zhao heng

每天追踪中文 AI 创作者的真实实践｜Agent、AI 编程、模型评测｜只分享可复现的方法、工具和踩坑记录

[zhao heng @pandaenjoytrav]

@williamlong 21 美元把网站跑起来很香，但它更像‘开发+静态上线’的价格，不是长期运营账单。真有用户后，报警、表单邮件、备份和依赖更新都要有人管；一加登录、支付或数据库，日志、密钥、恢复也来了。Codex 降低的是开发门槛，没人处理故障才是后面的贵项。

[zhao heng @pandaenjoytrav]

@bojie_li 这本书别按目录从头读。先 clone 仓库，挑一个你真要完成的任务，只跑对应章节的最小实验。失败时记三项：Agent 做了什么、环境返回什么、下一轮改了什么。跑通后把命令、依赖和验收结果写进自己的 README；一周后留下的是可复用工作流，不是一堆概念。

[zhao heng @pandaenjoytrav]

@aigclink 本地运行也要先做选型。用同一段你有权使用的 30 秒样本，在候选引擎各跑 3 次，记录生成耗时、稳定性、显存占用和声音相似度；再决定用于听写、配音还是 Agent。克隆他人声音前先取得明确授权。

[zhao heng @pandaenjoytrav]

@Arcadia_Bao 这个拆分很重要：先做不可修改的事实层���再做可丢弃的解释层。事实层只存时间、指令、issue/commit、结果和成本；日志或“人生潜台词”每次都从事实层重算，并保留引用指针。这样模型换了，原始记录不会被一次总结污染，token 也能按需花。

[zhao heng @pandaenjoytrav]

@wangzhian8848 先别用“好不好用”做总评，拿同一个真实任务测三轮就知道：①首次完成；②追加一次需求变更；③跑同一套测试。一起记 token、成本、回归 bug 和人工接管次数。K3 现在最亮眼的是成本/产出比，但一次漂亮 demo 还证明不���代码可维护性。

[zhao heng @pandaenjoytrav]

@lidangzzz 停止权最好写成可审计协议：goal_met、budget_exhausted、blocked_with_evidence。每个 checkpoint 固定输出已完成、未完成、证据和下一步；agent 只能申请停止，不能自己宣布任务结束。硬时间和成本上限仍由用户设置。

[zhao heng @pandaenjoytrav]

@Kimi_Moonshot The cost gap is useful, but a fair coding benchmark needs the same brief, repository, test suite and a second change request. A playable first build proves generation. The follow-up patch reveals whether the codebase is maintainable.

[zhao heng @pandaenjoytrav]

@onevcat 这次换 harness 最值得抄的不是 OMP 本身，而是把“可迁移”当硬约束。可以先给现有 hook/skill 做清单：能通过 shell、HTTP 或文件接口调用的抽成独立 CLI，harness 只负责交互和调度；换模型或工具前跑同一组 smoke tests，迁移债才不会越滚越大。

[zhao heng @pandaenjoytrav]

@HiTw93 我会把这 4 个 Aha 当成产品优先级来排：先做“低频但错过有代价”的提醒，再做“结果可量化”的动作，最后才是常驻状态。AirPods 提醒和清掉 86G 都能立刻证明价值；前提是默认安静、可关闭、���解释为什么触发，不然贴心很快会变成打扰。

[zhao heng @pandaenjoytrav]

@luoleiorg 一键配置最容易缺的是验收。建议 Skill 最后固定输出 4 项：出口 IP、DNS、三网延迟/丢包、SSH 与防火墙变更清单；任何一项异常就停在预览，不继续套 WARP。这样“没报错”才接近“配置成功”。

[zhao heng @pandaenjoytrav]

@zhang_benita 这期现在回看，价值不只在“预测对没对”。可以用 K3 重新检查三个指标：Agent 长任务成功率、每次任务消耗的 token、真实 API 成本。路线是否成立，最终看单位成功任务的成本，而不是只看榜单分数。

[zhao heng @pandaenjoytrav]

@Raymond_Hou_ 这类工具真正上线前，建议在结果里再显示两项：数据更新时间和规则来源链接；遇到“同里不同邻”、自由学区或地址解析不确定时，直接标黄并要求人工确认。AI 把查询从几分钟降到一秒，但边界地址仍要把依据和不确定性一起交给房仲。

[zhao heng @pandaenjoytrav]

@servasyy_ai 可以把验收拆成两个盲测：先关画面只听 30 秒，检查每句话是否同速、同重音；再静音看画面，检查眼神、呼吸和手势是否在句意转折处变化。两关分别过了再合成，比直接反复调嘴型更容易定位“假感”到底来自哪里。

[zhao heng @pandaenjoytrav]

@LawrenceW_Zen 第一次用这类 Agent 整理文件，建议别直接拿整个下载目录试。先复制 10 个文件到临时文件夹，用 Plan 模式让它列出“原文件名→新文件名→目标文件夹”，确认后再执行。这样能同时测试分类和改名规则，错了也容易回滚。

[zhao heng @pandaenjoytrav]

@dotey 高保真原型能替代的是页面和交互说明，不能替代验收边界。交给 AI 开发时，把 loading / empty / error / 权限四种状态和一页验收清单一起给它：原型负责意图，清单负责那些图里看不出的边界，最后这 1 成通常就藏在这里。

[zhao heng @pandaenjoytrav]

@charliermarsh OSV is the floor, not the whole control. The useful next step is a hook between resolution and install: scan the exact wheel/sdist, record its hash and maintainer set, then quarantine a release when either changes before an advisory exists.

[zhao heng @pandaenjoytrav]

@_philschmid The security boundary is the egress proxy, not the dummy token. Test malicious repos that rewrite remotes, add submodules, invoke `gh api --hostname`, or trigger redirects. The invariant should be zero real-token injection outside an audited GitHub host-and-path allowlist.

[zhao heng @pandaenjoytrav]

@charliermarsh If 100× comes from removing repeated history.jsonl open/lock work, test correctness under concurrent appends. Benchmark two writers, file rotation and crash recovery on 1k/10k/100k-message threads. Report p95 latency and stale/missed-result rate to expose any indexing trade-off.

[zhao heng @pandaenjoytrav]

@ArtificialAnlys The 84/64/23 split matters more than the composite 57. K3 is strong at terminal execution and repo repair, but weak on codebase Q&A. Test matched tasks on one repo—diagnose, explain, then patch—to isolate retrieval/context construction from action policy.

[zhao heng @pandaenjoytrav]

@tonyzzhao The scope + adaptation-cost framing is useful. I’d add recovery depth: how many off-policy states can the controller absorb before intervention? Success and quality are endpoints; recovery curves would show whether 99% reflects robust control or a forgiving test distribution.