vickyli

Singapore. SRE

[阿西_出海 @axichuhai]

真的要卸载剪映了

YC 团队做的这款开源剪辑项目—Palmier Pro，几天就冲上了 1w+ star

它是一个能让 Codex、Claude Code、Cursor 亲手剪视频的专业编辑器

通过 MCP 接入之后，AI 和你在同一条时间线上协作，你说一句话，它自己往轨道上加素材、生成画面、调好剪辑点

想换镜头？让它生成新画面填进轨道。

嫌画质不够？一键 AI 升级放大到高清。

想再生成4段风格相同的背景视频？直接在对话框里说，它一段段铺好

从生成到剪辑到调色，全是 AI 在专业编辑器里替你动手

对标 Premiere Pro 的专业级时间线，Swift 原生打造，内置 Seedance、可灵等顶尖模型，直接在时间线上生成视频

[地坛公园 @ditangongyuan]

去年总喜欢把 CLAUDE.md 写得很详细，今年发现很多内容 agent 自己根据上下文就能推断，比如代码风格，写进去反而浪费 token，开始纠结哪些才值得长期保留。
今天突发奇想, 做了个 skill，让它从近期会话里的 tool call 和人工纠正里找共性，再更新回 AGENTS.md / CLAUDE.md：
https://t.co/dhUfwdulaO

[CodeAlpha @RealCodedAlpha]

Anthropic 官方团队把 Claude Code 从底层原理到真实项目实战，完整讲了一遍！

如果你只是会让 Claude Code 写代码，却还没搞懂它如何读取文件、调用工具、管理权限、调度 subagents，这个视频值得收藏！

我整理了重点时间线：

00:00｜Claude Code 底层如何工作
04:51｜Permissions：哪些操作允许、询问或拒绝
10:46｜如何把 Code Review、部署流程做成 Skills
15:08｜Intent-driven development 到底怎么做
22:40｜用语音 Prompt 从零构建 3D 游戏
32:55｜用 Branch、Draft PR 和 GitHub CLI 控制交付
38:15｜Auto Mode 如何减少重复授权
40:48｜用 Dynamic Workflows 并行调度多个 Subagents
46:53｜从 Demo 走向 Production 的工程原则
55:33｜Claude Code 如何用于研究、数据和媒体处理

我认为最值得看的是 Lydia Hallie 拆解了 Claude Code 的真实运行方式：模型本身没有长期状态。

文件内容、终端输出、Git 分支、工具调用结果和会话历史，都是由外层的 Agent Harness 维护，再在每一轮重新组装给模型。

这也解释了为什么真正影响 Claude Code 效果的，不只是 Prompt，还有：CLAUDE.md、Skills、Permissions、Verification、Git Workflow、Subagent 编排！

视频最后还有一个很重要的提醒：AI 能一次生成大量代码，不代表这些代码都应该被合并。

架构、验证、安全、Review 和最终质量，依然由人负责。

这可能是目前理解 Claude Code 最完整的一小时。

建议先收藏，再跟着时间线看！

[CMGS @CMGS1988]

https://t.co/Ge2JbQ6Lhk

[CMGS @CMGS1988]

https://t.co/0mppm1Mj9z

[Serena @369Serena]

用 Codex 剪辑视频的朋友一定要安装 video-use ！

video-use 就是一个视频制作导演！！！

它把 Codex 从“写代码的”直接推到“能剪片的”。

只要你把素材丢进去，告诉 Codex 你想要什么结果，video-use 会像一个视频制作导演一样，把这些工具调起来。

1️⃣要剪掉废话和停顿，它会处理转录和剪辑点。

2️⃣要字幕，它会按输出时间线去生成，避免后面错位。

3️⃣要动画，它可以指导 Codex 去开 HyperFrames、Remotion、Manim 这些工具，为某个片段单独做 overlay。

4️⃣要成片，它还会渲染、自检，再把结果放到 `final.mp4`。

这个 Skill 最适合的场景是：

你有素材，也有 Codex，
但你缺一个懂视频流程、懂工具调度、懂怎么把结果做出来的“视频制作大脑”。

video-use 它让不会剪辑的人，也能开始指挥一条视频生产线。

GitHub：
https://t.co/Z42XWxjfAu

#codex #skills

[Mr.RC｜𝟎𝐱𝐔 @MrRyanChi]

https://t.co/uGuy7PFTBk

[xilo @xilo2991]

https://t.co/yjn6kQdRFW

[CMGS @CMGS1988]

组一池子 VM 做 warm pool 热启动做到亚秒级有啥好吹的…趁着 Fable 额度还有的前提下，不用 shim 这种激进手段绕开 systemd，全链路冷启动也做到亚秒级的哼

[plantegg @plantegg]

姚顺宇的访谈 4 个小时，断断续续听了三天还没听完，于是我将其提炼成了一篇文章，完全基于字幕，但是做了概念/背景上的校正，大概 20 分钟可以读完，希望你喜欢，然后可以去看视频，大纲如图

https://t.co/1wQmNxLTtc

关键处理说明

嘉宾身份澄清（文章开头专门列表格）：本期嘉宾是物理出身的姚顺宇（清华特奖→斯坦福理论物理博士→Anthropic→Google DeepMind），不是 NLP/ReAct 那位姚顺雨。两人清华同届、英文同名，媒体常混。

主要错译/错识纠正：
- 人名：人类学/人本主义/人为因素/安特罗皮克/人猿科技 → Anthropic；双子座/双子星 → Gemini；寿城/张守成 →张首晟；王忠 → 王中（Zhong Wang）；鲍里斯·切尔尼 → Boris Cherny；诺姆/阿什什/妮基 → Transformer作者群；保利 → Pauli；杰弗里·辛顿 → Geoffrey Hinton

- 术语：非厄米、Scaling Law、Clapeyron、Haldane、KV cache、3D Torus、Nano Banana 等

- 时间：1924 年 → 2024 年

- 学校：革治/葛治/格智中学 → 格致中学

交叉验证：文章末尾用 6 条背景对照验证了嘉宾自述（履历、离职原因、参与模型、非厄米论文、博士导师、3.5/3.6命名史）。

忠实原话保留：包括其"小疯"言论（"AI 不太需要脑子"、"老登不是你亲戚"、"Pauli: not even wrong"、对 xAI 和Anthropic 反华立场的吐槽、40% 离职原因、对 Dario / Ilya / 某些老前辈的犀利评价等）全部保留。

字幕限制说明：YouTube 上这个视频只提供英文 AI
翻译字幕，中文版是从英文再翻译回来的（双重翻译），导致口语错译比单次 ASR更重，文章已基于嘉宾背景逐节校正。

[terrific @terrywang]

解决实际环境中的痛点 Agentic Engineering 出来的方案在 AKS 里基本不起作用，问题本身极端罕见：下载某些镜像特慢，找不到网络瓶颈。

AKS 有自己的 abstraction 和「独门配方」，比如 nodepool 和升级 K8s 版本时无法彻底禁用生成 surge node 的行为，基本上做不到自架 RKE2 集群能提供的控制粒度。

[WY @akokoi1]

这是我最近读过的最好的技术文章之一。
真正拉开差距的，不是你会不会写 prompt，而是你是否能系统地“管理上下文”。是否能让模型理解你的判断、你的取舍、你的“品味”，而不是每次都从零开始。
长期投入，沉淀自己的结构，AI 才会真正变成生产力。

[Tamiko_黎子 @KaireiY9921]

@ruanyf 可以尝试一下https://t.co/zZWBXbHfyJ 这类多agent框架，基于claude code搭建的，所以不受影响。

[孟岩-Mike Meng @myanTokenGeek]

龙虾刚出来的时候我建议大多数人冷静一下，等一段时间再上手，就是这个用意。如果它昙花一现，可以忽略。如果开辟大方向，也必定会有迅速的迭代、重构甚至颠覆。除非你能靠 AI 达人人设赚钱，否则没有必要跟得太紧。那些比你先跑几个月的人，其实积累不下来什么实质性的优势。

[亮子纠缠AI @ailiangzi]

最近大火的 OpenClaw 背后的“极简主义编程智能体”Pi，这是其作者在去年11月份写的博客，详细解释了Pi的原理及实践过程，值得做智能体开发的好好学习 https://t.co/RsWQcnYYut

[vickyli @vickysg0210]

@taoziyaoyao1314 楼上好详细 这家好吃吗

[vickyli @vickysg0210]

@CMGS1988 蹲个复盘

[vickyli @vickysg0210]

@zzxwill 这是什么newsletter hh

[NadeshikoManju@ゆるキャン△ SEASON４ 2027 放送予定 @Manjusaka_Lee]

简单复盘一下 AWS 这次事件作为一个 AIGC Startup SRE 的一些操作吧，希望能帮到大家
从入职开始发现我们主要的集群在 USE1 之后，我就开始做一些准备了。
我主要做的事情有这几件事
1. 将我们核心的几个数据库做了多地的备份，形成了 USE1，Tokyo，SG 三地备份。这样在极端情况下，我们损失一部分数据，但是也能保证服务的继续
2. 将我们 SG 的测试集群从原本的 EC2 自己简单搭的 K3S，重构为了一个标准的 AWS EKS 集群。这样可以在灾害时刻快速 warmup 一个集群，复用 AWS 已有组件。将 manifest 变更的代价降至最小
3. 简单梳理了一个 SOP，包含用户公告，DNS 切换，封版等事宜

回到今天，我大概在 AWS 事故发生后的10min，发现了我们容器中有新的 Pod 无法 setup。

在和 AWS 支持确认是 USE1 的问题后，我意识到 ECR 的事件必然关联其余事件，于是我就果断按照我自己规划的 Tier1 等级事件开始处理（对于 SRE 来说，这种事情宁可错，但是不能错过）

T+0 min，我发布了全员公告，开始进入紧急模式。我 setup 了一个全员公开会议。所有人员可以随时加入
T+2 min，我确认事件如我所预期的一样，在逐渐扩大，我发出了两个指令，1. 全线禁止任何代码合入/提交（主要是避免新创建资源会导致 Pod rotate 进而影响流量），2. 请运营同学准备公告
T+3 min, 我开始按照 SOP，开始进行数据库在 SG 区域的恢复，并且级联创建诸如 OpenSearch / Redis 等在内的依赖
T+5 min，我们开始正式的确认上下游依赖的具体问题，确认一个新上线的核心服务受到影响
T+10min，我们停服公告和其余服务的受影响公告发出
T+10min，我请另外两位同时协助 setup 新的 ECR 以及清理测试环境已有资源，并同步 CTO ，在极端情况下，我们可能会存在保体验，丢数据的决策。
T+15min， 我们最终确认目前已创建的资源以及流量入方向不会受到太大影响。切换方案挂起，但是我们继续准备相关资源
T+30min，我们第一个数据库恢复完毕
T+40min，我们第二个数据库恢复完毕
T+1h，我们所有关联的核心 infra，RDS/ES/Redis 都 stand by，并且按照生产架构设置主从等优化选项。同时我们也开始正在新的集群启动新的服务
所幸，最终 AWS 的 crash 没有影响我们全部服务。我们无须面对切换流量后复杂的数据修复工作
大概 T+2h 到 T+3h 后，我正式通报全员，紧急状态解除。为保险起见，今晚依旧对 feature 封版。

回顾整个事故，我还可以做的更多
1. 将我之前为自己准备的极端 case SOP，对全员公开。这样确保我即便不在线，也有人能接替我
2. 我们可以做一些提前的预先演练
3. 指令下达可以更果断一些

差不多就是这样，一点分享，希望能帮到大家

[宝玉 @dotey]

确实，Manus 很聪明，他们把工具分成了 3 层：

第 1 层：函数调用 (Function Calling)

这是最基础的一层，只保留一小组固定的、原子化的函数，比如：读写文件、执行 Shell 命令、搜索文件等。在 LLM 的系统提示词中就只有这一层的工具定义，相对比较少，15 个以内，输入格式和输出格式都很清晰，不容易出错，但这里面有两个工具很特殊，一个是 Shell， 一个是 File。

第 2 层：沙箱工具 (Sandbox Utilities)

每个 Manus 会话都运行在一个完整的虚拟机沙箱里。就是原推文提到的，虚机预装了很多命令行工具，比如格式转换器、语音识别工具，甚至一个 mcp 命令行客户端。

然后这些工具都通过第 1 层中定义的 Shell 来调用，就是命令行工具，命令行调用。

但是这么多工具模型怎么知道呢？

Manus 在系统提示词里会直接告诉 LLM，在一个特定的文件夹里有很多预装的命令行工具。对于最常用的工具，直接列出它们的名字。不常用的，LLM 可以直接通过原推提到的命令列出所有命令行工具，通过 --help 参数来查看任何一个工具的用法，因为所有这些工具都是他们自己开发的，格式统一。

第 3 层：代码包与 API (Packages and APIs)

这一层其实就是 LLM 实时编写 Python 代码，通过代码实现更复杂的功能。比如用户想查询某个 API 的数据，可以直接用 Python 写一个函数，fetch API 的数据，并解析成需要的格式。

其实在 Codex 中，用 Python 代码当工具已经用的很多了。

由于复杂的运算都是代码完成的，返回给 主 Agent 的知识计算后的结果，所以并不会占用主 Agent 的上下文。

这样 3 层设计的好处是，从模型的角度看，它需要调用的工具就固定是第 1 层的十几个，而借助命令行和代码，它又可以衍生出无数的工具组合。

还有一点就是我在之前推文提到的子智能体，Manus 也是大量采用“智能体即工具 (agent as tool)”的模式。把子智能体当工具用，比如负责检索是一个子智能体，但是这个子智能体在主 Agent 看来就是一个工具。同时也可以很好的起到减少上下文的效果。