DangWang

[宝玉 @dotey]

Grok 推送的 AI 资讯还挺好的，但你可能想要在其他 Bot 或者 Agent 使用，一个简单的方法就是去问它是怎么做到的：
> 你在帮我整理新闻时，是怎么去X检索我想要的资讯的？怎么判断资讯是不是新是不是有价值的？

其实原理也很简单，就是关注一些特定账号，分三类：AI 实验室和公司官方号、关键人物、新闻和爆料号。

也列出了能直接复制的搜索语句，覆盖模型发布、产品和 agent、融资和收购、监管和安全、爆料、中文资讯，还有我自己关注的方向。

另外写了怎么判断新旧、怎么判断有没有价值，以及推送格式。

再让它把这个流程整理成一个 Skill，就能去复用这个流程了。

不过最关键的是，其他 Bot/Agent 你得自己花钱用 API，而 GrokBot 的 X API 不用额外花钱。

Grok 整理的完整提示词我放评论。

[Kai @real_kai42]

“我不能测量的指标，我不能优化它”

果然还得是量化数据
我之前用加湿器是有两个喷嘴，是间歇地喷，然后发现对空气湿度数据根本没有任何影响。
现在是两个一起喷，湿度改善的就很好

以及，这真的是最好的时代了，这是纯 agent 逆向蓝牙协议写出来的 app

[Sac @Saccc_c]

https://t.co/9E8UhyOWsX

[Nature Reviews Microbiology @NatureRevMicro]

New online! Towards broader-spectrum direct-acting antivirals against RNA viruses dlvr.​it/TVpx87

[Rico有三猫 @rico_mary8192hy]

太强了

[Nature Methods @naturemethods]

Bottlenecks in the study of TCR-antigen specificity:

https://t.co/jot68EB8Ce

[Ming "Tommy" Tang @tangming2005]

In single-cell RNA-seq, every droplet is contaminated. 5–20% of the counts aren't from the cell you think.

Ignore ambient RNA and you'll call doublets "rare hybrid cell types."

[宝玉 @dotey]

前一段 Loop Engineering 不是很火么，不过真做好的也不多。

知名开源开发者 yetone 在 X 上公开了他维护 Magpie 的工作流：用 Claude Code 加官方的 Opus 5.5 模型，同时开 3 个 /loop 循环任务，让 AI 自己盯 GitHub issue 和 PR、Discord 社区和推特反馈，修 bug、加功能、发版、回复用户。他自己每晚抽一点时间“铲铲屎”，主要处理 UI/UX 问题，“然后就没活儿了”。

他自己说这套流程“没有任何的魔法，甚至还特别简陋”。

【3 个循环任务分别干什么】

/loop 是 Claude Code 自带的命令，让同一段提示词反复执行；不写间隔时，由模型自己决定多久跑一次。这个命令 Codex 也支持，其他的我没测试，估计也差不多。

yetone 截图里的 3 段提示词都没写时间间隔，我自己去 Codex 跑了一下，默认是 1 小时。

简单解释一下他这三个循环。

第一个循环：管 GitHub 和 Discord。

指令要求 AI 盯 GitHub issue，判断哪些值得修、值得做；修完要发版并回复提问的人，不值得做的也要回复。有一类 issue 单独规定了统一话术：如果是“中转站”来打广告，统一回复“感谢关注，日后会出相关合作方案，敬请期待”，不能直接把第三方中转站加进产品。

对 PR，指令要求逐行看代码、看逻辑，再把代码拉下来实际跑一遍，确认没有 bug 才能合并，否则回复或关掉。指令里写了原因：“我怕有的人提的 PR，是无脑用 Coding Agent 乱写的，自己都没测过。”

指令还要求 AI 实时盯 Magpie 的 Discord 服务器，所有频道一个不漏，有价值的反馈就去修或加功能，值得讨论就继续讨论。最后专门叮嘱：在 Discord 里要真正 @ 到人，只写名字对方收不到通知。

第二个循环：管 X/推特 的用户反馈。

盯推特上关于 Magpie 的反馈，有价值的建议或能复现的 bug 就去做，上线后回复那条推文。这段指令要求先用便宜的“决策模型”，比如 Jev，判断推文是不是在说 Magpie、是不是反馈，不相关的直接丢掉，别转给主模型，“不然太浪费 Token 了”。

【注：Jev 是 TypeSafe AI 推出的模型，只做判断题、选择题和打分，输出概率或分数，不生成文字。官方定价是每百万输入 Token 0.042 美元，输出免费。】

顺便说一下，如果你的产品名或者要关注的事比较稀有，不一定需要 Jev，他之所以加，是因为 magpie 在英文里是“喜鹊”，按关键词抓推文会抓到大量无关内容，全丢给 Opus 判断很费钱。

第三个循环：清理和总结。

这段指令开头写着“现在 magpie 完全是自动化更改代码和合并社区里的 PR”，要求 AI 定期清理“屎山代码”和恶意代码，防止项目变得难以维护；同时把经验教训写下来，比如哪些 PR 不该合、哪些验证不够严密，留给以后的 AI 参考，避免重复犯错；还要把总提交低质量代码的人拉进黑名单。

【作者补充的两点】

发完截图后，他在两条回复里补了两点。

一是给 AI 真实的运行环境。他准备了一台 Mac 和一台 Windows 电脑，再在 Windows 上开一个 Linux 虚拟机，三个系统的复现环境就齐了。AI 每次都要在这三端真实复现 bug，再去修。

二是 AI 怎么做出符合他心意的决策。他说靠的是 Claude Code 的记忆系统和仓库里的设计文档。开发 Magpie 之初，他和 Claude Code 讨论、头脑风暴了很多内容，这些都被记进了记忆文件。之后遇到要拍板的事，或者涉及审美偏好的设计，AI 会参考这些记录，做出跟他比较一致的选择。

【总结下】

他把维护项目的日常活拆成了 3 条流水线，每条只管一个入口（GitHub、推特、代码库本身），各自循环。人只留下 AI 做不好的部分，也就是 UI/UX 的审美判断。

当然要跑起来得有几个前提：
1. AI 能在真实的三端环境里跑代码，验证结果靠实际运行；
2. AI 手里有他早期写下的偏好和设计文档，知道他会怎么选；
3. 犯过的错被写成经验，下一轮的 AI 能读到。

提示词都是大白话，篇幅主要花在边界情况上：不值得修也要回复，中转站广告怎么回，Discord 要真 @，不相关的推文别浪费 Token。

有几个特别要注意的点：

1. 先把验证环境搭好，再让 AI 干活。AI 改完代码说“修好了”没用，要能在出问题的那个系统上跑一遍。你的项目只跑在网页或服务器上，一个容器可能就够；要多端的，就像他一样把每一端都备齐。

2. 在提示词里写清楚“遇到这种情况怎么办”。他的三段指令里，大部分字数花在例外处理上。你让 AI 自动回复用户之前，先想想会有哪些奇怪的来信，提前定好处理办法。

3. 用便宜模型挡在前面。先用一个几乎不要钱的分类模型过滤一遍，只把真正的反馈交给贵模型，这个做法几乎任何监听类任务都能用。

4. 让 AI 自己总结教训。第三个循环要求把“不该合的 PR”“验证不严的地方”记下来，下次的 AI 读到就会更谨慎。这相当于给 AI 建立了一个自我迭代优化的循环。

5. 项目早期多花时间和 AI 聊设计。他说 AI 后来能按他的偏好做决策，依赖的是开发初期那些讨论被记进了记忆和设计文档。想让 AI 少问你，就先把你的想法写下来让它记住。

仅供参考，重要的是学习思路，不必一模一样的照搬。

[James Zou @james_y_zou]

What happens to your voice when it gets cloned?🎙️

Our new #Neurips2026 paper shows that voice cloning doesn’t just copy a speaker. It systematically changes how they sound, making voices more authoritative and warmer, while also shifting accents.

Great job @KaitlynZhou @federicobianchy @BarteldsMartijn @nnapot @ykwon_0407 @togethercompute!

[余温 @gkxspace]

REA 火成这样真不是吹的，我拿剪映和几个项目试了试，确实底裤都没了。。。

怎么说呢，有些东西放出来是要收律师函的😅

关于它到底能干嘛，很多人可能不理解，它给 Claude、Codex 接了一整套逆向工具。

简单讲，比如没有源码的软件丢给 AI，AI 能拆开告诉你某个功能到底是怎么做的，再在你自己的项目里写一个。

1、看到别人某个功能做得好，让它顺着模块、路由、IPC 通信一路查到实现逻辑，在你的项目里直接复线。

2、那些不给你开放接口的软件和库，也能拆，比如 Electron / 桌面端应用很多就裸奔了。

3、拯救没有源码的老软件和老库：Agent 能调用 Ghidra、Hopper 去读伪代码和汇编，甚至把老游戏里的算法精准还原出来。

所以 AI 时代，是不是一切都要开源了？🤔

https://t.co/nN8Amm08BW

[Prof. Nikolai Slavov @slavov_n]

Do you need an intro to analyzing (prote)omics data?

This series of lectures may be helpful.
We aimed to make them short & accessible.

Enjoy watching & learning !

https://t.co/gTHe1J19Jq

[nicekate @nicekate8888]

只要对 Claude 说一句「解释一下 XX 是怎么工作的」，它就能把工作原理做成一台在屏幕上运转的「机器」。

背后是 @wheresryan22 开源的 Agent Skill：Anatomy。

用可交互的等距 SVG 展示结构，用 WebGL 表现火焰和水，还有 3D Beta 版本。原本抽象的原理，现在可以直观看它如何运作。

也支持在 OpenCode、Codex 中使用。

我精选了 10 个社区案例：LaFerrari、恩尼格玛密码机、ATM、Face ID……看看那些每天见到、却未必懂的东西，到底是怎么工作的。👇

[宝玉 @dotey]

丰田的老规矩：改善省出的人手，不能拿去裁

日本博主“黔騎士”发了一条推文 https://t.co/gbkvfLDORn ，核心观点是：AI 一提效就裁员的公司，员工再也不会主动琢磨怎么用好 AI。

他拿丰田举例。丰田当年把“改善”（Kaizen，一线员工持续提小建议、优化流程的做法）推广到海外时，讲师反复强调一条铁律：

“流程改善后工时减少了，也绝对不能因此裁人。”

因为如果提建议的结果是自己或同事丢了饭碗，现场就再也不会有人提建议。

他认为 AI 导入是同一个道理。效率一上去就砍人力成本，员工就会把用 AI 的好点子藏起来。

反过来，把省出的时间用来想更有意思的企划、多花时间陪客户、学新技能，现场才会越用越多。在他看来，能把公司文化往这个方向转的企业，才能在 AI 时代把一线的智慧收上来。

[宝玉 @dotey]

Claude Code Projects 向候补名单上的 Pro 和 Max 用户全部开放

Anthropic 把 Claude Code Projects 候补名单上的 Pro 和 Max 用户全部放了进来。这个功能目前是公开测试版，还在分批推送，Team 和 Enterprise 计划暂时用不了。

Claude Code Projects 我最近用的比较多，很不错的设计，既可以像个人助理一样，不停的在主会话发消息分派任务，又可以通过 Thread 看到每个子任务的执行情况，留有记录，还可以后续跟进。

推荐看看这条视频，解释的很清楚。

我之前有个帖子解释了 Codex Project 和 Claude Projects 啥不同：

> 如果你还记得当年的论坛（Forum）的话，Codex Project 就像一个论坛的板块，像是一个容器，或者一个分类，跟这个板块/项目相关的内容都在这里，你可以不停的新开会话。

> Claude Projects（新的）就像 Slack 的 Channel，也是一个分类或者容器，但是所有的消息都在一起，想到啥都往里面扔，但是如果你想对某个子话题深入讨论，那么就新开 Thread，然后基于 Thread 可以展开讨论。

> 论坛呢，就是容易歪楼，讨论着讨论就偏离主题了，上下文乱一些，只有最近的回帖看的清楚。

> Slack 呢就是简单方便，不用想属于哪个话题，只要是这个 Channel 的就都往里面发就好了，上下文乱一点没关系，可以通过 Thread 聚焦

Projects 管的是“同时开好几个 Claude Code 会话，谁来协调”这件事。以前想并行干几件活，你得自己给每个会话分任务、每次重新交代背景、挨个回去看谁做完了。现在你只跟一个“项目对话”说话，Claude 在里面当协调者，把目标拆成小任务，每个任务开一个“线程”去做。

每个线程都是一个完整的 Claude Code 会话，默认跑在云端，在自己的 Git 分支上干活。合上笔记本，活照样在干，用手机也能看进度。某个任务要用本机的数据库、模拟器或内网接口，可以让这个线程改到你自己电脑上跑（通过 Remote Control 远程连接，电脑得开着）。

写代码的线程做完改动会自己开 PR（拉取请求，提交给仓库合并的代码改动），之后继续盯着：自动化测试没通过就提交修复，有人留了审查意见就去改。官方演示的例子是排查一个网站的性能问题：几个线程各修一处，最后生成一份前后性能对比报告，再设一个每天运行的例行检查，发现性能退步就自动开线程排查，等你下次进来处理。

适合放进项目的，是一次会话装不下、会不断冒出新任务的活，比如把应用迁出一个已废弃的依赖包，或者在 API、网页端、移动端几个仓库里同步改同一个接口。也可以完全不碰代码，上传一批合同或客服工单，反复提问。

所有线程共享项目说明和项目记忆。你说一次“以后都从 main 分支开 PR”，后面每个线程都照做。

【用量要注意】

每个线程都是完整会话，还能同时跑好几个，所以项目消耗套餐额度比单个会话快，官方提醒 Pro 用户尤其会更早用到上限。新建项目默认全部用 Opus，线程的推理强度（effort，模型每一步思考投入多少）默认是高。Claude Code 团队的建议是：协调者保持默认的低强度，它主要负责派活，调高没什么用；线程默认换小一点的模型，遇到复杂任务再单独切大模型。你也可以直接告诉 Claude 同时最多跑几个线程，或者先给你看计划再动手。

线程用到额度上限后，会等额度重置再自动继续，没管的活会用掉你下一个时段的额度。不想这样，可以在项目设置里暂停整个项目。

【怎么用】

在 https://t.co/sbZmtUyM2q、桌面版 Claude 的 Code 标签页或 Claude 手机 App 的侧边栏里看到 Projects，就说明已经开通；没看到可以加入候补名单。终端命令行、VS Code 和 JetBrains 插件里用不了。代码要托管在 https://t.co/xB9lzfWBfe 上，仓库要装 Claude GitHub App。项目只属于你一个人，暂时不能分享给别人。

https://t.co/vefasn3rYt 聊天里原来那个“项目”功能（把对话和参考文件归到一起）照常保留，等新版推到这些账号再切换。

[Young @Young852560]

李嘉诚资产大腾挪，千亿卖掉电网，大手笔囤油砂，正式重仓石油资产

这下和巴菲特算是殊途同归

巴菲特布局西方石油已经数年，当初不少人看不懂，疑惑为何要卖出苹果去买石油，甚至觉得老爷子老糊涂了

回头再看，大佬早就看懂了剧本
全球格局重塑，接下来的大主线，能源为王

[Xudong Han @Xudong07452910]

很多研究灵感，可能并不藏在自己的领域里。

Meta、CMU 等团队这篇 IdeaScientist，想让 Agent 学会提出更有依据的科研 idea。

它的流程很清晰：

先读相关论文，找到当前方法真正卡住的问题；

再跳出本领域，去其他方向寻找解决过类似结构问题的方法；

最后把这些线索整理成完整的研究方案。

为了支持这种跨领域检索，团队还构建了一个包含 277 万条研究 idea 的数据库。

评测也挺有意思，系统只能看到 2026 年 1 月 1 日之前的论文，再看它能不能提前提出后来真实研究中出现的方向。

结果显示，IdeaScientist 在综合评分上超过多种 autoresearch baseline。

更值得注意的是，把搜索范围从同领域扩展到跨领域后，novelty 从 36.3% 提升到 67.0%。

这其实很像真实科研里常见的一种突破路径：

先把问题抽象清楚，再去别的领域看看，有没有人已经解决过「同一种难题」。

未来 Research Agent 想真正产生好 idea，可能得学会主动离开自己的领域边界。

📎 arxiv: https://t.co/0jokmIEcat

[Junjie Zhou @junjiechou1122]

I translated IdeaScientist's research workflow into a native Claude Code plugin.

Give it a problem. Agents search literature, find gaps, propose an idea, challenge it, and draft a falsifiable proposal.

4 skills. 7 agents. One command.

https://t.co/zGQFzjVGwL

[Hux @huxlab]

认识一个在 Anthropic 做研发的朋友，年薪 150 万刀。

我问她是怎么把 Claude 调教到极致的

她直接甩给我一段 30 分钟的内部录屏，原本不对外公开。

毫不夸张，这绝对是全网含金量最高的 Claude 实操资料之一。

昨晚看到一半，我后背发凉：

过去两年我写提示词的方式，从底层逻辑上就全错了。

看完后，我提炼出 5 条Anthropic 内部正在用的核心法则：

1. 用 XML 严格隔离语义块：如果你肉眼都分不清数据、业务政策与角色边界，模型只会更混乱，严禁把所有规则揉成一坨大段文本。

2. 定期清理旧模型的“防御性补丁”：新模型遵循能力极强，遗留的历史负向限制会导致过度拟合，反而把上下文已有的正确信息死扣不给。

3. 指令无法凭空赋予模型能力：在 Prompt 里加粗强调“务必算准”没有任何意义，复杂运算必须果断剥离给 Tool Calling 代码执行。

4. 业务权衡必须给全博弈天平的两端：只灌输单向操作成本会让模型极端避险，必须同时给出违约后果与潜在损失，才能激活高智力模型的正确权衡。

5. 用“生成-评估-修复”闭环取代单体巨型 Prompt：复杂强约束任务拆成三步轻量流水线，不仅 Token 消耗与延迟直接腰斩，还能动态兼容运行时软约束。

建议直接收藏，今晚就花半小时看完，认知彻底重置。

[Ming "Tommy" Tang @tangming2005]

Your RNA-seq targets mature mRNA, right? So why are so many reads landing in introns?

What intronic reads actually mean — and when they're signal, not noise.

[lumxss @bkdgiffug]

如果你经常 Claude Code + Codex 混着用，应该懂那种疯狂复制上下文的痛苦。

最近看到个 1.8 万+ Star 的开源项目：Paseo。

它把 Claude Code、Codex、Copilot、OpenCode、Pi 放进一个工作台，还能在本机并行运行。

比较实用的几个功能：

① 上一个 Agent 干完，另一个直接接着做
② 随时叫另一个 Agent 过来当“第二意见”
③ 两个 Agent 分别排查同一个问题，交叉找原因
以前你负责在 Agent 之间传话，现在可以让它们自己协作。
桌面、手机、Web、CLI 都能用，而且不强制登录，也不收集使用数据。
🔗 https://t.co/SKSb7ft3ED