oyung

[Santiago @svpino]

5 design patterns for long-running agents:

1. Design your prompts carefully. Keep system instructions and tool definitions at the top and move dynamic memories and runtime data to the end. This enables prompt caching, cutting costs and latency.

2. Move any learnings on your harness to the background. Always reply to the user first, then process memories asynchronously. You never want the harness to slow user interactions.

3. Preserve files, installed tools, and unfinished work between sessions. Reattach agents to user-scoped environments instead of rebuilding them each turn.

4. Make any sub-agents return structured statuses such as completed, timed out, halted, or awaiting approval. Never return ambiguous prose that a parent agent might mistake for success.

5. Apply cheap, auditable security checks first, policy rules second, and human approval last. Normalize addresses and commands before checking them, and assume safeguards may eventually be bypassed; also isolate credentials and restrict network access.

This article breaks down each of these patterns:

[Jaydeep @_jaydeepkarale]

If you're preparing for an AI interview, start here. 🧠

10 LLM concepts you should be able to explain.

[lumxss @bkdgiffug]

想学 IoT，但每次找教程都东拼西凑？

最近挖到一个挺适合入门的合集：100 Days 100 IoT Projects，直接把 100 个嵌入式小项目按天拆开练。

🔌 ESP32 / ESP8266 / Pico
🐍 全程以 MicroPython 为主
📡 GPIO、ADC、PWM、Wi-Fi、蓝牙、WebSocket
🌡️ 温湿度、气体、超声波、PIR 等常见传感器
🌐 Web 控制、MQTT、Blynk、ThingSpeak 都能玩
每个案例基本都有代码、接线图和说明，没硬件还可以用 Wokwi 做仿真。

从点亮 LED 到智能家居、云端监控，一路练下来，拿来当 IoT 入门项目库挺合适。
https://t.co/W6Chpt67vq

[tut_ml @tut_ml]

Build a RAG App Project- https://t.co/p0NxRwVf5T

[爱吃折耳根的Ace @_zheergen]

我去！一个码农把自己 A 股实盘量化经验全开源了——stock，8.2K stars，涨停分析、可转债、因子选股、自动下单全套！

以前做 A 股量化，数据要自己爬、因子要自己算、涨停要自己盯，光搭环境就劝退。

这个项目不一样——作者从 2016 年攒到现在，把实盘里用得上的脚本全掏出来了：数据、选股、监控、下单一条龙。

核心亮点：

1️⃣ 涨停全套分析：涨停强度、封单金额、封榜监控、破 50 天新高
2️⃣ 因子选股：市盈率、流通量、股东数、基金持股数一键筛
3️⃣ 可转债监控：集思录/宁稳行情，折溢价、份额变动全抓
4️⃣ 数据源全：汇率、IPO 速度、大单交易、股权质押、公告 PDF 批量下
5️⃣ ML + 实盘接口：talib 形态识别、PTrade/富途、券商量化下单

我比较在意的是它接地气：涨停板、转债、基金折溢价，都是 A 股交易者天天碰到的问题。

做 A 股最值钱的不是单个策略，是一套能一直用的工具箱。

这个 repo 把 8 年的实盘脚本全给你了，从抓数据到盯涨停到下单。

https://t.co/8TfexHPpoR

[lumxss @bkdgiffug]

学大模型最怕什么？不是公式难，而是学完一堆概念，真到做项目还是不会下手。

最近发现这个《动手做大模型系列》，特别适合拿来边学边练。

🔥 微调：LLaMA-Factory
⚡ 部署：llama.cpp / Ollama / vLLM
📚 RAG：LlamaIndex / GraphRAG
🤖 Agent：Function Calling / Workflow
🛠️ 还有数据标注、Tool Call、Milvus、LLM监控等实战
视频、文档、代码配套，基本可以顺着一路做下来。

想把大模型从“看懂”变成“做出来”，这个挺值得收藏。
🔗：https://t.co/L5qVm2qYP7

[oyung @peanutanddaji]

@antiAIvo Qkv在这个例子里怎么表示

[lumxss @bkdgiffug]

想搞懂 LLM 里的强化学习，这门免费课可以收藏。

最近发现 UCLA 数学系 Ernest K. Ryu 教授的 《Reinforcement Learning for Large Language Models》，从 RL 基础一路讲到 LLM 训练。

🧠 策略梯度、A3C、PPO
🤖 NLP、语言建模、LLM 基础
🔥 RLHF、可验证奖励强化学习
💻 还有视频、Slides、Jupyter 代码和作业
不要求你提前学过 RL 或 LLM，但有深度学习基础会更容易跟上。

想系统补一遍 “强化学习到底怎么训练大模型”，这套课程挺值得刷。
🔗 https://t.co/WjaMcyN9vu

[oyung @peanutanddaji]

@Wujizhuzhu 智谱的真实价格预计在多少

[oyung @peanutanddaji]

@yihui_indie 幸运的是你发现了重复，而大部分人限于重复之中

[oyung @peanutanddaji]

@Kay2289123 How to lay up

[lumxss @bkdgiffug]

学大模型最怕的不是难，而是看懂了却不会写。

如果你也经常卡在“第一行代码怎么写”，可以看看这本《Hands-On Large Language Models》。

全书 12 章，从 Token、Embedding、Transformer，一路讲到 Prompt、语义搜索、RAG、多模态和模型微调。每章都有配套代码，可以直接用 Colab 跑起来。

少一点纯理论，多一点直接上手。

想系统入门 LLM 开发的，可以收藏这份资料。
🔗 https://t.co/G4USpGpEKv

[索螺丝 @fiapp_pro]

我们发布了两个金融量化概率模型，

其中 Fiapp Extreme Reversal V1（反转预测模型）准确率达到 76.8%，全面超越市场自然发生率 8.6%，

Fiapp Continuation V1（趋势持续预测模型）与市场误差 <1.6%

完整报告阅读：https://t.co/gNdUrOpKH1

[meng shao @shao__meng]

阿里 Zvec 团队开源 zg (zvec-grep)

一个本地优先、面向开发者和 AI Agent 的搜索工具，把语义检索、BM25、混合检索和 ripgrep 精确匹配收进同一个 CLI/MCP 入口，让 Agent 用更少的工具调用和 token 找到散落在本地文件里的信息。

https://t.co/vfx94rEgu7

要解决的问题
· rg 在目标明确时（函数名、报错、配置项）快且精确，但 Agent 的任务越来越多是自然语言意图：“恢复主题偏好”对应的实现可能叫 hydratePreferences，词面几乎不重叠。
· 纯关键词匹配要么漏，要么放宽后结果爆炸且无相关性排序；Agent 只能反复猜词、多次搜索、逐个读文件拼上下文——工具调用多、耗时长、context 膀胀，还可能基于不完整证据推理。
· zg 的定位：保留 rg 的精确/快速/穷尽，叠加语义发现、相关性排序和上下文组织。

设计与实现
· 四种检索一体：语义 / BM25 / 混合（RRF 融合去重排序）/ rg，覆盖“开放探索 → 相关性收敛 → 精确验证”全程，Agent 可按线索充足程度直接跳到任一阶段，不是固定流水线。
· 结构感知抽取：按代码符号、文档章节切成可独立寻址的信息单元，保留路径和位置；默认返回紧凑排序结果 + 有限预览，按需再加载全文。
· 本地优先：扫描、抽取、Embedding、索引、检索全部在设备端完成；内置 11 个本地 Embedding 模型，默认 local/potion-code-16m-v2（16M 参数静态模型，约 32 MiB，无需 GPU），Django 仓库 3457 文件在 M4 Pro 上索引 <30s；远程 Embedding 需显式授权才启用。
· 零配置接入：zg install 自动发现 Codex、Claude Code、Cursor、OpenCode 并配置 MCP；CLI 与 MCP 共享同一本地索引。
· 支持 macOS / Linux / Windows；索引嵌入式存储（Zvec），无需独立数据库服务；支持增量更新。

官方评测数据
配对 A/B，同一 Agent/模型/提示词，基线用 Agent 原生工具，zg 组仅加预建索引 + MCP 工具 + 使用指引：
· SWE-QA-Bench（20 题代码仓库问答）：工具调用减少 >50%，输入 token 减少约 50%，Judge 得分 +1.50。
· BrowseComp-Plus（80 题深度研究）：准确率 98.67% → 99.00%，输入 token −37.56%，工具调用 −43.52%，Agent 耗时 −38.58%。

产品路线图
图搜索与更多结构化信号、查询规划/重排/可解释性；PDF/Word/PPT、图片 OCR 与版面抽取；进一步压缩上下文；优化本地模型与资源占用，探索 iOS/Android 等受限环境。

[oyung @peanutanddaji]

@traderxiaoxia 赚认知内的钱

[oyung @peanutanddaji]

@yipoai 目前处于开摆状态

[美研芒格君 @Kay2289123]

入门 AI 不在于你学没学会，而是在于你去学什么。
分享4个最近/曾经看过的 AI/Inference/RL 强化学习分享视频，教程。团队成员说很有帮助，一直好评

看完之后你会大概入门：
1. 为什么我 LLM 的 推理 非常关键？
2. 在推理过程中，KV Cache 发挥了什么样的作用？
3. GPU 的 memory 和算力是怎样的权衡？
4. 为什么互联如此重要？
5. 强化学习是如何做的？为什么是下一阶段 AI 增长的关键点？

1/ Understanding the LLM Inference Workload - Mark Moyou, NVIDIA
https://t.co/0oZoAq6UC0

2/ Post-Training Nemotron With RL: Multi‑Environment Training for Reasoning and Tool-Using Agents
https://t.co/Q2HFcZytYo

3/ Fast & Efficient LLM Inference with vLLM
https://t.co/L9sPaoT6Jb

4/ Efficiently Serving LLMs
https://t.co/KV3RsTgLxM

[oyung @peanutanddaji]

@yifaer_chen 是故意的还是不小心

[oyung @peanutanddaji]

@antiAIvo 正解

[Alex Xu @alexxubyte]

How the JVM Works, clearly explained in 6 mins.