Jackson C.

Building @Rove_Officia1

Developer first. ByteDancer second. Previously building open-source coding agents at TabbyML. Undergrad, occasionally

[Jackson C. @Sma1lboy]

@huangruiteng yeeees 我非常喜欢loopx的抽象和概念

[Jackson C. @Sma1lboy]

我反倒觉得全流程AI提醒我整个面对个人用户的软件开发已经到一个时间节点 可以通过维护用户feedbackloop + 部分milestones 就能做到完整迭代的地步了 两年前想跑没跑通... yetone很好的展示了自己对于ai native的理解 学到了

[yetone @yetone]

为什么这么说我？为了软件高质量，我用自己的钱来订阅全世界最好的最贵的且最难订阅的模型 7×24 小时去实现和满足每个用户的真实需求，而且是个完全免费的软件，怎么就在你的口中成了「快餐式服务」和「这种作者」了？看着你挂着 newapi 的官方 logo ，很颠覆 newapi 在我心中的形象，希望你积点口德。

[Jackson C. @Sma1lboy]

前段时间突然有一个挺悲哀的感悟

在 LLM 出现之前，我就已经是一个很喜欢做项目的人

最开始做项目，并不是为了用户、商业化，甚至不是为了把它做成什么产品。更多是出于好奇心，想接触不同领域，学习新的知识，然后把脑子里突然冒出来的想法变成现实

这个过程本身就让我非常快乐

后来 AI 出现了，尤其是 AI Coding 越来越成熟之后，我突然拥有了过去难以想象的开发能力

但也正是在这个时候，我意识到了一件事：

AI 可以极大地扩展我的执行力，却没办法同样扩展我的注意力和创造欲

我可以做到非常 AI Native，让 AI 处理开发、测试、修 Bug，甚至维护用户提交的 Issues

但维护一个项目，和持续创造一个项目，是完全不同的两件事

同时维护 20 个项目的代码可能不难，但要持续为这 20 个项目思考新的 Idea、规划新的 Milestone、探索新的方向，几乎是不可能的

尤其是当其中很多项目没有用户，或者只有很少的用户时，我很难再说服自己持续投入精力

这让我有些难过

因为我慢慢意识到，未来的自己可能只能在少数几个领域做得足够出彩，而没办法像以前期待的那样，在所有感兴趣的领域都留下些什么

所以最近，我开始陆续 Archive 一些过去做过的项目

其中不少是我曾经非常喜欢、也认为完成度很高的作品。它们并没有失败，只是我已经没有足够的精力继续赋予它们新的生命

以后我应该还是会因为好奇心去做各种 Toy Project 和 Demo，做完就分享出来。但真正打算长期维护、持续迭代的项目，我会更加谨慎地选择

我想做的事情实在太多了

以前我总觉得，技术能力限制了我能做多少事。现在技术的限制越来越小，我才发现，真正稀缺的其实是自己的时间、注意力，以及持续热爱一件事的能力

可能成长的一部分，就是学会接受：不是每一个让自己兴奋的想法，都需要成为一个长期维护的项目

[Jackson C. @Sma1lboy]

我理解软件质量本来就没办法绝对保证。AI-native 开发的关键也不是让 AI 7×24 小时写代码，而是人如何把控关键节点，通过测试、Review 和验收来控制质量

话说回来，没有 LLM 的时代人一样会写 bug，不能因为代码是 AI 写的就直接否定整个项目

而且这本来就是个免费开源项目，作者愿意投入时间维护已经值得尊重。有问题当然可以批评，但直接上升到攻击作者，我觉得没太大必要

[Jackson C. @Sma1lboy]

用了两天magpie直接爆炸了 这种infra侧的产品 内存泄露是p0吧😭 幸好今天在家 要不电脑重启就完蛋了。。。 @yetone

Vibe出来的产品最难排查的也是内存泄露 至今没有什么好的monitor逻辑方式.. 当初rove排查泄露问题排查了快一周😵‍💫

anyway 补充个修复https://t.co/wodla5VMLr

[Jackson C. @Sma1lboy]

这也是为啥我做rove相关需求的时候很克制 因为一旦涉及到某个具体的coding harness相关就完全是因人而异的使用方法了

[yetone @yetone]

这条推文的建议很好，但"把压缩调到 400K"对每个人都成立吗？不一定。

这就是 magpie 要做本地 agent 可观测性分析的原因。每个 agent 都有自己独特的行为，每个用户也有自己的使用习惯，任务难度也因人而异，所以不存在一份对所有人都最优的配置。

更麻烦的是，每个 agent 的配置项又多又复杂，还藏得很深。大多数人压根儿不知道有这些开关，就这么不知不觉地用着最不适合自己的配置，浪费了大量时间和 Token，甚至牺牲了完成任务的质量。

magpie 新功能「为你调优」：在本地用你自己的真实调用，按每个 agent、每个模型去回放压缩阈值和缓存时长，算出对你最省 Token 的那一组。千人千面，但对每个人都是最省的。

[Jackson C. @Sma1lboy]

@yifanxu_ephai 期待一下 打算在现在的项目里用上这个仓库了 让我研究下

[KC @ScarletKc]

最近在 X 上刷到好多人被 GitHub 无理由封号，看得有点慌。

这个影响真的太大了，开源项目、commit 记录、issue 和 PR，这些年攒下来的东西说没就没。

本来放在中心化平台上的东西就不完全是自己的，平台想怎么搞你就怎么搞，连个理由都不用给。

我的东西基本也全在 GitHub 上

[Jackson C. @Sma1lboy]

@jakevin7 同意 同时我认为AI训出Ego比训不出来难 很明显oai没做到

[Jackson C. @Sma1lboy]

@polebug 同感 痛苦死我了

[Jackson C. @Sma1lboy]

这也太cooooooool了我要借鉴了

[Oriku @Oriku175]

interactive poster experiment 002

[Jackson C. @Sma1lboy]

@ZacharyZhang 喜欢 佬可以顺便提供cli支持么🙋‍

[Jackson C. @Sma1lboy]

虽然但是 为什么要天天拉屎然后拉28天？
btw我非常喜欢openai，但是根本看不懂你们的营销策略🫤

[Tibo @thsottiaux]

Day 2.1/

We have made Auto-review free for all users signed in through a ChatGPT account. You can enable it in settings > permissions > auto-review. Auto-review improves upon the default sandbox setting that requires you to approve everything, which is prone to decision fatigue unless you spend a lot of time configuring specific rules.

It allows you to run long tasks while having a second agent review all actions taken by the primary agent. Its only goal is to prevent high-risk actions from being taken and to protect against unwanted actions that are not aligned with the original user intent. This Auto-review feature is now free and does not draw usage from your plan.

[Jackson C. @Sma1lboy]

@ScarletKc 下次大胆点 把sonnet5.5完全干掉不用了😋

[Jackson C. @Sma1lboy]

@calebfahlgren I’m genuinely curious — do you actually read through the content you generate with pi-1.0, or do you just hand it off to a review agent once it’s done and move on?

[Jackson C. @Sma1lboy]

@itsNintu @BrahmaD111 @thsottiaux They’ve got better models using fewer tokens to solve the same problems. Both the model and the coding harness have improved a ton in the meantime.🤦

[Jackson C. @Sma1lboy]

@zhallen122 @loki_yan_seo 给agent单独的支付钱包 + 不同金额的授权方式 or 做类似支付宝的免密支付

[Jackson C. @Sma1lboy]

虽然我很喜欢这个产品 但是为啥大家的宣传跟没见过cpa or任何的反代repo一样...? 充满疑惑

[MATH FOURNITY @math_fournity]

🚨 毁灭Harness世界的力量！magpie(by @yetone)会让所有厂商的Coding Plan变成了打折后的API

magpie可以把所有AI Harness中的私有API，代理出来变成magpie支持的各类其他厂商的API

大家会把在不同厂商处的订阅，对接到自己喜欢的平台，可惜只有两家：Codex & Claude

这对于其他平台，就很尴尬了😂

[Jackson C. @Sma1lboy]

共勉

[Drew Jin @drew_jin_0827]

最近有一个挺难受的感触：agent 让我同时推进了远超过去规模的项目，oral paper、基模实习、极限加速的方法，结果都不错，但我好像很久没有真正学到东西了。
以前我一直坚信边做边学，写代码、debug，被一个问题卡住，顺着它往下挖，慢慢就懂了（我曾经真是身边人中使用 debugger 最溜的那个）。
现在卡住了就交给 agent，回来时问题已经解决，我也切去看另一个项目了。最后代码能跑，指标达标，但好多状态机我没理清，corner case 我没亲手修过，甚至还得回头读懂“我做的项目”的代码。
我依旧忙得要死，却很久没有进入过那个专注到忘记时间的 zone。
说起来也不全是进度逼的，我自己也越来越习惯这种轻松得到结果的感觉，不愿意静下心啃东西了。
我当然不想回到所有代码都得手写的时代，但开始意识到，过去那套靠项目顺便学习的方法，现在可能真的不够了。
有些时间得专门留给自己，学基础、手操、把一个复杂问题想到底，不然项目越做越多，我可能还是停在什么都懂一点、什么都没懂透的地方。
这和我当初想做的事，差得还很远。

https://t.co/iJ7eMei6xy

[TechVerser @realfxw]

很多人还没意识到，MCP Events 可能是近期 AI Agent 领域最被低估的核心更新。

目前绝大多数人的 Agent 本质上仍然是“被动型”的： 要么是你主动去聊天框敲一句 Prompt 把它们叫醒； 要么是通过死板的定时任务（Cron Job）不停轮询。
但事件驱动（Event-Driven）的标准化，正在彻底重塑 Agent 的唤醒逻辑——从“人去找 AI”转向“环境状态主动触发 AI”。
有人可能会问：“这不就是存在了多年的 Webhook 吗？” 原理上类似，但关键在于协议与大模型上下文的标准化打通。过去你很难让外部业务事件直接、原生且低门槛地唤醒 ChatGPT 或 Claude。一旦事件总线与协议铺平，几个场景将迎来质变：

工作流中的原生协作者：在 Notion、Google Docs、Figma 或 Linear 中直接 @Agent，它不再只是个死板的机器人脚本，而是能立刻捕捉上下文并直接执行复杂编辑与任务。

智能分流与前置执行：监听 Slack 消息、紧急邮件或 GitHub PR。Agent 不仅做通知，还能在打扰你之前，就完成优先级研判、草拟回复或前置跑完初步检查。
“子代理即服务”（Subagent-as-a-Service）生态：主 Agent 充当统筹中枢，垂直领域的专业 Agent（如法律合规、特定领域数据校验）作为事件驱动的专属模块按需介入，形成真正的多智能体异步协作。

从“问答式工具”跨越到“自主数字员工”，真正的分水岭不仅在于底层模型有多聪明，更在于它究竟是永远在等人类下令，还是具备了对环境变化做出响应的神经反射弧。

https://t.co/tMcIUD5D3R