UNGETSU

🎓 00 INTJ @NTUsg
🧑🏻‍💻 Building Agentic-AI Products
🎮 Prev @GenshinImpact & @TencentGames
📍 Japanese→MBB→Gaming→ AI Startup
📷 Photographer & Novelist

[UNGETSU @ungetsuli]

@QuantumTransf 收到，我来学习哈哈哈

[UNGETSU @ungetsuli]

最近看到一个很有意思的判断：Agent Memory 实际上是一套缺乏稳定显式 Reward 的推荐系统。

衍生出来的理解是：保存过去只是数据层。Memory 每次真正执行的，是从完整历史中挑选极少量信息，重新送入 Context Window，为接下来的 Token Prediction 提供条件。它同样包含候选生成、召回、排序和过滤，只是被推荐的对象变成了“过去”。

很显然这套系统比常规推荐更难训练。Feed 至少拥有点击、停留、互动和付费等带噪声的反馈；Memory 中，一段记忆被调用后用户没有纠正，无法证明召回正确；回答最终被接受，也无法证明这段记忆真正产生了价值。

一个共识的棘手问题是反馈闭环。召回结果会改变 Agent 的回答，回答继续影响用户行为，新的行为又进入下一轮 Memory。一旦排序策略持续偏爱某类旧经验，Agent 会逐渐将一个复杂、持续变化的人压缩成少数标签，并在后续互动中不断制造支持这些标签的新证据。

也许这就是所谓 Memory 版本的信息茧房。

因为向量只能比照相似度，无法原生处理“此刻是否应该想起”，后者还依赖时间有效性、证据权威、任务目的、冲突状态和隐私边界等。遗忘也可以理解为动态降权，比如一段经历仍然保存在历史中，只是暂时失去进入当前上下文的资格。

Agent 眼中的用户或个体，最终由这套排序函数持续生成。被反复召回的过去逐渐成为人格，长期得不到曝光的经历则慢慢退出定义。

因此，谁控制了 Retrieval Policy，谁就在控制 Agent 将如何理解一个人。

[UNGETSU @ungetsuli]

分享一段最近实测非常有效的 Prompt，专门清理 AI Coding 长程迭代以后留下的屎山代码。这套方案基于 DeepSeek Harness 仓库，随后经过优化和抽象，整理成了适用于一般代码库的 simplify-codebase 规范。

AI 很擅长继续添加抽象、状态、接口和兼容层，却很少主动证明哪些东西已经可以安全删除。单次修改都看似合理，长期累积后，整个仓库会背上越来越多维护义务。这套方法会先按真实模块和所有权边界拆分任务，由多个子代理并行清扫，主代理处理跨模块契约并完成最终验证。

另一个很好用的工作流：先让网页端 Pro 模型审查整个仓库并生成方案，再交给 Codex 按检查结果实际修改和验证。

仓库地址：https://t.co/NqAuTw3XmX（兵王出品，必属精品）

完整提示词见下图。

[UNGETSU @ungetsuli]

@starshipgogofly 这就是世界第一模型！

[宋夏天Dazzle @songsummer920]

最近在尝试把 FUI 风格用到数据可视化大屏里 👀

中间的3D地图区域调用了我自己的three-scope-map-skill（已开源），再用Codex把地图、数据图表和整套 FUI 界面组合到一起。

还挺喜欢这种「科幻控制台 × 数据可视化」的感觉 ⚡️

#FUI #DataViz #ThreeJS #Codex #UIUX

[UNGETSU @ungetsuli]

@bingfajing 不客气！一起学习加油

[UNGETSU @ungetsuli]

自从把 Claude 全面赶出工作流，开发进度一日千里。

此前 5.6 Sol 为数不多的短板是前端和长程思考规划能力，现在借由 Pi 架构加持国模 K3 + GLM 5.3，在绝大部分场景补足顶尖审美后，再无后顾之忧。

再也不用听 Fable 和 Opus 每天呓语发狂说自研A社方言了（全绿、拍板、账本、揉皮、夹具...），一再优化的System Prompt和Context都救不了的文本组织能力、综合可读性，从Opus 4.6 的白月光退化到如此地步，在我的开发场景已经失去价值。

A社和Dario继续入魔研究你的ASI和繁华去吧😸

[UNGETSU @ungetsuli]

@damonchen 很有启发！我试试看

[UNGETSU @ungetsuli]

@t20000622yy @charliejhills cool!

[UNGETSU @ungetsuli]

@Alexu0317 好很多了，但这个遣词造句还是巨伪人

[UNGETSU @ungetsuli]

@bingfajing 体感上 K3 更适合吃完整仓库和超长上下文，做前端、视觉理解、长程方案和大范围重构；GLM 5.3 我更多用来做复杂工程实现、排错和代码审查。关键任务会交叉跑，再交给 Codex 复核收口。后面测得更系统了可以单独写一版。

[UNGETSU @ungetsuli]

@kcal_dd 对，Pi 是 Agent Harness，底层主要接 Kimi K3 和 GLM 5.3，按任务和阶段切换，不是两个模型同时跑。

[UNGETSU @ungetsuli]

@t20000622yy 兵王无敌

[UNGETSU @ungetsuli]

就在刚刚，我们的 Archify 项目登顶了 Github Trending 全球总榜第一🎉

Archify 是一个给 AI Agent 使用的架构图生成 Skill。把代码仓库、一段系统描述，甚至几句话交给它，就能生成可交互、可验证、可以直接演示和分享的架构图。

这也是我自今年三月转职全栈后，参与的第二个登顶的项目（第一个为 MiroFish），坤神🙏

https://t.co/RtLBwjBcX6

[也无风雨也雾晴 @t20000622yy]

卧槽，一觉醒来自己的项目干到 Github Trending第一了，非常的开心

很高兴这个项目能被这么多的人喜欢
这两天还看到很多外国朋友在X上发帖分享

纪念一下哈哈
https://t.co/jeV3qYElRg

[UNGETSU @ungetsuli]

@Sean102490 Agree 人类公敌

[UNGETSU @ungetsuli]

@t20000622yy 笑死我了

[UNGETSU @ungetsuli]

@Alexu0317 没事，程序员也看不懂😄

[UNGETSU @ungetsuli]

@wweilue 从每日随机发病到稳态发病