予墨

Prompt engineer，dedicated to learning and disseminating knowledge about AI.

[Orange AI @oran_ge]

今天学习了一下什么是：人月神话

"人月神话"是 Fred Brooks 1975 年写的一本软件工程经典书，英文叫 The Mythical Man-Month。

核心意思就一句话：往一个已经延期的项目里加人，只会让它更慢。

因为"人月"这个单位本身就是个神话。管理者觉得一个人干十个月的活，十个人一个月就能干完，但实际上人一多，沟通成本指数级增长，新人还需要老人带，老人被拖慢，项目反而更晚交付。

Brooks 当时在 IBM 负责 OS/360 项目，踩了这个坑踩得死去活来，然后写了这本书。

五十年过去了，这个问题在AI时代反而更严重了。

因为以前加人好歹能分摊一些机械劳动。现在机械劳动agent干了，加人带来的几乎纯粹是沟通成本。

今天最好的模式是一人闭环。一个人加上agent，从想法到成品，中间不经过任何人。其次是两人闭环，再其次三人。

超过三个人，不管你怎么管理，都会陷入人月神话。

所以正确的做法是把大项目拆成一堆小项目，每个小项目最多三个人闭环。节点之间用协议连接，不用会议连接。

Brooks当年的结论是"没���银弹"。

五十年后银弹来了，但它不是让团队更大，而是让团队更小。

[予墨 @xazaj]

Claude Opus 4.7忽然就来了。。还重制了额度。。

[Henry @findhappyman]

整个链路大概是这样的：

核心思路：从微信内存里把数据库密钥捞出来

微信在 macOS 上的聊天记录存在加密的 SQLite 数据库里（用的 SQLCipher）。加密密钥不是存在文件里，而是运行时加载在微信进程的内存中。

具体步骤：

1. LLDB 附加到微信进程
用 macOS 自带的 LLDB（调试器）attach 到正在运行的微信，拿到进程内存的访问权限

2. memscan 扫内存找密钥
用一个 Python 脚本（find_key_memscan.py）通过 LLDB 扫描微信内存，找到所有已打开数据库的 SQLCipher 密钥，输出到 wechat_keys.json

3. sqlcipher 解密数据库
拿到密钥后，用 sqlcipher 工具对本地的 .db 文件解密：
- message/message_0.db → 聊天记录
- contact/contact.db → 联系人
- session/session.db → 会话列表

4. 直接 SQL 查询
解密后就是普通 SQLite，直接 SELECT 就能读消息、发件人、时间戳

踩过的坑：
- 必须用系统自带的 Python 3.9 跑 LLDB 脚本，新版 Python 导入不了 _lldb 模块
- 微信 4.x 的消息内容是 zstd 压缩的 XML，不解压直接读会看到乱码
- 发件人名可能藏在 https://t.co/Jm23KVUrS3_room.ext_buffer 里，要单独解析
- 引用消息是嵌套 XML，可能还需要 HTML unescape

前提条件： macOS + SIP 关闭 + 微信已登录

说白了就是——微信的加密是"运行时透明解密"，密钥必然在内存里，只是微信没给你一个导出接口，LLDB 帮你绕过去了。

[予墨 @xazaj]

@lxfater 封号封麻了，破罐子破摔了～

[Geek @geekbb]

不要啰嗦，让任何 LLM 说人话。不废话, 不客套, 直接给答案。

一段 system prompt 把 LLM 啰嗦的、AI 客服腔的输出变成直接、有信息量的回答。适用于任何模型 (GPT, Gemini, LLaMA 等)。在 GPT-4o-mini 上测试 减少 73% 输出长度, GPT-5.4 上 减少 72%, 同时保留所有有用信息。

https://t.co/LD9DpyDUUX

[Tim✨ @timyangnet]

大家经常说的编排（Orchestration）Agent 似乎也不是必须，看 Anthropic 那个让 16 个 agent 并行两周不打架的案例：

这是 Nicholas Carlini 的编译器项目。最有意思的是他绕过了复杂的 agent 编排，回归了最朴素的如图所示 Bash Shell 循环：

🛠 同步协议：

任务池： 一个名为 current_tasks/ 的共享文件夹。

互斥锁： 智能体写入 .lock 文件标记“我在做了”。

分布式协同： 利用 Git 处理并行修改，连合并冲突（Merge Conflict）都由 Claude 自行解决。

🔄 单次 Loop 逻辑：

启动： 容器启动，拉�� upstream 最新状态。

寻路： Claude 扫描目录，认领没被锁定的任务。

交付： 完成编码，更新进度文件，git push 并释放锁。

current_task 从哪里来？所有 agent 都可以往里面提交任务，这个应该是写在 AGENT_PROMPT.md 启动规则里面。

对于长任务 agent 来说，这种设计模式省去了昂贵的编排管理成本，非常值得借鉴。

https://t.co/T6cM3IPiBf

[AYi @AYi_AInotes]

这绝对是最棒的企业 AI 转型指南，教你如何让公司彻底拥抱 AI 变革。

我看了不下50家大厂的AI转型报告，没有一个能打的，直到看到Ramp的这套玩法，我才发现绝大多数公司的AI转型，从根儿上就错了。

他们砸几千万买模型，喊一堆口号，搞强制培训，最后全变成了领导的自嗨，一线员工根本不用。

Ramp用一套完全反常识的打法，
做到了99.5%的团队活跃，非���程师贡献12%的生产代码，AI使用量暴涨6300%。

它的胜负手不是模型，也不是什么宏大战略，竟然是一套能让所有人自发用AI的自强化系统。

很多人以为AI转型是技术问题，其实首先是文化问题。

Ramp的做法简单到离谱：没有正式的变革管理，没有全员强制培训，没有KPI考核。

他们只做了三件事：
把AI使用明确为公司的基本期望，建AI guild让大家自由交流，在Slack上分享好用的技巧，在全员大会上庆祝用AI做出成果的人。
没有自上而下的命令，只有自下而上的传染。
当身边所有人都在用AI提效，你不用就会落后的时候，根本不需要有人逼你。

这是我觉得最值得所有公司抄作业的一点。
绝大多数公司的AI工具，用起来能把人逼疯：要申请权限，要走IT流程，要学复杂的操作，最后半小时过去了，还没出第一个结果。
而Ramp自建了Glass和Dojo两个平台，30+工具全部Okta SSO零配置上线，任何人打开就能用，5分钟就能拿到第一个真实的工作结果。
他们把所有的技术门槛，全部自己扛了下来。
让一个完全不会写代码的人，也能在5分钟内用AI解决自己的工作问题，这才是真正的基础设施。

最狠的设计，是这个L0-L3的熟练度阶梯。
他们把所有人的AI能力，清晰地分成了四个等级：
L0：只会用ChatGPT写邮件
L1：能用AI完成自己的日常工作
L2：能为自己的团队建工具
L3：能为全公司建基础设施
然后匹配工具的成熟度，逐步提高对不同等级的期望，配上公开的排行榜，和绩效直接挂钩。
把“用AI”这件事，从一个模糊的要求，变成了像健身一样可追踪、可量化、可升级的肌肉记忆。

最后，他们用中心-辐条的组织设计，把整个系统变成了一个不断加速的飞轮。
中心团队只负责搭平台，所有的需求全部由业务线自己驱动。
他们拥抱创造性破坏，接受工具几周就会过时，定期办大型hackathon，给所有人展示自己成果的公开舞台。
形成了“有人做工具→有人用工具→有人被启发做出更好的工具”的正反馈循环。
没有什么宏大的master plan，他们只做了一件事：从今天开始，然后双倍下注所有有效的东西。
结果就是六周之内，全公司上线了1500多个内部应用。

[ginobefun @hongming731]

腾讯这篇文章写得挺好，也很实在。分享了一个使用 AI 的真实过程：从追模型、追框架、追提示词，到慢慢开始搭自己的 Agent 工作流、知识循环和约束体系。

里面有几个判断我很认同：

- 今天真正拉开差距的，已经不只是会不会写 prompt，而是能不能把 Agent 接进自己的工作环境

- 比起手动追信息，更高收益的方向可能是让 Agent 替你持续学习、筛选和沉淀

- AI 时代很难靠一次性学明白，更多还是靠高频使用，慢慢建立直觉

AI 时代最稀缺的东西，越来越不是知识本身，而是把知识组织进系统的能力。

[予墨 @xazaj]

@berryxia 我的自用项目还有价值吗https://t.co/9gGTHFJOBj

[宝玉 @dotey]

Hermes Agent 势头很猛，这几天推荐的人很多，可以关注一下。我自己安装试用了还可以。

Hermes Agent 是由 Nous Research 在今年 2 月底开源的 AI 智能体框架，上线不到两个月，GitHub 星标已经接近三万。这个项目被社区认为是 OpenClaw（龙虾）上线��来，第一个真正意义上的竞争对手。

两者都是自托管的开源智能体，都能接入 Telegram、Discord、Slack、WhatsApp 等聊天平台，都支持多模型切换，都走 MIT 协议。但设计哲学完全不同。

【1】龙虾是网关，Hermes 是引擎

OpenClaw 的核心是一个 Gateway（网关守护进程），负责统一管理会话、路由和渠道连接，像一个调度中心，把你的各种聊天应用连接到 AI agent。你可以理解为它是一个“多渠道个人助理操作系统”。

Hermes Agent 的核心则是 agent 自身的执行循环。它不是围绕“怎么把消息送到 agent”来设计的，而是围绕“agent 怎么变得越来越强”来设计的。官方管这叫 closed learning loop（闭环学习循环）。

【2】会自己写技能的 agent

这是 Hermes 最有意思的地方。当它完成一个复杂任务（通常涉及五次以上工具调用）后，会把整个过程沉淀成一份结构化的技能文档，存成 Markdown 文件。下次遇到类似任务，直接加载这份技能，不用从头解决。

更关键的是，这些技能在使用过程中会自我迭代。如果 agent 在执行技能时发现了更好的方法，它会自动更新技能文档。有 Reddit 用户反馈，agent 在两小时内自动生成了三份技能文档后，重复性研究任务的速度提升了 40%。

OpenClaw 也有技能系统，但主要依赖人工编写和社区贡献的技能市场 ClawHub。Hermes 这边等于把“写技能”这件事也交给了 agent 自己。

【3】记忆体系的差异

两者都声称有跨会话记忆能力，但实现方式不同。

Hermes 用 SQLite 数据库配合全文检索，把所有历史对话存下来，需要时通过搜索加摘要召回。它把记忆分成两层：一层是常驻的关键信息（写在 MEMORY.md 里，每次对话都带上），另一层是全量历史检索（容量无限，按需调用）。

OpenClaw 的记忆则是工作区里的 Markdown 文件，走的是“文件即记忆”的路线，通过语义检索工具来查找。在上下文压缩前会执行一次静默记忆写入，防止压缩丢信息。

简单说，Hermes 更像是给 agent 装了一个搜索引擎式的大脑，OpenClaw 更像是给它一个笔记本。

【4】安全思路也不一样

Hermes 搞了一套五层纵深防御：用户授权、危险命令审批、容器隔离、凭据过滤、上下文注入扫描。默认对高风险操作（比如执行终端命令、写文件）要人工审批，超时未批准就自动拒绝。

OpenClaw 这边则更强调信任模型和配置审计。它提供了 openclaw security audit 命令，可以一键扫描网关配置的安全隐患。但 OpenClaw 在安全方面的历史记录不太好看，今年 2 月被曝出多个高危漏洞，13.5 万个实例暴露在公网上，技能市场也有超过 300 个恶意技能被发现。

【5】要不要换或者选哪一个

如果你日常用的 Agent 已经顺手，没必要。如果你之前的龙虾主要是 claude code 的授权现在用不了可以试试这个，但不能保证继续用多久。如果喜欢折腾想试试不同的选择，也可以试试。

如果你想要一个“多渠道助理平台”，接入各种聊天工具，用社区现成的技能市场，OpenClaw 的生态更成熟，34.6 万星标不是白来的。

如果你更关心 agent 的长期进化能力，想让它用得越久越聪明，或者你是做 AI 研究的，需要生成训练轨迹、跑强化学习实验，Hermes 的架构更对口。它还内建了一个兼容 OpenAI API 的服务端，可以直接作为后端接入 Open WebUI 等第三方界面。

Hermes 跑在 5 美元一个月的 VPS 上就够用，也支持 Docker、SSH 远程、Modal 等 serverless 方案。安装只需要一行 curl 命令。

安装不复杂，参考官方文档即可：https://t.co/LeLSL0czFD

爱马仕的英文也是 Hermes。

[予墨 @xazaj]

@lxfater 没有封，用的好好的，大胆的薅

[予墨 @xazaj]

@YanzuWuahh @xiaohu @binghe 把那个 extra useage 开关，开，关调整几次，刷新几次页面，就可以了，也挺玄学的

[予墨 @xazaj]

@i5ting Multica 是不是不符合最新的政策了？

[予墨 @xazaj]

@fkysly AI Coding 时代来临了，PM就自己写吧，别为难开发兄弟们了

[予墨 @xazaj]

@zcs0526 @xiaohu @binghe 美国IP，把extra useage的开关打开，关闭，刷新两次网页，他就可以了。。。

[予墨 @xazaj]

@potawang google play订阅，没绑卡，领取成功

[予墨 @xazaj]

@lxfater 不要结婚， 你就不需要忠告了！

[予墨 @xazaj]

@jakevin7 就想问问��slock可以换皮肤吗？我在公司用，老板说我在打游戏😂

[予墨 @xazaj]

@timtimtim_eth 这个就是把vps作为落地ip，需要vps的ip纯净