我爱喝苏打水

[我爱喝苏打水 @wy_passion]

@Meta888_hk 结果太离谱了

[我爱喝苏打水 @wy_passion]

@KriptoCapris 3-1 pour la France

[我爱喝苏打水 @wy_passion]

@keenn_eth 3-2 pour la France

[我爱喝苏打水 @wy_passion]

@435hz 链接打不开

[Denzii 🕊️ @denziideng]

2026爆火Vibe Coding，3个GitHub神仓库直接冲！

前Tesla AI总监 Andrej Karpathy 说：
“你不用再纠结语法，像指挥家一样凭直觉（Vibe）和AI协作，效率直接起飞！”

🔥会说普通话，就能用AI做出完整应用！

下面3大王牌资源，适合所有人⬇️

1. Easy-Vibe（零基础小白首选）
🔗 https://t.co/f3PHz3JH2D
✅ 像打游戏一样学AI全栈！手把手带你从0做出AI简历/SaaS生成器，先出产品再懂原理。

2. Vibe-Coding-CN（防崩工业级）
🔗 https://t.co/k75LYZ9smg
✅ 解决“前期嗨翻天，后期Bug爆炸”的痛点！
规范提示词 + 工程结构 + 一键备份，让项目稳稳交付。

3. Awesome Vibe Coding（全网兵器谱）
🔗 https://t.co/bvoDNYWRae
✅ Bolt. new、v0、Manus、Claude Code… 所有AI编程神器+前沿工作流全收录！

Vibe Coding = 用人话聊天 + AI写代码 + 迭代优化

想快速入坑AI开发的兄弟姐妹，直接星标这3个仓库就够了！🚀

#VibeCoding #AI编程 #Cursor #独立开发 #Claude

[meng shao @shao__meng]

Claude Code 核心开发者 @trq212 分享了一段高价值「人机结对编程中的 “理解验证” 工作流」

通过这份工作流 Skill，让 Coding Agent 结束工作时，人类对问题、方案和影响都有可复述、可辩护的掌握，一起拆解看看。
https://t.co/mBCHBHglKL

核心定位：AI 扮演「高效且睿智的教师」
成功标准不只是「任务完成」，更要看人类是否真正理解整场会话，与常见 agent 模式的差异：
· 每步增量教学，过关才进入下一阶段
· 先让用户复述，再补缺口
· 清单 + 测验 + 演示理解 才算结束

三条理解轴（清单应覆盖）
1. 问题域
· 是什么问题
· 为何会出现（根因、历史、分支路径）
· 曾有哪些取舍路线

2. 方案域
· 做了什么、为何这样解
· 设计决策与 trade-off
· 边界情况与失败模式

3. 语境域
· 改动在系统/业务里意味着什么
· 会影响谁、什么流程、什么风险

反复追问 why → 更深层的 why，同时覆盖 what / how。强调：问题理解不到位，方案理解往往是假的。

操作流程（可执行的节拍）
1. 做完一小步
只推进一个可验收的小单元（例如：定位根因、选定方案、改一处逻辑），不要一口气跨多个阶段。
2. 先让用户复述
在进入下一步之前，请用户用自己的话说明：这一步在解决什么、为什么这样做、还有什么不确定。这是诊断，不是考试前的泄题。

3. 按缺口补课
根据复述找空洞：补动机、补业务逻辑、补边界与分支；可按需要切换抽象层级（例如 ELI5 / ELI14 /「像实习生那样讲」）。
4. 小范围验证
用开放题或多选题检查是否真懂；若用选择题，打乱正确选项顺序，且在用户提交答案之前不公布对错。

5. 过关才前进
同一阶段需在高层（为何要做）和低层（怎么做、边界在哪）都确认后，才进入下一阶段。
6. 同步更新清单
在 running 的 Markdown 里勾选或补充：问题 / 方案 / 语境三个维度下，用户应掌握的具体条目。

7. 必要时绑到真实材料
理解若依赖实现细节，贴相关代码片段，或一起用调试器走一遍，避免「听懂了但对着 diff 仍说不清」。
8. 收工条件
会话结束前，清单上的每一项都需用户表现出已掌握（能复述、能答题、能解释 trade-off），而不是由 agent 单方面总结一句「你应该懂了」。

设计意图（为啥在 Anthropic 内部被推崇）
· 对抗「智能体黑箱」：长会话里人类容易变成审批按钮；增量确认把认知负荷摊到全程。
· 把 tacit knowledge 外显化：分支、否决方案、边缘 case 往往只存在于 agent 上下文里，清单强制沉淀。
· 可审计的学习：对团队负责人或后来的自己，「当时为什么这么改」有迹可循。
· 与产品风险对齐：懂 impact 才谈得上 responsible shipping，而不只是 merge。

实操要点（落地时注意）
· 清单是活文档：随会话演进增删项，不是一次性大纲。
· 测验要变式：避免背答案；多选题需轮换正确选项位置。
· 层级要交替：同一主题在动机 <-> 实现 <-> 边界之间切换，防止只会背概念或只会跟 diff。
· 会话可拉长：这是刻意的——深度理解优先于速度。

[小盖 @xiaogaifun]

讲 Harness 最透彻的一个演讲。

这应该是我看到过的、关于 Harness Engineering 最透彻的一次分享，推荐大家看一下。

视频链接：https://t.co/kxo2ZjvqKk

整场演讲就 20 分钟，IBM 的工程师 Tejas Kumar 用一个例子，挺巧妙的把 Harness 的价值讲清楚了，通俗易懂。

整场分享的观点其实就一句话，模型只是大脑，真正让 AI 进入真实世界工作的是 Harness。

这句话经常听到，但通过这个例子，能直接看出来为什么是这样。

把我的笔记分享出来，希望对大家有启发。

1
让一个没有怎么做 Harness Engineering 的 Agent 去给 Hacker News 上的帖子点 upvote。流程看起来非常简单。

打开链接，如果没登录就跳到登录页，登录后再返回帖子页面，点一下 upvote，任务结束。

但裸模型的 Agent 碰到登录页就不知道怎么办了。它搞不定登录，却稀里糊涂告诉用户任务已经搞定，upvote 成功。

实际上根本没点，Agent 撒谎了。去年大家但凡用过 Agent，一定碰到过类似的情况。

面对这个问题，把提示词写得再细，或者换一个更强的模型，都未必管用。问题在于这个 Agent 根本没有 Harness。

说到这里，顺带讲一下到底什么是 Harness。

其实可以这么理解，Harness 就是包裹在模型外面的一整套基础设施。一个完整的 Harness 一般包含下面这几部分。

1）工具注册表，决定模型能调用哪些工具。

2）上下文管理，控制哪些信息继续留在上下文里，哪些信息该压缩或丢掉。

3）护栏，给 Agent 运行过程设定边界，比如最多执行多少轮、最多调用多少次工具，或者遇到异常状态就立刻停止。

4）Agent Loop，让模型一轮一轮地观察、思考、调用工具、接收结果。

5）验证步骤，任务结束后核对结果到底有没有真的完成。

为什么需要这层东西？因为模型不像程序那样，给定输入就一定沿着固定路径执行。

它可能正常完成任务，也可能中途跑偏、忘记目标、误判状态，甚至任务都失败了还声称自己搞定了。

Harness 的作用，就是在模型外面加一层确定性的控制系统。哪些工具能调用，任务什么时候该停，上下文怎么压缩，结果到底算不算完成，都交给确定性的代码来管理。

像 Claude Code、Cursor、Codex 这些产品，都是 Harness 包裹起来的 Agent。它们之所以好用，不全是因为背后接的模型聪明，更因为外面这层基础设施做得比较到位。

2
回到刚才的案例。开始在 Agent 外面一层一层加 Harness。

先加两层最基础的运行控制。

一层是迭代上限。一个没有任何约束的 Agent，很容易陷入死循环。有时候碰到卡点，它会反复点同一个按钮，然后在一个死循环里绕不出来。

Harness 可以给 Agent 设一个明确的运行边界。比如执行轮数超过阈值，就直接中断，标记失败。这样至少能保证，一个失败任务会在可控成本内结束。

另一层是上下文管理。浏览器返回的 HTML 本来就长，几轮工具调用日志一叠加，上下文窗口很快就塞满了。

一旦塞满，Agent 就开始被自己的历史淹没，越往后越糊涂，连最初的目标都记不清。

Harness 可以定期压缩历史上下文，只保留对下一步决策还有价值的信息。这样就可以避免 Agent 因为上下文过长，被历史信息拖垮的问题。

加完这两层后，Agent 至少开始变得可控。但还有一个更关键的问题没有解决。它说任务完成了，这件事系统怎么才能确认是真的。

3
所以下一层的 Harness，就是要解决 Agent 结果验证的问题。

之前的流程中，Agent 跑完一圈任务回来说搞定了，系统也就默认任务真的已经完成。

但其实模型说自己完成，很可能是幻觉，跟它实际做了什么是两码事。

所以这层 Harness 要做的事，就是把判断权从模型的单一输出，转移到对真实执行记录的核查上。

在 Hacker News 的例子里其实很简单，加一层单独的验证逻辑就行。任务结束后，Harness 再跑一轮额外的验证，从执行过程中的工具调用历史里看一遍。

它访问了哪些 URL，点了哪些按钮，DOM 状态有没有真的发生变化。如果 DOM 变了，比如 upvote 按钮被点亮，任务就算成功。

如果没变，那任务肯定执行失败了，不管模型最后怎么总结。

这一步看起来简单，但其实是所有 Agent 必加的环节。模型自己说什么不重要，重要的是有一套任务是否完成的标准。

我知道，很多人面对 Agent 不靠谱的第一反应是模型不够强。但很多时候问题真不在模型。

再聪明的模型，只要没有一个机制去核对它到底有没有完成，这事就无解。

4
有了验证之后，再回头解决 Hacker News 登录的问题。前面那些 Harness 策略，不管是迭代上限、上下文压缩还是验证步骤，都是在给 Agent 本身加约束、加监督。

但登录需要 Agent 像人一样，真的可以输入用户名和密码，完成登录这一步。

具体做法是，Harness 在每一轮循环里，单独检查一下浏览器当前的 URL。如果发现当前页面进入了登录态，就不再把控制权交给模型，而是触发预先写好的登录逻辑。

这段逻辑完全不依赖模型推理，而是确定性的程序执行，从环境变量里拿账号密码，定位到输入框，填进去，点提交。

登录成功之后，把浏览器导回原来的页面，再把控制权交还给 Agent，让它继续做原来的任务。

整个过程，Agent 完全不知道发生了什么。它只是发现自己刚才在 A 页面，现在还在 A 页面，但身份状态变了，可以继续往下走了。

这个设计背后有一个很重要的认知，不是所有事情都该让模型来做。

模型适合处理开放问题。需要理解、判断、泛化的场景，它很强。但登录不是。

更准确的说法是，Harness 在这里做了一件事，识别出哪些场景是模型不擅长的，然后用代码把这些场景接管掉，做完之后再把世界恢复到模型能继续发挥的状态。

加上这一层之后，整个 Agent 终于能跑通了。同样的模型，同样的 prompt，没有任何改动，但它现在可以稳定地打开 Hacker News，跳到登录页，登录，回到原帖，点 upvote，确认完成。

从一个连登录都过不去的 Agent，变成一个能跑通完整流程的 Agent。

5
回过头看这四层 Harness，会发现一个挺有意思的事情。

第一层迭代上限，处理的是会不会失控。第二层上下文压缩，处理的是能不能跑完。

第三层验证步骤，处理的是有没有真的做成。第四层登录接管，处理的是哪些事情根本不该让模型自己做。

这四层加起来，做的其实是同一件事。用确定性的工程系统，去约束和支撑一个非确定性的模型。

这就是为什么模型是大脑，Harness 是身体这个说法成立。

模型本身只负责推理，但真实世界是一个由状态、权限、页面、网络和异常流程组成的系统。只有推理能力，是无法稳定进入真实工作流的。

Harness 做的，是把这些复杂性重新收敛成模型能够稳定处理的运行环境。

这个例子最值得琢磨的一点是，从头到尾，Agent 的模型没换，Prompt 没改，改的全是它外面的执行框架。

但 Agent 的表现，已经从一个连登录都过不去的系统，变成了一个能稳定跑通完整流程的 Agent。

这件事翻译过来就是，很多时候，真正决定 Agent 稳定性的，其实是 Harness。

模型进步当然重要。但很多 Agent 的问题，并不是模型能力问题。

更重要的是，Harness 不是玄学。它是一整套可以被拆解、被测试、被优化的软件工程问题。

[池建强 @sagacity]

推荐两本 harness 的公开 pdf 书：《Harness Engineering：Claude Code 设计指南》和《Claude Code 和 Codex 的 Harness 设计哲学》，顺便聊聊 harness，Agent 在去年就人尽皆知了，与之相伴的 harness 为啥现在才冒出来？

我看 harness：https://t.co/G0NhOMv2Pr

pdf 图书的原推：https://t.co/POv7ZdU5kT

[astaxie @astaxie]

今天群里面讨论怎么样学习 Harness，Harness 工程我学习这两个：
1. https://t.co/l2EySwL22O 通过这个了解每一个 Harness 的核心机制
2. https://t.co/eaucFDhbyp 学习这个框架的各个模块设计实现，不懂的就让 AI 去解读实现逻辑

[Vincent @Vincent_AINotes]

说句不夸张的，这可能是目前最全面的 Claude Code 零基础教程了。

整整40分钟，从打开界面开始，纯用自然语言带你跑通网页、小游戏、Chrome插件、自动化工作流、AI识图应用，连MCP接入、API key处理、Vercel部署这些新手最容易卡壳的地方都讲透了。

非技术人想靠AI做点自己的东西，看这一个视频就够了。

建议先收藏，周末跟着实操一遍 👇

[Kimberly @king1818888]

https://t.co/BIk7PEFzA1

[我爱喝苏打水 @wy_passion]

@NFTCPS 一个豆打不开😵‍💫

[ふう@ダイエット🐷 @KowshikKV2]

韓国のトレーニング3つやってみたけど、悲鳴止まらなくてしんだwwww 特に3つ目のやつはレベチw

[hani @neco_momochan]

この動画、即効性ありすぎてだいすき。

肩と肩甲骨、ほんとに楽になる。
寝る前に、やって。
ほんとに楽になるから...嘘じゃないんよ...

[Cheery @cheery9998]

1、我是大龄非程序员女性基础很差，捣鼓2小时学会并尝试发教程文章，你一定可以！小白收藏，大佬绕过。
2、为啥要学Obsidian，支持markdown，界面对新手友好，别紧张，它只是一个软件而已。
3、X的文章编辑器难用，可以先用markdown进行排版，排版后直接复制到X的文章里，这里记住要在“阅读模式”下进行全选-复制，不能是编辑模式复制，因为X不支持markdown。另外，在Obsidian中插入的图片无法复制到X文章里，需要把图片再单独插入。
4、markdown一次编辑排版支持多平台发送不需要再进行各个平台的单独排版，且本地保存比较安全。
5、为了以后看得懂宝玉和其他大咖写的skill，对github也友好，所以对于我们新手想学习AI的非常值得学习和尝试。

[朝霧あき｜鬱と共生するための人生設計 @asagiri_aki_p]

https://t.co/7nPeZM2akY

[털돼지 @furrypiggy1230]

소미핏 ㄹㅈㄷ 로 좋음
제 루틴도 소개합니다
일어나자마자 스트레칭 + 복근
낮/저녁에 유산소

[STUDY HACKER公式 @study_hacker]

https://t.co/eDKuSHuQKa

[フォローすると痩せるマナティ♂ @MancuzzoRoberta]

ぶよぶよ３段腹を脱出したい人はこれやれ↓

[STUDY HACKER公式 @study_hacker]

https://t.co/EEEKdXyQj7