qilong

[Amto @XAMTO_AI]

用AI���代码的人，大概都经历过这种场面：明明就几行能搞定的小需求，AI却哗哗给你生成几百行，又臃肿又难维护，改起来比从头写还费劲。

最近GitHub上有个开源项目直接火出圈，不到24小时冲了六万多星。名字叫Ponytail（马尾辫），配了个中年胖子留长辫的头像，挺有记忆点。

它做的事情很纯粹：在AI��手写代码之前，先逼它自己审一遍，问一句“这玩意儿到底用不用写”。实测代码量平均砍掉54%，速度快27%，成本省20%，安全性和没装插件时完全持平。Claude Code、Codex、Gemini CLI、Copilot这些主流工具都能用，一行命令就装好。

爱写废码的AI，这回算是有办法治了。

🔗 https://t.co/L4SyViXsJE

[GitHubDaily @GitHub_Daily]

准备系统设计面试，光靠看文章和背架构图不够，很难检验真实环境下的系统承载能力。

SystemForge 这个开源项目，让我们能够模拟系统设计，在浏览器里动手搭架构、跑流量、拿评��。

提供 35 个基础设施组件，拖拽到画布上连线组装，然后模拟每秒 1K 到 50 万的请求量，直接看每个节点的负载和瓶颈。

GitHub：https://t.co/T69uvmQsRA

内置 35 道经典设计题，从 URL 短链到 Uber、Netflix 都有，每道题带参考架构、容量估算和面试指南。

还有一个 45 分钟模拟面试模式，分六个阶段计时推进，绿黄红提醒你控制节奏。

评分系统会检查你实际连线的架构，放了缓存但没接上去不算分，从可扩展性、可用性、延迟、成本、权衡五个维度打分。

想实战练习系统设计又苦于没地方动手的同学，值得试试，纯浏览器运行打开就能用。

[宝玉 @dotey]

RepoPrompt 已经开源了，社区版（Community Edition）已上线 GitHub。

背后的故事是这样的：几个月前，OpenAI 开发者体验负责人 Romain Huet 找到 Provencher，邀请他加入 OpenAI 团队。Provencher 答应之前提了一个条件，要先安排好现有付费用户。于是 Repo Prompt 先免费开放，现在彻底开源。

Repo Prompt 最初只做一件事：帮开发者从代码仓库里挑选文件，拼成一段高质量的 prompt，然后复制粘贴到 ChatGPT 或 Claude 里。听起来很简单，但它切中了一个真实痛点：把整个代码库丢给 AI 模型，效果往往很差，超过 32K token 的 prompt 甚至会让模型变笨，你需要精挑细选，只给模型看它真正需要的代码。这种做法现在有个正式名字叫上下文工程。

开源版本的变化很大。Provencher 把架构做了一个反转：不再让应用本身去调度 agent，而是让内置的 MCP server 成为主控，底层的命令行工具（Claude Code、Codex、OpenCode、Gemini CLI）变成可以随时替换的执行层。这意味着你可以用一个推理模型做规划和任务分解，然后把子任务分发给不同的 agent 并行执行，每个 agent 只看自己负责的那部分文件。

为了适应开源协作，很多老版本的手工拼 prompt功能被砍掉了，项目结构也从 Xcode 依赖中解耦出来，不需要装 Xcode 就能编译。贡献者管理借鉴了 libgdx 作者 Mario Zechner 的做法，维护一个白名单，之前的付费用户只要同意就自动成为认证贡献者。

目前只支持 macOS，跨平台版本还在开发中，可以通过 Homebrew 安装（brew install --cask repoprompt-ce）。

社区版：https://t.co/eYOPTUx2Fh

老版本：https://t.co/QRBfcFFCg8

[Andy Stewart @manateelazycat]

拓竹商城看到这个墨水屏仪表盘很牛逼啊

看着好实用

[Kevin Ma @kevinma_dev_zh]

我把 Craft Agent 的源代码 clone 到本地，开始逐帧学习，让 Claude Code 带带我。

[徐伦 @Jolyne_AI]

抽象概念想讲透，光靠 ppt 和板书总差点劲：学生看得吃力，你讲得也费劲。

我最近在 GitHub 挖到一个开源工具：AetherViz Master。只要输入教学主题，它就能自动生成一整套 3D 交互式教学网页，浏览器打开就能直接上课。

它用 Three.js + SVG 混合渲染，能自动识别学科类型，配好更合适的配色和可视化方式，把“难讲的”直接变成“看得懂、能上手”的演示。

GitHub：https://t.co/afjSxRNLHR

覆盖物理、化学、生物、数学、天文、编程等多个方向，比如：
- 输入「牛顿第���定��」：自动生成 3D 小球运动模拟
- 输入「三角函数」：自动生成可交互的函数波形图

每个页面还自带学习目标、原理讲解、公式渲染和小测验；支持滑块调速、单步演示，也对触摸设备友好。

不管你是老师想把课讲得更直观、更有说服力，还是学生想把知识点“立体化”理解，这个工具都值得试试。

[Ricko Yu @cosmtrek]

发现一个巨牛的书 The Hitchhiker’s Guide to Agentic AI，覆盖 Agentic AI 全貌

https://t.co/ltHEAJbHUN

[Frank @frank_uid]

最近看到不少关于AI课程的讨论，其实动手把流程跑一下就好了，先用3层dnn跑一下kaggle的titanic数据，然后对视觉感兴趣就手搓resnet跑个猫狗识别或者yolo的目标检测，对LLM感兴趣就跑Karpathy的nanoGPT，想搞强化学习就ppo打砖块，图像生成就下个comfyui搭配不同的lora玩一下，然后手搓diffusion试试，这些任务都不需要太多算力，单张消费级显卡足够

[宝玉 @dotey]

分享一下我管理 Skills 的方式，偏极客风格，不一定适合所有人，但可以给大家提供一个思路。

一、Skills 只装在项目里，不装全局

Agent 的 Skills 可以装在全局（所有项目共享）或者项目内（只有当前项目能用）。我选择只装在项目内，最主要的原因是节约上下文空间。

Agent 在工作时有一个上下文窗口，你可以把它想象成 Claude 的工作台——台面大小是有限的。虽然 Skill 默认只会加载名称、描述等摘要信息（不会把完整内��全部摊开），但积少成多——全局装了几十个 Skill，光是这些摘要加在一起也会占掉不少工作台空间。而且一旦 Claude 判断某个 Skill 跟当前任务相关，就会把它的完整内容加载进来，全局 Skill 越多，被误触发的概率也越大，白白浪费空间。

只在项目内安装真正需要的 Skills，工作台上就只摆当前用得到的资料，把宝贵的空间留给更重要的内容，Claude 干活也更高效。

二、用软链接来安装 Skills

这是我管理方式的核心，先解释一下什么是软链接。

你可以把软链接理解成 Windows 的快捷方式——文件本体只有一份，但你可以在很多地方创建快捷方式指向它。改了本体，所有快捷方式指向的内容都会同步变化。

我的具体做法分三步：

第一步：把开源 Skills 项目下载到统一的目录

我在电脑上有一个专门存放 GitHub 项目的文件夹 ~/GitHub，所有下载的开源项目都放在这里面，比如：

~/GitHub/baoyu-skills ← 存放各种 Skills 的开源项目
~/GitHub/baoyu-design ← 另一个开源项目

这个文件夹就像一个仓库，所有 Skills 的原件都保存在这里。

第二步：在自己的项目中创建软链接

假设我有一个写作项目 ~/GitHub/baoyu-writing，里面需要用到好几个 Skills。我不会把 Skills 复制进来，而是创建软链接，让项目指向仓库里的原件：

项目内的路径 → 实际指向的位置（原件）
.agents/skills/baoyu-comic → ~/GitHub/baoyu-skills/skills/baoyu-comic
.agents/skills/baoyu-design → ~/GitHub/baoyu-design/skills/baoyu-design

第三步：给 Claude Code 建一个入口

最后再创建一个软链接，让 Claude Code 能找到这些 Skills：

.claude/skills → .agents/skills

这样 Claude Code 就能顺着这条链找到所有需要的 Skills 了。

三、���用记命令，让 Agent 帮你干

看到这里你可能会想：软链接的命令我记不住怎么办？

完全不用记。直接用自然语言告诉 Codex/Claude Code 你要做什么就行了，比如：

> 帮我把 ~/GitHub/baoyu-skills/skills/baoyu-comic 软链接到 .agents/skills/baoyu-comic

甚至更简单：

帮我把 baoyu-skills 项目里的 baoyu-comic 这个 skill 链接到当前项目

Agent 会自动帮你创建软链接，后续的维护、添加、删除也都可以交给它。你只需要说清楚要把哪个 Skill 链到哪，剩下的脏活累活让 Agent 干就好。

四、为什么值得这么折腾？

初次设置确实比直接复制粘贴多花几分钟，但后续维护特别省心，主要有两个好处：

好处一：更新只需一次。因为所有项目都是通过软链接指向同一份原件的，所以当开源项目有更新时，我只需要去 ~/GitHub/baoyu-skills 拉取最新代码，所有用到这个 Skill 的项目就自动变成最新版了。

好处二：修了 bug 可以直接反哺。比如我在写作项目里用漫画 Skill 画漫画时发现了一个问题，直接让 Agent 修复就好。因为是软链接，Agent 修改的其实是仓库里的原件（~/GitHub/baoyu-skills/skills/baoyu-comic），我可以直接把修复提交到开源项目，相当于顺手给开源社区做��贡献。

[lele @tan_maty]

这个项目绝了 ，GitHub 6.9k star，对于内容创作者，这个开源的 AI 聚合资讯工具太必要了

帮你从互联网上各个角落（X，Hacker News、Reddit、GitHub等）获取信息，经过 AI 打分、去重、去噪后，每天自动生成一份高质量的中英双语简报，推送到你的飞书 电报等。

https://t.co/gndw1tMyPp

[Berryxia.AI @berryxia]

刚刚，鹅厂上线开源来EdgeOne Makers！
AI Agent 一句话部署应用，云平台的玩法变了！

必须得吹一波了😂赶紧丢给Agent学习

就在刚刚，腾讯做了一件没人注意到的事。

他们发布了一个叫EdgeOne Makers的平台。没有发布会。

没有大佬站台。只有一条推文和一个GitHub仓库。

这个平台的核心理念只有一句话：让AI Agent自己部署应用。

过去，部署一个Web应用需要什么。登录控制台。选区域。

配域名。设环境变量。点部署。看日志。排错。再点部署。每一步都是人在操作界面。

EdgeOne Makers把这件事倒过来了。

你只需要告诉AI一句"把这个Next.js项目部署了"，它就会通过CLI自动完成全部流程。

Git推送。CI/CD触发。

边缘函数部署。预览链接生成。全程不需要打开浏览器。

它的底层是一套标准化的Skill系统。每个Skill对应一个能力模块：边缘函数、云函数、KV存储、中间件、AI Agent框架。

Claude Code、Cursor、CodeBuddy都能直接调用。

AI Agent读取Skill文档后，就知道怎么用代码操控整个部署流程。

这背后有一个更深层的趋势。过去十年，云平台的设计逻辑是"为人服务"——图形界面、拖拽操作、可视化配置。

但AI Agent不需要GUI。

它需要的是API、CLI和结构化的文档。EdgeOne Makers本质上是第一个为Agent设计的云平台。

腾讯没有大肆宣传这件事。

但GitHub上已经有完整的开源仓库，支持Node.js、Go、Python三种语言的云函数，V8边缘运行时，以及LangGraph、Claude SDK、OpenAI Agents等主流Agent框架的集成。

当其他云厂商还在优化控制台界面的时候，腾讯已经把控制台本身变成了可编程的接口。

这可能是云计算的下一个范式转变——不是人去适应云，而是Agent直接操控云。

地址：
GitHub：https://t.co/lvF3NOWDDC

[马识途 @shitunote]

一款跨智能体共享记忆的开源工具——EverOS

绝大多数开发者做多智能体协作都会踩同一个大坑：每个 AI 工具记忆完全隔离。

举个我最近遇到的真实痛点：

用 Hermes 梳理项目架构，记录「项目统一用 Cookie 登录、禁用 JWT、接口超时统一设 8s」；
切到 Claude Code 写前端代码，重新问登录逻辑，它完全不���道上面这套规范，还要重复复述一遍；
再换 Codex 写后端接口，又要重新讲一遍架构约束，白白浪费半小时沟通成本。

直到用上 EverOS 1.0.0，一套共享记忆打通 Claude Code、Codex、Hermes、OpenClaw 所有主流编码智能体，所有工具共用同一套可读 Markdown 记忆库。

GitHub：https://t.co/xOScIbJsMn

做多 Agent 开发有这个痛点的可以收藏并给个Star，下面完整介绍一下这个跨agent工具的记忆流转👇

[李韭二 @li9292]

如何加入OpenAI？只需精通以下课程：

1. 斯坦福大学的“从零开始的语言建模”课程：https://t.co/qcKJpUKHKE

2. 在掌握广度之后，她逐一深入研究概念，使用博客、论文、与 ChatGPT 和 Claude 聊天，以及从零实现相关内容。

3. 在面试中，实现/调试 Transformer 的问题经常出现。将它转化为肌肉记忆：https://t.co/87efH1wcMN…

4. 刷 Leetcode🥲 https://t.co/guxGWeIR1G…

5. 她分享的其他学习资源：
a. 自注意力 & Transformer：https://t.co/ZIQYTxYsO7…

b. 插图版 GPT-2：https://t.co/oitXJcGkUZ…

c. 反向传播
https://t.co/wZSaygwSYS

d. 语言模型策略梯度入门
https://t.co/AOro9Jyimm…

e. 理解 GRPO 和强化学习原理的轻量级指南
https://t.co/u480148uxU…

f. 如何扩展你的模型
https://t.co/tdIIpZKmMX

这是我能免费看的内容吗？🤡

[GitHubDaily @GitHub_Daily]

用 AI 辅助编程时，简单问个问题要逐个文件去翻找读取，既费 token 又容易找错上下文。

codebase-memory-mcp 把整个代码库解析成一张知识图谱，让 AI 直接「看懂」项目结构。

用纯 C 写的单个可执行文件，零依赖，下载后一条命令就能装好。

索引速度很猛，Linux 内核两千八百万行代码，3 分钟跑完。

GitHub：https://t.co/BXcLWsTkv2

支持 158 种编程语言的语法解析，能跨文件追踪函数调用链、识别接口路由、发现死代码。

兼容 Claude Code、Gemini CLI、Codex 等 11 款 Agent 编程工具，还自带 3D 图谱可视化界面。

如果我们经常用 AI 写代码，又觉得它对项目全局缺乏理解，这个工具值得一试。

[Gas留在链上 @cevenif]

兄弟们，终端网络监控的新��器来了：RustNet，让你在命令行里把系统所有网络连接看得明明白白！🔍

1️⃣ 一键关联：TCP、UDP、QUIC 连接实时映射到所属进程，溯源毫无压力
2️⃣ 深度识别：HTTP / TLS / SSH / QUIC 等协议自动检测，无需额外安装解析器
3️⃣ 全平台通吃：Linux 依托 eBPF，macOS 采用 PKTAP，Windows / FreeBSD 则调用原生接口
4️⃣ 沙盒运行：对系统无侵入，实时流量波动尽收眼底
无论是终端炫技还是网络排障，这款工具都堪称实用利器，值得立即体验！🔥
🔗 https://t.co/AamopzVW2N

[Long Chen @LongChenNotes]

这套斯坦福的方法，我今天跑了几次。它本身的这个模型其实没有那么牛逼，是之前斯坦福公开的一个东西，后来被这哥们儿提炼成了四套提示词。

但我试下来，发现真正牛逼的点在于：你必须要接入一个像 Opus 4.8（或者是 5.5 Pro），或者能大量获取外部信��的模型。

第一条其实没什么，就是几个专家的视角去解读，这倒没什么，都是不同的看法。

第二个矛盾地图其实特别有价值。它会去碰撞，在碰撞的同时去找证据，相当于是在辩论。
1、辩论的话必须要有论点和论据，它会不停地去找支撑论点的��据。
2、这个过程非常有价值，你会看到很多支撑它的真实信息和说法，从而在这个过程中判断可信性。
3、最后产出的观点里，可能会有一条是你从来都不知道的，而且这个观点是大家都认同的，同时还有很强的证据链接和文章支持。

所以这是我试下来最牛逼的地方。

最后产出的这个东西，你可以想象成是一份交给老板的深度研究报告，可靠性非常强，有理有据；
也可以是一个大学生面试时去讲的内容，想象空间很足。

它不是一份普普通通的研究报告，而是给你一个看待问题的准确、不同视角的观点，同时具备很强的说服性的一整套东西。

[mousepotato @iluciddreaming]

最近 GitHub 上有个叫 Ponytail 的项目突然火了。

它不是新的 AI 编程工具，而是给 Claude Code、Cursor、Windsurf 这类 Agent 加了一个「懒惰资深工程师」人格。

核心就一句话：

最好的代码，是根本不用写的代码。

现在 AI 的通病是太爱写东西。一个小需求，它能给你整出一堆组件、抽象、配置和依赖。

真正有经验的工程师只会先问：

• 标准库有没有？
• 浏览器原生支不支持？
• 已有依赖能不能解决？
• 一行代码够不够？

Ponytail 做的，就是把这种「能不写就别写」的判断规则，塞进了 AI 里。

这其实标志着 AI Coding 的一个转向：

过去大家在追求「让 AI 写更多代码」，
接下来要解决的是「让 AI 少写垃圾代码」。

对 Indie Hacker 和喜欢 Vibe Coding 的人来说，这个项目挺有意思的。

[Amto @XAMTO_AI]

兄弟们，又一个让我直呼离谱的开源神器出现了😅

有人把PDF解析器干到了每秒100页转Markdown，关键是100%免费，纯CPU就能跑，不要GPU、不要云端、连API key都省了。

它叫 OpenDataLoader ，横扫所有跑分榜直接登顶👑

说几个对比你就懂了：
1️⃣ docling得分还行但慢它15倍
2️⃣ marker又要GPU还慢1000倍
3️⃣ Pymupdf4llm是快，可表格分只有0.40
https://t.co/Wuf5Ls9qrc

[Berryxia.AI @berryxia]

有人用Codex连续干了38小时、提交301个分支，把自己的“创建skill的skill”升级到了2.0版本。
兄弟们，免费🆓开源直接用啊！

姚金刚老师把元Skill（yao-meta-skill）做了重构和2.0升级，现在已经完成并推送到GitHub。

Codex在整个过程中持续拆解任务、提交分支、修复问题、迭代优化，最后产出了完整的升级方案和2.0与1.0的详细对比报告。

这个元Skill本身就是用来创建其他skill的工具，现在它自己先升级了一版。

升级后的版本在结构、可靠性和可扩展性上都有明显提升，而且所有文档和对比都���开了，别人可以直接参考怎么用agent做复杂工程重构。

最有意思的是整个升级过程本身就是一个活生生的例子：用高级agent（Codex）来重构“创建agent工具”的元框架。

这说明agent的能力已经强到可以自己参与到“如何更好地使用agent”的迭代里了。

地址见评论区👇

[Deli Chen @victor207755822]

🧵 Deli AutoResearch SKILL is now officially open source! 🎉
https://t.co/V3lwwdyQm8

Alongside it, we’re dropping our 4th survey paper — this time on Self-play.
https://t.co/SEb2qoKCI6

Inspired by AlphaZero, we got a powerful insight: prior knowledge doesn’t always lift the ceiling.
Models can discover more globally optimal solutions just by playing against themselves.

The biggest change in this paper?
For the first time, the AutoResearch Agent autonomously planned GPU experiments — and submitted actual RL runs on the DeepSeek 285B model.

The entire RL pipeline — experiment design, code writing, running, debugging, and conclusion summarization — was 100% automated, with zero human intervention from me.
This was incredibly difficult, but an incredibly important step.
https://t.co/kuZZNux5RH

GRPO is the tool being called by the AutoResearch Agent here.
We see this as the beginning of our Continual Learning research journey. 🚀

As always, this is my personal research project, unaffiliated with any organization. All views are my own.

#AI #ReinforcementLearning #SelfPlay #OpenSource #AutoML #ContinualLearning #DeepSeek