Lei Xu

Microsoft Regional Directory & MVP | Full Stack Developer.
CEO/Chief Architect | GitHub Star

[Lei Xu @ups216]

@virgilxbt Exactly

[Charly Wargnier ♨️ @DataChaz]

A must-bookmark for vibe-coders.

@YCombinator’s guide to making the most of vibe coding:

[Charly Wargnier ♨️ @DataChaz]

Based on @benln’s excellent video here:
↳ https://t.co/GPhDKNs3fb

[Shopify Engineering @ShopifyEng]

At #RailsWorld2025, Staff Engineer @ReallyChar shares how we build production LLM systems through Sidekick’s Rails architecture, and its orchestration patterns and tool integration strategies. 🛤️🛠️

Learn more here: https://t.co/XAJ4Q6hFo0

[Tom Huang @tuturetom]

7.7K Star ⚡️ 最好的开源 Deep Research 平台发布！

Langchain 这个 open-deep-research 效果也太好了，在全球 DeepResearch benchmark 上登顶最好的开源 SOTA 效果 🔥

开源地址 👉 https://t.co/8GFhedjs74

https://t.co/l85rypqsRS

[Lei Xu @ups216]

“The second PR merged this morning, GitHub Advanced Security support [celebration]”

https://t.co/zhZEb29JeX

[Lei Xu @ups216]

Created an Open-Source MCP Marketplace https://t.co/JWwCfkzwBp during the summit utilizing GitHub Copilot Agent mode, GitHub Workspace, and Claude in 2 days. MCP is garnering increasing attention; it's beneficial for individuals to share their MCP server and clients #MVPSummit

[Sam Altman @sama]

today we launch deep research, our next agent.

this is like a superpower; experts on demand!

it can go use the internet, do complex research and reasoning, and give you back a report.

it is really good, and can do tasks that would take hours/days and cost hundreds of dollars.

[宝玉 @dotey]

有关 AI 编程，我觉得近期最值得看的一篇文章和视频都来自 Addy Osmani

《AI 辅助编码的残酷真相：它能帮你完成70%的工作，但最后30%令人非常沮丧》

今天终于抽空把视频给翻译了一下，见评论

[Mckay Wrigley @mckaywrigley]

Here’s how to use any AI model in Cursor.

If you’re serious about your AI coding experience you need to try this.

[Hamel Husain @HamelHusain]

I often hear that evals are the most confusing part of creating LLM AI products. It's a shame b/c IMO, domain-specific evals are the most important part of an AI product!

I've written a detailed blog post with real examples on how to do this (1/3)

https://t.co/nCUPWGcn33

[宝玉 @dotey]

第一次看到这视频片段：李彦宏谈谷歌为啥失败

[宝玉 @dotey]

分享一点利用 Claude 3 Opus 整理字幕文稿的经验，它可以非常好的将文稿整理成对话形式，并且还可以按照话题分成章节！几个要点：
1. 说明对话的人物（基本上Claude能自动分辨出哪些话是谁说的，很准）
2. 要求根据话题分成章节（这个对于阅读、总结都很重要）
3. 要求不要遗漏内容（不说明可能就给你总结了）

参考 Prompt：
“以下是我整理的 XXX 对 YYY 的采访文稿，请整理成更适合阅读的对话形式，根据话题形成章节，包含人名，尊照原意的情况下适当润色，从头开始，不要遗漏任何内容！”

如果没有输出完整需要不停的输入 continue 直到结束。

如果要总结，最好等到完整文稿输出完成，然后让它基于章节来总结，这样总结出来效果最好，不容易遗漏要点。

参考 Prompt：
“请按照上面的章节总结上面的文稿，需要详尽不要遗漏重点！”

[Lei Xu @ups216]

@karpathy totally agreed ... a progression of the AI doing more and the human doing less

[宝玉 @dotey]

马斯克的大模型 Grok-1 开源了，这是一款拥有3140亿参数的先进混合专家模型，截止目前参数量最大的开源大语言模型。

这个版本包含了Grok-1在2023年10月完成预训练阶段时的基础模型数据。这意味着模型尚未经过针对特定应用（如对话系统）的微调。

根据Apache 2.0许可协议，向公众开放模型的权重和架构。

模型详细信息
- 该基础模型通过大量文本数据训练而成，未专门针对任何具体任务进行优化。
- 3140亿参数构成的混合专家模型，其中25%的参数能够针对特定的数据单元（Token）激活。
- xAI团队利用定制的训练技术栈，在JAX和Rust的基础上，从零开始构建了此模型，完成时间为2023年10月。

- 模型参数数量高达3140亿
- 混合专家模型(Mixture of Experts, MoE)
- 每一个数据单元(Token)由2位专家处理
- 共64个处理层
- 用于处理查询的有48个注意力机制单元(attention heads)
- 用于处理键(key)/值(value)的有8个注意力机制单元
- 嵌入向量(embeddings)的维度为6,144
- 采用旋转式嵌入表示(Rotary Position Embeddings, RoPE)
- 使用SentencePiece分词系统处理，包含131,072种数据单元
- 支持激活数据分布计算(activation sharding)和8位数字精度量化(8-bit quantization)
- 最大序列长度为8,192个数据单元，以处理更长的上下文信息

https://t.co/u276i7CnwE
https://t.co/SmQ2tr27bb

[宝玉 @dotey]

Sora 提示词： 一只可爱的海盗小猫骑着机器人吸尘器在家里转悠

An adorable kitten pirate riding a robot vacuum around the house

https://t.co/c1eDUalXob

[Lei Xu @ups216]

@MVPAward @tlulic Great to be part of the group and great to be back in 7 years

[Lei Xu @ups216]

@MVPAward Great to see this plane is still hanging there

[Lei Xu @ups216]

latest #Move, Alpine skiing 46min, 6.11 km. https://t.co/i23J25RyJl