xi_jiang

[Chesny @chesny]

Por qué el segundo cerebro de Karpathy, el padrino de la IA moderna, no usa Notion ni Obsidian en absoluto.

Porque construyó para sí mismo, y desde cero, una galaxia de conocimiento en 3D capaz de pensar.

Alguien replicó por completo este sistema, introdujo solo 378 notas, y el sistema generó automáticamente 1854 nodos y 3856 conexiones.

No es un simple archivador inerte: puede descubrir activamente conexiones ocultas y darte un feedback revelador como si fuera un segundo sistema neuronal.

Creo que este es el verdadero golpe letal (un ataque de reducción de dimensionalidad) para todas las herramientas tradicionales de toma de notas:

Si usas Notion, estás construyendo un archivador.

Si usas Roam, estás construyendo una hoja de cálculo.

Si usas Obsidian, estás construyendo un cementerio.

Los mejores expertos en IA están construyendo galaxias.

La experiencia que se ve en el video cambia por completo la forma en que todos entendemos la toma de notas:

Contra un fondo de espacio profundo, innumerables orbes brillantes y líneas de conexión forman un universo completo.

Haz clic en cualquier nodo y la IA desenterrará al instante todas esas conexiones ocultas que habías olvidado hace tiempo.

Aleja el zoom para ver el panorama completo de tu pensamiento, acércalo para ver cómo dos ideas aparentemente inconexas están vinculadas entre sí.

De forma proactiva, te dice dónde faltan enlaces y dónde hay ideas transversales de las que no te habías percatado.

Miau, miau, miau, esto es prácticamente una revolución en la forma de pensar. En el pasado, tomar notas consistía en introducir, organizar y buscar.
Al final, todo se queda en el disco duro acumulando polvo; nunca lo vuelves a mirar.

El segundo cerebro de hoy es una red neuronal dinámica y en crecimiento.

Lo alimentas con tus ideas y te ayuda a capitalizar, conectar y generar cosas nuevas.

Te entiende mejor que tú mismo, recuerda todas tus trayectorias de pensamiento e incluso puede darte inspiración cuando estás atascado.

La parte más impactante es la última frase de la publicación: La brecha en el interés compuesto del conocimiento nunca ha tenido que ver con el talento, se trata de arquitectura.

Quienes empiecen con este sistema 6 meses antes, siempre llevarán a los demás una ventaja de 6 meses de interés compuesto de pensamiento.
Porque tu segundo cerebro pensará por ti 24/7 sin parar, mientras que las notas de los demás simplemente se quedarán ahí pudriéndose.

Por supuesto, la gente común no necesita empezar desde cero a escribir código para construir una galaxia 3D.

Empieza con una configuración automatizada de Obsidian + Claude: deja que la IA extraiga contenido automáticamente, encuentre conexiones y te genere informes diarios.

Pero la dirección a seguir ya está muy clara: el futuro de la gestión del conocimiento no consiste en almacenar cosas, consiste en criar a una IA pensante que sea exclusiva para ti.

[yetone @yetone]

由于这篇文章太伟大了，所以我把它变成了一个 Agent Skill。

大家可以使用自己的 Coding Agent 安装一下这个 Skill，这样就可以用「最佳实践」来轻松地重构或者开发一个既容易跨平台、又极其接近 Native 性能的桌面端应用。

https://t.co/VdAhLhoSQE

[paperpaper @paperpaper886]

比较有趣的入门教程

该项目希望用一条更“实践优先”的路径来学习现代强化学习：从经典控制出发，逐步连接到 LLM 后训练基础、DPO/GRPO/RLVR、Agentic RL 和 VLM RL 等现代应用。

GitHub: https://t.co/tacKDh3hMq
WebPage: https://t.co/4JGgq6ASdr

[elvis @omarsar0]

// Agentic Harness Engineering //

Pay attention to this one, AI devs.

(bookmark it)

Most coding-agent harnesses are still tuned by hand or brittle trial-and-error self-evolution.

This new work introduces Agentic Harness Engineering, a framework that makes harness evolution observable. They do this through three layers: components as revertible files, experience as condensed evidence from millions of trajectory tokens, and decisions as falsifiable predictions checked against task outcomes.

Each edit becomes a contract you can verify or revert.

Results: pass@1 on Terminal-Bench 2 climbs from 69.7% to 77.0% in ten iterations, beating human-designed Codex-CLI (71.9%) and self-evolving baselines like ACE and TF-GRPO.

The evolved harness also transfers across model families with +5.1 to +10.1 point gains, while using 12% fewer tokens than the seed on SWE-bench-verified.

Harness work is the biggest hidden cost in most agent systems. This is the first credible recipe for letting the harness improve itself without drifting into noise.

Paper: https://t.co/9fEgqwlTSf

Learn to build effective AI agents in our academy: https://t.co/1e8RZKs4uX

[𝗿𝗮𝗺𝗮𝗸𝗿𝘂𝘀𝗵𝗻𝗮— 𝗲/𝗮𝗰𝗰 @techwith_ram]

https://t.co/BQP69bmLCg

[Gabriel Chua @gabrielchua]

Here’s how we use Codex to:

> understand large codebases
> review PRs faster
> build macOS apps
> turn Figma into code
> automate bug triage
> create a CLI as agent tools
> analyze datasets
> generate slide decks
> coordinate new-hire onboarding
> learn a new concept

…and more.

https://t.co/9vCkSNjfjB

@kagigz , @Dimillian , @nickbaumann_ and team pulled together a great collection of Codex use cases, and based on how engineering *AND* non-engineering teams build with Codex daily at OpenAI.

What else should we cover?

[皓樂芒 @howlemont]

微软，总算出了个好东西。

开发了一款工具，

可以将几乎任何格式pdfs，word，docs，excel，PowerPoint，Audio，YouTube 网址

转换为Markdown文件，
众所周知Markdown 是AI 大语言模型最青睐的格式。

没有自定义解析器。没有损坏的布局。没有混乱的文本。

只是干净、结构化的标记，

只需一次安装

https://t.co/gyZGOdceG7

[Shann³ @shannholmberg]

Karpathy's AutoResearch is changing how campaigns get optimized and most marketers haven´t heard of it yet.

Ole Lehmann tested it on landing page copy, 56% → 92% pass rate overnight.

here´s how it works for marketing / skills 🧵

[实践哥MinLi @MinLiBuilds]

今天给我司嵌入式算法工程师推荐了 autoresearch，跑了 7 轮就把他的祖传算法提升了近 20%，他睡不着了，晚上要盯着跑通宵。

[爱丽丝呀！ @BTCqzy1]

大神卡帕西（Karpathy）又开源了一个项目，这次他想让 AI “卷死”所有的 AI 研究员。

GitHub 瞬间炸场：autoresearch。

不到一周狂揽 4.4w+ 星，全网都在疯传这个只有 630 行 的 Python 脚本。

一句话总结：这根本不是一个简单的工具，这是 AI 的“自我进化实验室”。

当大家还在手动调参、熬夜盯 Loss 曲线、改一行代码跑一次实验时，卡帕西已经写了个“分身”去干活了。这个项目最狠的地方在于，它把 AI 关进了一个闭环里：AI 自己写 PyTorch，自己跑实验，自己看结果，自己再改代码。

这就是传说中的“无人值守”科研。

你只需要告诉它：“帮我把模型跑得更稳一点”，然后你就可以去睡觉、去健身、去蒸桑拿。等你回来，AI 已经帮你跑了几百轮实验，还顺手把最优的模型架构和训练参数直接递到了你手里。

为什么这个项目能让全网高潮？

1.极简即暴力：630 行代码，单张 GPU 就能跑，卡帕西再次用实力证明：真正的核弹，不需要成千上万行的垃圾代码。

2.智商碾压：它不是在瞎撞，而是像个老练的工程师一样在做逻辑推演。有人用它一夜之间跑出的 0.8B 小模型，效果直接反超了人类精心微调的 1.6B。

3.科研范式地震：以前是人类研究 AI，现在是 AI 研究 AI。卡帕西说：“我写完代码去蒸了个桑拿，回来 AI 已经把实验跑完了。”

今天的程序员在写代码，明天的程序员在“指挥”AI 写代码。如果你还在手动调参，那你可能真的要被卡帕西的这个“小脚本”给卷没了。

#AI编程 #AndrejKarpathy #GitHub
传送门：https://t.co/wVBka9rH0x

[Avi Chawla @_avichawla]

LLM inference speed with vs. without KV caching:

(learn how and why it works below)

[Akshay 🚀 @akshay_pachaar]

https://t.co/VhUJPU8alY

[elvis @omarsar0]

Here's a visual summary of the new guide by Anthropic.

It's on how to improve tool use for AI agents.

3 core ideas:

- Tool Search tool to discover tools on-demand to save context

- Programmatic tool calling to orchestrate tools via code

- Tool schema + usage

bookmark it

[elvis @omarsar0]

How do you build effective AI Agents?

This is a problem I think deeply about with other AI devs and students.

Simplicity works well here.

I think we can all learn a lot from how Claude Code works. The Claude Agent SDK Loop generalizes the approach to build all kinds of AI agents.

I wrote a few notes from Anthropic's recent guide.

The loop involves three steps:

Gathering Context: Use subagents (parallelize them for task efficiency), compact/maintain context, and leverage agentic/semantic search for retrieving relevant context for the AI agent.

Taking Action: Leverage tools, prebuilt MCP servers, bash/scripts, and generate code to take action and retrieve important feedback/context for the AI agent.

Verifying Output: You can define rules to verify outputs, enable visual feedback (this becomes increasingly important in multimodal problems), and consider LLM-as-a-Judge to verify quality based on fuzzy rules.

I believe this is a really clean and solid framework for how to build and work with AI agents in all kinds of domains.

[elvis @omarsar0]

It doesn't matter what tools you use for AI Agents.

I've put together the ultimate curriculum to learn how to build AI agents.

(bookmark it)

From context engineering to evaluating, optimizing, and shipping agentic applications.

[elvis @omarsar0]

As usual, Anthropic just published another banger.

This one is on context engineering.

Great section on how it is different from prompt engineering.

A must-read for AI devs.

[GitHubDaily @GitHub_Daily]

应用在开发过程中，需要不断地进行性能分析与优化，各种监控工具都用上了，却找不到出现问题的地方。

GitHub 上一款专注于性能分析优化的 AI 开源工具：uniprof，帮助开发者精准定位到性能问题。

只需一行命令就能分析任何应用，支持 Python、Node.js、PHP、Java 等语言开发的应用，还能生成可视化的图表帮我们快速定位到问题。

GitHub：https://t.co/bcVqNmjzmV

主要功能：

• 一键分析多种语言应用，无需修改代码或添加依赖；
• 自动选择最优分析器，支持 py-spy、0x、rbspy 等专业工具；
• 容器化执行环境，免去复杂的工具配置和权限设置；
• 内置火焰图可视化，在浏览器中直观查看性能数据；
• 支持 MCP 服务器模式，可与 Claude、Cursor 等 AI 工具集成；
• 统一输出格式，便于后续分析和比较。

通过 npm 全局安装即可使用，适合需要进行性能优化的开发者。

[Alex Prompter @alex_prompter]

How to Build AI Agents by @OpenAI

🔖 Bookmark for later

[Daily Dose of Data Science @DailyDoseOfDS_]

The fastest serving engine for LLMs is here (open-source)!

LMCache is an LLM serving engine designed to reduce time-to-first-token and increase throughput, especially under long-context scenarios.

It boosts vLLM with 7x faster access to 100x more KV caches.

100% open-source!

[Sebastian Raschka @rasbt]

When I started LLMs-from-scratch I just hoped it might help a few people learn.

Just saw the GitHub the repo has now been forked 10k times!

More than the stars, the best part is seeing thousands of people actually use and build on the code ☺️