Tony Deng

关注高性能、高并发的互联网架构 Java Scala Python Linux

[Roland.W @rwayne]

醍醐灌顶

[Jackywine @Jackywine]

这个深入看一下，有几个观点值得一提：

还在搞 6 个月以上路线图的 leader 都是 AI 时代活化石

瀑布、敏捷等等全都是低效奴隶的枷锁

任何组织必须从现在开始用 AI 重写流程，不然结局就是倒闭

之前的所有“大厂流程”全都是过时的

（观点和之前 claude 设计团队表达的高度一致）

[老王霸 AI Lab @laowangbabababa]

Claude Code 这次更新虽然没啥大进步，但这个 Dynamic Workflow 还是不错的。

它把以前一个人吭哧吭哧干的大活，拆成几百份，同时往下推。上限 1000 个并行 Agent，一条命令写出去，全部同时开工。

→ 做vibe coding的，一个终端里几百个 Agent 同时扫代码、修 bug、补测试，改完自动跑回归，整条 CI 流程它自己推完。
→ 做内容的，几十篇翻译、多语言适配、全文一致性检查，一条命令全跑完，不用逐句校对。
→ 搞开源项目那拨人，安全审计从几天缩到几十分钟，跑完直接出报告，全程不用盯着。
怎么做到的？可以看下面文章，我来先总结一下下

1、Claude 拿到你的任务描述后自动写 JS 编排脚本，
2、后台把任务拆成子任务、分派给 SubAgent 并行跑。3、每个 SubAgent 干完自动校验，没过的打回重跑。
4、跑通的从不同角度交叉验证，反复迭代到结果收敛。5、汇总输出时已经是对齐过的统一结论。

少年老师在下面的文章里实测 146 个文档翻译成 5 种语言，全程自动拆、自动派、自动汇总。并发上限跟机器配置挂钩，理论封顶 1000。整个过程终端不受影响。

如果你想试这个功能，可以这样
在Claude Code 输入里带 workflow ，动态工作流关键词，或者 /effort 选 ultracode。

他就会拆成独立子任务丢进去跑一遍，看输出质量和手写差多少。别一上来就设 500 并行，从 10 个开始，先看机器撑不撑得住。

P.S. 如果你用claude写作，非常推荐你现在去试试，文字能力有明显的提升

[Punk（2898 🙌💎） @punk2898]

https://t.co/QsZA4dpyBq

[Easycompany @Easycompany333]

OPC AI创业者收藏的几个好用地址：

1. SemiAnalysis
看 AI 芯片、数据中心、电力、GPU 供需，适合判断大模型成本和基础设施瓶颈。

2. Latent Space
看 AI 工程师在聊什么，适合补 Agent、模型、应用开发的真实语境。

3. The Batch
https://t.co/EXTmmPv1GZ 的 AI 周报，适合快速知道行业里发生了什么。

4. Product Hunt
看国外 AI 小产品每天怎么包装、定价、获客，适合 OPC 找产品灵感。

5. GitHub Trending
看开源工具和项目热度，适合找免费替代品、技术栈和可复用组件。

这类清单的意义不在收藏。

意义在于你每周固定看 30 分钟，慢慢会知道：

哪里成本在变。
哪里工具成熟了。
哪里产品机会开始出现。

[ahhhhfs @abskoop]

C 盘又红了，扫出来一堆大文件夹，但看着名字一个都不敢删😭

Pinkbin ：一款开源 Windows 磁盘清理工具

它先帮你把磁盘里真正占空间的目录找出来，再把看不懂的文件夹交给 AI 解释一下，大概是什么软件留下的、删了可能影响什么。

它不是上来就让你 一键清理
微信缓存、Conda 环境这类有专门适配；其他陌生目录，更多是帮你看懂之后再决定，删除默认进回收站，也会留操作记录，

适合 C 盘爆红、微信占空间、开发环境缓存一堆又不敢乱删的 Windows 用户。

#Windows #开源项目 #AI工具

[precis0x @precisox]

Supabase y Firebase te están dejando en la ruina

Butterbase acaba de abrir todo su código y es una locura:

Backend 100% open source + IA nativa integrada:

- Postgres con RLS
- Auth + OAuth
- Storage
- Functions
- AI Gateway
- MCP Server → tu backend se convierte en herramientas reales para Claude, Cursor y cualquier agente

Ya no más copiar pegar código manual.
Tus agentes hablan directo con tu base de datos como si fuera nativo.

Self-host gratis o úsalo managed.

El futuro del backend ya llegó.

Repo en los comentarios, guarda esto si te resulta util 👇

[土豆本豆 @Potatoloogs]

Anthropic Claude Code 团队的工程总监 Fiona Fung 最近写了篇文章，聊他们内部怎么运行一个 AI 时代的工程团队。

一、瓶颈的转移

过去几十年软件工程的所有规范：瀑布、敏捷、各种评审会，背后只有一个逻辑：写代码太贵了，工程师时间贵，所以你得提前规划、写文档、开会、反复对齐。

现在代码早就不是拖慢速度的那个环节了。

新瓶颈变成了：这些代码对不对？谁来 review？安全有没有问题？

代码生成越来越快，人根本跟不上 review 的节奏。

二、规划：别提前想太多

Fiona 说她刚加入团队时，他们认认真真写了一份六个月路线图。很快就发现，由于Claude code迭代的太快，六个月的路线图很快就报废了。

所以他们现在的做法叫 JIT 规划：刚好够用的规划，在需要的时候再做。

基本不再些设计文档，讨论直接在PR里进行。

两个人对方案有分歧？别争，让 Claude 把两个方案都做成原型，用实物说话。

Building is cheap, arguing is expensive。做东西很便宜，争论才贵。

三、自动化：逻辑反转

以前自动化成本高，得是高频、高价值的事才值得做。

现在成本几乎是零，逻辑就反过来了：重复超过三次的事，都应该自动化掉。

Fiona 的例子：她以前每天早上端着咖啡，手动去各个渠道总结客户反馈。后来把这件事变成了后台自动跑的任务。

Claude Code 团队现在每个人遇到重复性工作，条件反射就是问自己：能不能自动化掉？已经快变成肌肉记忆了。

四、Review：人只负责真正需要脑子的地方

Claude 接管了所有风格检查、bug 发现、补测试。这些工作大概占 review 工作量的六七成。

人则负责处理法律合规、安全敏感代码、产品方向的判断。

但这条线不是固定的。今天需要人来做的，下个版本模型可能就能做了，你得不停重新评估。

五、招人：品味比代码能力值钱

她现在招人主要看两类：有产品感、能快速做出原型的人，以及有深厚系统背景的工程师。

Taste is scarce, typing is not。品味是稀缺的，打字不是。

她不在乎你一小时能写多少行代码，她在乎的是你知不知道该做什么，以及你怎么知道它是对的。

六、流程需要手动精简

她之前在一个团队，每周有个大型进度会，一堆人坐在会议室，每个人都在低头看电脑，只有轮到自己汇报时才抬头说两句，说完又低头。

她问了一句：这个会为什么还在开？
所有人才反应过来，这个会根本不需要了，于是当场取消。

人不会主动删流程，只会在旧流程上叠新流程。你得主动站出来，点名说哪些东西可以死了。

https://t.co/wBoHyEXbxY

[Jarod Xu @Jarodxu7]

https://t.co/wa1MajHaw2

[姚金刚 @yaojingang]

开源一个专家Skill，已推送到GitHub（地址及相关资料见文末）

如何快速了解一个行业？
核心在于能否在短时间内建立一套可解释、可验证、可迁移的行业认知结构
一个合格的行业专家，需要同时具备五种能力：界定行业边界，理解行业结构，识别关键变量，判断变化方向，能把复杂行业讲给外行听

这个skill的逻辑
1、输入任意行业或话题，AI会先确定边界，再拆分类、价值链、玩家、政策、风险和机会，最后生成一份可学习、可复述的专家报告
2、学习报告融入了价值链分析、竞争结构、行业生命周期、政策与壁垒、关键词教学卡、专家学习教程、费曼自测题等逻辑与核心能力

通过这个skill，可以帮助我们自己，能快速的对一个新的领域有一个全面、系统性的了解，提升自己的判断力与认知水平

截图为测试的一个GEO的学习报告，效果很不错，对我理解GEO也有不少新的视角和参考
同时附上Skill设计文档和理论参考文档

GitHub地址： https://t.co/tbe1SyGP1R

Skill的参考理论与设计资料： https://t.co/VegHiFxmp0

skill的案例报告： https://t.co/CurLvtjDQV

[Echo ./ @0xEcho99]

https://t.co/2bcFK4fBa7

[Yanhua @yanhua1010]

https://t.co/HclIjm2pEC

[huangserva @servasyy_ai]

肝了几天,来回打磨了快 30 遍,
一次性把最新的 Claude Code 的 Workflow 给你完全拆解清楚

有人说它的伟大程度,不亚于 MCP 和 Skill。

第一眼我是不信的,直到拆开看它内部怎么跑：
这不是"问一句答一句"的对话,而是一个能自己跑起来的任务系统:后台持续执行、可监控、可保存进度, 还能一口气派出几十上百个 agent 分头干活/合并汇总。

核心就三个角色:
Claude 拆任务、定计划;
Runtime 管调度和状态;
每个 agent 只啃一个子任务,配上并发池和队列,有节奏地推进。
它代表的是一种新的工程编排方式:智能负责规划,Runtime 负责执行,状态独立保存,模型按需调度。

最反直觉的一点:它能扩展到上百个 agent,靠的不是模型变强,而是"状态外置"—中间结果全交给执行系统保存,主上下文只看摘要和关键判断。这才是复杂任务能跑稳的真正原因。

这条视频直接给了你把它搬进自己系统的方法:
先用 Claude Code 做高质量规划、拆任务定阶段;
再把 workflow 转成自己的执行格式,按任务难度路由到不同模型池，简单的走便宜模型，复杂的才上高阶模型。

这条视频,值得反复看几遍👇

[Joruno @wsl8297]

做 RAG / 数据智能体，最容易卡住的是这一步：怎么把一堆散落的文件，变成可追踪、可查询、可复用的数据集。

尤其是 S3 / GCS / Azure 里的 PDF、图片、日志、标注文件，规模一上来，管理和迭代就开始失控。

https://t.co/FAQVucADdG

最近看到一个 Python 库 DataChain，思路很清晰：给非结构化数据加一层 context layer，把云存储里的文件资产“数据集化”——变成带类型、可版本化的 datasets。

之后就能像用数据仓库一样做过滤、join、相似度检索，并且可以在 Agent / RAG 流程里直接复用。

主要特性：

- 覆盖 S3、GCS、Azure 等对象存储的文件数据；
- 用 Pydantic schema 管结构化字段，同时保留文件指针与 lineage；
- 支持并行 / 分布式 Python 处理、checkpoint、增量更新；
- 可把数据集导出为 Markdown knowledge base，方便人和 LLM 消化；
- 提供 MCP / agent harness，便于接入 Claude Code、Cursor、Codex、Copilot 等工具链。

如果你在做多模态数据集、企业内部知识库、RAG 评测集或数据清洗流水线，这个值得看一眼。

[Arun Chauhan @imarun_chauhan]

𝟯𝟬 𝗕𝗹𝗼𝗴𝘀 𝘁𝗼 𝗟𝗲𝗮𝗿𝗻 𝟯𝟬 𝗦𝘆𝘀𝘁𝗲𝗺 𝗗𝗲𝘀𝗶𝗴𝗻 𝗖𝗼𝗻𝗰𝗲𝗽𝘁𝘀:

1. APIs: https://t.co/7H7a1hbeTT
2. API Gateways: https://t.co/7D0lFhOkL5
3. JWTs: https://t.co/zZHHBM9wBb
4. Webhooks: https://t.co/dmNCRFSqj1
5. REST vs GraphQL: https://t.co/iy4pgOGgFc
6. Load Balancing: https://t.co/dZM2ljxWcJ
7. Proxy vs Reverse Proxy: https://t.co/AoKQi84yk0
8. Scalability: https://t.co/ZY345ro6Kt
9. Availability: https://t.co/sGMTFelPVq
10. SPOF: https://t.co/FEKM4xayDi
11. CAP Theorem: https://t.co/wihSO7yRyn
12. SQL vs NoSQL: https://t.co/QtMfhVK8N7
13. ACID Transactions: https://t.co/VZbabQ3XZ3
14. Database Indexes: https://t.co/2W2zz8ACnp
15. Database Sharding: https://t.co/B3c343tHdq
16. Consistent Hashing: https://t.co/uxnWwwQCXR
17. CDC: https://t.co/CkVR7LieSv
18. Caching: https://t.co/smvgorjEYo
19. Caching Strategies: https://t.co/ZU2Jfe8CPY
20. Cache Eviction Policies: https://t.co/TATblyQDLN
21. CDN: https://t.co/hZuGvCKZVW
22. Rate Limiting Algorithms: https://t.co/eajEzctOum
23. Message Queues: https://t.co/Pkxsxtbfev
24. Bloom Filters: https://t.co/a2gXDaLXiO
25. Idempotency: https://t.co/afRE4i5dOX
26. Concurrency vs Parallelism: https://t.co/xZs7ofHcag
27. Long Polling vs WebSockets: https://t.co/Sq04tipuMk
28. Stateful vs. Stateless Architecture: https://t.co/iIVOOm7OdG
29. Batch vs Stream Processing: https://t.co/Awyb4eK31s
30. Geohashing: https://t.co/lQPefhiWoI

🔁 Repost to help a friend.
📌 Save this post for later.

Follow @imarun_chauhan for more resources daily 🚀

[Geek Lite @QingQ77]

一套给 AI 用的逆向工程和渗透测试技能路由包，让 AI 碰到安全任务时知道该用什么方法。

https://t.co/h7cdYNEPDd

里面有 20 多个子技能，覆盖 APK 逆向、IDA 分析、JS 前端破解、固件渗透、EDR 绕过、漏洞利用这些场景。AI 读了 routing.md 就知道碰到什么任务该进哪个技能目录。

[金尘马 @jinchenma_ai]

https://t.co/wZLGOiAVig

[Serena @369Serena]

Codex 中文内容创作者十大必装 Skills 来了！

写作、润色、去 AI 味、配图、封面、小红书卡片，一次给你配齐。

先收藏，再慢慢装，这 10 个一个比一个实用！

1⃣ Humanizer-zh

中文创作者必备的“去 AI 味”技能。

能识别空话、套话、三段式、过度排比、AI 腔，把文章改得更像真人写的。

Github 链接：

https://t.co/zncmfoVPun

2⃣ dbskill

内容创作者的“选题诊断器”。

适合做内容诊断、商业表达、hook、小红书标题、爆款拆解，尤其适合中文自媒体和知识型创作者。

Github 链接：

https://t.co/uMvxjMoDDl

3⃣ content-research-writer

从选题、资料、提纲、引用到初稿，一条写作工作流直接跑通。

适合写公众号、Newsletter、X 长文、博客和深度文章。

Github 链接：

https://t.co/qtMIT1SsIR

4⃣ NotebookLM Claude Code Skill

资料型写作者很适合。

基于你的资料库写作，能减少胡编乱造，适合做深度文章、行业研究、课程稿和长文整理。

Github 链接：

https://t.co/P6FWXBHT1A

5⃣ khazix-skills

适合公众号长文和万字研究报告。

里面的写作流比较重，适合做 AI 热点分析、长文拆解、深度观点输出。

Github 链接：

https://t.co/eFSOvz4FX7

6⃣ ian-xiaohei-illustrations

中文文章正文配图神器。

不是随便生成一张图，而是把文章里的观点、流程、情绪、隐喻画成“小黑”风格插图。

Github 链接：

https://t.co/Lvnudzb6Pm

7⃣ guizang-social-card-skill

写完文章后，用它做小红书图文和公众号封面。

很适合把一篇长文拆成多张卡片，做成能直接发布的视觉内容。

Github 链接：

https://t.co/THKxv4fg2e

8⃣ baoyu-skills

中文内容创作者的视觉工具箱。

封面图、信息图、结构图、图解都能做，适合文章包装和观点可视化。

Github 链接：

https://t.co/INNGs7Y813

9⃣ guizang-ppt-skill

适合把文章观点做成 PPT、演讲图、公众号头图、小红书封面。

如果你经常把文字内容二次分发成演示稿或分享图，这个很有用。

Github 链接：

https://t.co/FMY3GUKphP

🔟 html-anything

把 Markdown、文案、文章变成好看的 HTML 页面、海报、卡片和 PNG。

适合做杂志风文章、小红书卡片、知识卡片和分享图。

Github 链接：

https://t.co/uyh51sScDH

如果你是中文内容创作者，强烈建议先装这 5 个：

1. Humanizer-zh
2. dbskill
3. content-research-writer
4. ian-xiaohei-illustrations
5. guizang-social-card-skill

前 3 个提升文字质量，后 2 个解决文章配图和分发包装。
别再只让 AI 帮你“写一篇文章”了。

真正提效的是：让 AI 按你的创作流程干活。

#codex #skill #内容创作

[HankAI @hank_aibtc]

又在为文档解析头秃？
云服务太贵？本地库太慢？
别急！3秒告诉你神器——LiteParse！

LlamaIndex团队开源的本地解析神器：
用Rust语言（一种高性能编程语言）写的，
解析速度直接起飞！

- PDF、Word、Excel、PPT、图片全支持
- 带坐标（bounding box位置信息）、布局保留，表格不乱套
- OCR（光学字符识别）随便接，还能出截图给Agent（AI智能体）
- Python、JS、Rust、浏览器全都能用

完全本地跑，不用联网，不用API key（接口密钥），不用GPU（显卡）！
现在做RAG（Retrieval-Augmented Generation，
检索增强生成）、做Agent，文档预处理全靠它，爽得一批。

以前解析文档要么慢、要么贵、要么乱、
要么泄数据，现在LiteParse让你本地快速吃掉大部分常规文档，复杂场景再上他们的云版LlamaParse就行。

适合人群：
搞AI Agent（智能体）、RAG、本地LLM（大语言模型）应用、文档智能、隐私合规项目的开发者。

[老金 @freeman1266]

AI Harness 企业级落地实践

如何将工程学思维引入 AI 代理（Agent）的开发中，通过规范化与稳定性的约束，解决大模型在实际应用中逻辑发散或执行失控的问题。

通过软件过程改进（SPI）体系，使 AI 能够严格遵循立项、规划、评审及实施等标准化研发流程。

利用软约束范式和项目画像技术，帮助开发者快速、低成本地在现有项目中部署 AI 规范约束。

通过这种结构化的任务拆解与技能编排，团队可以显著提升代码交付质量，实现更高效的自动化软件工程协作。