Quincy

🤖 AI Engineer | 程序员 | AI 工具实践
🚀 专注纳斯达克 | 价值投资信仰者
🥳 热爱生活 | 偶尔写段子

[Quincy @quincyvision]

Meta的新AI智能体Muse登上App Store榜首，推动该股上涨11%。科技股涨势由此延续，纳指创收盘新高，近期对AI安全的担忧被抛诸脑后,好了伤疤忘了疼🙂‍↔️

[Quincy @quincyvision]

@elonmusk False score card

[Quincy @quincyvision]

AI 批量生产内容后，最先被稀释的不是信息，而是信任。

未来的稀缺品不是“更多发帖”，而是可验证的来源、长期一致的观点，以及愿意为判断负责的人。

[Param @ParamSiddh]

Dead internet. This is scary. 😱

China's AI agent, Manus AI, runs 50 social media accounts 24/7, completely on its own.

[Quincy @quincyvision]

The real innovation isn’t localhost tunneling—it’s making ephemeral ingress machine-readable.

With --output json, an AI agent can start an app, publish it, capture the URL, run browser or webhook tests, and shut everything down—without scraping terminal logs, configuring DNS, or opening inbound ports.

This is infrastructure becoming agent-addressable.

Quick Tunnels are still a development primitive, not production infrastructure. But that’s precisely the point: Cloudflare is optimizing the entire build-test-share loop for autonomous coding agents.

[Suganthan Mohanadasan @suganthan]

What 🫣🫣

https://t.co/Op6eF5Ke5E

What a time to be alive man….

[Quincy @quincyvision]

How many days has it been since you last saw Elon Musk post in support of Trump?

[Quincy @quincyvision]

https://t.co/RPYLPX7IBr

[Quincy @quincyvision]

预测一下不出三个月OpenAI与Anthropic就会集成Jev的仿制版到AI中，ChatGPT 共同发明人 Diogo Almeida 闭关两年交出了 Jev。 不是更快的聊天模型，不写字、不写代码、不解释，只做决策。然而没有多大护城河。

[Quincy @quincyvision]

面对强大的民意，A终于松口支持Agents.md 了

[Thariq @trq212]

We're adding support for AGENTS.md to Claude Code.

Starting today in version 2.1.277, if there is no CLAUDE.md in a folder, Claude will check for and use AGENTS.md.

You can toggle this behavior in /config.

[Quincy @quincyvision]

今年科技圈已裁超 12.8 万人，但程序员该怎么给自己留后路？

真正该担心的，不是裁员，也不是 35 岁。
而是工作十年后，你的价值依然只有一家公司看得懂。
“你越努力，可能越早出局。”
这句话听起来刺耳，但我说的不是努力没用，而是：

如果努力的方向错了，你越努力，就越容易把自己变成一家公司的“定制件”。
你熟悉它的技术栈、业务流程、中间件和内部黑话；
你能解决所有历史遗留问题；
你写的代码，领导挑不出毛病；
你每年绩效都是 A。
可一旦离开这家公司，你突然发现：
外面的市场，并不知道该如何给这些能力定价。
这才是程序员最大的职业风险。
很多人快 30 岁时，都会纠结三条路：
继续深耕技术、下班发展副业，还是尽快转管理？
其实，三条路都能走。
但如果走错了，三条路也都可能变成死路。
1. 深耕技术
技术深度当然有价值。
但你要分清：你深耕的是底层能力，还是公司内部的“祖传技术栈”？
如果你的能力只能解决这家公司的问题，换一个行业、架构或者语言就大幅缩水，那不是护城河，而是路径依赖。
真正可迁移的技术能力，是系统设计、性能优化、工程效率、AI 应用和复杂问题拆解。
技术栈会过时，解决问题的能力不会。
2. 发展副业
接私活不等于拥有第二曲线。
如果白天给公司卖时间，晚上再给另一个老板卖时间，你只是多打了一份工。
收入增加了，风险并没有真正下降。
真正有价值的副业，应该逐渐沉淀出可以重复销售的东西：
产品、工具、课程、内容、渠道，或者稳定的客户来源。
副业的终点，不是让你每天多工作四小时。
而是让一部分收入，不再和你的工作时长严格绑定。
3. 转型管理
管理也不是天然的避风港。
如果你的影响力来自职位、汇报关系和公司授权，一旦离开组织，这些东西可能瞬间归零。
可迁移的管理能力，是招到合适的人、建立机制、控制成本、推动交付，以及对业务结果负责。
别只说“我带过 20 个人”。
要能证明：你带着他们解决了什么问题，创造了什么结果，而且这套方法能否在别的环境里复用。
所以，真正的问题从来不是：
技术、副业和管理，到底应该选哪一个？
而是：
你正在积累的东西，离开公司以后还能不能继续创造价值？
如果不能，无论 Title 多高、薪资多好，你都只是一个昂贵的“定制件”。
如果能，你才在逐渐成为一个可独立运转的“通用件”。
所谓通用能力，通常有四个特征：
外部可见
结果可验证
能力可复用
价值可交易
它可以是一款 App、一个 SaaS、一个插件；
可以是一套被市场验证的专业能力；
也可以是开源项目、技术品牌、行业影响力或稳定的客户网络。
判断自己有没有走在正确的路上，只需要问三个问题：
摘掉公司和职位，我还能证明自己是谁吗？
市场上有没有人愿意单独为我的能力付钱？
我过去一年的积累，能不能带到下一家公司继续使用？
如果答案都是否定的，就该警惕了。
程序员真正的后路，不是提前找到下一家公司。
而是有一天，即使公司不要你了，你仍然拥有作品、能力、客户和选择权。
不要只问：“我在公司里学到了什么？”
更应该问：
“如果明天交回工牌，我还能带走什么？”

[Quincy @quincyvision]

看到一段话特别有道理：运气的第一性原理，是一串递进式逻辑：

1、运气的本质是增加有效碰撞，不是烧香拜佛求庇佑。
2、增加碰撞的前提是暴露在优质圈子，不是闭门造车。
3、进入圈子要拉满主动输出频次，不做悄无声息的旁观者。
4、持续输出需要降低对单次成败的执念，不强求步步完美。
5、放下执念的关键是建立低成本试错机制，不孤注一掷。
6、敢试错的基础是收回注意力掌控权，不把命途寄托给天意。

一句话总结：运气的终点，不是等天降横财，而是用持续的碰撞，把偶然撞成必然。

[Quincy @quincyvision]

Kimi K3 的实际表现真有被宣传的那么强吗？

[Quincy @quincyvision]

@technicalyblond nice short video of a work day

[Quincy @quincyvision]

允许一切发生

人是变化的，境遇也是变化的，情绪和感受都是流动的，不要把一时的感受，认定为永远。
可能我们这一生要修的功课，都有如何面对突然离开的人、变淡的关系、变化的事情⋯..
但你也会惊讶的发现，曾经让你难过不得其解的事情，总会在未来的某一刻，变得没那么重要；你笃定不变的事，也会在某一刻变得释怀。
我们每天都在阅人、历事、看世界，认知在改变，时间也会沉淀和冲淡一切。
接纳允许一切的发生。人生海海，不过尔尔

[Quincy @quincyvision]

当A/O在解决问题或者技术革命的时候，作为国内顶尖技术人才不是思考技术革新而是兔死狐悲

[qinbafrank @qinbafrank]

https://t.co/IfgOV2kZ1t

[Quincy @quincyvision]

https://t.co/eM0MqPR0ge

[Quincy @quincyvision]

Codex大神呼吁：别再把 ChatGPT、Codex、API 和 Agent 混为一谈

很多人提到 OpenAI 时，想到的仍然是 ChatGPT。
但你完全不需要打开 ChatGPT，甚至不需要使用 Codex，也可能正在使用 OpenAI 提供的能力。
它可以出现在报销软件里，自动识别和整理收据；出现在旅游应用里，根据预算规划行程；也可以进入企业的工程系统，追踪线上故障、复现问题，最后提交一份附带测试的代码修复。

ChatGPT、Codex、Responses API、Agents SDK 和 Agents API 之间究竟是什么关系？

关键在于先分清四个层次：

用户通过什么界面使用 AI
应用怎样调用模型
谁负责维持 Agent 的工作循环
Agent 在哪里读取文件、运行代码和执行操作

ChatGPT 和 Codex：已经做好的产品界面
ChatGPT 和 Codex 首先是面向用户的产品。
ChatGPT 提供通用对话、研究、写作和任务处理界面；Codex 更专注于软件开发，让 Agent 可以进入代码库，读取文件、运行命令、修改代码并检查结果。
但模型能力并不只存在于这两个界面中。

开发者可以通过 API，把同样的模型和工具接入自己的产品。最终用户看到的可能是一个报销按钮、旅行规划页面或者故障分析面板，完全不需要知道背后运行的是不是 OpenAI。

因此，“使用 OpenAI”不等于“使用 ChatGPT”。
API 和 SDK 不是两款需要安装的新应用
API 是程序与程序之间的接口。
SDK 则是一套帮助开发者更方便地调用这些接口、组织代码和处理常见流程的开发工具。

简单来说：
OpenAI SDK 帮助程序调用 OpenAI API
Agents SDK 帮助开发者构建和运行 Agent 工作流
它们是开发组件，不是普通用户必须安装的软件。
Agent 不只是一次模型回答
普通模型调用通常是：
输入问题 → 模型生成答案 → 结束
Agent 的工作方式则更像：
理解目标 → 选择工具 → 查看结果 → 调整计划 → 再次行动 → 直到完成或需要用户决定
这个不断重复的过程叫做 agent loop，也就是 Agent 循环。

模型负责推理和决定下一步；真正维持循环、管理上下文、提供工具、执行规则并处理异常的那层软件，则通常被称为 harness。
可以把模型理解为“大脑”，把 harness 理解为让大脑能够持续工作的操作系统。
这一区别很重要，因为 Responses API、Agents SDK 和 Agents API 的主要差异，并不只是能不能调用模型，而是谁负责运行和维护这套 harness。
Responses API：把模型能力接入现有流程
假设你正在开发一个旅行应用。
用户上传航班确认邮件，模型负责提取日期、航班号和目的地，应用原有的代码再把这些信息写进行程表。
这种场景很适合 Responses API。
它可以让模型处理文本、图片和文件，使用 Web Search、File Search 等内置工具，也可以通过 function calling 请求开发者自己的程序执行操作。
但整体业务流程仍主要由开发者的应用控制。
换句话说，Responses API 更像是给现有软件增加一个“会理解、会推理、会调用工具的模型组件”，而不一定要把整个应用改造成 Agent。
官方 API 文档也显示，Responses API 能维护多轮上下文、调用托管工具、MCP 工具和开发者定义的函数。OpenAI Responses API
Agents SDK：开发者自己运行 Agent 工作流
如果旅行助手需要不断搜索方案、比较价格、询问用户偏好、修改计划，并在多个专业 Agent 之间传递任务，那么开发者可能会选择 Agents SDK。
Agents SDK 提供运行 Agent 循环所需的框架，包括工具、规则检查、运行记录、状态管理和 Agent 之间的任务交接。
在这种模式下，开发者拥有更多控制权：
怎样设计工作流
Agent 在哪里运行
状态保存在哪里
使用哪些工具和环境
是否接入其他模型提供商
代价是，开发团队也要负责部署、运行、监控和维护这套系统。
需要特别注意：开发者自己运行 Agent 软件，并不代表模型也运行在本地，更不代表所有数据都会保留在本地。模型服务、Agent harness 和执行环境是三个可以分别部署的部分。
Agents API：由 OpenAI 负责运行 Agent
2026 年 9 月 10 日，OpenAI 推出了公开测试版 Agents API。
它的核心变化不是“模型突然会使用工具了”，而是 OpenAI 开始把 Codex 背后的 harness 作为托管服务提供给开发者。
应用创建一个 Agent session，提供任务说明、模型、工具和环境。之后，OpenAI 负责维持会话、管理上下文、协调 Agent、处理中断，并让长时间任务可以继续运行。
开发者仍然负责：
产品界面
企业数据
业务工具
权限范围
哪些操作必须经过用户批准
但不再需要从零维护 Agent 的底层运行框架。
这尤其适合需要很多步骤、可能持续数小时或数天，并且中途可能被暂停或恢复的任务。官方接口将它定义为 managed agent session，也就是托管的 Agent 会话。OpenAI Agents API
三种方式可能做出完全相同的产品界面
仍以旅行助手为例：
Responses API 可以提取航班信息，再由应用代码写入行程。
Agents SDK 可以运行一套由开发者维护的规划流程，搜索、提问并不断修改方案。
Agents API 也能提供类似体验，但 Agent 的长期运行、上下文和恢复机制由 OpenAI 管理。
对用户来说，三种方案最后可能都只是生成一份等待确认的行程。
因此，不能仅凭“这个产品使用 Responses API”或者“它使用 Agents API”，就判断它能做什么。
真正决定能力边界的是：
开发者给它连接了哪些数据
提供了哪些工具
允许它执行哪些操作
哪些步骤必须由用户批准
最终结果是否经过检查
产品名称只说明技术入口，不等于实际权限。
Codex SDK 和 App Server 又放在哪里？
Codex 本身是一套偏向软件工程的 Agent harness。
Codex App Server 提供协议，让开发者可以构建自己的 Codex 客户端，处理对话、进度展示和操作审批。
Codex SDK 则适合把 Codex 的编程能力用于自动化任务，例如调查网站故障、分析代码库并提出可供审查的补丁。
使用这两种方式时，通常仍由开发者或团队运行 Codex。它们服务的是“把 Codex 的编码工作流嵌入其他产品”，不是所有通用 Agent 应用都必须经过这一层。
Harness 和执行环境不是一回事
这是整篇文章里最容易被忽略、却可能最重要的区别。
Agent 如果要读取文件、执行命令或者生成代码，就需要一个 workspace，也就是执行环境。它通常会放在某种受限制的 sandbox 中。
但“谁运行 Agent harness”和“谁提供 sandbox”是两个独立问题。
即使使用 Agents API，由 OpenAI 运行 harness，执行环境仍然可以是：
OpenAI 托管的 sandbox
企业自己的基础设施
第三方合作伙伴提供的环境
不使用 workspace，只调用外部工具
这种分离让企业可以把敏感文件和凭证留在自己的环境，同时使用 OpenAI 托管的 Agent 运行能力。
我的看法：真正的竞争已经从模型转向系统
Agents API 的意义，不只是 OpenAI 又推出了一个 API。
它释放了一个更明显的行业信号：模型正在逐渐成为 Agent 系统中的一个组件，真正决定产品价值的，将是模型之外的部分。
包括：
Agent 能获得什么业务上下文
它能使用哪些可靠工具
权限和审批如何设计
失败后能否安全恢复
过程是否可观察、可评估
最终体验是否符合真实工作流
当托管 harness 越来越成熟，“让模型循环调用工具”本身会逐渐变成基础设施，而不是长期壁垒。
企业真正的壁垒，可能是自己的数据、流程、权限体系、行业知识和用户信任。
同时，也没有必要把所有 AI 功能都做成 Agent。
如果一次 Responses API 调用加几段普通程序就能可靠完成任务，那么加入复杂的多 Agent、长时间会话和自动恢复机制，可能只会增加成本与风险。
更合理的原则是：
从能够解决问题的最简单架构开始。
只有当任务确实需要反复推理、多次调用工具、处理中断或跨越较长时间时，才逐步升级到 Agents SDK 或托管的 Agents API。
普通用户应该关心什么？
下次在某个应用中看到“AI 驱动”时，与其只问它使用了哪个模型，不如问三个更实际的问题：
它能读取什么信息？
它能执行什么操作？
执行之前和之后，我能检查什么？
它究竟只是整理收据，还是能直接修改财务记录？
它只是推荐航班，还是可以完成预订？
它只是提出代码修改，还是有权限直接部署到生产环境？
这些问题比产品名称更能说明一个 AI 系统到底有多大能力，也更能说明你的判断将在什么环节继续发挥作用。
AI 产品的未来，可能不再由一个聊天窗口定义。
真正重要的是：模型、工具、上下文、权限和人的判断，能否被组合成一套可靠、可控并且真正完成工作的系统。

[Derrick Choi @derrickcchoi]

What does the new Agents API mean for the apps you use, and how does it fit alongside OpenAI’s other products? Wrote up a quick guide with easy to understand examples. https://t.co/fapVqhrwVw

[Quincy @quincyvision]

让一部分 Mac 用户开始动摇的，不是另一套更漂亮的桌面，而是一个能让 AI 帮你“修电脑”的 Linux。

DHH 打造的 Omarchy，基于 Arch Linux、Hyprland 与 Quickshell，正在尝试一件很有意思的事：

把 AI Agent 从一个聊天窗口，变成操作系统的原生协作者。

遇到程序崩溃、配置异常或桌面需要调整时，你不一定要翻遍论坛、复制十几条命令；可以直接把问题交给 Agent，让它诊断错误、修改配置，甚至重新设计主题与工作流。

这才是 Omarchy 真正吸引人的地方：

它没有消除 Linux 的复杂性，而是在复杂性之上，增加了一个能够理解并操作系统的智能层。

我的判断是，AI 时代的操作系统竞争，可能正在从：

「谁的图形界面更容易使用」

转向：

「谁更容易被 AI 理解、修改和维护」

未来优秀的操作系统，不只要对人友好，还要对 Agent 友好。

当然，Omarchy 仍然是终端密集、键盘优先的 Linux，Arch 的滚动更新也意味着它未必适合所有普通用户。但它已经展示出一种很有想象力的方向：

过去，我们学习如何操作电脑；
未来，我们只需要描述目标，让 Agent 帮我们重塑电脑。
Omarchy 未必会取代 macOS，但它可能提前展示了“Agent 原生操作系统”应该是什么样子。

#Omarchy #Linux #AIAgent #人工智能 #开源 #开发者工具 #操作系统

[BridgeMind @bridgemindai]

I have never used Linux. Not once in my life.

Today that changes. I am trying Omarchy by DHH, a Linux distro built for AI agents and vibe coding.

Lifelong Mac user. This is a big deal for me.

Full review coming. If this is actually good for agentic workflows, it changes everything about how I build.

Does anyone have any tips?

[Quincy @quincyvision]

你的“最佳提示词”，可能正在拖慢更强的 AI。

OpenAI 最新文章提出一个反直觉观点：

模型升级到 GPT-6 Astra 后，过去为旧模型编写的大量 Skills、AGENTS.md 和复杂提示词，可能已经从“辅助”变成了“负担”。

因为模型能力提高了，很多过去需要反复提醒、详细拆解和严格规定的事情，现在它已经能够自行判断。

文章给出 5 个调整方向：

① Skill 描述越短越好

只说清楚它解决什么任务、何时应该调用。

描述过宽，会让模型误用 Skill；安装过多 Skill，还会挤占上下文，使模型更难选择正确工具。

② 使用“渐进式披露”

不要让模型一开始就读取整套说明。

Skill 的主文件只负责导航，需要某个工作流时，再加载对应文档和脚本。

上下文应该按需提供，而不是一次塞满。

③ 定期清理 AGENTS.md

“每次修改前，先阅读架构、数据库和部署文档”这种规则，对一个拼写修复来说成本太高。

更好的写法是：

修改服务边界时读架构文档；
修改 Schema 时读数据库文档；
准备部署时才读部署文档。

④ 重新审视限制条款
过去为了防止模型越权，我们可能写下大量“先询问”“不要继续”的规定。

GPT-6 Astra 对这些边界可能执行得过于严格，结果是在安全范围内也频繁停下来等待确认。

规则应该准确说明什么可以自主完成、什么必须交给人决定。

⑤ 提前定义“完成”

Astra 很认真，但可能在第一个可用版本完成后就回来等待评审。

如果你希望它运行项目、检查结果、修复失败并持续迭代，就应该在任务开始时写清验收标准和停止条件。

我的看法：

AI 提示工程正在进入“做减法”的阶段。

过去，我们通过增加说明弥补模型能力不足；现在，更重要的是清理陈旧规则、减少上下文噪音，并把真正关键的信息留给模型。

但这不代表可以删除业务约束、安全规则和验收标准。

应该删掉的是过时的手把手指导，保留的是：

• 项目事实
• 明确边界
• 专业工作流
• 验收标准
• 不可逆风险

模型越聪明，提示词不必越长。

真正优秀的 AI 工作流，是用更少的指令表达更清楚的意图，让模型拥有足够的空间完成工作。
https://t.co/q208chAJJw

#GPT6 #Codex #提示词工程 #AI编程 #智能体

[Quincy @quincyvision]

哈佛大学：戒掉窥探欲，把注意力还给自己。早睡恢复身体，运动提升能量，读书丰富灵魂。真正的人生，从停止关注别人开始。