sanzhang

📝推｜Cybersecurity｜金融行业

[SaladDay @saladdayyy]

前段时间看了 @QuantumTransf 老师的 pi-agent book(https://t.co/tEE7aiTPjD)，写得很好，pi 的每一个设计细节都拆得很透。如果你喜欢系统性地啃一个东西，这本书是很好的选择。

但我个人读这种蓝皮书很难保持兴奋。我得在造的过程中学，光读不写我会坐不住。

但是直接看PI的源码容易给搞晕，太多工程细节了。

所以我把 pi 砍到只剩 600 行，写了一篇叫 PI-from-Scratch 的文章（对，他只是一篇文章，你花半天就能看完）

我做了一个小巧思，文章右边有一个代码编辑器，读到哪段，那段的代码就浮现出来，走完整个过程，一个完整的nano pi 就做好了。

全程每一个组件都是需求得来的，我需要他，所以我创造了他，非常符合直觉。

希望大家在创造出属于你自己的pi-agent之后，能找回当初第一次输出hello world的兴奋感😄

同时因为我在古法时代编程喜欢逐行断点debug，所以在这里特地设计了一个trace跟踪，可以逐行过代码，希望能帮助大家理解代码执行流。

在这里和大家保证，文字基本上手敲，ai味非常淡！

学完再看 @QuantumTransf 老师的书或者直接去看 pi 源码，一切都变得很好懂。

BTW， 可能PI-from-scratch会是一个文章系列，以后我们会把pi的各类 components 挨个作为一篇小文章拓展到nanopi上。

github repo: https://t.co/iUWQJpSDLJ
在线读: https://t.co/RD5EJaa9zk

[Indie Fox @indie_maker_fox]

给大家推荐一本非常值得阅读的 Pi Agent 电子书

https://t.co/kiD4HKakZl

众所周知，我很喜欢 Pi agent，极简的设计，丰富的扩展。我也很喜欢 Craft agent，也多次推荐，优秀的架构，丰富的功能。我自己也基于它们开发了 MkAgent，可以理解为是 Pi agent 的桌面端产品，或者理解为 Craft agent 的 Lite 版本，过几天我会忙完了会发出来。

对于想要了解 agent 内部原理的朋友，还是推荐之前分享的 Learn Claude Code 教程，入门最友好的教材，每个章节只配有少量的python代码。

对于想要了解 Pi agent 内部原理的朋友，我就推荐阅读今天这份电子书教程，10个章节，从 agent loop 到上下文工程都有源码剖析，理解精华。

说实话，我自己也看了不少 pi agent的代码，也想写个教程，奈何我实在没多少空闲时间，偶然发现这本书，从结构上、讲解上都非常赞同，作者很多理解在我之上，所以我感觉自己没有必要再去写 pi agent 教程了。

总之，非常推荐这2个教程，循序渐进读下来，掌握了核心基础之后，上面的东西怎么看实现起来都很简单。现如今定制化的 agent 开发已经是企业内的核心业务了，agent 内部原理可以说是未来程序员的编程基础了。

[Indie Fox @indie_maker_fox]

这个 Learn Claude Code 教程真的写得很好

https://t.co/lKQv8g6tQT

作为程序员，每当看到cc出了新功能，都会去猜下它大概是如何实现的，这个教程大概就带我们简单经历了一遍cc这个code agent的简易形态的开发历程。这类教程最有价值的就是背后的思考：之前的agent是遇到了什么问题，而新功能是如何解决这个问题的。

🙋 这有什么好处呢？

估计不久，大家都要从使用agent转为开发公司或者业务内部的agent，那就不可避免遇到一些问题，然后你就得考虑如何解决问题。这个教程在训练你的思维，让你学习先进agent背后的工作原理。

[LinearUncle @LinearUncle]

Matt Pocock老师的skills 终于有官方文档了。
https://t.co/QfNJhMAg0S

"The Main Flow"里的4 个skills 一条龙走下来就可以全自动实现一个完整的网站，app，后台等产品，适合梭哈；

1. `/grill-with-docs 我想实现一个MacOS上的VPN`
ai会和你讨论产品和技术细节，直至达成共识

2. `/to-spec 生成文档放到github xxx private pro中`
根据讨论生成文档

3. `/to-tickets`
根据上一步的文档生成带有优先级依赖的任务列表，放到github issues里管理

4. `/implement 根据优先级逐个全部实现，先从第一个开始`
实现所有任务

也就是如下流程：
'和ai讨论需求，确定需求范围' -> '让ai根据讨论生成需求和技术文档' -> '根据文档，拆分任务列表' -> ‘全自动完成所有任务，根据优先级逐个实现’

安装所有skills:
npx skills@latest add mattpocock/skills

请详细阅读文档，可以自己尝试下。

[陈大黄 @realchendahuang]

最近一直在折腾Pi agent、OMP、Zcode、Codex、Opencode 这些Agent Harness，我终于理解了我自己真正的需求是什么。

第一：我需要一个成熟稳定的GUI页面，用惯了GUI，实在是用不下去TUI，在黑框框里聊天太难受了，你要记很多的快捷键，很多的指令，才能真正的用得下去。但是GUI只要直观的点点图标、点点按钮就行了。所以我必须要一个成熟的、稳定的、美观的，GUI的页面。

所以我排除了Pi Agent 、OMP这样的产品，他们的配套的社区GUI做的实在是太差了，我自己手搓又会花很大的精力，而且它的可定制化太强，你手搓的GUI产品没有那么多的通用性。

第二：我需要非供应商锁定或者非供应商偏袒或者锁定的一个软件产品，Codex确实开放了第三方的模型配置接口，但是Codex它配置起来真的很麻烦，第三方的模型总是二等公民，这让我很不爽。Zcode它没有办法通过Oauth登录各家的coding plan，比如Kimi For Code，比如Grok Build，是没有办法在Zcode里使用的（邪修折腾除外）

所以我排除了ZCode、 Codex这种有模型供应商偏袒的软件。

第三，我需要基于我自己的需求，可以做二次开发和定制化，便于给我的客户更方便的开箱即用。所以它一定要是开源的，许可证友好的产品，方便我自己爽，也方便我的客户，用起来简单方便，不搞那么多黑科技去hack。

所以到最后，我真正能选的就是Opencode，那么OpenCode它只是一个Agent的内核，如果要给它真正选一个成熟的、稳定的、好用的GUI产品，我终于发现了真正的版本答案：openchamber

开源地址：https://t.co/38zplvPacf

[ucai @wycai]

@realchendahuang 好兄弟，试试这个 https://t.co/PnkNEvCnq9

[cr3ghost @cr3ghost]

Two new logical flaws in Kerberos just dropped at Black Hat. Low-privileged user to full domain takeover, including domain admins.

If you're doing Active Directory pentesting, Kerberos attacks, red teaming, identity security, or detection engineering, read this.

KerberLoss (CVE-2026-25177) and ResetNightmare (CVE-2026-27912). Both are logical bugs, not memory corruption. Described as surprisingly easy to exploit.

https://t.co/dgJC3JHjOf

#Infosec #RedTeam #DetectionEngineering

[Marcos Hernanz @MarcosHernanz]

After doing ~60B tokens, this is my full AGENTS.md

[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。

[Yanhua @yanhua1010]

https://t.co/tc7ZfKDkzK

[Avi Chawla @_avichawla]

From prompt → context → harness → loop → graph engineering:

The list keeps growing, and every new term gets treated as a replacement for the last one.

In reality, however, each layer wraps the one before it, and the cleanest way to tell them apart is to ask what a single unit of work looks like.

> Prompt engineering is the message:

The model remembers nothing before this call, so the prompt has to carry the full universe of what it needs. a role, the background, the instructions, a few examples, and a format.

When the output falls short, the skill is working out which ingredient lets you down, not rewriting the instructions every time.

The unit of work is one input.

> Context engineering is the memory:

Across many steps, the window is finite, and the available information is not, which forces a curation step. A curator keeps what matters, compresses what is useful but bulky, and drops the rest.

Good curation is mostly about knowing what to throw away, not packing more in.

The unit of work is what stays in the window.

> Harness engineering is the machine:

On its own, a model just generates text. The harness gathers what it needs, runs it, calls tools or sub-agents, and verifies the result with tests or a judge.

That verify step is the entire difference between calling an api and running an agent.

The unit of work is one pass through the machine.

> Loop engineering is the run:

One pass rarely finishes the job, so something has to decide whether to run the machine again. That decision needs a goal defined upfront, brakes like max iterations and budget caps, and a completion check that is automated rather than felt.

An agent that stops asking for tools has ended its turn, which is not the same as finishing the task.

The unit of work is the whole run.

> Graph engineering is the coordination:

Once several loops have to work together, you need to say what runs when, what runs in parallel, and who checks whom. Nodes do the work, edges decide what runs next, and shared state flows between them.

A single loop is just a one-node graph with an edge pointing back at itself, which is why graphs govern loops instead of replacing them.

The unit of work is the whole job.

Here is the part that ties it together.

Prompt and context both live inside the harness gather step. The harness is one pass, the loop decides whether to run that pass again, and the graph decides which loops run at all.

Zoom out, and the unit of work gets bigger. Zoom in, and you are back at the prompt.

That also tells you where to debug. Find the layer whose unit of work broke, then fix that layer.

The prompt is the easiest layer to edit, which is why it keeps taking the blame for failures that live three layers up.

My co-founder published a deep dive on graph engineering, covering the core idea, how to get started, shared state, routing you can trust, and when a graph is genuinely overkill.

Read it below.

[Leon Derczynski ⚒️☁️🏔️🌲 @LeonDerczynski]

Capital One VulnHunter OSS here:
https://t.co/0gfpGbI7wP

[GitHub @github]

You're not behind. There's no secret everyone else has.

There's just the harness, and it's mostly all you need.

@burkeholland gives you a simple, repeatable workflow for GitHub Copilot. https://t.co/1gvgpf0ioi

[周览资源 @grgerwcwetwet]

AI 剪视频，已经卷到不用你自己剪了。

推荐一个开源项目 OpenMontage，最近直接冲上 GitHub 热榜，Star 已突破 4.2 万。

它不是普通的 AI 视频工具，而是把 Claude Code、Cursor、Codex 这些 AI 编程助手，直接变成一支视频制作团队。你只需要说一句人话，它就能自动完成脚本、找素材、配音、字幕、剪辑、合成，全流程跑完。

更厉害的是，把一条爆款视频丢给它，它还能分析脚本结构、镜头节奏和画面风格，并给出多个不同方向的复刻方案。底层内置 12 条视频生产流水线、100+ 工具、700+ Agent Skills，从创意到成片几乎一站式完成。

如果你做短视频、自媒体，或者正在折腾 AI 工作流，这个项目值得收藏。

🔗 https://t.co/w4o71YXIij

[智享 @CycleDecoded]

抄大厂UI/复刻好看的网页，最痛苦的不是写组件，而是手动去控制台一个个元素抓颜色、字体、间距和 Shadow。

这个开源项目 opendesign（基于 Playwright + Vision LLM），直接把任何目标网站的视觉 Design Tokens 给自动化逆向提取出来了。

1️⃣ DOM 自动化渲染：底层用 Playwright 真实运行浏览器，提取计算后的 CSS 样式（Computed Styles），连带伪类和动态状态全抓下来。
2️⃣ 多模态视觉校验：结合 Vision LLM 多模态能力，对布局层次、色彩规范进行归一化校验，自动剔除杂乱脏代码，只生成标准化的 Design Tokens。
3️⃣ AI Prompt / Code 准备就绪：直接导出标准化 JSON / CSS 变量或可以直接塞给 Claude Code / Cursor 的 Markdown 规范文件，开发前端时让 AI 按这套 Token 还原，精度直接拉满。

适合谁冲：
前端开发者、独立开发者、产品经理，或者正在做 AI 原生界面 UI 还原的同学。

💡 使用提醒：
提取出来的 Tokens 适合作为样式参考与系统构建基础。在商业项目中使用时，注意侵权风险，避免直接 1:1 硬套原版的品牌标识和特有资产。

🔗 项目地址：
https://t.co/RGVMOVrpem

[yibie @yibie]

推荐这期 Pi 扩展清单——Pi 社区在 7 月份非常活跃，新发的几个扩展把 subagent 自主性、持久化 /goal、Plan Mode、LSP 代码智能这些其他 agent 的核心功能都补齐了。每个扩展一句话说明做什么，一个安装命令。

Pi 扩展精选 — 2026 年 7 月

🤖 Agent & Subagent

1. pi-open-agents https://t.co/K1GQqnGW2m — 统一 agent 切换 + subagent 委派，兼容 OpenCode .agent.md 格式。替代 pi-agent-mode + pi-subagents 两个插件
安装：pi install npm:pi-open-agents · MIT · v0.1.11

2. pi-agents-team https://t.co/meziwTqYwZ — 把一次 Pi 会话变成 multi-agent team，7 个内置角色（explorer/fixer/reviewer/librarian/observer/oracle/designer），RPC worker 后台跑
安装：pi install npm:pi-agents-team · MIT · v2026.7.18 · 233/wk

3. @tintinweb/pi-subagents https://t.co/9qH2aLenr3 — Claude Code 风格自主 subagent：agent 自己决定何时 spawn、用什么 model、给什么工具
安装：pi install npm:@tintinweb/pi-subagents · v0.14.3

4. pi-landstrip https://t.co/KLVlT6fmqw — 沙箱感知的 subagent + 交互式命令权限管理
安装：pi install npm:pi-landstrip · v0.17.35

🎯 Goal & Plan

5. pi-agent-goal https://t.co/ZV9O6b5dTn — 持久化 /goal 工作流，branch-aware 状态（切分支自动跟随），支持从 PRD markdown 导入
安装：pi install npm:pi-agent-goal · v2026.6.14

6. @narumitw/pi-goal https://t.co/VlX8xKaxWP — 自主 /goal 完成 + 实验性有序任务队列
安装：pi install npm:@narumitw/pi-goal · v0.28.0

7. @narumitw/pi-plan-mode https://t.co/3ZucZ0RSqN — Codex 风格只读 Plan Mode，协作规划不写代码
安装：pi install npm:@narumitw/pi-plan-mode · v0.28.0

8. @mjasnikovs/pi-task https://t.co/NQXsxqoaEe — 确定性任务规划 + spec 编排，崩溃安全的任务流水线（对本地模型友好）
安装：pi install npm:@mjasnikovs/pi-task · v0.19.0

🛠️ 工具 & 基础设施

9. pi-mcp-adapter https://t.co/GwVzlE3KpF — MCP 协议适配器，任何 MCP 服务器都能变成 Pi 的工具面
安装：pi install npm:pi-mcp-adapter

10. pi-llama-cpp https://t.co/Y2o2gPobAT — llama.cpp 集成，支持 router/single/legacy 模型，Apple Silicon 原生
安装：pi install npm:pi-llama-cpp · v0.9.1

11. pi-cursor-sdk https://t.co/y20yrY47wX — 把 Cursor 本地和云端 agent 变成 Pi 的 provider
安装：pi install npm:pi-cursor-sdk · v0.1.61

12. pi-agent-browser-native https://t.co/WUPRm8HbgD — 浏览器自动化原生工具（截图、点击、表单填写）
安装：pi install npm:pi-agent-browser-native · v0.2.72

📊 代码智能 & UX

13. @narumitw/pi-lsp https://t.co/EAoHqwehOH — 语言无关 LSP 工具（跳转定义、查找引用、诊断），通过共享 runner 暴露
安装：pi install npm:@narumitw/pi-lsp · v0.29.0

14. pi-lens https://t.co/7w2wE3g3im — 实时代码反馈：LSP + linter + formatter + 类型检查 + 结构分析
安装：pi install npm:pi-lens · v3.8.71

15. pi-readseek https://t.co/oTNLcNJfeL — 基于哈希锚定的 read/edit/grep + 结构化代码地图
安装：pi install npm:pi-readseek · v0.8.9

16. @narumitw/pi-statusline https://t.co/AQRaKeUi2W — 信息密集型状态栏替代默认 footer
安装：pi install npm:@narumitw/pi-statusline · v0.28.0

🔒 权限 & 安全

17. @gotgenes/pi-permission-system https://t.co/qtM9QEDabF — 权限执行扩展，细粒度工具访问控制
安装：pi install npm:@gotgenes/pi-permission-system · v23.0.0

18. pi-hermes-memory https://t.co/WIbRfCfpr3 — 持久记忆 + 会话搜索 + 密钥扫描，token 感知的 memory 策略
安装：pi install npm:pi-hermes-memory · v0.8.2

🔧 杂项精选

19. pi-fabric https://t.co/cZGj1BH9Q9 — 可编程工具和 agent 运行时，组合大于继承
安装：pi install npm:pi-fabric · v0.25.8

20. pi-simplify https://t.co/oQbsOKGH27 — 审查最近改动代码的清晰度、一致性、可维护性
安装：pi install npm:pi-simplify · v0.2.3

数据截止 2026-07-25，版本号/下载量为检索时快照

#Pi #扩展 #插件

[陈大黄 @realchendahuang]

我整理了一套 Pi Agent 的完整配置方案，包含 17 个插件、18 个全局 Skill、2 个 MCP server，配一键安装脚本。

Pi 出厂只有读写文件和跑命令四个功能。这套配置不是简单把插件堆上去，而是围绕实际编码流程做了完整设计。

任务编排层面，装了子代理委派、目标驱动和计划模式。复杂任务可以拆给多个子代理串行或并行跑，也可以先出方案再动手，避免一上来就改代码。

代码理解层面，装了 AST 级搜索替换、LSP 诊断、符号导航和上下文管理。Pi 能看懂代码结构，不只是文本匹配。context-mode 能把大输出做摘要，读 47 个文件直接烧 700KB 上下文，走它只回 3.6KB。跨会话记忆让下次开新窗口还能记得之前的项目约定。

外部接入层面，装了网页搜索、Playwright 浏览器自动化、MCP 适配器，以及 Context7 和 Chrome DevTools 两个 MCP server。能查最新文档、远程调试网页、抓网络包。

此外还配了 todo 浮层、状态栏增强、GitHub PR 查看、代码审查、prompt 模板和主题。每个插件都经过实际使用筛选，工具开关做了精细配置，不常用的默认 inactive，MCP server 设了 lazy 启动按需加载。

仓库地址：https://t.co/NhmLBtqe7j

[ころころゴロリ @k0mkc]

全部ブログに書いてますhttps://t.co/LLHeMYplwk

[Co11ateral @co11ateral]

Certighost (CVE-2026-54121) - AD CS Domain Controller Impersonation

Low-privileged domain user can impersonate a Domain Controller via an AD CS enrollment chase fallback. By supplying cdc (Client DC) and rmd (Remote Domain) request attributes, an attacker forces the Enterprise CA to query an attacker-controlled host over SMB and LDAP

The CA then blindly trusts the returned directory objects (objectSid + dNSHostName of a real DC) and issues a certificate containing strong identity mapping for the Domain Controller. This allows successful PKINIT authentication as the DC

ADCS is often a quick way to escalate privileges, and admins overlook its security importance..

Source: https://t.co/t2U91TGSHV

[Geek @geekbb]

pi coding agent 缺队列、容器隔离和费用控制，pi-dispatch 把这几层补上再跑成服务。

将 pi 以容器化服务运行，提供持久化作业队列、容器隔离、按次按日费用上限和实时管理面板。支持三种触发方式：CLI 手动提交、cron 定时调度、GitHub Issue/PR 标签自动触发。

https://t.co/8t2zqEVF0C