wrthechampion

[Viking @vikingmute]

才发现这个 repo 就是扒了这个 API https://t.co/ilz76TNgQ8，而且它扒的还是旧版 v1（Free Version）

新版 v2 更强大，有 Images, HD videos（我看了一下比 gif 强），我试了一下，视频质量很高，还有一个 Muscle Visualizer，一个组件来高亮不同的肌肉部位，很有想法。V2 的免费额度也很高，All free plans include a limit of 1,000 requests per hour per API key，视频另算。感觉一般的小应用加点缓存也够用了。

我现在发现卖这种小众服务其实还是很有需求的啊，比如这种健身的 API，几乎没有啥竞争对手吧，当你数据质量高的话，那几乎是垄断的。这个服务也卖一次性 data，一次性可以全部下载，600刀，数据量也不大。

[叫我阿杭 @Astronaut_1216]

我觉得中国已经没有人比逸尘更懂Codex了
我已经挨个帖子翻翻看看了

[WquGuru @wquguru]

GEMINI预训练团队负责人在五月份写了一篇《如何进入头部AI团队/实验室》，非常值得一读，总结10条经验：

前沿实验室的招聘卷得厉害，能进去的大多出自顶尖本科或博士项目，身上普遍有三样东西：方向打得准、数学功底硬、拼劲十足。 对大多数普通人来说，硬挤正面没胜算，更务实的打法是绕到 LLM 栈的两头——要么沉下去做底层（kernel 优化、推理加速、量化），要么浮上来做上层（agent 系统、用 LLM 搞算法实验），靠开源项目和实打实的成果说话，比什么都有说服力。

1. 找准方向，切忌空谈

别张嘴就是“我对 AI 感兴趣”。得盯准实验室真正缺人的地方：底层就死磕 FlashAttention、量化推理、kernel 编程；上层就做 agent 循环、LLM 辅助的实验设计。这些方向门槛不高，自学能上手，实验室又天天用得着。

2. 数学底子绕不过去

这里没有捷径，只能靠大量证明题和理论课程硬磨。优化理论、scaling laws、模型演化逻辑，得吃到骨子里去。数学成熟度是分水岭，过了就是研究者，没过就是操作工。

3. 拼劲得够，别怕苦

大学那几年，周末泡图书馆是常态，社交能砍就砍。作者当年和朋友靠浓咖啡硬扛一整天，就这么熬过来的。想和那拨尖子生掰手腕，没有这点强度打底，基本没戏。

4. 用开源项目破局，别指望简历

把代码挂到 GitHub 上，做复现、提改进、跑 benchmark。能力这东西，摆出来给人看，比写在纸上管用得多。

5. 从边角料干起，别一上来就冲大模型

先搞定 kernel 编程（CuTe、LLM.int8() 量化这些）、推理优化、agent 工具链。这些活实验室最缺人，也最容易自己闷头学出来。

6. 论文 + 动手复现，两手都要硬

精读 FlashAttention、SnapKV 这些经典，把 LLM 的脉络理清楚。建议从 Reiner Pope 的访谈和 Gemini Flash 的预训练讲座入手，再慢慢啃 scaling laws。

7. AI 工具用来提速，别用来代替学习

AI 能让你已经会的东西干得更快，但绝不能拿它来学新东西或跳过思考。一依赖就废，数学和拼劲都养不出来了。

8. 每隔半年复盘一次方向

别嫌活脏、别嫌活基础——只要那条路通到金矿，就值得挖。关键是想清楚自己在往哪走。

9. 拿具体练习证明自己
- 用 JAX/Flax 从零写一个 1000 万参数左右的 Transformer，在 Colab TPU 上跑通加法任务；
- 手推 Chinchilla scaling laws，对比稠密模型和 MoE；
- 写一个 Pallas kernel 做算子融合，实测前向加速并说清原因。

10. 最终就一条路：本事 + 作品 + 死磕，缺一不可

名校背景当然管用，但对出身一般的选手，最靠谱的就是在 kernel 或 agent 领域做出能拿出来秀的东西，然后做好打 5–10 年持久战的准备。

[Bruce Guai @BruceGuai]

我们是如何构建当下领先的 Agent 产品架构的？

Matrix 不是一个 Agent，而是一套能长期运行的 Agent 公司架构。

这张图就是 我们最领先的 Agent harness 的底层架构。

Matrix 不是把所有文件、工具、权限都塞给一个巨大的 Agent，然后祈祷它别跑偏。

它是一套 Agent 公司 OS。
一个工作区，先变成公司的大脑：
代码、文档、文件、目标、规则、审批、历史任务、优秀样例、品味，都会进入同一个组织上下文。

在大脑之上，是 Matrix 的运行指挥层：
唤醒、定时任务、部门消息、OKR 状态、权限、模型路由、证据账本、记忆更新，都由它调度。

再往下，工作不再是一个聊天窗口里的随机对话，而是被拆成长期运行的部门：
创始人战略、产品工程、增长市场、运营支持、研究实验台。

每个部门都有自己的身份、记忆、技能、任务历史和独立上下文。
部门主导 Agent 负责读目标、分派任务、选择最合适的执行席位。
有些任务适合 Codex。
有些适合 Claude Code。
有些适合 Matrix 原生 worker。
有些必须交给浏览器和电脑自动化。
重点不是“一个模型做所有事”。

重点是：
正确的 Agent，拿到正确的上下文，待在正确的边界里，用正确的工具，最后用证据证明它真的完成了。

这也是为什么 Matrix 里最重要的不是聊天，而是闭环：
工作区大脑 → 部门主导 Agent → 执行 Agent → 产物 → 证据 → check-in → 记忆更新。

每跑完一轮，公司都会多一点记忆、多一点经验、多一点可复用的工作方法。

这才是我们理解的自进化 Agent。不是一个 Agent 只在虚空里改自己的 prompt，而是一个组织通过真实产物和证据不断复利。Matrix 要做的不是“更聪明的聊天机器人”。而是让每个人都能拥有自己的第一家 Agent 公司。

dm or 评论再给大家送一些测试额度，数量有限

[Codez @0xCodez]

A senior Anthropic engineer just dropped 11-page PDF on "Loop Engineering" for agentic systems.

The shift: you stop prompting the agent. You build the system that prompts it instead.

Schedule → Discover → Build → Verify → Repeat

Every loop runs one turn, five moves:

• Discovery: it finds its own work - failing CI, open issues, recent commits - instead of being handed a list.

• Handoff: each task gets an isolated git worktree so parallel agents don't collide.

• Verification: a second agent, told to assume the code is broken, reviews the first. The "thing that can say no."

• Persistence: results get written to disk, never left in a context window that gets flushed.

• Scheduling: an automation wakes it on a timer. That's what makes it a loop.

The key insight: an agent grading its own work always praises it.

This 11-page PDF changed how I'm building agentic systems today.

Read it now, then explore the article below.

[Junchen Jiang @JunchenJiang]

KV cache is now officially GPU-less!!

[sridhar @RamaswmySridhar]

Early results from the @snowflake's coco team on GLM-5.2 vs Opus-4.7 on dbt-bench — what the trajectories actually show 🧵

[D2099 @daniboi2050]

CS336还是太权威了，一年年的，更加与时俱进。

[比特币橙子Trader @oragnes]

卧槽，刘慈欣在《诗云》里写的那个用穷举写尽所有诗的超级文明，今天被一个独立开发者用 3D 向量空间在网页端给彻底复刻了。

项目就叫「诗云」，开发者把中国历史上 32,657 位诗人、933,857 首诗歌全部扔进了一片可以实时缩放、漫游的三维星系宇宙。

这波 Vibe Coding 呈现的技术审美和反差极其硬核：

从《诗经》到近现代，三千年的中国文化被彻底结构化。

每一首诗都有自己的空间坐标，李白是很亮的一颗星，但几十万个你从没听过名字的边缘诗人，也各自占着一个独立的坐标。

随手点开任意一颗星就能直接读诗，甚至还能看清整个历史文人圈子纵横交错的关系网络。

[Bruce Guai @BruceGuai]

等了这么久，正式向大家介绍，Matrix，当下最领先的 Agent harness 产品，更多细节我们会在接下来陆续发布。

Matrix 希望帮你打造属于你的第一个「 0 」人参与的 Agent 公司，一个 CEO 帮你管理多部门，自主完成各项复杂任务，并且长期运行。在更早的内测当中，有用户通过 Matrix 的一个公司成功赚到了3000+美金；有用户用它自主写脚本做视频并发布、在 Youtube 平台发帖获得了超过百万的播放量；有用户用它自建了交易回测系统，真实交易获利；也有用户通过邮件营销或者 reddit 等社区找到了上百位 to b 的客户，成功转化...

现在，我们正式开始更大规模的免费公开测试，每位测试者都有海量的 token 作为你的公司的初始资金，你也可以使用自己的 api， cc，codex 订阅等进行驱动。

大家评论区私信我，我给你测试额度邀请，期待大家都能build 自己的 agent 公司，赚到更多的💰

[Ray Dalio @RayDalio]

I recently spent a month in Asia, including 10 days in China, where I met with senior policy makers in several countries, and I found that over the past few months, there has been a big shift in the world order. I share my perspective in my latest article. 

As always, I welcome your questions and thoughts.

[Cander @Cander_zhu]

这又是一篇值得认真读的文章：《How modern browsers work》。

读完后我有两个强烈感受：

1. 浏览器其实是现代最被低估的“操作系统”。
2. 如果前端/Agent 开发者还把浏览器当黑盒，只会越来越吃亏。

从搞产品和做 Agent 的角度，我提炼了 5 个比较有收获的点：

1. 浏览器不是在“渲染页面”，而是在跑一个小型分布式系统

一页网页背后其实在跑整条流水线：网络栈 → 解析（HTML/CSS/JS）→ 样式计算 & 布局 → 绘制 & 合成 → JS 引擎（V8 多层 JIT）→ 多进程隔离。

你在 DevTools 里看到的 Performance trace，本质上就是这套复杂系统的压缩观测日志。

2. 所有前端性能优化，本质上都是在帮这条 pipeline 减压

控制首屏体积、async/defer、只用 transform/opacity 做动画、拆分长任务……这些最佳实践，拆开来看其实都是在给网络、解析、主线程、合成线程等不同阶段减负。

以后再说页面卡，可以更精确地问：卡在 network → parse → layout → paint/composite → JS/GC 的哪一段？

3. JS 引擎早就不是简单的解释器，而是一台会自我进化的编译管线

V8 会先解释执行，再根据运行 profile 逐步把热点路径编译成机器码（Ignition → Sparkplug → Maglev → TurboFan），类型不稳定就会 deopt。

这意味着：写出“类型稳定、路径稳定”的代码，本质上是在配合编译器走高速路，而不是在给它制造 deopt。

4. 浏览器多进程架构是 Web 世界的成熟“沙箱 + 隔离”范例

Browser Process + Renderer Process + Site Isolation + Sandboxing，这套设计已经稳定运行了十几年。

对做 Agent 的人来说，这其实是一个现成的参考：高风险操作要不要拆进程？Agent 之间用什么做 IPC？出问题时能不能做到局部失效不拖垮全局？

5. 这篇其实是给 Agent / Loop Engineering 的一份「样板间」

浏览器本质上就是一个已经在全球几十亿设备上稳定运行了十几年的大型 Loop + 多 Agent 系统。

它的事件循环、任务调度、隔离机制、性能优化思路，对我们现在在做的 Loop、Skill、Harness 都有很强的参考价值。

推荐对浏览器 internals 和 Agent 架构都感兴趣的朋友读一读。

你从浏览器底层学到过什么对做 Agent 有帮助的思路？

[Phoenix Yin @Phoenixyin13]

恭喜 @alisawuffles 正式加入 OpenAI！ 🎉

UW NLP PhD最后一年，OpenAI SuperAlignment Fellowship得主，Alisa Liu 官宣下周入职 OpenAI。

她在最近的 blog 里把整个 job search 过程写得超级透明，包括46场 recruiter screen + 11家顶级AI lab面试。
从 transformer 从零实现、系统性准备，到 offer negotiation 的技能，无一遗漏。

关心人工智能的同学，读完真的能少走很多弯路，尤其对想冲前沿 lab 的 PhD/研究者来说是真·干货。

link：https://t.co/ABXglOXOAb

她的代表作，核心贡献有：

WANLI：Human-AI 协作构建 NLI 数据集（EMNLP 2022），用机器生成与人工编辑的方式，大幅提升数据集质量和减少 bias，被广泛引用。

Proxy Tuning：COLM 2024 Spotlight，一种高效的 inference-time adaptation 方法，让小模型快速借力大模型能力，超级实用。

Tokenizer Attack & 其他 tokenization 工作：深入研究 LM 输入层问题，推动更好算法。

整体来看，Alisa的研究方向是让语言模型在 tokenization、数据构建、推理时适应等方面更强、更可靠。

从 UW NLP走出，她带着 SuperAlignment 背景去 OpenAI。我相信这是完美 match，也是仔细考究后的选择。

她是真正把研究落地、愿意分享经验的研究者。

AI 圈的 job market 越来越卷，但像 Alisa 这样透明复盘，扎实 output 的态度，能给后来者很多希望与引领。
欢迎她加入 @OpenAI 大家庭！期待她在 alignment、LLM 改进方向继续输出大作。

[Frank Wang 玉伯 @lifesinger]

初阶创业者经常犯的一个错误是：做功能，讲功能。比如做了一个很牛逼的功能，开始对外讲这个功能有多牛。然后，除非功能真的逆天，大多会是，用户寥寥，自己内心也寥寥，然后就了了了。

中阶创业者开始学会这么干：做功能，讲故事。做了一个功能，不会对外说具体功能，而是会说：用了这个功能，你会成为更好的自己，等类似的故事。然后，经常就有机会，赚到第一笔钱。

高阶创业者则会：讲故事，做功能。啥都没有时，就开始对外讲故事。不断讲故事过程中，不断观察用户反馈，不断调整故事。最后通过功能实现，不断让用户的故事成真。故事不断上演，创业就成了。

还有一类创业者是：讲故事，做故事。会伪装成比高阶还高阶的创业者。要特别小心。这不是创业者，是骗子。

[铜匠AI・十点睡觉 @CopperForgeAI]

还在怀疑GLM5.2的朋友,可以看下这个claude的著名插件Ralph loop作者的分享;
GLM5.2已经是非常棒的模型;
但是就像德国人一样黑白分明;
需要提示词写的很好,那可以使用gemini之类提示词写的比较好的先将提示词写好;
然后就可以非常惊艳的执行任务.

我觉得这个是一个非常重要的技巧,
但是我倾向于使用更好的skill来帮助我们写提示词;
比如说写goal的时候,就用 @vista8 乔木老师的qiaomu-goal-meta的skill来写;
比如说写prd的时候,就用AI-prd的skill来写,这个是ai阅读优先的;
如果都觉得不行的,可以使用 @yaojingang 姚老师的yao-meta-skill自己来创造符合自己的skill;
GLM曾经伤透了我的心,但是这次我还是觉得可以吹一下

[Cell 细胞 @cellinlab]

工信部+国资委最近联合发文，要人形机器人年底「进入工作模式」——30+ 具身公司排队 IPO。

但热闹归热闹，一个关键问题还没被认真回答：大脑这条路，到底该怎么走？

前几天看了黄碧薇教授 @huang_biwei 在极客公园的访谈，今天就刷到他们新一轮融资的消息！

说实话，这是最近在具身智能方向上，听到的最清晰的路线判断。

核心就一句话：LLM 学的是相关性，物理世界要的是因果。

VLA 在训练场景里跑得飞起，换个光照角度、背景多放个杯子就抓瞎了——不是数据不够，是范式不对。模型学到的是「看到杯子→伸手抓」的表面关联，没学会背后的物理因果。

这在学术上叫 causal confusion，说白了就是背题库和懂原理是两码事。

黄教授把 AI 范式拆成四跳：小模型+相关性 → 小模型+因果 → 大模型+相关性（我们现在在这）→ 大模型+因果（下一站）。具身智能和科学发现已经验证第三代不够用了。

印象最深的一个修正：“压缩即智能”不完整，应该是结构化压缩即智能。暴力堆数据压缩出相关性，跟从同样的数据里抽取因果结构，斜率差好几倍。

黄碧薇师承 CMU 因果发现学派——89 年 Glymour 和 Spirtes 开山，37 年积累，她算是第三代核心推动者。Causal-Learn 作者，100+ 顶会，Apple Scholar，从 UCSD 出来做 Aether AI。学术底子和路线判断都够硬。

Scaling Law 的关键从来不是信不信，是 scale 什么？

可以说，这次 Aether AI https://t.co/fC0d9SrfXS 的融资，赌的就是第四代范式。

[LIN WEI @skywind3000]

之前才1499 的，一夜之间 1800 美刀了，不过还是比 5090 便宜太多。

[Paul Graham @paulg]

How to Earn a Billion Dollars: https://t.co/WeWBUkKym6

[Satya Nadella @satyanadella]

https://t.co/vLmiBKTtX3

[Rainier @mtrainier2020]

对了。做自媒体一直有个热门的而且经久不衰，取之不竭的选题，就是罪案类的。公众号，podcast，YouTube。
基本上不会翻车，题材取之不尽。阅读量，观看量，互动量都是非常高的。
不过现在大家有个趋同化的情况。
但是很少有人去做经济犯罪类的罪案犯罪节目，以及商战类节目。
经济犯罪类节目，可以参考这个American Greed，翻译加演绎，这种题材取之不尽。
商战类题材，可以参考 business war这个podcast，估计做个几百期没啥问题。
我自己没精力做这些了，感兴趣的，可以做做这些。大概率能做起来的。