YY-Wei

[Vincent | 信号＞噪音 @VincentLogic]

Netflix 把一个内部工具开源了，叫 Headroom。

简单说就是：给 AI 喂数据之前先帮你压一道，token 能省 60%–95%。

最狠的是——省归省，精度一点不掉。因为它是可逆压缩，意思是你省下来的东西还能原样还原回来，信息一个字不丢。

写代码的人应该都懂那种心疼：长日志、RAG 拉来的文本、一开口就 load 好几个文件，每喂一次 AI，token 就在悄悄烧。这工具就是冲着这个去的。

[Vincent | 信号＞噪音 @VincentLogic]

GitHub🔗https://t.co/zdPi3138GZ

[宝玉 @dotey]

baoyu-design skill 更新：可以在制作 PPT、动画视频或者网站时调用 AI 生图技能配图了，当然需要你本地 Agent 有配置画图 Skill。

如果是 Codex 可以直接调用内置画图工具，如果你用 Claude Code 的话可以配合 baoyu-image-gen skill 去调用 Codex CLI 画图。

用它来生成 PPT 效果特别好，可以自动帮你在 PPT 合适位置插入配图，最牛的是你可以连图片一起导出为 PPTX，还可以接着用 PowerPoint 或者 Keynote 二次编辑。

推荐去试试看：
baoyu-design Skill：https://t.co/d2EaYV6q7j
baoyu-image-gen Skill：https://t.co/7yPdsrqs3H

[宝玉 @dotey]

微软 CEO Satya Nadella 发了一篇长文，提出了一个新概念：Token 资本。

他的核心论点是，AI 时代每家公司都需要同时经营两种资本。一种是传统的人力资本，员工的知识、判断力、关系网络；另一种是 Token 资本，公司自己构建并拥有的 AI 能力。两者不是此消彼长的关系，人的判断力越强，Token 资本增长越快。没有人的方向引导，算力只是在空转。

这个说法听起来抽象，但 Nadella 给出了一个具体的检验标准：你能不能随时换掉底层的通用大模型，而不丢失公司积累的专有经验？如果能，说明你真正拥有自己的 AI 能力；如果不能，说明你只是在租用别人的智能。

他建议企业把工作流、行业知识、决策经验转化成可以持续改进的 AI 系统，建立私有评估体系来衡量模型在实际业务中的表现，而不是只看公开跑分。这个学习飞轮一旦转起来，就像复利，每次改进的工作流都会产生更好的训练信号，进一步加速知识积累。

Nadella 还发出了一个颇有政治意味的警告。他拿全球化做类比：第一轮全球化时期，GDP 数字看着不错，但整个产业被外包掏空了，后果至今还在显现。如果 AI 时代重演这个剧本，少数几个模型吃掉所有行业的知识和价值，"政治经济体系不会容忍这种结局"。

--- 原文翻译 ---

没有生态支撑的前沿技术，注定无法行稳致远
Satya Nadella

最近，我一直在深思：在由人工智能驱动的经济浪潮中，企业的未来究竟在哪里？

这次变革与以往任何一次平台更迭都截然不同。过去，我们只是用数字化系统来提升人类的工作效率。但这一次，我们破天荒地在人类与数字系统之间建立起了一个真正的认知循环 (cognitive loop)。这绝对是个颠覆认知的概念，因为它彻底改变了我们对企业内部“工作”本质的定义。

当 AI 模型能够源源不断地吸收人类和组织的专业知识，并将其变成大众化的廉价商品（即将原本稀缺的专业技能变成人人唾手可得的通用能力，从而削弱企业的核心壁垒）时，真正的危机出现了。我们面临的关键挑战，不再仅仅是如何使用某个数字化工具或系统，而是企业该如何在这个全新的世界中持续学习、积累知识产权 (IP)、保持独特性并茁壮成长。

每家公司都必须构建两种资本：一种是我们熟知的“人力资本” (human capital)，另一种我称之为“Token 资本” (token capital)。人力资本包含了员工的知识储备、判断力、人脉关系、创造力以及识别事物规律的能力；而 Token 资本则是指企业自身打造并掌控的 AI 实力（在这里，“Token 资本”一词很形象，因为大语言模型 (LLM) 处理信息的基本单位就是 Token）。

必须强调的是，随着 Token 资本的不断壮大，人力资本并不会因此贬值。相反，它会变得比以往任何时候都更加宝贵！我坚信，人类的主观能动性 (human agency) 将是推动 Token 资本增长的核心引擎。人类负责设定宏大的目标，跨领域地将线索串联起来，建立关系网，并洞察出最关键的规律。如果没有人类在前方指引方向，那些强大的计算力不过是在原地打转罢了。

这就意味着，真正的机遇并不在于你去市面上挑选一个“最好”的模型，而在于如何在模型的基础之上，构建一个能让人力资本和 Token 资本产生复利效应 (compound) 的“学习循环” (learning loop)。你可以把某项任务甚至整个岗位都外包出去，但你绝对不能把“学习能力”给外包了。企业未来的核心竞争力，就在于能否在人类与 AI 之间不断积累并放大这种学习能力。

这需要一种全新的架构思路：每家企业都要能够构建出能随着时间推移自我迭代的 AI 智能体系统 (agentic systems)，同时还要牢牢掌控自己的知识产权。一家公司应该能够随时替换掉底层的某个“通才模型” (generalist model)，而不丢失那些已经沉淀在系统里的、像“公司老兵”一样丰富的专业经验。在未来的时代，这将是检验企业是否拥有数据控制权和技术主权的关键“试金石”。

企业需要将自身的工作流、领域知识以及多年积累的判断力，统统转化为每一次使用都能自我进化的 AI 系统。企业应当建立私有评估机制 (private evals)（即企业内部针对自身真实业务场景定制的模型能力测试标准），用来检验模型是否真正在对企业有价值的结果上取得了进步，而不能仅仅依赖外界的公开跑分盲目自嗨！专属的强化学习 (reinforcement learning) 环境，应该让模型通过吸收组织内部真实的业务数据和工作轨迹变得越来越强大。这样的专属知识库，能让企业的组织记忆变得随时可检索，同时也让 token (tokens) 的运转效率大幅提升。

这种循环，将成为企业全新的知识产权。我把它想象成一台不断向上攀登的机器 (hill climbing machine)。而且与大多数资产不同，它具有强大的复利效应。每一个被优化的工作流，都会产生更优质的训练信号，从而加速这家企业独有的隐性知识 (tacit knowledge) 的积累。那些尽早布局构建这种循环的公司，将会获得一道难以复制的护城河，无论未来市面上又出了什么能力炸裂的新模型，都无法轻易撼动其地位。

我们最不愿看到的局面，就是各行各业的所有公司，都在向少数几个贪婪吞噬一切的巨头模型割让价值。如果所有的经济价值都只被少数几个模型垄断，政治经济体制是绝对无法容忍的。社会也绝对不会允许一个让整个产业被彻底掏空的 AI 未来。

回想一下全球化初期发生的事情吧：大规模的业务外包曾让许多工业经济体被彻底掏空。表面上看 GDP 数据依然光鲜亮丽，但大量产业工人流离失所是血淋淋的现实，其带来的严重后果至今仍未消散。我们绝不能让这种悲剧在 AI 时代重演——决不能让少数几个 AI 系统攫取了所有的经济回报，而一整个行业的从业者却只能眼睁睁地看着自己赖以生存的专业知识被无情地廉价化。

在我看来，我们的当务之急不仅是打造前沿模型 (frontier model)，更要构建一个繁荣的“前沿生态系统” (frontier ecosystem)。只有这样，价值才能像活水一样，广泛地流向每一家公司、每一个行业、每一个国家。在这个生态中，每个组织都能拥有属于自己的学习循环，将组织智慧沉淀其中，让人力资本与 Token 资本共同实现滚雪球式的增长。

这也是伴随我职业生涯一路走来的核心理念：真正的平台，能够让在其之上生长出来的价值，远远大于平台自身所截留的价值。在这样的生态里，每家公司都能持续创新，并构建属于自己的真正价值。

当这一切实现时，企业不仅能为自己、也能为周边的整个经济体创造巨大的红利。员工们将会看到自己的专业技能被无限放大，个人的判断力将被融入系统，变得可以复制和规模化应用。而这一切带来的好处，最终将回馈给企业以及他们所在的广泛社区。

这才是企业为自身和宏观经济创造价值的正确方式。这也是我们应当携手共建的、稳定而持久的生态平衡。

[Jackywine @Jackywine]

今天绝对不能错过 Anthropic 这篇博客

运营一个人工智能原生组织

https://t.co/ciu2Y3511j

顺便问一下大家有无更好的翻译模型

[nash_su - e/acc @nash_su]

llm_wiki v0.4.16 版本更新发布🎉🎉🎉

大幅提升了知识图谱的渲染性能，浏览搜索更加流畅。

https://t.co/FHCxtJJm06

[实践哥MinLi @MinLiBuilds]

Anthropic的工程师Kevin的一个分享。
价值$1000 刀，关于agent memory的workshop。
这将是 AI memory的主流，提前一年了解它，成为记忆专家。

非常值得看的一个短视频，以下是视频中的实操：

03:31 证明 AI 多个对话间没记忆（对照实验）
06:20 介绍 memory store，可以作为 AI 的记忆外挂
08:44 将 Memory Store 挂载给会话，实现跨对话记忆
15:36 执行 Dream，让 AI 在后台整理记忆并扩写简陋笔记
19:45 展示 dream，记忆变成了结构化

看完这个视频，接着阅读下面的这篇文章。
你将充分了解与 AI agent 一问一答背后，记忆的原理，以及最强省 token 的心法。

[Saito @SaitoWu]

大多数公司所谓的AI-First都是假的。

真正的AI优先，是把AI从辅助工具变成生产力主导者，彻底重构组织架构和工作流。

[宝玉 @dotey]

如何在 Codex App 使用 /goal 的简单说明：

1. 升级 Codex App 到最新版本

2. 先在命令行运行一下下面的指令：
> codex features enable goals

或者手动修改 ~/.codex/config.toml

[features]
goals = true

3. 开头输入 /goal，或者点 + 弹出菜单中选择

4. 开始后，输入框上方可以暂停、编辑、删除

[Vince 聊开发 @vincemask]

https://t.co/uU4Hj7EA6p

[宝玉 @dotey]

https://t.co/5DaPyMKzWZ

[Xudong Han @Xudong07452910]

昨天在 X 的英推看到一个很爆火和具有启发性的Codex玩法，中推还没看到有人提。

有人用 Codex 5.5（支持操作电脑的 AI Agent）大幅优化了网络速度，并在帖子里晒出了前后对比。

随后下面这位 @giyu_codes 用户做了件特别聪明的事：

他把整个原帖直接复制粘贴给 Codex，并附上一段自己的提示词：
“Hey my friend says he improved his internet speed and here is what happened. Can you check if there are any improvements we can make for our internet? My provider says they're sending 1.2k gbps and anything I get is a result of hardware. I'm getting 55mbps right now pls fix make no mistakes.”

他把“别人成功优化的真实案例”当作上下文喂给 Codex，让 Codex 参考那个案例，给自己当前的烂网速做针对性诊断和修复。结果就是网速起飞了。

我觉得这种做法的核心价值在于：不是自己凭空写 Prompt，而是把真实世界里已经验证成功的案例作为上下文喂给 AI，让 AI 参考成功经验，针对自己的具体情况进行精准诊断和优化。

感觉这是一种非常高级的靠案例驱动的提示技巧，目前在 Agent 类 AI 的使用上特别有效。

[Andy Stewart @manateelazycat]

YC的这个视频很值得看

他一针见血地分享了AI native的公司应该怎么去思考公司的组织结构

其中几个观点我是非常认同的

1. 公司就是罗马军团，罗马军团主要就是单兵能力很强，没有弱旅，所以他们在任何战术执行的时候都不会乱

2. 副驾模式是错误的，应该完全交给AI去做，因为AI的执行力是你的10倍到100倍，错了就重新搞嘛，做第二遍和第三遍都比你手工写代码快很多

3. 燃烧Token，而不是燃烧人头，这句话太对了，我觉得任何一个AI native的公司，都应该给员工无限的Token。就像我们公司，很多人问你们公司怎么报销AI的费用，我说我们不报销，我们全员发无限的GPT 5.5的Token，想用多少用多少，都不用走报销流程。因为只有无限的Token。大家才愿意用，而且才能毫无心理负担地发挥人最擅长的创造力

4. 让一切对AI清晰可读，这句话我帮你们解读一下。就是你之前的文档都是人工写的，而且人都不愿意写。现在把所有的文档接口MCP尽量开放给AI，当你尽量开放给AI的时候，AI可以通过它的组织能力，来创造一些新的公司流程。像原来我们在内部搭基础设施系统的时候，因为工作量很大，涉及的面很大，很多东西都推不动。现在只要你暴露足够的MCP和API的话，新的流程就是一句话的事情

5. 人是短暂的，上下文的文档才是重要的，这句话也说的非常好。以后软件公司，它最重要的是需求文档、上下文文档和这些过程性的文档。因为代码是很容易重新创造的，但是这些文档和思考的过程才是公司真正的资产

好了，今天的分享就到这里。欢迎各位大佬点赞、收藏、转发

关注我，我是一个做了20多年操作系统的老兵，每天的工作就是逛推特，把一些有价值的东西重新分享出来，节省你们的时间

[Labrin @quant_sheep]

如果你的 coding agent 在一个稍大些的项目上工作，强烈推荐安装 CodeGraph 使用

用它可以清晰看到代码的依赖关系和范围，是重构和维护的最佳工具。

效果远远优于 claude code 的 explore agent

我几乎用它取代了大部分的 explore ，提高了效率，也降低了成本
https://t.co/jhJl32gpv5

[宝玉 @dotey]

https://t.co/KSi8CP2pBv

[Saito @SaitoWu]

Matt 引用了 John Ousterhout 的《A Philosophy of Software Design》。

坏代码 = 很多浅模块；
好代码 = 少量深模块。

什么是 shallow modules？就是功能很少，但接口很复杂。AI 遇到这种代码，就像在迷宫里乱窜，每个模块都要理解一堆细节，一不小心就改崩。

什么是 deep modules？就是功能很多，但接口极简。复杂性被藏在模块内部，外部只暴露简单、稳定的接口。
AI 最喜欢这种结构。因为它只需要理解接口，就能安全地修改实现。

[Thariq @trq212]

https://t.co/MXt5XS4xBX

[Alvaro Cintas @dr_cintas]

How to set up Claude Code so it runs like a full dev team:

5 folders. That's the entire system.

1. CLAUDE.md → Memory.

Your repo's constitution. Naming rules, structure, expectations. One global file for all projects, one local file per repo.

2. skills/ → Knowledge.

Reusable workflows Claude auto-invokes by matching the task description. No slash commands. It just knows.

3. hooks/ → Guardrails.

Shell scripts that run before and after every tool call. Block dangerous commands. Auto-lint on save. Ping Slack on deploy. Deterministic. Not AI.

4. subagents/ → Delegation.

Isolated agents with their own context window. A code reviewer that only sees the diff. A test runner with custom permissions. Keeps your main session clean.

5.plugins/ → Distribution.

Bundle the whole system into one install. Every teammate gets the same skills, same hooks, same agents. Aligned from day one.

This is the Agent Development Kit. Five layers, one stack.

To learn how and get the full Claude guide:

1. Go to https://t.co/xViEAXTX7v
2. Subscribe free by just writing your email.
3. Open my welcome email and get the free resources.

Repost ♻️ to help someone in your network.

[Mathematica @mathemetica]

@Orwelian84 Here's the full Oxford Mathematics lecture with Terence Tao:

https://t.co/kPHKdwL4VM