，但想随时看进度、追加指令。目前 Remote Control 还是研究预览阶段，同一时间只能远程控制一个会话。】

【3】/loop 和 /schedule：定时自动化

Boris 说这是 Claude Code 最强大的两个功能。可以设定 Claude 按固定间隔自动运行任务，最长持续一周。

他自己在本地跑着一堆循环：

- `/loop 5m /babysit`：每 5 分钟自动处理代码审查意见、自动 rebase、把 PR 护送到合并上线
- `/loop 30m /slack-feedback`：每 30 分钟根据 Slack 反馈自动提 PR
- `/loop /post-merge-sweeper`：自动补提 PR，处理之前审查中遗漏的评论
- `/loop 1h /pr-pruner`：每小时清理过时或不再需要的 PR

Boris 的建议：把工作流变成 skill + loop 的组合。

文档：https://t.co/uF14GJiVmm

【这可能是整个帖子里最有想象力的部分，把 Claude 从"你问它答"变成了后台持续运行的自动化工人。但有几个限制要注意：终端必须保持开启，/loop 任务最长跑三天（一周是通过桌面端的 /schedule 实现的），电脑不能休眠。另外，babysit 这种自动处理审查并推到生产的做法，前提是你有充分的测试覆盖，不建议在测试薄弱的项目里照搬。】

【4】Hooks：在代理生命周期中插入确定性逻辑

Hooks（钩子）可以在 Claude 运行过程中的特定节点自动执行预设逻辑：

- SessionStart：每次启动时动态加载上下文
- PreToolUse：每次执行 bash 命令前记录日志
- PermissionRequest：把权限请求发到 WhatsApp，远程批准或拒绝
- Stop：Claude 停下来时自动催它继续

文档：https://t.co/jPf1XgiR5n

【Hooks 类似 Git 的 pre-commit hook，但作用于 AI 代理的整个生命周期。这是 Claude Code 作为"代理平台"而非"编程助手"的关键设计，高级用户会喜欢，但学习成本不低。】

【5】Cowork Dispatch：远程操控桌面端

Boris 说他每天都用 Dispatch 来处理 Slack 消息、邮件、管理文件，不在电脑前也能用。

Dispatch 是 Claude 桌面应用的安全远程控制功能，可以使用你的 MCP 服务器、浏览器和电脑，前提是授权。

产品页面：https://t.co/2Cu35XFijB

【Dispatch 和前面的 Remote Control 容易混淆。简单区分：Remote Control 控制的是终端里的 Claude Code 会话，Dispatch 控制的是桌面端的 Claude 应用，后者能操作浏览器、文件系统，能做的事更多。Dispatch 目前只支持 macOS。】

【6】前端开发一定要装 Chrome 扩展

Boris 说，用 Claude Code 最重要的一点是给 Claude 一个验证输出的方式。

他的类比：让一个工程师做网站但不让他用浏览器，结果能好看吗？给他浏览器，他会自己写代码、自己看效果、自己迭代到满意。

Boris 每次做前端项目都装 Chrome 扩展，说比其他类似的 MCP 工具更稳定。

下载地址（Chrome/Edge）：https://t.co/AM61sLmG4P

【"给 AI 一个验证自己输出的方式"这条原则不只适用于前端。任何能让 Claude 看到自己工作结果的机制，跑测试、检查编译、预览效果，都能显著提升输出质量。可能是整个帖子里最值得记住的一条。】

【7】桌面端内置 Web 服务器预览

Claude 桌面端可以自动运行 Web 服务器并在内置浏览器里测试，不需要手动配置。命令行和 VSCode 通过 Chrome 扩展也能实现类似效果。

文档：https://t.co/5U0anp73A6

【8】会话分叉

两种方式：在当前会话里运行 `/branch`，或从命令行运行 `claude --resume <session-id> --fork-session`。

【探索不同方案时有用。让 Claude 做到一半，想试另一个方向，分叉出去两边互不影响。】

【9】/btw：边工作边问问题

Claude 执行任务的过程中，用 `/btw` 可以插入快速问题，不打断正在进行的工作。单轮问答，不会调用工具，但能看到当前会话的完整上下文。

【小功能但实用。相当于 Claude 在干活时你在旁边问了一句"顺便问一下……"。】

【10】Git Worktrees：并行开发的基础设施

Git 工作树（worktrees）允许你在同一个仓库里同时检出多个分支到不同目录，互不干扰。Claude Code 对工作树有深度支持。

Boris 说他随时有几十个 Claude 实例在跑，靠的就是工作树。用 `claude -w` 启动新的工作树会话，或在桌面端勾选"worktree"。不用 git 的用户可以通过 WorktreeCreate hook 自定义创建逻辑。

【"几十个实例同时跑"这种用法对订阅额度和机器性能都有要求。但即使只跑 2-3 个并行会话，工作树也比反复切分支高效得多。】

【11】/batch：大规模并行修改

/batch 先和你沟通需求，然后把任务扇出给多个工作树代理并行执行，数量可以是几十个、几百个甚至上千个。适用于大规模代码迁移和其他可并行化的工作。

【对"全仓库 API 改名""所有文件从格式 A 迁移到格式 B"这类批量操作很有价值，前提是你的任务确实可以并行化，而且有足够的测试来验证批量修改没出问题。】

【12】--bare：SDK 启动提速最多 10 倍

默认情况下，`claude -p`（或 TypeScript/Python SDK）启动时会搜索本地的 CLAUDE.md、settings 和 MCP 配置。但在非交互式场景下，你通常会通过 `--system-prompt`、`--mcp-config` 等参数显式指定加载内容，默认的搜索流程就成了浪费。

Boris 说这是最初设计 SDK 时的失误，未来版本会把 --bare 设为默认，现在需要手动加。

【写自动化脚本和 CI/CD 集成的人注意这条。加上 --bare 跳过不必要的配置加载，速度提升明显。】

【13】--add-dir：跨仓库工作

在一个仓库启动 Claude，用 `--add-dir`（或 `/add-dir`）让它看到并操作另一个仓库。也可以在团队的 settings.json 里配置 `additionalDirectories`，所有人启动时自动加载。

文档：https://t.co/PIP2NSAS2G

【14】--agent：自定义代理

在 `.claude/agents` 目录下定义代理，用 `claude --agent=<名字>` 启动。可以给代理设定专属的系统提示词和工具集。

文档：https://t.co/bQLePyxSxi

【自定义代理的价值在于专业化。与其让一个通用 Claude 处理所有事，不如为代码审查、写测试、写文档各创建一个专用代理，每个加载不同的上下文和工具。这和前面 skill + loop 的思路是一脉相承的。】

【15】/voice：语音编程

Boris 说他大部分代码是用语音说给 Claude 的，不是打字。

操作方式：命令行里运行 `/voice` 然后按住空格键说话；桌面端按语音按钮；iOS 上启用听写功能。目前支持 20 种语言。

【语音编程的效果取决于任务类型。描述功能需求、解释 bug、口述重构方案，语音可能比打字更快。但精确描述代码结构或变量命名时，打字更高效。】

Boris 在最后说他其实还想继续写但强迫自己停了，后续会发更多。

[Elvis Cai @ofsole]

@9hills mark

[Yanhua @yanhua1010]

推荐一些我目前安装的Claude Skills:

1. Anthropic官方Skills
https://t.co/Xfgu1Thw69

2. Superpowers
1.6万Star的Skill精选，从脑暴、写需求文档、开发、测试全包含，口碑相当好。
https://t.co/D2ToCBGnbN

3. Planning-with-files
参考Manus的Agent方法写的Skill。很适合多步骤任务，用这个Skill指导其他Skill工作也挺好。
https://t.co/EKBZQmr03F

4. X-article-publisher-skill
王树义老师写的X文章发布Skill， 这个值得研究下，后续看看能不能实现其他平台的自动化
https://t.co/rjDPGC4gtg

5. NotebookLM skill
自动上传PDF、Youtube链接到NotebookLM，很适合NotebookLM内容的自动化处理
https://t.co/CX0vPril27

还有一些是自己平时总结的内容创作skills，后续继续分享具体使用场景案例！

[Elvis Cai @ofsole]

之前一直想在Dify里面调用claude code agent，换个思路，确实没想过用 skill subagent来代替Dify，有空去试试

[宝玉 @dotey]

https://t.co/h79AGSMOtM

[Elvis Cai @ofsole]

@0xbisc looks cool

[yan5xu @yan5xu]

强烈推荐读一下这篇文章 我自己做了些整理

作者是北大 Linian Wang。文章讲的是把 Kimi K2 适配到 vLLM 的过程中，遇到一个很反直觉的现象：同一个模型，在官方 API 上 tool calling 几乎不出错，但换到 vLLM 上就一塌糊涂。然后作者一步步定位原因、推动修复。

我觉得它最值得看的点，其实不是“Kimi/K2/vLLM”上，而是通过这个过程可以把大模型 API 的底层逻辑理解清楚：

大模型 API 的本质：把请求“展开成 Prompt（Token 序列）”，然后做补全（completion）。
所谓 chatbot、tool calling / function calling，本质都是在这个过程上做工程封装。

一切都可以拆回成：Render → Completion → Parse

现在 Chat Completions（以及 function call / tool calling）看起来是这种“结构化请求”：
- messages：system/user/assistant 多轮（也包含 tool_calls 与 tool 的返回）
- tools / functions：工具定义
- tool calling 的模式/约束：tool_choice、parallel tool calls 等
- 采样/停止参数：temperature、stop、max_tokens…

但在模型真正开始预测下一个 token 之前，这些东西都会被系统按照下面的过程处理：

(A) 展开（render）→ 得到最终 Prompt（文本/Token 序列）
(B) 补全（completion）→ 模型续写下一段 Token
(C) 解析（parse）→ 把续写还原成 assistant 文本 / tool_calls 等结构化结果

所以其实可以这么理解：
- Chat Completions ≈ Completions +（A：自动把 messages 渲染成 prompt）+（C：把输出再解释回消息结构）
- Chat + tool calling ≈ Chat +（C：把“特定格式的补全”解析成 tool_calls，并做 schema 校验/护栏）

重点：Chat / Function Call 不是模型多了一种全新能力，而是服务端把 prompt 构造与输出解析自动化了；模型层面依旧是在做下一段 token 的补全。

文章里出现的 bug 基本都发生在 A（render）或 C（parse），而不是“模型本身能力不行”。

文章里一个非常实用的排障方法：
- 不直接用 /v1/chat/completions
- 而是在外部手动 apply_chat_template 得到最终 prompt
- 再把这个 prompt 丢给更底层的 /v1/completions

这么做的好处是：你能“看到真相”：
- 你能检查最终 Prompt 到底长什么样（当然也可以用 echo 回显出来）
- 你还能看到模型最原始的补全文本（协议 token 没被上层 parser 二次加工/丢弃）

后面很多结论，都靠这一步才定位出来：问题不在“模型不会调工具”，而在 prompt 展开和输出解析存在不兼容或边界问题。

三个问题，用更直白的话讲清楚就是展开和解析上出了问题

1) Prompt 末尾少了“现在轮到 assistant 开始输出”的自动补全后缀

本来应该用户问一句 → 模型应该立刻按 tool call 的格式进行补全。
但因为一个参数没有传递到位，导致实际喂给模型的 prompt 末尾缺了关键的 assistant 回合起始标记 / generation prompt（可以理解为少了一个重要的协议尾巴，相当于没明确告诉模型“轮到你回答了”）。
结果就是模型仍然会补全 token，但完全不知道“接下来该干嘛”
- 有时像在续写历史对话（没进入回答态）
- 有时输出自然语言闲聊
- 有时输出半截结构化但不成形

1) 空内容被错误渲染成，直接把 prompt 污染成噪声

某条历史消息 content: '' 就是“空”，本来在 Prompt 也应该就是🈚️啥也不出现。
结果实际渲染链路，框架内部为了统一数据结构，把 '' 标准化成类似 [{type: "text", text: ""}] 这样的 list（多模态/富文本体系里很常见）塞到 Prompt 里面。
结果就是模型是在对“被污染的上下文”做补全。导致 tool calling 的效果劣化。

3) 模型其实已经“写出了工具调用”，但解析器太严格，把它当异常丢掉了

模型已经生成了“看起来就是工具调用”的片段，但是解析器太严格了，当做异常处理掉了。
（这里面还有上下文污染导致模型生成格式不对的原因）

读完这篇文章最大的收获

1) 一切要还原到“Prompt 补全”这个本质上来理解。
虽然这篇文章，是围绕 tool calling 展开的，但它的结论其实适用于所有大模型 API 场景（chat、completion、structured generation……）。
不管你是用 chat 还是 function call，本质上都是在做“Prompt 补全”。
所以当遇到问题，第一步都要还原到“最终 prompt 是什么样子？”要拿到实际喂给模型的 prompt，甚至不用像文章中这样，拿到协议层的，只用看到你的 API 请求就能判断对不对。
另外很多 API 的报错，也可以从“Prompt 补全”这个角度去分析。

2) Tool calling 本质是“强约束 Schema 输出”（甚至可以当 JSON 限定器/结构化生成器用）。
从工程角度看，tool calling 更像：
让模型按一个强约束的输出协议（schema）去生成结构化片段，然后由服务端解析并执行。

一旦你把它理解其本质是“强 schema 生成”，你会发现 tool calling 还能干一件很实用的事：
- 你不一定真的要“调用工具”，也可以把它当作 JSON/DSL 的限定器，让模型稳定地产出符合 schema 的结构化结果，再交给下游系统处理。

对“强约束生成 / constrained decoding”这个方向感兴趣的话，也推荐顺手看：
- XGrammar：偏“把语法/约束编译成高效的 token 级约束”，让解码阶段就不可能走出非法分支
- LLGuidance：偏“用 guidance/约束驱动生成”，把结构化正确性前置到解码过程，而不是生成完再靠 parser 猜测。

[宝玉 @dotey]

AI Agent 要变强，有两条完全不同的路。

一条是 Skill，也就是给自己装技能，把新能力直接塞进脑子里。

另一条是 SubAgent，就像派小弟去干活，自己只看汇报。

这两条路听起来都能让 Agent 更厉害，但适用的场景还是有所不同，用错了的话，你的 Agent 可能反而会越用越慢、越用越乱。

Skills，就像是给主 Agent 装插件。

比如你的 Agent 原本只会聊天，现在你想让它能写 PPT。Skills 的做法是：把写 PPT 的能力说明、工具调用方式、注意事项，全都塞进主 Agent 的上下文中。主 Agent 通过上下文学会了这项技能，它可以自己来写 PPT。

第二种叫 SubAgent，就像是委托外包。

同样是写 PPT，SubAgent 的做法是：主 Agent 把任务派给一个专门写 PPT 的 SubAgent，SubAgent 独立完成后把结果交回来。主 Agent 全程不参与具体执行，只负责派活和验收。

一个是内化能力，一个是外包能力。听起来都能搞定任务，区别在哪？

区别在上下文管理，上下文就是 AI 的记忆。

你可以把 AI 的上下文想象成一张工作桌。桌子大小是固定的，你放的东西越多，就越难找到需要的那份文件。这就是上下文容量的问题。

Skills 模式下，所有能力说明都铺在同一张桌上。好处是信息互通，主 Agent 能看到所有中间结果，推理过程连贯。坏处是桌子很快就乱了，Prompt 越来越长，能力之间可能打架，AI 开始犯糊涂。

SubAgent 模式下，SubAgent 在另一张桌子上干活。干完把结果递过来，过程中产生的草稿、中间文件全留在那边。主 Agent 的桌面保持干净。代价是信息传递要设计好，不然关键信息可能在交接时丢了。

这就是上下文污染问题，这里的污染不是夸张的比喻，是真实的工程瓶颈。

什么时候用哪种？

判断标准其实很简单：子任务有多复杂，以及你需不需要完成任务过程中产生的信息。

Skills 适合的场景：任务本身不太复杂，或者你需要主 Agent 全程掌控。

比如让 Agent 充当入口路由，根据用户请求加载不同的“场景模式”，像进入 YouTube 总结模式、进入写报告模式。这时候 Skills 的懒加载特性很香：先只加载能力名字和简介，真正要用时才加载完整说明。不像 MCP 那样一股脑把所有工具的详细文档全塞进上下文。

SubAgent 适合的场景：子任务很重、很耗时、中间过程很啰嗦。

最典型的例子是浏览器调试工具。Chrome DevTools 的 MCP 功能很强，但工具说明太臃肿，放进主 Agent 会严重占用上下文。把它封装成 SubAgent，你只需要说“去查日志、截图、分析一下”，它跑完把分析结论递回来。中间那些截图、DOM 树、网络请求细节，全都留在 SubAgent 那边，不污染主 Agent 的上下文。

进阶玩法

有意思的是，Skills 和 SubAgent 这两种模式可以结合。这技巧是从 @yan5xu 那里学来的（https://t.co/uSkwSUvNiJ）。

第一种思路叫“先展开再压缩”。

打个比方：你开了一个两小时的头脑风暴会，白板上写满了草稿、争论、被否决的方案。但最后写进会议纪要的只有三条结论。那些中间过程对得出结论很重要，但对后续执行的人来说是噪音。

Agent 也可以这样操作。主 Agent 发现需要某个 Skill，加载进来，一通操作拿到结果。然后把从“加载 Skill”到“拿到结果”这整段过程折叠掉，只保留最终结论。对后续推理来说，就像开了一个会但只留下了会议纪要。

第二种思路是用文件系统做“中转站”。

想象你管理一个外包团队。你不会把所有需求细节都塞进一条微信消息里，而是说“需求文档在这个链接，去看”。外包团队交付时也不会把源码复制粘贴给你，而是说“代码在这个仓库，部署文档在这里”。

Agent 之间也可以这样协作。主 Agent 委托任务时，不把冗长的背景资料直接写进指令，而是存成文档，只传一个地址。SubAgent 返回时也一样：交付一个简短的状态摘要——“完成了/卡住了/需要你决策”——加一个详细记录的文档地址。主 Agent 根据情况决定要不要点进去看细节。这样双方的上下文都保持精简。

第三种是 Claude Code 里的实战技巧。

上下文快见底时，让 Claude 把当前完成的工作总结成一份文档。然后用 rewind 功能回滚到任务开始前的状态，告诉它：“这件事我已经做完了，记录在这个文件里。”

相当于什么？相当于你跑了一场马拉松，快到终点时发现体力不支。于是你把已经跑过的路线画成地图存档，然后“瞬移”回起点，精力充沛地说“我知道怎么走了，地图在这”。上下文被清空了，但成果保留了下来。用这个方法能在上下文耗尽前抢救一把。

最后

Agent 的竞争正在从“能调用多少工具”转向“怎么优雅地管理这些工具”。

很多人追逐最新的 Agent 框架、最花哨的能力扩展，却忽略了最基础的问题：AI 的工作记忆是有限的，你怎么组织它，决定了它能做多复杂的事。Skills 和 SubAgent 不是非此即彼的选择，而是两种工具，用对场景才能发挥价值。

说到底，Agent 架构设计和软件架构设计还是有很多相通之处。
是把逻辑写在一个巨型函数里，还是拆成模块化的微服务？
是共享全局变量图省事，还是严格隔离状态保持干净？

这些老问题换了个皮，又回来了。

[肖师傅 @xiaojietongxue]

🔫精准打击，定点清除：JSON修图大法

上传一张照片给Gemini，要求他使用JSON格式来描述这张照片，包括尺寸和图上的详细信息。

然后你就可以根据自己的要求，替换文字里的任何东西，指哪打哪，非常精准。
#AI #AIart #肖师傅 #AI邪修基地
https://t.co/6GjAfL9qgB

[Elvis Cai @ofsole]

😁 such a vibe, encouraging, worth a read.

[Jack Zhang @awxjack]

Stripe offered to acquire us for $1.2 billion when we had $2M in revenue.

Today, we've raised $330M at an $8B valuation and reached $1B ARR.

We could've died three times during this journey.

This is the story I've never told anyone before:

[Anthropic @AnthropicAI]

Last week we released Claude Sonnet 4.5. As part of our alignment testing, we used a new tool to run automated audits for behaviors like sycophancy and deception.

Now we’re open-sourcing the tool to run those audits.

[dontbesilent @dontbesilent]

已提现实现布局 150+ 国家和地区的自媒体业务

人物替换：Wan-AI/Wan2.2-Animate
数字人配音：Eleven Labs
多语种视频翻译：Heygen

[OpenAI Developers @OpenAIDevs]

We trained gpt-5-codex to be great at both responsive and mobile front-ends. Here's a thread of some examples:

"Make a pixel art game where I can walk around and talk to other villagers, and catch wild bugs."

[宝玉 @dotey]

最后

豆包 P 图Seedream 4.0 还是推荐自己动手试试看，可以结合我分享的一些案例，以及网上分享的一些教程，比如已经有人把 Seedream 4.0 各种好玩的提示词整理到了 GitHub 上，你可以很容易从中找到灵感。
https://t.co/WgQDEUhMtu

还有归藏的这篇分享《顶级邪修｜万字教程｜教你速通豆包・图像创作模型 Seedream 4.0》也值得学习：https://t.co/dvd45wqLyP

[吕立青_JimmyLv 2𐃏26 @Jimmy_JingLv]

100 个 🍌 Nano Banana 提示词大合集，值得收藏！

我 fork 了 @AIJamezBondos 的 Awesome GPT-4o Images 仓库，并写脚本让 gemini-2.5-flash-image-preview 全部重新跑了一遍。

发现确实 Gemini 是图像编辑之神，但是文生图美感不如 GPT

狠狠花钱做了对比图，求个 Star 🌟 https://t.co/JG61kCPNk3

[Ian Nuttall @iannuttall]

I just compared Claude Code vs Codex vs Cursor CLI

The task was to build a Next.js app with Tailwind 4 and shadcn components to collect customer feedback and showcase it with a widget.

I gave all three the same prompt and let them go for 30 minutes to see what they came up with.

Claude Code with Opus 4.1

Even though I told it to set up the app in the existing project folder, it tried to create a directory for it. After I interrupted and told it not to do that, it built a demo form and landing page with no errors.

I had to ask it to make the demo interactive so users could submit a testimonial and preview it.

The landing page looked like AI and was pretty basic, but it worked and it was done in a fraction of the time of the others.

Total tokens used: 33k

Codex with GPT-5

At the end of the 30 minutes I just could not get Codex to produce a working app. It got stuck in a loop of not being able to set up Tailwind 4 and despite many, MANY, attempts, I ended up with a "failed to compile" error.

Total tokens used: 102k

Cursor Agent with GPT-5

This was the slowest agent by far and a couple of times I actually thought it got stuck in a loop and was close to Ctrl+C'ing to cancel it.

The TUI is really nice though, especially how it shows diffs and it did eventually build a working app (after one or two slight errors that needed fixing)

The demo was interactive and it had a very minimal design that looked bare but also a lot less like an "AI generated" app than the Opus 4.1 design.

It also wasn't too chatty and just did what it needed to do!

Code quality was on a par with Opus 4.1, but it did use 5.5x as many tokens to get there. Still cheaper than Opus on a direct comparison but not when you factor in a Claude Code Max subscription.

Total tokens: 188k

I'll be able to do a proper comparison and record some videos when I'm back from holiday but for now, Opus is still the more capable model out of the box and Claude Code is the more complete CLI product.

It will be interesting to see how Cursor evolve their CLI though with commands and subagents because I think with GPT-5 they have a real shot at providing competition for Claude Code if they can optimise output to get similar quality with less tokens.

Jump to 0:40 in the video to see the two apps. Which do you think is which? ;)

[Sid @sidbid]

Claude Code is getting a brand new feature: custom subagents.

Type `/agents` to get started.

[Elvis Cai @ofsole]

哈哈，之前还担心claude code未来，看来多虑了

[凡人小北 @frxiaobei]

AI Coding 圈最近真的太热闹了。
Claude Code 的两位产品经理，Boris Cherny 和 Cat Wu，在 Cursor 稍作停留便双双回归。
腹黑一把，给这出戏取个名字：《如何用两位PM换来一次竞品调研》。

行业里一般有两种玩法：
第一种玩法：送人过去，看看竞品怎么玩。
第二种玩法：反着来，把 竞对核心人挖出来，顺便把知识副本一并拷走。

无论哪种玩法，都不太体面。
这次可能是第一种，行业经典剧本之一：送一枚人形 API 到竞对内部调试下。两周时间足够完成一场定向式知识抽取了。

最惨的可能是 Cursor：人还没来得及用好，转头就把情报原封不动送回 Claude 总部了。这回头的箭搭弓搭的有点快了。
Claude Code 应该没事，甚至可能更清楚该怎么做了，可以铺更大的 IDE 版图；Cursor 就难说了，可能得抓紧开个内部 review，问问哪些核心想法是不是已经“不小心流出”了。不知道是不是还得装作风轻云淡。

[Avi Chawla @_avichawla]

The only MCP server you'll ever need!

MindsDB lets you query data from 200+ sources, like Slack, Gmail, social platforms, and more, in both SQL and natural language.

A federated query engine that comes with a built-in MCP server.

100% open-source with 33k+ stars!