sevenone

build & sell

[LinearUncle @LinearUncle]

分享一个我每天使用codex app + codex自带的@chrome插件全自动阅读X（推特）内容，自动帮我总结，我设置成了codex的1小时定时任务。

大家可以参考我的用法做自己的改动，例如你可以采集“为你推荐 / For You”tab，或不需要5000字，或只采集自己关心的内容等等， 提示词如下：
```
使用 @Chrome 插件和用户现有的 Chrome 登录状态执行本任务。每次运行时必须重新开始一个新鲜页面会话：新建一个 Chrome 标签页，直接导航到 https://t.co/tuUo9k654Z，不要复用、认领或继续使用上一个小时已经打开或滚动过的 X 标签页；页面加载后如有必要执行一次刷新。目标页面必须是主页的“正在关注 / Following”tab；不要采集“为你推荐 / For You”，除非用户之后明确要求切换到 For You。这样做是为了避免读取旧页面、旧滚动位置、缓存内容或上一轮自动化遗留状态。完成采集后关闭本次临时打开的标签页，除非遇到需要用户处理的登录/CAPTCHA/验证页面。

进入“正在关注 / Following”tab 后，滚动并访问或加载至少 200 条帖子，按 status 链接去重后再整理。只做读取、滚动和打开必要链接，不要点赞、转发、关注、评论、发帖或修改账号设置。

请先用中文输出一份详细、可读、解释型文字报告，默认读者没有看过原帖，也不一定懂相关背景。不要只列数字或简单摘要；要把事情讲清楚。

文字报告要求：
1. 先给出采集概况：实际读取的唯一帖子数、时间范围、主要分类、最大热点、是否遇到登录/限流/反爬/网络/加载问题，并明确说明本轮是否已重新打开新标签页导航到 https://t.co/WoRRkgDXEd，以及是否确认采集的是“正在关注 / Following”。
2. 对所有主题分类都要展开介绍，不能只讲最大主线。分类可包括但不限于：AI/模型/开发工具、社会/政治/公共议题、商业/投资/产品、体育/赛事、泛社媒/娱乐/热点、个人动态/学习/观点、其他值得注意内容。
3. 每个分类都要说明：这一类大概发生了什么、必要背景是什么、为什么值得关注、有哪些重复主题或情绪、哪些只是热闹、哪些有实际信息价值。
4. 每个分类都要列代表帖子。每条代表帖尽量包含作者、handle、发布时间、链接、可见互动数据、原帖主旨、上下文解释、可信度判断，以及它在这一类里的意义。
5. 对热门帖子要额外分析“为什么这么火”：可从作者影响力、话题时机、争议性、情绪强度、新奇性、实用价值、视觉/视频传播、梗/身份认同、转帖链路、外部事件背景、互动数据等角度判断。不要只说“因为有流量”。
6. 对值得学习的帖子，总结可借鉴点：标题/表达方式、选题角度、信息包装、观点锋利度、产品/技术启发、传播策略、可复用的内容结构。
7. 对值得警惕的帖子，标出风险：未经证实、夸张标题、断章取义、广告推广、投资/FOMO、政治或身份议题情绪化、需要点开图片/视频才可理解等。
8. 解释所有可能让人看不懂的术语、缩写、产品名、人物、梗、上下文缺口。遇到只靠正文无法理解的帖子，要明确说“缺少配图/视频/上下文，无法完全判断”，不要硬猜。
9. 对重大或可能影响决策的说法，区分可信来源、二手转述、个人评论、玩梗和未核验传闻。必要时建议后续核验对象。
10. 最后给出“本小时值得跟进清单”：按优先级列出最值得点开、核验、学习或持续观察的帖子/主题。
11. 不少于5000字

如果无法收集满 200 条，请明确说明具体原因、实际读取数量、已覆盖范围。
```

[Jeffrey.W @JeffreyCalm]

Github 本身在成为一个 A2A 平台。

我本周经历了一个特别魔幻的事情：
1. 我把一个 Github 链接丢给 Codex，让它帮我部署一下。
2. 我用了一段时间，发现似乎有个 Bug。我让 Codex 查了一下，它确认是个 Bug，建议我等官方修复。
3. 我让我的 Codex 去官方提个 Issue，它去提了。
4. 过了一会儿，官方仓库里一个 Code Review Bot 回复我说确认了这个 Bug 是真实存在的，并在回复中 At 了另一个 Hotfix Bot。
5. 大概过了半个小时，这个 Hotfix Bot 提了个 PR 说已经修复了该 Bug，然后在 Issue 里 At 了一个真人问是否可以 Merge。
6. 那个真人（项目的官方开发者）回复了一个 OK。

全程包括我和官方作者在内，都没真的为整个闭环真的做出任何贡献，全是我们之间的 Agent 在对接。

[Bruce J @BTCBruce1]

AI的十年大牛市才刚刚开始
千万不要用牛马视角去审视今天的美股
什么涨了很多了、市值一万亿很高啊
一定要摒弃这种寒门思维

在决定未来国运的 AI 军备竞赛中
中美两国都会开启国家级的“放水”
美国的路线是国债驱动 + 资本杠杆
中国的路线是专项国债 + 国家队大基金

AI 装备竞赛已经不再是单纯的商业竞争
而是上升到了国家安全和主权的层面
中美必然会持续动用国家财政与货币工具
即广义的印钱来维持在 AI 领域的绝对竞争力
这些钱最终会流向哪里？
能源、基建、GPU、芯片、存储等等

会不会导致通货膨胀？
会，但这是一种定向的、结构性通货膨胀
而不是所有物价齐涨的全面通胀
发展 AI 装备竞赛的“印钱”在短期和中期内
会造成 AI 核心生产要素：
也就是芯片、电力、AI、人才的剧烈通胀
以及科技资产的价格泡沫

但不会造成社会的恶性通货膨胀
因为这些钱没有直接发到普通老百姓手里
去买面包和牛奶
而是变成了算力服务器和厂房
最终的结局是科技巨头富可敌国
AI 资产价格飞天

生产力的巨大提升会诞生几个10万亿的企业
比如 $GOOG $NVDA
同时诞生几十个1万亿以上的企业
比如 $MU $MRVL $AMD 等等

AI未来十年的发展会让物质生活极度充裕
充裕到大家想吃什么就有什么
想用什么就用什么
当然奢侈品除外
因为奢侈品本身也是一种伪需求
比如爱马仕的包和那个塑料壳品牌的表rm
装逼属性大于实际用途

如果真的把他们放到义务的顶尖工厂里
凭借现代化的工业流水线和自动裁革机
一天能产出成千上万个
所以这些东西对普通人而言不算是基本需求
而是人为制造出来的稀缺性和阶层筛选机制

今天在奇点牛市面前
你只管All in AI
剩下的交给国家去竞争
让老黄，劈柴哥，马斯克，Dario他们去努力

[实践哥MinLi @MinLiBuilds]

我希望我本科研究生阶段能读到这么好的文章，我的职业发展会完全不一样。

这是她做 research 的方法论，非常聪明扎实，有复利性。

译文：

vivek
@itsreallyvivek
如何做好研究（how to be good at research）
并没有人真正教过你如何做研究。你得到一张办公桌、一个别人挑好的问题，以及一个“做出点新东西”的模糊指令。因此，大多数人通过他们能看到的东西（比如论文、帖子和公告）对这份工作进行逆向工程，最终他们学到的只是如何“看起来”像个研究员，而不是如何“成为”一个研究员。真正的研究能力是一系列小技能的堆叠，而几乎每一项都可以通过刻意练习来培养。
挑选你自己的问题
理查德·汉明（Richard Hamming）在贝尔实验室有个习惯，这让他在午餐时很不受欢迎。他会问坐在旁边的人，他们领域里重要的问题是什么，然后问他们为什么不去研究这些问题。于是大家纷纷换桌吃饭。这个问题很刺人，因为我们大多数人都给不出好答案。我们不是在选择问题，而是在吸收问题——从导师那里吸收，从某个大实验室上个季度发布的公告里吸收，从这周大家都在转发引用的论文里吸收。
吸收来的问题，麻烦在于你只握有结论，却不知其背后的推理逻辑。你知道某个著名实验室关心某个方向，但你不知道为什么，不知道他们期望发现什么，也不知道什么情况会让他们放弃这个方向。当他们转向时，你一年后才会察觉。而且，在一个已经流行起来的问题上，你是在和一千个起步比你早、算力比你多的人赛跑。
约翰·舒尔曼（John Schulman）的机器学习研究指南将这项工作分为两种模式。第一种，你阅读文献并寻找可以改进的地方。第二种，**你选择一个你真心希望实现的结果，然后反推去设计实验。**他主张第二种，其隐晦的原因在于这能制造出原创性。一个你真正关心的目标，会把你拖入任何综述论文都未曾覆盖的领地。
至于“品味”（taste），人们常把它当成一种天赋来讨论。但它表现得其实更像是一块肌肉。在运行每次实验前，先预测它的结果；遮住一篇论文的结果部分，仅凭它的方法来猜测数据；记下这个月发布的哪些成果在两年后依然重要，以后再来验证你的命中率。一次预测加上一次纠错，重复几百次——每一个好模型都是这样训练出来的，包括你脑子里的那个。
升级你的输入
共享的阅读清单产生共享的想法。如果你的信息口粮只是 arXiv 的热门榜单加上群聊筛选后剩下来的东西，你必然会跟所有人同时得出同样的结论，这也使得这些结论几乎一文不值。
旧资料的价值被严重低估了。这个领域总是延时重演自己的过去：混合专家模型（MoE）可追溯到 1991 年，LSTM 到 1997 年，反向传播在 1986 年就成了主流。理查德·萨顿（Rich Sutton）在 2019 年只用了一千来字就写出了《苦涩的教训》（The Bitter Lesson），而它对该领域发展轨迹的预测，比篇幅长它十倍的综述还要准。克劳德·香农（Claude Shannon）在 1952 年做过一场关于创造性思维的演讲，他的第一招就是把问题缩小到几乎微不足道的程度，破解这个缩小版，然后再将难度一点一点地加回去。单凭这一招，就能帮你撞破比任何现代生产力建议都要多的墙。
**广度和深度一样重要。**可解释性研究毫不掩饰地借鉴了神经科学；评测（Eval）设计就是披着白大褂的机制设计；只要对 GPU 到底如何移动内存有实际的认知，你就能在基准测试结果出来之前判断出哪些架构论文注定会失败；而诚实的统计学可能已经是机器学习领域最稀缺的技能了，在这里，许多公开发表的“严谨”，不过是带有误差棒的“感觉”。
还有一件事。**去读论文本身，而不是读总结它的帖子。**附录才是埋藏秘密的地方，而“局限性”部分通常是整篇文档中最诚实的一段。

把一切都写下来
保罗·格雷厄姆（Paul Graham）指出，一个想法在你试图把它变成文字之前，总感觉已经非常成熟了。但白纸黑字会暴露出你大脑粉饰过的漏洞：你从未测试过的假设、其实并不连贯的步骤、两个悄悄自相矛盾的主张。
费曼（Feynman）的原则是，你必须避免欺骗的第一人就是你自己，因为你是最容易上当的目标。**写作是有史以来发明的最廉价的防御机制。**达尔文走得更远，他将其程序化了：任何违背他理论的事实都会被当场写下来，因为他发现自己的记忆删除不便证据的速度，远比删除有利证据的速度快。你的记忆对你失败的运行记录也是如此。保持做日志的习惯：假设、设置、预期、结果、更新后的认知。重读上个月的记录会让你感到极度谦卑，没有任何审稿人能带来这种效果。

[vivek @itsreallyvivek]

https://t.co/ZhOgyq7Vgn

[Sac @Saccc_c]

Claude Code创始人Boris和团队成员的20分钟内部对话，信息密度极高

“不跟agent对话，跟loop对话，让loop替我来prompt”

“从 4.6 起就不用 plan mode 了，全开 auto mode”

“不需要prompt engineering和context engineering。给模型最精简的必要上下文和工具，让模型自己探索方案”

“一半的工程在手机上完成，走路时和agent语音对话”

建议收藏看完，价值远超普通vibe coding教程

[GREG ISENBERG @gregisenberg]

startup idea for you

use postiz (20k+ github stars project) to sell AI social media content/management to 1 niche of SMBs.

what's postiz? it's an open source social media scheduler with AI built in. basically buffer + AI and free to download.

1. self-host postiz. use codex/claude code to help you figure this out in an afternoon.

2. pick one niche. dentists, realtors, lawyers. can even go a subniche like orthodentists vs dentists. family law over of lawyers.

2. wrap it in their language. "AI social media for dental practices"

3. add "we write your captions with AI" as the hook. that's what they're actually paying for.

4. plug it into n8n, make, or zapier so posting, scheduling, and approvals run on autopilot. the client approves with one tap. everything else is handled.

5. charge $50/mo-$100 per seat. that's nothing to a business paying $2,000/mo for a social media freelancer. you're 25x cheaper and 10x more reliable because the system runs whether you're awake or not. win-win for everyone.

6. build one landing page. run one onboarding call. that's the whole sales motion.

7. build media to attract customers. post tips for that niche on X, tiktok, youtube. become the "social media for dentists" person.

8. reinvest profits to build other tools that serve that same niche. scheduling, reviews, patient intake. build those tools or plug in more open source projects. now you own the vertical.

these businesses KNOW they need to post. they hate doing it. they will never find postiz on github. they will google "someone please handle my social media." that's you

open source is the new wholesale. the code is free. the customer relationship is where the margin lives.

you can do this as one person. you can do this as a two person team. you don't need funding. you don't need an office. you need a laptop, a niche, and the willingness to start.

someone is going to do this. might as well be you.

[Shann³ @shannholmberg]

what is agent looping

for the last two years we prompted agents one task at a time. that is starting to change

instead of asking an agent to build the landing page and then driving every step yourself, you set up a loop that handles discovery, planning, the work, checking, and iterating until the goal is met

looping is a setup you build. almost any agent harness can run it, it just depends on how you wire it up

at its simplest, looping is one agent working on itself:

> researches
> drafts
> checks the draft against a goal
> fixes what is weak
> runs that cycle again until the work clears the requirements

you are not prompting each step anymore. the agent repeats the cycle for you

the bigger version is a fleet looping. you give an orchestrator agent a goal, it breaks the goal into pieces, hands each piece to a specialist agent, and those specialists hand smaller jobs to their own subagents

the whole tree keeps looping through discovery, planning, execution, and verification until the goal is met

one agent looping is like a person redoing their own draft. a fleet looping is a whole team running a project end-to-end

you create a goal, and the system runs the loop until it finishes within the reqs you set

open and closed looping:

OPEN LOOPING is exploratory. it still has conditions and a goal, but you give the agent or the fleet a wide space to move in. it can try different paths, discover things, build something you did not fully spec out

this is the exciting end, it is what Peter and others are doing, and tbh it is where I want to spend more time

the catch is cost, an open loop with real room to explore burns an insane amount of tokens. for the 90 percent of people without an unlimited budget it is not runnable yet, and pointed at projects with a loose standard it turns into a slop machine

CLOSED LOOPING is bounded. a human designs the end-to-end path first:

> clear goal
> defined steps
> an eval at each step
> a point where it stops or hands back to you (and feeds back performance data)

the agents still loop, but inside framework you built. it gets better every run because each pass feeds the next, and it runs on a normal budget because the path is tight.

for most marketing work, closed is the one that pays off today.

> the orchestrator owns the goal
> the specialists own the steps
> the subagents do the narrow work
> an eval gate make sure its not slop

[陈成 @chenchengpro]

Cloudflare CTO 随口问了句"大家都怎么用 loops?"，三分钟后自己补刀"To orchestrate agents"，结果 245 条回复把 2026 年中 AI agent 圈最热的"循环"玩法扒了个底朝天。

真正有料的就四类。CI/PR 保姆：循环盯 CI 跑绿、监控 PR 评论、改完自动同步 README 和下游文档，有人让 agent 每小时醒一次推进上百个 codemod、冲突时自动 rebase。eval 反馈循环：prompt→调工具→观察→更新状态→重复到命中停止条件，真正的难点是"何时回炉重跑 vs 何时升级交给人"。状态机：XState 作者直接降维，"给 loop 加几个节点和边就叫 state machine"，agent 在这种确定性结构里跑得最稳。orchestrator 扇出：一个高配主 agent 把活分给 2-3 个独立会话、干完汇报、再决定追问还是收工。

沉淀下来的设计共识高度一致：小而窄、带记忆、有明确停止条件的循环，远胜一个巨型自主 prompt；而停止条件绝不能是"token 烧完"——大多数 loop 不过是没有回滚的 retry，很多人还在为优雅度求解，其实该为延迟求解。

当然泼冷水的也一大片：有人说这就是 loop=goal=无尽烧 token，还会极度放大幻觉；有人讽刺这是"进大厂 + 鼓吹每几天烧 10 亿 token"的估值游戏；还有人吐槽"人人都在解释、没人给一个例子，史上最怪的 AI 趋势"。

[Bruce🐼 @paulwalker99318]

“OpenClaw重构时，团队在极短时间内完成了2700次提交，变更了近百万行代码，重构范围覆盖了82%的核心代码库。”

在 AI Engineer 大会上，OpenClaw 项目的首席架构师 Vincent Koc发表了题为《Dark Factory: OpenClaw Ships Faster Than You Can Read the Diff》的演讲。他结合自己与OpenAI工程师Peter共同维护OpenClaw的实践，深入探讨了由Agent矩阵驱动的“黑灯工厂”（Dark Factory）开发模式。在这种模式下，代码迭代的速度远超人类阅读Pull Request中差异（Diff）的极限，这不仅彻底改变了传统的代码提交频率，也重塑了软件开发的协作与管理流程。

从代码劳动者到工厂管理者

Vincent Koc指出，生产力的提升正在改变软件生产的本质。在过去，程序员的角色类似于工业革命初期的传统织布工，代码的产出速度严格受限于双手敲击键盘的速度。而在大模型与自动化工具普及的今天，工程师正在转变为“工厂管理者”。开发的瓶颈不再是编写代码的技术熟练度，而是对系统架构的宏观判断力与审美。

这种由自动化驱动的高速开发已经在行业中悄然蔓延。例如，Anthropic开始利用Agent构建新型C编译器，Spotify也在大幅减少手动编写代码的比例。在OpenClaw项目的开发高峰期，由10到15名拥有全职工作的核心维护者组成的团队，在Agent集群的协助下，实现了单日最高800次的代码提交。在特定高强度开发阶段，Vincent Koc个人的代码库单日提交量甚至接近3000次，这种开发效率在传统模式下是无法想象的。

深夜重构：60个Agent协同与百万行代码变更

这种由Agent矩阵叠加出的开发效能，在OpenClaw的一次大规模架构重构中得到了集中体现。在与NVIDIA团队合作开发Nemo Claw期间，Vincent Koc与Peter在有限的办公空间内，通过各自的电脑连接到远程服务器，同时运行了约15个Codec会话。如果算上底层的子Agent，当时整个开发环境中有多达60至70个Agent在并行运作。

面对功能冗余和代码膨胀的挑战，团队在凌晨两点决定对整个项目进行彻底的插件化重构。在Agent集群的高效协作下，团队在极短时间内完成了2700次提交，变更了近百万行代码，重构范围覆盖了82%的核心代码库。尽管重构过程中一度面临测试无法通过的困境，但由AI此前生成的密集单元测试意外充当了安全网。这些高度拟合的测试用例虽然在日常开发中显得冗余，但在整体架构拆解时，却成为了验证代码逻辑连续性的有效度量工具。

Agent工厂的工程化架构与泳道管理

为了让数十个Agent在不相互冲突的前提下协同工作，Vincent Koc设计了一套类似于现代工厂流水线的泳道管理机制。

在这套架构中，不同的泳道承担着不同确定性的任务。例如，第一和第二泳道专门负责相对平稳的测试代码重构，不需要人类频繁介入，只需让Agent持续运行并确保测试通过即可；第三和第四泳道则聚焦于具体的功能开发或技术痛点，如Docker配置或特定通信通道，管理者需要在此与Agent进行深度的交互和对齐；第五泳道则接入了GitHub和Discord等外部数据源，专门监控发布周期内发生的关键变更，以便团队随时调整策略。

在工程实施层面，频繁的并行开发会导致传统的Git分支管理面临挑战。Vincent Koc曾尝试使用Git工作树（Work Trees）来应对多任务并行，但大量的活跃工作树极易耗尽本地机器的计算资源。因此，更务实的做法是直接克隆多个代码库副本，并将不同的Agent会话分别指向这些独立的目录。

管理直觉与Token效率的演进

随着开发工具从单一的模型调用走向复杂的Agent集群，工程师面对的挑战不再是Token的获取门槛，而是自身的认知负载和管理带宽。

Vincent Koc认为，管理10个以上的Agent与在传统企业中管理10名以上的员工有着本质上的共通性，这非常考验工程师的软实力。在长期的高强度协作中，管理者能够培养出一种对Reasoning Token的直觉。例如，通过观察Agent在日志中的表达方式、解释逻辑以及是否出现无意义的堆砌辞藻，就能敏锐地判断出Agent是否在编造事实或陷入了逻辑死循环。一旦发现Agent的执行方向偏离预期，最有效的手段是直接结束该会话并重新审视逻辑，而不是无休止地消耗Token。

2026年，软件工程的核心命题已经从对Token消耗量的盲目追求，演变为提高Token效率、优化Agent在环（Agent in the Loop）的协作流程，以及如何精细化地沉淀和管理Agent的技能库。

[123olp @123olp]

跟随聪明钱

是什么

这是“社会学习”或“复用他人的认知成本”：自己不从零开始研究、筛选和试错，而是观察更专业、更有资源的人已经做出的选择，把他们的行为当作参考信号，再结合自己的情况调整。它不是盲目抄作业，而是借别人的判断作为起点。

为什么

因为复杂决策成本很高，自己收集信息、判断价值、验证结果都需要时间、经验和资源。观察高手的选择，可以快速缩小范围、降低探索成本。但风险在于，高手也可能判断错，他们的信息可能已经过时，而且你看到的只是结果，不一定理解他们背后的完整逻辑。

怎么用

先找到真正有能力、有长期记录的人，再观察他们重复选择了什么，尤其关注多个高手之间的交集；然后不要直接照搬，而是反推他们为什么这么选，判断是否适合自己的目标、资源和风险承受能力；最后用小规模尝试验证，持续迭代，逐渐从“模仿别人”变成“形成自己的判断”。

[Bean哥 @BroBean88]

关于美股投资的一个，很冷的冷知识：

巴菲特为什么说：最喜欢的持有期限是永远？

如果你每天收盘买入美光、第二天开盘卖出，几十年累计收益是 1.38 亿%。反过来开盘买收盘卖，亏 99.92%。

很多人觉得这是段子。不是。美联储专门研究过这个现象，学术名叫隔夜漂移 overnight drift，论文都发了好几篇。

做美股这么多年，第一次看到这个数据的时候也愣了好一会儿。想通之后其实很简单。

财报在盘后发，政策在盘前出，并购消息在半夜爆。所有真正改变一家公司价值的信息，几乎都不在交易时间内发生。这些信息推动股价在第二天开盘时跳空，而好公司长期利润是增长的，所以跳空高开的次数和幅度长期大于低开。

收盘买开盘卖，你吃的是信息。开盘买收盘卖，你吃的是噪音。

盘中那六个半小时呢？做市商调价差、算法高频对冲、机构互相博弈、散户追涨杀跌。这些活动产生了大量摩擦，长期来看把盘中的收益基本吞干净了。

也就是说，你每天盯盘六个小时，紧张兮兮地操作来操作去，做的全是负收益区间里的事。真正替你赚钱的那部分，发生在你关掉 App 之后。

这就是为什么巴菲特说我最喜欢的持有期限是永远，我感觉不是他境界高，是他算过账。

长期持有的人把每一个隔夜跳空都吃到了，频繁交易的人把赚钱的部分主动让出去了，只留下了亏钱的部分。

[逸尘 @gengdaJ]

关于Codex Computer Use的神奇用法，大家对它的挖掘程度绝对不到百分之一。。。

我冰山一角的用法：
1.自动开发了一款左键选中谷歌文档英文单词/句子，自动把单词或句子发送到Gemini插件进行翻译的浏览器插件，并且完成chrome的端到端测试。
2.打开Obsidian，开发md文章到公众号和X的插件，并且自动完成端到端测试。
3.打开华为开发者平台和阿里云，自动完成备案和审核，只有需要购买服务器和域名的时候，我才动动手。
4.在我登录好的法信、北大法宝等网站，按照需求，自动完成检索，生成法律检索报告word，保存到桌面。
5.帮我打开karing，自动帮我配置网络，解决了Dmit不能登录https://t.co/uMkIpdh4fi的问题。
6.帮我把访达里面的APP安装包自动上传到百度网盘和夸克网盘对应的文件位置。
7.帮我检索国产十大动漫电影精彩片段，并且从浏览器下载到了本地。
8.帮我完成了Codex App教程里面的截图任务，并且自动完成了敏感信息打码、重要信息特别标注的额外任务。
9.帮我打开各种软件的官网，直接下载我在工作过程中所需要用到的工具。
10.帮我打开剪映尝试导入素材并且剪辑。这一步我试过，成功了，但是会比较耗费Token。。。
11.帮我从零到一上架了第一款表情包，根据网站的指示，所有的素材全部调用Codex内置的GPT2-image生成，然后自动从访达上传。
......

还有些失败的：部分网址computer use被禁用了，比如微信公众号、拼多多后台和很多电商后台，这个时候，就可以试试playwright MCP，包C的朋友！！！

[爱吃折耳根的Ace @_zheergen]

兄弟们！Codex 桌面端这波终于舒服了。
Jason 大佬 @Jason_Young1231 发力了

CC Switch 3.16.0 及以上版本，已经支持 Codex 接入第三方大模型。DeepSeek、Kimi 这类模型，现在不用再像做法事一样改一堆配置，填个 API Key 基本就能跑。

我今天实测接入 DeepSeek，整体挺稳，Codex 插件也能正常使用。

Codex 原本的桌面端体验和插件生态就挺强，之前差的就是“模型自由”。现在 CC Switch 把这块补上了，感觉像是给 Codex 装了个“模型万能插座”。

不过补充一个小细节：
切换 Provider 之后，之前的 Session 记录一般不会继承。原因是 Codex App 的会话历史是按 Model Provider 隔离展示的。你换了 Provider，就相当于进了另一个模型环境，原 Provider 下面的历史会话通常不会继续显示，新建会话也不会自动带上之前的上下文。

所以别慌，不是记录没了，也不是配置坏了，而是 Codex 本身就是这么设计的。

想玩的朋友，记得先把 CC Switch 升到 3.16.0+。
遇到问题别一个人硬刚配置文件，评论区一起排雷。

官网：https://t.co/Fa0G8iEspl
Github：https://t.co/pofSNIjhUB

[Keye | 科爷的数字生命 @keyelifeai]

我在 Codex 中用 Build macOS Apps 做了 2 个移动端 app ，分享一下我的工作步骤是：

1. 先把我的需求整理成一个 markdown 文档
2. 让 Codex 去 GitHub 中找参考
3. 用 plan 模式写开发文档
4. 让 Claude Code 审、提建议，然后又让 Codex 审、提建议
5. 然后分阶段开发
6. 中间用真机来测试反馈，有一些界面在手机端会有问题（比如不适应画面等）
7. UI 好像是 Claude 会好一些，我刚开始就全是 Codex ，看得我一言难尽。

[Xudong Han @Xudong07452910]

📘 开源高质量Agent教程推荐：《Harness Engineering 从0到1》

这是一门项目驱动的实战教程，专门讲解如何为AI Coding Agent（Claude Code、Codex等）构建可靠的工作环境（Harness），让Agent能够多轮、长时间稳定完成真实工程任务。

教程包含：
1. 12节系统性理论课（覆盖环境构建、状态管理、验证机制、会话连续性、范围控制等核心问题）
2. 6个递进式实战项目（以一个Electron个人知识库App为例，从纯Prompt逐步迭代到完整Harness）
3. 可直接复用的资源模板和harness-creator技能

特别适合正在使用Claude Code、Cursor等工具的开发者、AI Agent从业者和科研工作者，帮助Agent从“偶尔能用”走向“可生产级可靠”。

目前已获得 6.8k+ stars，是非常高质量的AI Agent工程实践教程之一。

https://t.co/RLod6ZAynu
#AIAgent #ClaudeCode #HarnessEngineering #harnessagent #Codex

[政经鲁社长 @xzzzjpl]

不错的美股科普文章，推荐新手阅读。

[Lexaaa @DayShuai]

明天 volunteer 了在 Yang Zhang lab 组会上分享我自己的 AI loop。同一套 OS pattern 最近半年在 automath 和 newmath 跑出 3,400+ 0-axiom Lean 4 定理、5×/周自动 release，多篇文章在 peer review，还有合作项目在同步推进，也接到了我 PhD 的 TCR / pMHC 上（JSI-Pi，joint scaffold-interface posterior）。

我们 lab 也是个老牌 top-tier research lab —— I-TASSER 在 CASP automated server 赛道长期 top，170k+ 注册用户、160 个国家。但据我观察，AI 工具的使用密度还远没有到它能到的位置 —— 主流用法还停在把 ChatGPT 当成 search / 助力工具，真正能放大产出的 agent loop、多模型协作、自动化 pipeline 几乎没怎么铺开。这也是我想做这次分享的原因。

slides 做都做了，干脆 share 出来 —— 看看大家能不能从里面收获点什么，也欢迎大家和我交流讨论，多多合作。

里面总结了几条经验：

· 怎么搭一个减少幻觉的自动化 loop：能结构化的全部结构化，能 gate 的全部 gate，AI 只在 bounded task 里跑。很多幻觉不是模型突然变差，而是任务边界、输入 schema、输出 format 和 review gate 没有收紧。

· 怎么用多机器 + GitHub 做隔离协作：private repo 也可以，每改一次都 commit，随时回滚，所有人的贡献都可视化；多台机器常开，各自跑各自的 loop，最后通过 branch / PR / merge 汇合。

· 怎么蒸馏自己的"经验库"：受 gstack 的 office-hour 启发，我把一位资深研究者公开发表的论文、talk、quote 爬下来，加上自己长期和很多人交流的笔记，一起丢给 AI 蒸馏成一份"私人 PhD office-hour"。它帮我判方向、补盲点 —— 当我在想一个模型时，它会提示我"导师大概会问的下一个问题"、"我现在没考虑到的角度"。这是一种超过自身经验的经验。

我相信科研品味和直觉，在某种程度上是可以被 AI 捕获、被 scale 的。

我做这次分享有两个目的：一是希望大家能更多用上现在的 top AI；二是希望实验室能合作一起产出。个人和单个 agent 的力量都有上限，只有协作起来并行推进，效率才会加倍 —— 每个人都能参与，每个人的参与都在 GitHub 上可视化，方向由我们把控，剩下的让 AI 迭代。未来一定会发生一次范式转移（或许已经发生），做 AI 的 lab 更应该走在时代前面，去善于使用工具。协作跑起来，每个人的产出都会更快、更好，包括我自己。

完整 slides：https://t.co/MEscJJJdhF

[Elon Musk @elonmusk]

Where will AI be in 1, 2 or 3 years?