timeline

中文学习者

[Jeffrey Emanuel @doodlestein]

What if every time you looked at an equation, it could be intuitively color-coded and linked to clear explanations of what each part meant and the role it played within the physical process represented by the equation? Well, at least you can now on https://t.co/Ff4ChZ0eKT!

[alaa mendili @ALmendili]

As someone who’s highly visual and mildly technical, I love this idea! I took a stab at making my own version, and it’s been great to gain more clarity around how my app works.

[Li Yu @AgentYuri]

AI 智能体编排本质上就是被工程师抛弃的项目管理

开发者 David Horn 在其博客发文，批评软件工程师反复重新发明前人成果的习惯。他举例称数据科学不过是换了名字的统计学，加密货币按 Matt Levine 的说法“速通了一遍金融史”，硅谷甚至重新发明了公交车站。他认为这种倾向部分源于对早于现代软件的传统学科的不信任，以及从第一性原理出发的探索，但也有不那么正当的理由：把已知的东西包装成新事物更容易融资和显得聪明，以及“这能有多难”的心态。Horn 表示，近期 Hacker News 上关于“与 AI 协作更像做管理而非写代码”的文章正在成为趋势，而他描述的 AI 智能体编排——写清需求、确定优先级、划分工作、验收产物、要求定期汇报进展——就是程序管理和站会本身，只是工程师大概不会用这些旧名字。他推荐了《人月神话》《目标》《PMBOK 指南》和 Winston Royce 那篇讲瀑布模型的 12 页论文，称承认旧名字或许等于承认管理者当初是对的。

[timeline @timeline_share]

@ananluluanan https://t.co/w3s4n5CCUg

[Yuu💖 @QuantumTransf]

deepseek harness 文章已更新（https://t.co/Xzlf496akP）
dsh 内部的心智模型其实没那么简单，我在写这篇文章的时候也挣扎了很久；不过，对于写一个插件的人来说，却没有那么复杂。 文章有对此阐述，「复杂度不是消失了，而是转移进了系统内部」，相信读完这篇文章，你能够对 dsh 内部的架构有一个比较好的认知
repo: https://t.co/3USVmzG15Q
此页面仍在持续更新（

[Max For AI @MaxForAI]

这两天看了很多关于 DeepSeek Harness 的讨论，但很遗憾，99%的讨论都没有真正搞懂DSH想要做什么。

有人把它当成一个产品，认为 UI 粗糙、配置复杂、完成度低，所以 DSH 是个失败的 Agent 产品。

也有人把它放到 Codex、Claude Code 旁边比较，讨论谁的 Coding Agent 工作流更完整。

这些讨论看起来都对。

但如果仔细看 DSH 的架构，以及最近关于 Harness Self-Improvement 的一系列研究，我认为更值得讨论的问题其实是：

DeepSeek Harness 可能是在为 Harness 层的 RSI 准备一套 Runtime。

首先，今天绝大多数 Agent 都可以粗略抽象成：

Agent = Model + Harness

Model 提供底层的推理与决策能力，Harness 则定义模型如何观察环境、能够采取哪些动作，以及整个执行过程如何组织。

例如Codex、Claude Code，乃至更加开放的 Pi，都已经拥有越来越强的 Harness 扩展能力。

开发者可以通过 Skill、Plugin、Hook、Extension 等机制加入新的工具和工作流，Pi 甚至允许替换内置 Tool、修改 Context 与 Compaction。

但今天这些系统的 Harness，主体上仍然是由人类设计和演化的。

模型可以使用这些扩展能力，甚至帮助人类编写新的 Skill 或 Extension，但「应该修改 Harness 的哪一部分、修改以后是否真的更好、是否应该保留这个修改」通常还没有成为模型自身持续执行的优化循环。

DSH 的在这一点上非常不同。

DeepSeek 官方对它最核心的描述是：Everything is a Plugin。

这里的 Everything 包括 Model、Tool、Skill、Session、Sandbox、Storage、Agent Loop、Scheduling，甚至 UI。

也就是说，传统 Agent 系统里很多被视为固定 Runtime 的部分，在 DSH 中都被重新暴露成了可以组合和替换的模块。

仓库里的 Core 也采用了 event-sourced session log，并将 system prompt assembly、tool registry、agent、agent loop 等能力拆成相对独立的 subsystem。

这看起来很工程师，甚至有点太技术狂了。

但如果把目标从「让人方便开发 Agent」换成「让 Agent 修改自己的 Harness」，这套设计就有了另一层意义。

因为 Harness RSI 首先需要解决的，并不是模型够不够聪明。

而是三个非常工程化的问题：

- Harness 是否可以被修改。
- 修改前后的 execution trajectory 是否可以被完整观察和比较。
- 一个修改是否能够被验证、保留，并进入下一轮迭代。

只有这些条件存在，Agent 才可能从：

Model → 使用 Harness

逐渐进入：

Model → 观察自己的失败 → 修改 Harness → 重新运行 → 比较结果 → 保留有效修改

也就是把 Harness 本身放进优化循环。

刚好在这里推荐一下之前看过的 RHI 这篇论文，也就是 Recursive Harness Self-Improvement，研究的正是这个方向。

RHI 把 Harness 表示成 Agent Loop 的 specification，让系统根据自己历史版本之间的 execution feedback，不断修改 Harness。

在30个机器学习研究任务中，只经过少量 Harness 迭代，低 reasoning effort 的 Agent 就可以超过对应 maximum reasoning effort 的配置，同时推理成本最高降低约60%。

更值得注意的是，论文发现性能提升主要并不是来自「模型思考得更久」，而是来自更好的 task-specific context management 和 inter-agent information flow。

这意味着一个很重要的事情：

Agent 能力的上限，并不完全取决于模型，很大一部分也取决于 Harness。

同一个模型，给它不同的 Context 管理方式、工具结构、信息流、验证机制和 Agent Loop，可以表现得像两个完全不同的系统。

因此 Harness 本身就成为了一个可以优化的对象。

但事情走到这里还没有结束。

真正重要的是 Harness RSI 如何重新影响 Model。

RHI 的论文里有一个我认为很关键的观点：

Harness 不只是 inference-time scaffold，它同时也是 data-generating component。

因为 Harness 决定模型：看到什么 Context、什么时候调用什么 Tool、如何获得 environment feedback、失败以后如何重试、如何进行 verification、以及最终留下什么样的 execution trajectory。

所以当 Harness 发生变化以后，改变的不只是一次推理结果。

它实际上改变了模型未来训练数据的分布。

更好的 Harness 产生更干净、更有效的 trajectories；

这些 trajectories 用来训练更强的模型；

更强的模型又能够发现此前弱模型无法发现的、更高阶的 Harness bottleneck。

于是 Model 和 Harness 不再是「模型升级，脚手架跟着适配」的单向关系，而开始形成共同进化。

最后，从今天的产品完成度看，DSH 是个彻头彻尾的半成品。

UI 很粗糙，门槛很高，普通用户完全没有理由选择它。

如果这不是 DeepSeek 发布的项目，它现在大概率根本不会获得这么大的关注。

很可能只会在少数研究 Agent、Harness、Self-Improvement 的人之间流传。

但这恰恰可能才是 DSH 有意思的地方。

DeepSeek 根本没想做下一个 Codex。

这也是我现在理解 DSH 最重要的角度。

从系统设计上看，DSH 至少提供了一块非常适合进行 Harness Self-Improvement 实验的土壤：

把原本写死的 Agent Runtime，变成一个高度模块化、可替换、可观测的 Runtime。

所以我不会用「它是不是比 Codex 好用」来评价 DSH。

真正应该评测的是Agent 能不能自己提出 Harness 修改？

能不能根据真实任务结果验证这些修改？

能不能把有效改变持续沉淀下来？

最终能不能用改进后的 Harness 产生更好的训练数据，再反过来更新 Model？

如果这些环节能够真正闭合，那么 DSH 的意义就远远不是一个 Agent Harness，它对应的是一个更大更未来的方向。

过去，我们优化模型，然后给模型写 Harness。

未来可能是模型和 Harness 互相优化。

Model 改变 Harness。

Harness 改变 Agent 的行为。

新的 Agent 行为产生新的训练数据。

新的训练数据再改变 Model。

到这里，Harness 才真正从「模型外面的脚手架」，变成 AI 自我改进循环的一部分。

所以我觉得 DSH 最可能的成功方式，甚至不是半年以后所有人都开始使用它。

而是半年或者一年之后，一个新的 Agent 突然爆火。

大家扒开它的架构一看：

哦？底下思路居然是 DSH。

[Salonbus @salonbus1024]

在特克斯八卦城郊外的天山中段的高处眺望，沿着山谷走200多公里的半径内，能到就是塔吉克斯坦的比什凯克和哈萨克斯坦的阿拉木图。中亚水草肥美，物产丰饶，人口还不算多。中亚安全得到保障后，放弃那些历史纠葛和偏见，要富裕起来简直太容易了。 骑马在云顶草原溜达，舒服极了。比欧洲的阿尔卑斯更美

[Phoenix Yin @Phoenixyin13]

理工科情侣可以做的100件小事

1. 一起读 《代数几何基础 (ÉGA)》
2. 一起读 《代数空间与代数叠》
3. 一起读 《非交换几何》
4. 一起读 《朗兰兹纲领导引》
5. 一起读 《p 进数 Hodge 理论》
6. 一起读 《近代模形式理论》
7. 一起读 《形变自守表示与L函数》
8. 一起读 《更高范畴论》
9. 一起读 《更高代数》
10. 一起读 《岩泽理论导引》
11. 一起读 《辛几何与拓扑不变量》
12. 一起读 《Floer 同调理论》
13. 一起读 《Teichmüller 空间理论》
14. 一起读 《数论中的筛法与自守形式》
15. 一起读 《Arakelov 几何导引》
16. 一起读 《极小模型纲领》
17. 一起读 《Motives 理论》
18. 一起读 《状似空间理论》
19. 一起读 《复流形上的 Hodge 理论与复局部系统》
20. 一起读 《指标定理与狄拉克算子》
21. 一起读 《几何不变量论》
22. 一起读 《粗几何结构与拓扑》
23. 一起读 《无穷维李代数与 Kac-Moody 代数》
24. 一起读 《算术代数几何中的穿隧现象》
25. 一起读 《奇点理论与突变理论》
26. 一起读 《量子场论》
27. 一起读 《超弦理论》
28. 一起读 《大尺度时空结构》
29. 一起读 《规范场论的几何与拓扑》
30. 一起读 《共形场论》
31. 一起读 《非平衡态统计算子方法》
32. 一起读 《圈量子引力论现代化导引》
33. 一起读 《全息原理与 AdS/CFT 对偶》
34. 一起读 《拓扑量子场论与扭结不变量》
35. 一起读 《量子多体系统中的拓扑序》
36. 一起读 《无序系统理论与自旋玻璃》
37. 一起读 《经典场论与超引力》
38. 一起读 《有效场论导引》
39. 一起读 《散射振幅与正振幅体》
40. 一起读 《量子色动力学与强相互作用》
41. 一起读 《重整化群与连续相变》
42. 一起读 《引力瞬子与量子宇宙学》
43. 一起读 《广义相对论中的数学问题》
44. 一起读 《非线性光学与量子色散理论》
45. 一起读 《拓扑绝缘体与拓扑超导体》
46. 一起读 《量子非局域性与贝尔定理》
47. 一起读 《计算强子物理与格点 QCD》
48. 一起读 《早期宇宙的宇宙学微扰理论》
49. 一起读 《经典与量子非线性动力学》
50. 一起读 《量子耗散系统》
51. 一起读 《计算复杂性：现代方法》
52. 一起读 《代数计算复杂性》
53. 一起读 《量子信息与量子计算》
54. 一起读 《通信复杂性与并行计算》
55. 一起读 《概率可检验证明与 PCP 定理》
56. 一起读 《高级算法设计与半正定规划》
57. 一起读 《网络信息论》
58. 一起读 《分布式计算的拓扑数据分析》
59. 一起读 《密码学理论》
60. 一起读 《高维概率与非渐进统计理论》
61. 一起读 《统计学习的算法 Foundations》
62. 一起读 《几何深度学习》
63. 一起读 《量子纠错码与容错计算》
64. 一起读 《随机图与复杂网络动力学》
65. 一起读 《Kolmogorov 复杂性及其应用》
66. 一起读 《最优传输理论与计算几何》
67. 一起读 《在线学习与不确定性决策》
68. 一起读 《计算共形几何》
69. 一起读 《近似算法的积分链技术》
70. 一起读 《强化学习理论的数理基础》
71. 一起读 《范畴论在计算机科学中的应用》
72. 一起读 《布尔函数分析》
73. 一起读 《非参数贝叶斯统计推断》
74. 一起读 《演化计算与遗传算法的数理分析》
75. 一起读 《大规模分布式优化的原对偶方法》
76. 一起读 《数理生物学基础》
77. 一起读 《理论神经科学》
78. 一起读 《计算细胞生物学》
79. 一起读 《大脑的生物物理学》
80. 一起读 《生物分子系统的统计力学》
81. 一起读 《进化动力学：探索生命的方程》
82. 一起读 《生物网络拓扑控制》
83. 一起读 《突触传递与大皮层网络计算动力学》
84. 一起读 《定量遗传学与进化分析》
85. 一起读 《结构生物学中的数理原理》
86. 一起读 《系统生物学中的非线性动态模型》
87. 一起读 《理论免疫学与宿主-病原体群体动力学》
88. 一起读 《群体遗传学：数学表达与推演》
89. 一起读 《整合信息理论 4.0》
90. 一起读 《行为语言的计算语法》
91. 一起读 《自由能原理与主动推理》
92. 一起读 《复杂自适应系统与人工生命演化》
93. 一起读 《细胞信号转导的随机动力学》
94. 一起读 《化学渗透假说与非平衡态生物高能学》
95. 一起读 《大分子折叠与能量景观理论》
96. 一起读 《基因调控网络的逻辑分析》
97. 一起读 《认知科学中的范畴论方法》
98. 一起读 《生物模式产出的反应扩散方程》
99. 一起读 《神经回路的群体编码与概率信息处理》
100. 一起读 《地球生物圈的非平衡态热力学》

[Salonbus @salonbus1024]

AI 是人类可以快速调用的共享能力组建库。非标准化的知识和经验，落实为标准化代码库，这是超越索索搜索引擎基础上一次巨大的飞跃。 不仅仅是知识和经验的共享，也极大的降低了知识-智力-成果，转化链条中的系统熵。

[Kota @DakotaW727]

This should be on the list

[saint @saintdsgn]

Some brutally fresh bento cards made in @paper for your TL

[Monsoon @ukitheocog]

建设中的量子力学零基础教材(x
目标是高中生也能跟着过一遍, 从没接触过量子力学到掌握其数学结构+解析/微扰计算. 大概相当于研究生水平的量子力学知识.
然后中间会穿插物理学史、维度蜷缩思想在量子力学里面的体现、超对称量子力学, 还有对量子力学本质非线性/非定域性的讨论, 以及量子场论简介.

[Yan Liu @yanliudesign]

Welcome onboard. ✈️

It was never about the tool or materials itself. It’s about you: your taste, your expression, your emotion, and your the story ₊˚⊹♡

Inspired by the community’s generated image (the beautiful blue ink minimalist line-style illustration), then I built this passport animation in Claude Design (I’m already in travel mood ٩(^ᴗ^)۶ )

[maz @miralizain]

moodboards & strategy for a materials discovery startup

[Cliff Pickover @pickover]

“Reality in Layers.” The Stratified Cosmos.

I created this diagram, stimulated by https://t.co/tN8v8WAmSV

[梭哈.AI @SUOHA_AI]

很多人问："为什么不在中国A股找 CPO/光子学机会？"

简单说白了：
$AAOI 的核心竞争力是自己做 InP 激光器芯片 + 自己做光模块（垂直整合），总部和核心激光器工厂在美国德州。现在美国大力推动本土供应链和 AI 基础设施建设， $AAOI 正好踩在这个主线上， $AAOI 是美国的，这很关键

中国目前没有完全复制这个模式的公司，把产业链拆开来看：

源杰科技：卡在最上游 InP 激光器芯片环节。目前增速最猛（Q1 2026 营收 +321%），但估值也最高（P/E 586x）

光迅科技：全栈最接近 AAOI（芯片 + 组件 + 模块都有），是 A 股里垂直整合做得最像的。但 800G 数据中心模块的执行进度落后于中际旭创，主要客户是中国运营商而非超大规模数据中心

中际旭创：全球 800G 光模块龙头（规模远超 AAOI），占全球 800G 市场 30-40%+ 份额，已经大规模放量，但芯片主要靠外购（源杰科技、Lumentum、Coherent 等）

当前市场情况（中美简单对比）：

中国在光模块组装规模和速度上有明显优势，全球 800G 高速光模块里中国厂商整体占比很高，中际旭创一家就占了 30-40%+ 的市场份额

美国在高端 InP 激光芯片和部分垂直整合上有积累。AAOI 就是美国少见的能自己从芯片做到模块的公司，现在正好赶上 AI 数据中心需求

CPO（共封装光学）目前还处于早期阶段，2026 年开始会逐步放量，但现在主流还是 800G/1.6T 可插拔模块。中国制造优势明显，美国在技术创新上领先，两边其实是互补的

市值对比：

- $AAOI：约 130 亿美元

- 源杰科技：约 277 亿美元

- 光迅科技：约 270 亿美元

- 中际旭创：约 1959 亿美元

三家中国公司整体市值远超 $AAOI。$AAOI 这类公司的想象空间在于：它们不只是卖激光器芯片，还能往下游延伸——做完整的光模块、光引擎、ELS（外部光源）组件，营收天花板远比纯芯片公司高

如果$AAOI 能把这个垂直整合的优势兑现成规模化放量和盈利，成长空间远不止于此

以上内容纯属我个人研究和整理，跟任何人的观点都没有关系，仅供交流学习。请DYOR，为你的钱包负责

[Jean-Luc Infini @InfiniLuc]

Henry Kjellsons 1930s diagrams of Tibetan acoustic levitation of stone blocks.
Extract from T. Illion 'In Secret Tibet'.

[joshpuckett @joshpuckett]

I think so many concepts in design need to really be felt and played with, not just shown.

That's why Interface Craft is full of interactive figures that demonstrate topics.

I always look forward to making them; this is one of my favorites!

[Kat ⊷ the Poet Engineer @poetengineer__]

/humanity skills
│
├─ memory
│ ├─ myths.md
│ ├─ genealogies.md
│ ╰─ archives.md
│
├─ interfaces
│ ├─ alphabet.md
│ ├─ map.md
│ ├─ score.md
│ ├─ diagram.md
│ ╰─ code.md
│
╰─ runtime
├─ ritual.md
├─ library.md
├─ lab.md
╰─ workshop.md