TH

🇲🇾

[Yanhua @yanhua1010]

把自己做内容的全流程开源了。

9 个 Skill涵盖了：选题、账号分析、热点竞品、平台文案、短视频 、公众号草稿 、数据复盘和最终的交付。

九个加起来常驻上下文只占 394 token。

👉 https://t.co/DBXarZpa8i

[Hux @huxlab]

Karpathy 被一位父亲问：AGI 到来前，该教 8 岁孩子什么？

他的回答直接删掉了 80% 的学校课程。

数学、物理、计算机科学。

其他的？以后再说，如果还需要的话。

很多人还在拼命让孩子刷题、冲排名、堆证书。

却没意识到：你在花钱塑造的，是那些 AGI 一落地就瞬间贬值的脑回路。

为什么是这三样？

因为它们在大脑里刻的是处理现实的底层沟槽。
•数学让你学会抽象与严谨
•物理让你理解因果与系统
•计算机科学让你掌握“如何把问题变成可执行的结构”

这些沟槽，10 岁以后越来越难刻。

而信息本身，在 AGI 时代会变成空气一样的商品。

真正稀缺的，不是知道什么，而是大脑以什么样的方式运转。

你现在不是在选孩子的成绩单，
而是在选他接下来 60 年要带着走的那颗脑子。

16 分钟的视频，看完之后你会开始重新审视孩子的时间表。

[Berryxia.AI @berryxia]

一个12B的本地模型，直接把Fable 5的推理链条蒸馏进去了，现在你能在消费级显卡上离线跑顶级coding能力。

这个Gemma 4 12B Coder GGUF是基于Google的gemma-4-12B-it微调的，专门针对代码生成和复杂推理。

训练数据里用了Composer 2.5的真实通过案例，还让Fable 5帮着补全那些难搞的case，结果就是每一步推理都导向能真正跑通的代码。

最爽的是它走GGUF格式，12GB显卡就能顺畅跑，甚至CPU也能用。

调试、补全代码、生成复杂算法、做链式思考提示，全都本地搞定，不用交API费、不用担心导出管制。

以前大家觉得前沿模型要么云端用要么根本跑不了，现在开源社区直接把Fable 5的思考方式打包成能塞进你笔记本的版本。

模型还在快速迭代，下载量已经破六千，社区反馈它在本地coding场景里特别能打。

这波操作把“强大但受限”和“本地可用”之间的鸿沟给填上了。

真正的AI生产力，从来不是等大厂放行，而是社区自己动手把能力解放出来。

[dealign.ai @dealignai]

Qwen3.6-27b and 35b MXFP4 MXFP8 CRACK is out now with MTP. Enjoy uncensored speediness!

35b mxfp4: https://t.co/lVEIdQeS4j
35b mxfp8: https://t.co/MSauv3aVR7
27b mxfp4: https://t.co/BYjWcvjDv7
27b mxfp8: https://t.co/ZN1v5IeoOt

[huangserva @servasyy_ai]

Anthropic 刚花了巨资雇来 Andrej Karpathy。

同时，他免费给了你同样的知识。

无需天价招聘费，独家权限，学费。只有一个链接和 29 分钟。

这位 OpenAI 联合创始人、前特斯拉 AI 负责人，亲手终结了他自己提出的概念：

氛围编码已死，LLM 是幽灵而非动物，软件 3.0 时代正式来临！👇

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

完了，短剧行业要变天了。

有人直接把AI短剧生产线开源了——剧本扔进去，成片自己出来，全程零人工干预。

以前需要：
1️⃣ 编剧
2️⃣ 导演
3️⃣ 摄影
4️⃣ 剪辑

现在就你一个人坐那等收片就行。

短剧小团队们，饭碗危了。

🔗 https://t.co/BH5KamRiRp

[Peter Steinberger @steipete]

Built clawsweeper, which runs 50 codex in parallel around the clock, scans issues/prs deep and closes what is already implemented or what makes no sense.

Closed around 4000 issues today, a few thousand are in the pipeline. (rate limits are rough) https://t.co/AiNNDcvGke

[实践哥 Li @MinLiBuilds]

https://t.co/IMmrpWaQXR

[AYi @AYi_AInotes]

Garry Tan干了一件所有AI Agent开发者都应该感谢的事。

他受够了OpenClaw的子Agent老是超时，任务跑一半网关断了，
所有进度全丢，白花一堆token，
还得手动重来。

所以他自己直接造了个轮子，
叫Minions，一个基于Postgres的原生任务队列，直接内置在GBrain里，零额外运维，零额外成本。

然后他贴出了自己生产环境的测试数据，
同样的任务，拉一个月的社交帖子导入大脑，
老办法，超过十秒直接超时，成功率百分之零，
新办法，七百五十三毫秒跑完，成功率百分之百，
内存占用从八十兆降到两兆，token成本直接降到零。

十九个定时任务同时跑，旧版直接卡死，
Minions一口气处理了三万六千个月的历史数据，十五分钟搞定。
零失败，零报错。

最狠的是，就算你把网关杀了，容器崩溃重启，任务也不会丢。

重启之后自动从断点继续跑，
还能中途发消息指挥它改参数。

这才是AI代理真正的转折点啊，大多数人都在努力优化prompt和换更大的模型
或者在争论哪个模型更聪明，但没人愿意承认现在多Agent系统最大的瓶颈根本就不在模型，关键是队列，状态，重试，持久化，以及这些后端开发搞了三十年的老东西。

一个没有队列的子代理，只是一个带超时的愿望而已。

Minions不是又一个花里胡哨的新功能，它把多代理系统从玩具级，然后拉到生产级的底层基础设施升级。

以后你再也不用祈祷任务不要超时了，把活扔给Minions，该干嘛干嘛去，它会自己干完，自己报错，自己重试，最后给你汇报结果。

现在打开你的OpenClaw，复制粘贴一行命令，三十分钟就能装好。

Garry说这可能是OpenClaw有史以来最简单的一次升级。

[Andrej Karpathy @karpathy]

LLM Knowledge Bases

Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So:

Data ingest:
I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them.

IDE:
I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides).

Q&A:
Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale.

Output:
Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base.

Linting:
I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into.

Extra tools:
I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries.

Further explorations:
As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows.

TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

[Peter Steinberger @steipete]

I never use plan mode.

The main reason this was added to codex is for claude-pilled people who struggle with changing their habits.

just talk with your agent.

[Claude @claudeai]

Computer use is now in Claude Code.

Claude can open your apps, click through your UI, and test what it built, right from the CLI.

Now in research preview on Pro and Max plans.

[meng shao @shao__meng]

Awesome OpenClaw Use Cases

6个分类、36个真实场景、20K+⭐️ 的开源 OpenClaw 真实痛点和解决方案，包括社交媒体、创意与构建、基础设施与运维、生产力、研究与学习、金融与交易这6个分类，每个分类每个案例都由社区成员亲身验证过至少一天以上，每个案例都提供了完整可直接复制的方案文件，开源作者 @Hesamation

1. 社交媒体
聚焦内容消费与分析自动化。
典型：Daily Reddit Digest ——安装 reddit-readonly Skills（无需认证），每天定时拉取指定 subreddit 的热帖、新帖、评论线程，并根据用户反馈迭代偏好规则（例如“不要 meme”）。简单却实用，彻底解决“刷 Reddit 浪费时间”的问题。类似用例还有 YouTube 每日摘要、X 账号分析、多源科技新闻聚合。

2. 创意与构建
体现多智能体流水线威力。
深度案例：Multi-Agent Content Factory ——在 Discord 中搭建专用频道（# research、# scripts、# thumbnails），分别部署研究 Agent、写作 Agent、缩略图 Agent。每天早上 8 点自动触发：研究 Agent 扫描趋势 → 写作 Agent 产出脚本/线程 → 缩略图 Agent 生成视觉素材。全程无需人工提示，输出直接可审阅。所需 Skills 包括 Discord 集成、Sub-Agent spawn、图像生成 API。这套系统把内容创作从“手动串联”变成“无人值守工厂”，创作者醒来就能拿到成品。

3. 基础设施与运维
展示 OpenClaw 对本地服务器的深度掌控。
深度案例：Self-Healing Home Server ——赋予 Agent SSH 访问权、kubectl、Terraform/Ansible 能力，通过 HEARTBEAT.md 配置多层 cron 任务（每 15 分钟健康检查、每小时邮件分拣、每日早报）。Agent 能自主诊断、重启服务、修复配置，甚至生成 PR。安全部分是亮点：强制使用 1Password CLI、预推送 secret 扫描（TruffleHog）、本地 Gitea 中转、分支保护。作者强调“AI 会 happily 硬编码密钥，必须用防御纵深”。这个用例让家用服务器真正“自愈”，运维者不再半夜被叫醒。

4. 生产力工具
最丰富的一类，突出去中心化协调。
深度案例：Autonomous Project Management ——采用 “STATE.yaml” 模式取代传统 orchestrator。主 Agent（CEO 角色）仅负责战略，spawn 多个 Sub-Agents（pm-xxx），每个 Sub-Agents 读写专属 STATE.yaml 文件（记录任务状态、依赖、next_actions），通过 git 版本化。Sub-Agent 可继续 spawn 孙 Agent 并行工作，主 Agent 定期检查状态即可。配置写在 AGENTS.md 中，极简高效，完美解决多仓库重构、研究冲刺等复杂项目中的上下文切换难题。其他亮点还包括多渠道客服、家庭日历管家、第二大脑（Next.js 仪表盘）、自动会议纪要转 Jira 任务等。

5. 研究与学习
侧重知识构建与验证。代表用例有个人 RAG 知识库（扔 URL/推文即可搜索）、市场痛点挖掘 + MVP 自动构建、预构建 idea 验证器（扫描 GitHub/HN/Product Hunt 避免重复）。

6. 金融与交易
目前较少，仅 Polymarket 自动纸上交易（含回测、每日报告）一例，体现谨慎态度。

开源地址
https://t.co/p76svJATFR

[AIGCLINK @aigclink]

OpenClaw火了，养龙虾也火了，哪个AI最适合养虾？养虾模型测试排行榜出来了，minimax、kimi排进全球前三

基准测试工具：PinchBench，看分数还看干活能力和成本
从成功率、速度、成本多维度评估

成功率排名：
1、Gemini 3 Flash Preview：95.1%
2、MiniMax-M2.1：93.6%
3、Kimi K2.5：93.4%
4、Claude Sonnet 4.5：92.7%
5、Gemini 3 Pro Preview：91.7%

第一梯队（90%+）：Google、MiniMax、Kimi、Anthropic的最新模型占据主导，成功率均超过90%

第二梯队（80-90%）：包括OpenAI的GPT-4o系列（85.2%）、DeepSeek-V3.2（82.1%）、Mistral Devstral（81.7%）

第三梯队（70%以下）：部分模型如Grok-4.1-fast（70%）、GPT-5.2（65.6%）

速度排名：
1、MiniMax-M2.5：105.96s
2、Gemini 2.0 Flash：106.05s
3、Llama 3.1-70B：106.14s
4、Gemini 1.5 Pro：106.85s
5、Mistral Large：107.72s

成本排名：
1、GPT-5-Nano：$0.03
2、Gemini 2.5 Flash-Lite：$0.05
3、Devstral-2512：$0.10
4、GPT-4o-Mini：$0.13
5、MiniMax-M2.1：$0.14

Claude Opus 4.6要5.89刀 ，是GPT-5 Nano的近200倍，成功率只有90.6%

第一梯队（<$0.20）：极致性价比，OpenAI Nano系列、Google Flash-Lite、MiniMax、Mistral等轻量模型，成本低但成功率参差不齐

第二梯队（$0.20-$0.75）：Kimi K2.5（$0.20）与 Gemini 2.5 Flash同价，DeepSeek、Qwen中等价位，Claude偏贵

第三梯队（$1-$2）：GPT-5.2、Gemini 3 Pro、GPT-4o，中高端模型标准定价

成本-速度-成功率综合对比：
GPT-5-Nano：成本第1、成功率第9、速度第16
Gemini 2.5 Flash-Lite：成本第2、成功率第14、速度第13
MiniMax-M2.1：成本第5、成功率第2、速度第22
Kimi K2.5：成本第8、成功率第3、速度第27
Claude Opus 4.6：成本第20、成功率第7、速度第30

综合，极致性价比MiniMax-M2.1或Kimi K2.5（成功率93%+，成本<$0.20，只是速度不太快），Claude Opus系列贵，GPT-5-Nano适合预算极低的简单任务

#openclaw模型排名 #PinchBench

[Peter Steinberger @steipete]

New @openclaw beta is up! This one again focusses on security and bug fixes, but we added a gem:

TELEGRAM MESSAGE STREAMING 🚀

to update, ask your agent or run:
openclaw update --channel beta

[Peter Steinberger @steipete]

I'm joining @OpenAI to bring agents to everyone. @OpenClaw is becoming a foundation: open, independent, and just getting started.🦞
https://t.co/XOc7X4jOxq

[Sam Altman @sama]

Peter Steinberger is joining OpenAI to drive the next generation of personal agents. He is a genius with a lot of amazing ideas about the future of very smart agents interacting with each other to do very useful things for people. We expect this will quickly become core to our product offerings.

OpenClaw will live in a foundation as an open source project that OpenAI will continue to support. The future is going to be extremely multi-agent and it's important to us to support open source as part of that.

[Yanhua @yanhua1010]

2026年了，我发现我已经离不开 Claude Code 了。

三个场景，覆盖了我几乎所有的工作：

1️⃣ 日常 AI 助理：OpenClaw 里配好 Claude Code，写邮件、查资料、翻译、头脑风暴，7x24 全能助手

2️⃣ 内容创作超级大脑：Obsidian + Claudian 插件，写文章、生成配图、一键发布，全在笔记库里完成

3️⃣ 编程搭子：Antigravity 里用 CC CLI 搭配 Gemini Pro，Claude 管架构，Gemini 管迭代，双模型取长补短

其中场景二是我投入最深的。我用 Obsidian + Claude 搭了一套完整的内容生产流水线，从信息源到成品发布，16 个自定义 Skills 覆盖写作、配图、发布全流程。

详细拆解写在了这篇文章里 👇

[Elon Musk @elonmusk]

We know the algorithm is dumb and needs massive improvements, but at least you can see us struggle to make it better in real-time and with transparency.

No other social media companies do this.