Robin Liu

[J.B. @VibeMarketer_]

call me crazy but the first AI agent most companies should build is an autonomous analyst.

you can build one using Kimi K3.

it watches your competitors while you sleep, remembers every move, and wakes your team with the launches, pricing changes, and positioning shifts they need to act on.

don't bookmark this if it crosses your timeline.

paste the full article into Kimi and tell it to build the first version for your market.

[木马人 @cnyzgkc]

个人目前体验下来最好用的 PPT Skill—— Dashi PPT Skill

地址：https://t.co/NcWbwAJgnB

[Robin Liu @robinliucn]

@linda6248130564 @grok 具体讲一下他是怎么赚钱的？

[LanfAI @Huahuazo]

天天把Claude Code、Cursor挂嘴边，可你真知道这些Agent内部到底是怎么跑起来的吗？

我之前也是一知半解，直到翻到冬瓜这套开源教程，他把Pi-Agent SDK的源码扒了个底朝天，10章从头到尾讲得明明白白：

1️⃣ Agent Loop的循环机制、终止条件、异常处理
2️⃣ 工具系统怎么给Agent“长出手脚”的完整链路
3️⃣ 消息、事件、会话管理的内部实现细节

每章都从“是什么→源码怎么实现→为什么这么设计”三个层面拆解，还配了TypeScript和Python双版本，Web、Markdown、PDF三种阅读方式随你挑。想从“会用”升级到“看懂”的，别错过。

🔗 https://t.co/Jp2JNCc9XJ

[Vincent @Vincent_AINotes]

不知道还有多少人没收藏这个 GitHub 仓库。

阮一峰的《科技爱好者周刊》，已经默默更新到第 407 期了。

AI、编程、开源软件、互联网、硬件、创业……基本每一期都能翻到几个值得继续深挖的东西。

而且最舒服的是，它不是那种算法信息流：没有短视频轰炸，没有标题党逼你点进去，也不用在几十条垃圾信息里淘一条有用的。就是每周帮你筛一遍值得看的东西。

有时候刷一小时信息流，真不如来这里翻半小时。

适合不知道该去哪找优质科技信息的人，直接收藏：

https://t.co/H70WqtRJ9T

[开发者Hailey @IndieDevHailey]

Obscura，Rust 写的开源 Headless 浏览器，专为 AI Agent 和爬虫打造。

内存仅 30MB，启动几乎秒开，支持截图、录屏、导出 PDF，还针对自动化场景优化。

无需 Chromium，直接兼容 Puppeteer 和 Playwright。
轻到离谱。

大规模网页自动化，终于不用再扛 Chrome 那坨了。

[sunmer @sunmer575399]

推荐一个我最近一直在用的开源项目graphify，83.7k star

1️⃣ 把整个项目文件夹变成一张可查询的知识图谱，代码、接口、SQL、文档全给你串起来。兄弟，我拿它查一个三个月前写的烂模块，点两下就定位到对应表和脚本，太爽了。

2️⃣ 应用代码+数据库Schema+基础设施能放进同一张图里查。上线排查问题的时候不用再开三个窗口来回切，一个图谱全捋清楚，省了至少一半查日志的时间。

3️⃣ 原生支持Claude Code、Codex、OpenCode、Cursor这些主流编程工具。不管你是用哪个AI写代码，都能直接接上graphify当外挂记忆，模型回答立刻带上下文，不用反复贴文件。

开源协议宽松，商用也没问题，感兴趣的试试。
这项目最初就是内部工具，后来单独拆出来开源
实测从clone到跑通demo只花了十几分钟，文档虽然写得跟屎一样但案例够丰富，照着折腾就行。
同类的代码知识库商业SaaS一个月收几十刀，它直接开源随便改。
你平时给AI agent喂项目上下文，用的什么方案？

🔗 https://t.co/IwSaj4aq7J

#AI #AI工具老炮

[暖暖爱AI @nuannuan_share]

一本没什么技术背景也能看懂的《深入理解 AI Agent》，今天一天涨了 2k Star。

有人认真翻了一遍，还让 AI 跟着学了一遍，结论是：这本书确实写得很好。

平时用 AI 经常遇到这些问题：

上下文一长，模型就开始变笨；
工具调用频繁出错；
有的 Agent 很好用，有的却像个傻子。

这本书讲的就是这些现象背后的原理，而且不是纯理论，而是从工程实战角度展开，每一章都配了可以直接运行的代码。

最简单的学法，就是把 GitHub 链接直接丢给 Codex，让 AI 带着从头学一遍。

确实值得看：

https://t.co/pAQf5FpUOA

[Amit Shekhar @amitiitbhu]

AI Engineering Interview Questions and Answers

- LLM Fundamentals
- Prompt Engineering
- Retrieval-Augmented Generation (RAG)
- AI Agents and Agentic Systems
- Fine-Tuning and Model Adaptation
- Vector Databases and Embeddings
- AI System Design
- LLMOps and Production AI
- Evaluation and Testing
- AI Safety, Ethics, and Responsible AI
- Multimodal AI
- AI Infrastructure and Scalability
- Coding and Practical Implementation
- Behavioral and Scenario-Based Questions

Learn here: https://t.co/WHqlFfvvL9

[unicode @unicodef1wn]

Free 3-hour course from an ex-Google engineer. AI agents, graph engineering, harness, agent loops. Covers more than most $500 paid courses.

This is the exact playbook to learn how to actually build and monetize AI agents. Don't miss your shot, save it now.

• 0:00 - Design an AI agent system from scratch
• 7:38 - When your agent should hand off to a human
• 19:27 - RAG and vector databases explained simply
• 52:38 - Deploy your AI agent to Google Cloud
• 1:25:57 - Turn AI agents into a paid business via WhatsApp
• 1:33:00 - Turn conversations into real leads automatically
• 2:24:01 - Loop engineering vs graphs, the real difference
• 2:33:08 - Build your own multi-tool agent graph

Save this video, because it's the only one that can actually take you to your $2,000+ profit.

[AYi @AYi_AInotes]

简直就是省Token焚决！！！

Vercel Next.js团队的老哥，烧了大约60B tokens，总结出一份AGENTS.md，核心就8条规则。

60B tokens什么概念？大概六位数美元。

这8条规则的本质就一句话：让你的AI编程Agent别像个实习生什么都想自己造，要像个干了十年的老油条一样写代码。

直接上规则：

1. 不保留向后兼容。过时的直接删，别加兼容层、别写migration、别留fallback。

2. 选能满足当前需求的最简单实现。不要预防性抽象，不要多此一举的配置层。

3. 系统分层长。先跑通一个最小的端到端版本，再往上加东西。绝不为了未完成的复杂度拆掉能跑的东西。

4. 组件保持模块化，关注点分离。

5. 优先用成熟的、有人维护的库。没有明确理由别自己重写。

6. 先翻项目里已有的依赖能做什么，再考虑加新包或自己写。别上来就假设库里没有。

7. 架构决策往长了做。不接受"先这样以后再换"的临时方案。

8. 先看成熟产品怎么解决同一个问题，用已验证的模式，别从零发明。

就这8条，丢进你项目根目录的AGENTS.md里，Cursor、Claude Code、Codex、Windsurf全会自动读。

为什么这能省token？因为AI写代码最大的浪费其实不是写错，是重复写多。

它给你引三个依赖写五个抽象层来解决一个标准库十行就能搞定的事，你让它改，它再给你写两百行。

这8条规则就是在它动笔之前先把它摁住：能不写的不写，能复用的复用，能简单的别复杂。

代码短了，返工少了，token自然就省了。

之前推荐过的Ponytail那个插件，干的是同一件事，只不过它是在运行时强制检查，这个是在AGENTS.md里从源头约束，两个一起用，简直效果拔群。

但作者自己加了个非常重要的警告：

这玩意儿只适合side projects，生产环境慎用。

他亲口说的，"不保留向后兼容"那条曾经让Agent差点删了生产数据库的表，差点丢了2000美元的数据。生产环境你得自己改，至少把第一条删了或者改温和点。

所以如果你在做side project、做内部工具、做原型，把这8条抄进AGENTS.md，你会发现AI写出来的代码突然像个人了。

如果你在生产环境用，把第一条和第七条之间的度自己把握好，别让AI把你库表删了。

省token的方法有很多种，换便宜模型是一种，写好prompt是一种，但最有效的，是在你项目根目录放一个文件，告诉AI：

别给我整花活，写最少的能跑的代码。

[Lunar @LunarResearcher]

Andrej Karpathy just explained the 5 shifts turning LLMs into agentic systems.

00:00 - Memory turns chat into personal AI
06:41 - Multimodal AI reads the world
16:58 - Thinking models solve harder tasks
24:51 - Search makes LLMs live
30:58 - Tools turn LLMs into workers

Most people are still treating LLMs like chatbots.

Karpathy is showing the full stack:

Memory → Vision → Reasoning → Search → Tools

Prompting is the old workflow.

Agentic systems are the new one.

This 40-minute talk is worth more than most paid AI agent courses.

Bookmark and watch it before everyone catches up.

Then read how to turn LLMs into self-improving agent loops below

[Robin Liu @robinliucn]

What Are Embeddings, Agent Skills, MCP, and OKF? by @amitiitbhu https://t.co/hopQP3Kd5p

[Ichigo @iiiichigo_chan]

This paper is f*cking insane.

Prompt Engineering just got replaced by Graph Engineering.

A new 20-page paper formalized what the best AI builders are already doing:

Stop writing one giant prompt.

Build a graph of agents instead.

Planner → specialists → verifier → feedback loop.

The authors test this definition against LangGraph, DSPy, AutoGen, CrewAI, Prompt Flow, and Claude Code subagents.

The prompt is no longer the system.

The graph around it is.

Bookmark this, then read the full Graph Engineering guide below.

[Shubham Saboo @Saboo_Shubham_]

GitHub Repo: https://t.co/AN6IQD1VbU

100+ free and open-source AI agents, Agent skills (130k+ GitHub stars): https://t.co/Sce88yQpi6

[Yifan Xu @yifanxu_ephai]

向大家强烈推荐 LoopX —— 由字节跳动火山引擎 OpenViking 核心贡献者（清华 EE / ByteDance AML 的黄瑞腾 @huangruiteng）亲手打造的 Loop Engineering + Graph Engineering 开源项目。

它是一个轻量级「状态内核」，专为超长程 AI Agent 设计：让 Agent 在无人干预下稳定运行 200+ 小时 而不漂移。核心把 Goal、Todo/Gate、Evidence、Authority、Handoff 等外置成可执行控制面，像一块「Agent 专属 Kanban」，既管 loop，又管状态图，支持 auto PR 修复、AutoML 实验、自进化能力升级等真实场景。已与 OpenViking 深度合作，开源仓库完整可跑。

GitHub：https://t.co/Rpg2MDzUZJ

[Roan @RohOnChain]

Don't waste 2 years learning to build LLMs like Claude & ChatGPT.

Stanford just dropped a 2 hour course on how to build LLMs from scratch.

• 00:00 - LLM tokenization
• 25:44 - how LLMs decode user prompts
• 35:40 - training pipeline of LLMs
• 1:16:47 - LLM architecture from scratch

Anthropic pays $750,000/year to engineers who understand this exact knowledge of LLMs.

Bookmark this & give 2 hours today, no matter what. Then read the article below.

[freeCodeCamp.org @freeCodeCamp]

LLMs have changed how we build software.

But relying on a single, monolithic LLM can be unsustainable.

Here, Chidiebere goes over how to build an intelligent model router to balance performance, latency, and cost without sacrificing response quality.

https://t.co/9BO5L9uFLJ

[Indie Fox @indie_maker_fox]

如果你想给你的agent应用（比如二次开发的craft agent）接入记忆功能，可以考虑这个开源方案：TencentDB-Agent-Memory

agent的记忆功能主要分为2种，短期记忆和长期记忆

短期记忆，也叫上下文记忆，负责超长会话的记忆，需要处理超长轮次或者任务的会话中，上下文中信息过载导致模型注意转移的问题。

长期记忆，也叫持久化记忆，负责跨多个会话的记忆，需要存储会话、提取事实、偏好、场景和用户画像，支持关键词检索和语义检索。

对于短期记忆，这个方案给出的解法是Mermaid 符号化记忆 + 上下文卸载，前者主要是让模型记住任务结构，后者主要是保存工具调用结果的细节，同时确保工具调用结果的摘要是可以回溯的

对于长期记忆，这个方案给出的解法是四层渐进式记忆结构，L0是原始对话，L1是原子记忆，L2是场景分块，L3是用户画像，L3和L2会注入到系统提示词，检索发生在L1层，支持本地向量数据库，数据隐私安全

项目提供openclaw和hermes的插件，回答问题的准确率相比原始的记忆功能可以提升20%+，项目开源，也可以将其接入到自己的agent中

[José Siles | AI | Data @josesilesdata]

🚨EL WEB SCRAPING HA MUERTO🚨

Han creado PixelRAG.

Un sistema open source que pasa de parsear HTML.

En vez de convertir una web en texto...

hace una captura de pantalla.

Y luego un modelo vision-language lee la respuesta directamente desde los píxeles.

Brutal.

Porque el scraping tradicional rompe muchísima información:

→ tablas
→ gráficos
→ layouts
→ columnas
→ botones
→ PDFs
→ páginas mal estructuradas

Todo eso se pierde cuando conviertes una web en texto plano.

PixelRAG hace algo mucho más simple:

indexa la página tal y como la ve una persona.

El equipo ha creado un índice visual de Wikipedia entero:

+30 millones de screenshots.

Y aun así supera al mejor RAG basado en texto por un 18,1% en QA.

Tiene también un plugin para Claude Code.

Básicamente le da ojos a Claude.

Le pasas una URL, un paper de arXiv o tu web local…

y Claude no scrapea el DOM.

La mira.

Cómo funciona:

→ renderiza webs, PDFs e imágenes en tiles
→ los embebe con Qwen3-VL-Embedding
→ construye un índice FAISS
→ busca visualmente sobre píxeles

Todo open source bajo Apache-2.0.

Link al repo en los comentarios 👇🏻