ZTRONS

W @plebVCC
@FMWCapital

[Amto @XAMTO_AI]

以前总觉得AI还得靠人一步步喂指令才能干活，直到我试了这个叫Autoresearch的东西，才发现原来给AI定个目标加个衡量标准，它就能自己玩命迭代，根本停不下来。

它灵感来自Karpathy的那套思路，现在在Claude Code和OpenCode上都能跑，不光是写代码，做内容、搞运维什么的同样适用。

改一下代码→跑个验证→效果好就留着，效果差就回滚→然后无限循环，直到达成目标。
整个过程全自动，你只需要定好规则，它就能自己跟自己较劲，不断优化。

🔗传送：https://t.co/kKcKWbYB7Y

[Amto @XAMTO_AI]

有个 GitHub 仓库专门扒各大 AI 产品背后的系统指令，ChatGPT、Claude、Gemini、Copilot、Perplexity、Grok 全都有。

不是提示词合集，不是越狱教程，是这些产品真正在跑的那套底层规则。目前已经 60k Star，几乎每周都在更新。

用了这么久的 AI，我才意识到模型怎么回答，很大程度上取决于对话框后面那套巨大的指令文件。

整理的东西包括：

GPT-5.6 和 Codex 的系统提示

Claude Fable 5、Opus 4.8、Sonnet 5

Gemini 3.5 Flash 和 AI Studio

Perplexity Computer 模式

GitHub Copilot、Cursor、Grok、Qwen 等更多

规则覆盖了工具怎么用、记忆怎么存、搜索怎么决策、安全边界在哪、代理怎么调度、语气风格怎么定。

大多数人把 AI 当黑盒，聪明人已经在读说明书了。

优势就是这么拉开的。A哥认为一个 GitHub 仓库能教你的东西，比瞎试几周提示词还多。

🔗https://t.co/iGMqUFjySQ

[Nick @nickbaumann_]

I had GPT-5.6-sol put all the best Codex + ChatGPT Work use cases from X (& prompts!) into a Site™️

Consider this a curated feed of all the inspo you need

(you might find your own tweets here!)

https://t.co/LJ7mXap3de

[Aron厚玉 @aronhouyu]

彻底离不开codex了

前几天在找自己行业的niche关键词，用codex的内置浏览器，5分钟就搞定了。

再通过主题+搜索意图聚类，发现好用的一批。

准备：每个意图做一个主页面，然后做长尾的内容支持页面，再加上自己观点+原创案例

这样就是一个完整的，可seo/geo的原创内容

同时可以监控：chatgpt，peroplexity，bing等等。

[刘小排 @bourneliu66]

GPT-5.6 Pro绝对是最强编程模型，远超GPT-5.6 Sol和Fable 5。

以前我需要自己在网页里用它，麻烦。得益于 Codex 最近的内置浏览器体验提升，使用GPT-5.6 Pro现在终于不麻烦了。

我的新方法：
- 我不再亲自使用 ChatGPT Pro。
- 我让Codex在使用ChatGPT Pro。

详情
https://t.co/oyFG8haItC

[Leo｜一个人 + AI @runes_leo]

大家平时用 Codex，每周盯着额度消耗、盯着什么时候重置，对吧？

有个问题很多人没注意到：ChatGPT Pro 的网页聊天框里，还有一大块额度——你是不是几乎没用？

很多人真实情况是：Codex 用得很凶，网页端 Pro 聊天额度却闲着。

先把账本说清楚：不管是大约 20 美金的 Plus，还是大约 200 美金的 Pro，官方权益都拆两块——网页聊天额度，和 Codex 额度。两块分开算。

Plus：两边都能用，都容易顶满。
Pro：聊天这块，官网写的是无限消息和上传，同时写明仍受防滥用限制；Codex 这块还是同一个 Codex，额度比 Plus 高，官网对比大约是五倍或二十倍。现在 Codex 已取消五小时限额，账号里主要剩周限额。

所以完全可能：这周 Codex 见底了，Pro 网页聊天还很宽裕。

我看到刘小排老师的方法：Codex 当项目经理和验收，网页端 Pro 处理持续、有难度的问题。我也跑了一次——Codex 打包 → 丢给 Pro → 拉回本地编译测试。

我没技术背景，只让 AI 写了个不含私有仓库的 Python 缓存加测试。链路通了：Pro 想了大概 9 分 13 秒，本地测试 9/9 全过。

但按这次跑法，并没省到钱。派发和读汇报时，输入输出仍会烧很多 Codex；抓整页网页、拉侧栏历史，烧的还是 Codex。Pro 再宽裕也救不了这边。

高性价比几条：
1）任务一次发完整，后台安静等，别狂刷网页
2）让 Pro 尽量独立跑完长任务
3）首尾交接给 Codex，中间少碰
4）小活急活别绕

如果你还没发现，快去试试吧！你打算怎么用这部分？评论区聊聊！

参考：刘小排《用Codex指挥ChatGPT Pro》 @bourneliu66

[逸尘 @gengdaJ]

一个超级Skill，让你的Codex增强十倍！

开源一套我花了数月打造的Codex组合技：yichen-web-research Skill——涵盖全网和社媒搜索、社媒读取下载和归档、私人收藏链接导出和音视频ASR转写。

四个核心Skill：
⓵ yichen-unified-search：Codex的眼镜——全网+社媒搜索，适合深度思考问题、查找实时信息、搜寻开源工具......
1. 全网网页、新闻、官网：AnySearch 公共搜索。
2. 法律、金融、学术、安全等垂直领域：AnySearch 垂直搜索。
3. GitHub：gh search 搜索仓库、代码、Issue 和 PR。
4. 微信公众号：OpenCLI，通过搜狗微信进行匿名公开搜索。
5. 小红书：OpenCLI，读取Chrome登录态进行站内搜索，需要当轮授权。
6. 抖音：OpenCLI，读取Chrome登录态进行低频站内搜索，需要当轮授权。
7. 今日头条：OpenCLI，使用专用匿名环境搜索文章和图文内容。
8. X/Twitter：Grok OAuth＋grok-consult，执行X平台公开内容搜索。
9. B站：bili search，匿名搜索公开视频和相关信息。
10. YouTube：yt-dlp ytsearch，匿名搜索公开视频，只提取信息和链接。
11. 小宇宙：AnySearch，通过 site:https://t.co/KADcC1lXLl 搜索公开内容。
12. 其他指定网站：AnySearch，通过 site:目标域名 搜索已被公开收录的页面。
13. 多关键词批量搜索：AnySearch batch_search，并行搜索多组关键词。
14.未指定平台的社交媒体讨论：AnySearch 的社交媒体垂直搜索，先发现公开候选。

⓶yichen-content-archive：读取用户直接提供的网页、小红书、抖音、公众号、YouTube、B站和小宇宙链接，并且下载归档。
1. 普通网页：用 Jina Reader 或 Web Reader 提取正文并转换成Markdown。
2. 小红书：解析网页中的 INITIAL_STATE 获取正文、图片和视频直链，必要时经授权使用登录态。
3. 抖音：用 Playwright监听视频详情接口，提取元数据和无水印视频地址。
4. 微信公众号：通过公开文章解析接口读取单篇正文，批量文章使用本地公众号归档工具。
5. YouTube：用 yt-dlp 读取视频信息，下载视频、音频、字幕或枚举播放列表。
6. B站：用 bili-cli 读取视频信息，用 yt-dlp 下载视频或枚举合集。
7. 小宇宙：匿名解析单集页面中的音频地址并下载，播客清单需要OpenCLI授权枚举。

⓷yichen-bookmarks-export：只读导出小红书、抖音、X 的私人收藏链接。
1. X：使用本机 Field Theory CLI，读取 Chrome 登录态并调用 X 内部 GraphQL Bookmarks 接口，同步到本地索引后由 Python 脚本导出链接。
2. 小红书：复用已登录的 Chrome 会话，进入收藏页后自动滚动，通过页面 DOM 提取笔记链接并去重，保留 xsec_token，不导出 Cookie。
3. 抖音：复用已登录的 Chrome 会话，滚动收藏列表并解析页面中的 /video/<id> 和 /note/<id> 链接。

⓸yichen-asr：用 Step ASR 或豆包 ASR 转写已有音视频。两者效果差距不大，豆包略微好一点点。
1. 阶跃星辰Step ASR大概一个小时一毛五：https://t.co/HQWPQUq0G4
2.火山引擎豆包ASR大概一个小时一块钱：https://t.co/OYYbb4HiTy

yichen-web-research Skill相当于一个入口，如果没有特殊指定，你的所有上述相关的操作会自动分配对应的Skill，如果能记住单独Skill的名字，也可以单独调用。

让你的Codex起飞吧：https://t.co/VE3MQMpGN8

[Aiden @wohsj110]

orca 的编排实在好用，强烈安利你们试试，用来做 graphEngineering （编排），配合自动化，基本可以跑 十几个小时 ，把需求做的差不多
#orca #graphEngineer @orca_build

[Yanhua @yanhua1010]

pi 应该是目前最好的 agent 学习案例：78k star，TypeScript，架构分层极清晰，整个 agent loop 就一个文件 793 行。

我准备开一个“Agent 内核拆解”系列，把 pi / codex / grok-build 三个工业级 coding agent 的内核拆干净，顺便从零写一个能跑的 mini-agent。

欢迎关注。

[0xAA @0xAA_Science]

老码农 Skill
Uncle Bob Martin 是位码龄近 60 年的老码农。他在推上分享了自己使用 coding agent 的经验：不读 agent 写的代码，而是让代码闯过层层关卡，才配被信任。

我把这套思想做成了开源 skill：old-coder（老码农），方便大家使用。每个关卡代表一种测试或约束，old-coder 内置 10+ 关卡，并在写完代码后生成报告供你审阅。

https://t.co/evYK7On0t8

[Amto @XAMTO_AI]

兄弟们，GitHub上搞量化交易的门槛，这次直接被这玩意干碎了，你信吗？

项目叫 Vibe-Trading ，香港大学团队（HKUDS）搞出来的真狠活。目前已经在GitHub狂飙到近2.1万星，完全开源且走MIT协议。它本质上是一个能挂载到Claude Code或ChatGPT里的“AI交易员”——支持美股、港股和Crypto，用大白话就能让它全自动搞定策略编写、回测和交易指令。

大白话写策略 ：打字“帮我回测苹果均线交叉”，它自己撸代码跑数据出结果。

AI团建选股 ：内置多智能体角色互相辩论找买卖点，你只管抄作业。

全渠道推信号 ：支持微信、Telegram、钉钉等16种平台，有行情直接弹手机。

跨市场通吃 ：股票、外汇、Crypto全覆盖，还带零风险模拟盘练手。

🔗 ：https://t.co/DmanpIs0Kk

[余温 @gkxspace]

GPT‑5.6 出来以后，Skills 收藏党真的必须清一次仓库了。

我以前长期装着 Superpowers，用旧模型时确实有用，至少能防止 AI 瞎写、漏步骤、写完不检查等问题。

现在的问题是，GPT‑5.6、Fable 5 这一代已经很强了，Superpowers 还在强制它走 brainstorming、spec、plan、TDD、子代理、review。

结果 GPT-5.6Sol 改个按钮都要思考半天，一直转圈，又慢又费钱，还经常多写很多没要的代码。

Matt Pocock 那套 Skills 最近也很火，看到大家的测评后只留了一个：/grill-me

这里给大家推荐另一个 skills，Waza：

非常轻，而且每一个都很有用，不只是写代码，平常也工作也用得到。

如果你真的缺 TDD、交接或者大型任务拆分，可以再单独补对应Superpowers、Matt 的 Skill。

[少个分号 @shaogefenhao]

如果不会构建 Harness，大多数人的 AI 都是在不受控的状态下运行的。

有朋友做了一本电子书，昨晚在社区分享了 https://t.co/dxNPkdTblz

这本书比较深，用了很多控制论的概念，我简单说一下 Harness：

- Harness 的概念是挽具，人的定位其实就有点像 Tech Lead，需要转变自己干到带领团队干的思维
- Harness 最重要的两个概念：前馈和反馈
- 前馈：干活之前需要给 AI 一系列规范、例子、模版、需求规格、Howto 工作方法等输入
- 反馈：干活儿之后需要一系列验证措施，Lint、自动化测试等

本质问题：线性结构的自然语言，无法描述多维结构的软件。

https://t.co/eGieeRe4uo

[Nico Bailon @nicopreme]

Combined @mattpocockuk's "grill me" skill with the concepts from Thariq's "Finding Your Unknowns" article into one agent skill: grill-for-unknowns.

Your agent grills you to surface the unknowns FIRST, so you reach shared understanding before implementation. Works great with models like 5.6 that execute reliably once fully aligned. 😎

https://t.co/2kwo6P0d47

[卡颂 @kasong2048]

这很好体现了 grill-me 和 superpowers 理念层面的区别

grill-me 是 @mattpocockuk 自己软件开发理念的实现工具，要想用好你得先懂他的开发理念，比如“被问太多”这个问题他在视频里解释过，你需要区分：
- 低保真度问题
- 高保真度问题
并区别对待，同时应该在 grill 过程中更主动去主导谈话进程

superpowers 则是一个闭环完整的框架，你什么前置知识都不用懂，框架会引领你走完全程

[Xudong Han @Xudong07452910]

现在很多人聊 Research Agent，默认期待是：

读论文、找 gap、想 idea、做实验、写 paper。

但耶鲁大学的这篇论文问了一个更深入的问题：

LLM 生成的研究想法，和人类研究者真正做出来的 paper idea，差距到底在哪里？

论文的核心概念叫 research taste，可以理解成「研究品味」：你通常会发现什么样的问题，用什么方式把它变成一个 contribution。

它的实验设计挺巧。

作者从真实论文里抽取 human idea，再反推 4 到 8 篇最可能启发这个 idea 的 prior works。然后把这些 prior works 的标题和摘要给 LLM，让模型在同样的文献上下文里生成一个新的 research idea。

这样比较的重点，就从「单个 idea 看起来新不新」推进到「一批 idea 的分布像不像人类研究者」。

论文一共用了 11,683 个 human ideas，覆盖 ML 会议论文和 Nature Communications 里的自然科学论文；模型包括 Claude、Gemini、GPT、Qwen、DeepSeek 等 9 个设置。

结果很有意思：人类 idea 的分布明显更宽。

在人类论文里，只有 12.1% 的 idea 属于 bridge opportunity，也就是把不同文献、方法或证据流连接起来。

但在 LLM 生成的 idea 里，这个比例变成了 47.1% 到 64.2%。

方法层面也类似。

人类论文里，synthesis / unification 只占 5.1%；LLM 这里是 22.5% 到 38.7%。

简单说，模型很喜欢把研究问题理解成：

这里有两个东西，可以把它们整合一下。

论文还发现，给模型更多上下文也没有明显解决这个问题。full-paper context 版本没有让分布更接近人类；开启 thinking mode 甚至可能让模型更强化这种 bridge-and-synthesis 倾向。

这篇最有意思的地方在于，它没有简单说 LLM idea 好或不好，而是指出了一个更隐蔽的问题：

LLM 可以生成很多看起来合理的研究想法，但这些想法的类型可能高度集中。

这对 AI for Science 和 Research Agent 很关键。

对于真正强的 Research Agent，难点在于能不能形成更宽的 problem-finding 能力：发现 failure、识别机制、提出测量工具、构造系统、修改局部假设，而不总是回到「整合两个已有东西」这条安全路径。

自动科研如果缺少这种多样性，最后可能会变成一种很流畅的同质化机器。

📎 arxiv: https://t.co/GrrulIuJrF

[Wayen @wayen_ai]

想转行做 LLM 工程师，但网上信息太杂，不知道从哪开始？

前两天读到一篇很系统的指南，把这件事讲清楚了。

核心回答了一个问题：
LLM 工程师到底是什么？和 ML 工程师、AI 工程师有啥区别？

简单来说：

ML 工程师 → 训练模型，调参数，做特征工程
AI 工程师 → 搭系统，做部署，搞 MLOps
LLM 工程师 → 用大模型搭应用，做 RAG、Agent、Prompt 工程

目前这个岗位的需求和薪资都最高

想转行，重点学什么？

优先级最高的技能：
🔹 Python（核心，没得商量）
🔹 RAG 系统（最重要，没有之一）
🔹 Agent 开发（2026 年增长最快的方向）
🔹 向量数据库（Pinecone、Chroma、PGVector）
🔹 部署（FastAPI + Docker）
🔹 评估框架（RAGAS、DeepEval、LangSmith）

工具栈推荐：
LangChain + CrewAI + Chroma/Pinecone + FastAPI + Docker

学习路径：

Phase 1（4-6周）：
打好 Python + SQL + ML 基础

Phase 2（6-8周）：
深挖 RAG + Agent + 上下文管理

Phase 3（6-8周）：
学 FastAPI、Docker、云部署、监控

Phase 4（长期）：
做 4-5 个高质量项目，写文档，发 GitHub

项目建议（直接放进简历的那种）：
1. 一个 RAG 系统
2. 一个多 Agent 协作系统
3. 一个有记忆的聊天应用
4. 一个带评估管道的 LLM 应用
5. 一个部署到云端的完整项目

几个常见的坑：
❌ 花太多时间学理论，不写代码
❌ 忽略 RAG 和 Agent 这两个核心方向
❌ 只做教程里的玩具项目，不解决真问题
❌ 不会部署，代码只在自己电脑上能跑
❌ 项目文档写得稀烂，GitHub 主页没法看

时间预期：
有 Python + ML 基础：4-6 个月
纯软件工程师转：6-9 个月
零基础：12-18 个月

这大概是目前最清楚的一份 LLM 工程师路线图了。
原文来自 @hrswatigupta，值得存下来慢慢看。

[铁锤人 @lxfater]

AI大神karpathy是如何用管理知识的呢？

最近他展示了用大模型把散乱的研究资料编译成一个

可编程、可查询、可自我修复的知识系统

具体步骤如下：

1. 数据采集 → 散乱的来源变成一个干净的 raw/ 目录

2. LLM 编译 → 原始数据变成有结构的 wiki（摘要、概念、链接、索引全自动生成）

3. Obsidian 查看 → 不用终端，所有知识像代码仓库一样可浏览

4. LLM 问答 → 对 40 万字的知识库提复杂问题，LLM 自己去查阅和研究

5. 输出 → 答案不是聊天记录，而是 .md / 幻灯片 / 图表等可复用的文件

6. 归档回流 → 每次探索的输出沉淀回 wiki，知识越查越厚

7. 校验 (linting) → LLM 自检不一致、补缺失、发现新关联，知识库自我修复

一图胜过千言，你们看吧。

[yibie @yibie]

推荐这篇，交大和清华的团队系统测评了 12 种 Agent 记忆系统。不是那种"我们的模型更好"的论文，而是从数据管理的角度拆解记忆系统怎么选——什么时候该用 RAG、什么时候该用向量数据库、什么时候该用知识图谱。

Agent 的长期记忆怎么做？12 种记忆系统的系统对比

论文：Are We Ready For An Agent-Native Memory System?
上海交大 × 清华 × MemTensor，6 月 23 日提交

核心框架
把 Agent 记忆拆成 4 个模块：表示与存储 → 提取 → 检索与路由 → 维护。每个模块独立评测。

关键发现
• 没有一种架构在所有场景下都最优。记忆结构跟 workload 瓶颈的匹配程度决定了效果
• 局部维护（只更新受影响的部分）比全局重构省得多，效果也不差
• 12 个系统跑 5 个 benchmark（11 个数据集）的端到端评测，差异主要在 retrieval precision 和 long-horizon stability 上

实操意义
如果你在搭需要长期记忆的 Agent：
• 简单问答场景 → 向量检索就够了
• 需要多跳推理 → 需要知识图谱层
• 频繁更新知识 → 局部维护优于全局重建

论文：https://t.co/WxYZ2kOBAp
代码：https://t.co/SM4z8w0nKW

#Agent #长期记忆 #系统评测

[そう｜Claude Codeで始めるAI自動化 @so_ainsight]

寝てる間に仕事を自動化するGitHubリポジトリ10選：

1. OpenHands
AIがコードを自分で書いてテストまで完結させる自律型エージェント。SWE-benchで77.6%を記録。
https://t.co/VR28ijzpYK

2. Hermes Agent
「自分で自分を育てる」をうたうパーソナルAIエージェント。スキル生成・記憶検索・複数プラットフォーム対応。19万スター超。
https://t.co/oePR3FKaNC

3. CrewAI
複数のAIに役割を与えてチームとして動かすフレームワーク。「調査担当」「執筆担当」を分けて並列処理できる。
https://t.co/RAEmS1Jcbo

4. Aider
ターミナルで動くAIペアプログラマー。変更内容をそのままGitにコミットするところまで自動でやってくれる。
https://t.co/6oFgziLHR0

5. n8n
400以上のサービスをつなぐワークフロー自動化ツール（フェアコード・セルフホスト可）。月額なしで自分のサーバーで動かせる。
https://t.co/pvJGzLdiyo

6. LangGraph
本番環境のAIエージェントが内部で使うオーケストレーション基盤。複雑なステップを「状態」として管理できる。
https://t.co/eLWEIkFvQt

7. Cloudflare Agentic Inbox
受信トレイを読んで返信の下書きを自動生成するメールクライアント。Cloudflare Workers上でセルフホストできる。
https://t.co/nd8rFqQGm9

8. Browser Use
Webブラウザを操作するAIエージェント。フォーム入力・データ抽出・日程調整を自動化。9.9万スター超。
https://t.co/bDao4MLSqr

9. awesome-mcp-servers
AIエージェントに繋げられるツールのカタログ。GitHub・Slack・Notion・Stripe・Postgresなど主要サービスが網羅されている。
https://t.co/1Yf8Kh9AC2

10. claude-task-master
Claude Code上でマルチエージェントを束ねるオーケストレーター。1つのプロンプトを、機能を丸ごと出荷するチームに変える。
https://t.co/y4LQqkqmyE