yuanimars

瞎逛

[WquGuru @wquguru]

写完那篇 25万次阅读、2K 点赞收藏的《Agent Memory 五层架构》 https://t.co/ZEJtJQv5Vj 之后，有人问我有没有把 agent memory 发挥到极致的产品可以用。我用 @TodayAIofficial 跑了一段时间，它其实就是这套架构的一个真实运行实例：

常驻画像层，把 X、GitHub、Gmail 绑上去之后，它自己建立了我的技术栈画像——主力语言 Go 和 TypeScript、活跃仓库 newshub 和 carrywatch、最近的 commit、哪些 CI 在失败。这些我一个字都没告诉它，全是它直接从绑定的数据源里读出来的；

历史召回层，我今天刚跑完一个完整闭环：Gmail 收到 Google Search Console 的中文报警邮件，按往常我大概率会忽略它，但 DD（我的 Today AI 助手的名字）主动提醒了我，还自己提取出索引失败的根因，对照 GitHub 上下文理解了 newshub 这个项目，给出 soft-404、canonical 冲突、robots.txt 三条修复建议。我按建议优化了一版，整个排查过程，DD 没问过我“你的项目是什么”“用什么技术栈”这类问题——需要的前置信息，它都从绑定的数据源里自己翻出来了；

治理层是我比较在意的一点：记忆文件我能直接看、直接改、直接删。今天清理了 9 个文件里的旧身份信息，这层透明度直接决定了 agent memory 是不是黑箱，能不能可视化维护，是一个 Agent 值不值得长期信任的前提。

如果要我说，Memory 的价值不在保存信息数量多寡，而在恰到好处的分层。DD 目前做到了画像和历史召回，治理层能直接维护，反思和技能沉淀这层也初见苗头。相比我日常重度用的 Claude Code 和 Codex，最大的不同是：换一个新会话，那两个工具还得我从头交代一遍背景；DD 不用，这次的排查，就是它自己从邮箱中把邮件，关联到了仓库，全程没让我重新解释。

德尔斐神庙刻着一句话：认识你自己。泰勒斯被问到何事最难为，答的也是这几个字。两千多年后，一个 agent 绑了你的 GitHub、Gmail、X，开始在你授权的那部分上下文里，比你自己更系统地记住你在做什么、怎么做、踩过什么坑——DD 提醒我的那条 Gmail 报警，就是它替我先看见的一件小事。甚至，它也可以直接读取 iOS 上的健康数据，“认识你自己”这个故事的边界正在进一步拓展。

这可能是往后 AI Agent 产品更底层的逻辑：一个真正懂你的 agent，能帮你看见自己。

[meng shao @shao__meng]

斯坦福大学把 CS329A Self-Improving AI Agents 视频都公布到 Youtube 了。

两位主讲老师做过 PaLM、Gemini、Claude。9 讲讲透一个循环：
采样 → 验证 → 筛选 → 训练 → 更强的模型

想知道为什么 coding agent 最新普及，写作却不行？

完整解读 👇 https://t.co/b5KhXPnL5P

[Phoenix Yin @Phoenixyin13]

目前，人类历史上同时获得图灵奖和诺贝尔奖的人只有两位。一位是赫伯特·西蒙，另一位是杰弗里·辛顿。

Simon 的情况尤其传奇。
他和 Newell 因为对人工智能、人类认知心理学以及 list processing 的基础性贡献获得 1975 年图灵奖；
三年后，他又因为对经济组织中决策过程的开创性研究获得经济学奖。

Hinton 则在 2018 年凭借深度神经网络领域的突破与 Bengio、LeCun 共同获得图灵奖；
2024 年，他又与 John Hopfield 分享诺贝尔物理学奖，理由是奠定了使用人工神经网络进行机器学习的一系列基础发现与发���。

这两个人都不是典型意义上的纯计算机科学家。

我研究���Simon的工作，他获得的两个奖其实是同一个理论在不同尺度上的展开。有限理性先出现在《管理行为》(1947)，Logic Theorist 和 GPS 是把它形式化成问题空间中的启发式搜索。
Simon自己一辈子都在强调这是一套东西,所以经济学奖和图灵奖表彰的是同一个内核，只不过一个看的是组织决策一个看的是个体认知。
他把一个关于心智的理论出口到了经济学。

Hinton 是反过来的。
他的贡献不在物理学。Hopfield 网络和玻尔兹曼机是把伊辛模型、自旋玻璃、能量地形、模拟退火这整套统计力学的数学机器进口到计算里。
2024年物理奖其实并没有承认他跨进了物理，只是物理学委员会把信息处理追认进自己的地盘，因为诺贝尔没有计算机科学这一档。他的两个奖表彰的几乎是同一批工作。
更值得玩味的是，Hinton 真正跨过的学科是心理学和神经科学（他剑桥本科念的就是实验心理学）。

他们两个更像是一道题的两种解法，只是隔了50年，互相照镜子。

他们回答的是同一个问题：智能，到底是什么？

西蒙的答案是自上而下的，
他认为智能是约束下的搜索。
他年轻时研究的是行政组织，人为什么会做蠢决策？因为信息不全、算力有限、时间不够。所以人不会去找最优解，只会找一个够好的解，他起名叫 satisficing。
这个思想被他直接搬进了计算机。
AI是什么？
他的观念里，AI就是在一个巨大的可能性空间里，用启发式规则去剪枝，去找一个满意解。List processing，GPS通用问题求解器，都是这个思想的工具化。
所以他的AI是符号的、逻辑的、像管理者做决策一样。

而辛顿的答案是自下而上的，
他认为智能是噪声中的学习。
他问的是相反的问题：人为什么能做出聪明决策？因为大脑根本不是按规则算的，是1000亿个简单的神经元，通过不断调整连接强度，从大量错误里把规律挤压出来。
玻尔兹曼机就是最典型的物理学思维，把学习看成一个物理系统寻找低能量状态的过程。
不需要你告诉它规则，给它足够多的数据和算力，它自己会涌现出规则。
所以他的AI是连接的、统计的、像孩子学习着去看世界一样。

一个相信结构，一个相信涌现。恰好，他们是AI历史上两大派系的代表人物。

[lumxss @bkdgiffug]

剑桥这回直接扔王炸了！！

AI & ML经典教材全集直接免费开放，PDF随便下。

想学机器学习又不想被割韭菜买高价课的，这十本刷完，底子基本就硬了。

顺序从易到难排好了：

1️⃣ 《机器学习理解》——理论算法一把抓，零基础入门首选
🔗 https://t.co/fylTw37bOl
2️⃣ 《机器学习数学基础》——数学底子弱的先把这本补上
🔗 https://t.co/yykNLQmdfv

3️⃣ 《机器学习算法的数学分析》——深入数学原理
🔗 https://t.co/MEvgkXoHYy
4️⃣ 《深度学习理论原理》——搞懂DL背后的理论根基
🔗 https://t.co/ig93KOQRPn

5️⃣ 《神经网络与机器学习》——神经网络的系统讲解
🔗 https://t.co/cTMBvJz6Ny
6️⃣ 《图深度学习》——图神经网络入门必读
🔗 https://t.co/RJeCqCstml

7️⃣ 《机器学习的算法视角》——从算法角度重新理解ML
🔗 https://t.co/VT0YnKdUdO
8️⃣ 《概率论：理论与实例》——概率基础打牢
🔗 https://t.co/NqVoIZGGYg

9️⃣ 《应用概率基础》——概率论实战应用
🔗 https://t.co/FrxqQER3mQ
🔟 《高级数据分析》——数据科学进阶必备
🔗 https://t.co/Zt74B21nrf

说句实话，这些书没一本是轻松的，别指望躺着翻完。
但只要你能硬啃下来两三本，比听群里吹一年AI牛逼都管用。

[Avi Chawla @_avichawla]

Why KV cache stores K and V vectors but never Q?

(a popular technical LLM interview question)

LLMs are autoregressive so each token is predicted from every token before it, one at a time.

This autoregressive nature has a direct consequence inside the model.

A forward pass over <n> tokens produces <n> hidden states, but only the last one is projected to logits and is required to generate the next token.

So to understand why KV cache just stores K and V vector, we must back track to see how exactly is the last hidden state produced.

Let's walk through this with a 10-token prompt.

1) Prefill:

All 10 tokens go through the model in one forward pass, in parallel (with causal masking), since the whole prompt is already known.

At every layer, each of the 10 positions produces a query, a key and a value vector, and attention at each position runs against all positions up to it.

This pass is compute-heavy, and it's why the first token takes noticeably longer than the ones after it. TTFT is mostly prefill.

2) The first output token:

To generate the 11th token, only the 10th token's hidden state is needed. So this is projected from the hidden-dim to vocab-dim to generate logits over vocab.

These logits then go through softmax and sampling to generate token 11.

3) Back-track the hidden state:

The last hidden state is the last row of the feedforward block's output. The feedforward block is position-wise (it's applied to each row independently) so that row comes from the last row of the attention output before it.

So now we need to see how the last row of attention is computed.

4) Attention matrix:

QKᵀ for a 10-token prompt will give a 10 × 10 matrix.

Row <i> will have the dot product of query <i> with every key.

Row 10 is therefore Q₁₀·K₁, Q₁₀·K₂, all the way to Q₁₀·K₁₀.

Notice that only Q₁₀ appears in it. Q₁ through Q₉ only belong to their corresponding rows 1-9, and those rows' hidden states we already discarded because they were never needed.

The last row of attention goes through softmax and multiplies the full stack of value vectors, V₁ through V₁₀, to give the last row of the attention output.

So the last hidden state depends on exactly three things: Q₁₀, every key, and every value.

5) Generating token 12:

Token 11 is appended, and this time, we need row 11's hidden state to generate token 12.

Mathematically, attention operation turns out to be Q₁₁ against K₁ through K₁₁, then multiplied by V₁ through V₁₁.

K₁ through K₁₁ and V₁ through V₁₁ are bit-for-bit what prefill + first token produced since under causal masking, a token's key and value depend on that token and the ones before it, never on anything after, so appending token 11 cannot change anything at position 3.

6) The cache state:

Overall, this implies that you just need to retain the keys and values at each decoding step, and compute only the new position's Q, K and V.

Each decode step requires one query vector, which is never used again, so they are never cached across the decoding process.

The visual below explains the entire process.

That said, KV cache is only one of four separate caching layers in an LLM stack.

The other three are prefix caching on the server, prompt caching billed by a provider, and a semantic cache that skips the model entirely.

I wrote a full breakdown of all four caches in LLM serving that you should know as an AI engineer, with code for each.

Read it below.

[金融汪 @yuyy614893671]

今天，看了巴克莱的一份报告，这份报告的全名叫“A Primer on AI Lab & AI Hyperscaler Unit Economics”
《AI实验室与云服务商单位经济学概论》全面探讨了目前AI行业的经济���济及其利益分布的格局，这篇报告非常重要，核心的图片和洞察我分享在此：

这张图清晰地揭示了目前AI产业链中“利润抽成”的底层商业逻辑，特别是在模型推理（Inference��阶段，价值是如何从AI实验室（如OpenAI, Anthropic）流向超大规模云厂商（Hyperscalers，如微软Azure, AWS, 谷歌云）的

1. 核心结论：云厂商是AI商业化的最大“收租方”

AI实验室每创造100美元的收入，就有35至40美元作为“推理收入”流向了底层的云厂商。
扣除基础设施成本后，云厂商能从中直接获得10到20美元的营业利润（OI）
这意味着云厂商在AI应用的变现过程中，稳定抽取了35%-40%的“算力过路费”

2. 商业模式对比：以API驱动的AI实验室VS订阅为主的AI实验室

AI Lab A（以API驱动为主）：高度依赖开发者调用，直接API占45%，间接API占25%，订阅仅占30%

云厂商收益：在这100美元中，云厂商分走35美元营收，扣除23.3美元的基建成本后，获得11.8美元的利润（利润率34%）

AI Lab B（以To-C/To-B订阅驱动为主）：高度依赖订阅模式（类似于ChatGPT Plus），订阅收入高达80%（其中分为战略合作伙伴和其他合作伙伴）

云厂商收益：在这种模式下，云厂商能分走更多的营收（41美元），并且由于规模效应或定价权，基础设施成本的占比相对较低，从而实现了高达47%的超高利润率，最终拿走19.1美元的绝对利润

3. 产业链与投资视角延伸

结合数据中心的建设需求与硬件供应链来看，这张表解释了为什么科技巨头敢于在AI基础设施上投入天量资本支出（CapEx）：

推理阶段的暴利：市场此前的焦点都在昂贵的“模型训练”上，但这张图表前瞻了2026年的“模型推理”市场。云厂商在提供推理算力时，能够维持34%-47%的高毛利，这为数据中心建设、液冷系统升级和高端AI芯片的采购提供了强有力的基本面支撑

稳赚不赔的底层逻辑：无论最终是哪家AI实验室（A还是B）在应用层面的竞争中胜出，也无论用户是偏好按月订阅还是按API Token付费，提供底层GPU集群和电力基础设施的Hyperscaler都能实现高确定性的业绩转化

[Craft Gallery @5min__crafts]

🚀✨ Blast off with this DIY paper rocket! A simple and fun craft that actually launches—kids will love it!

[上善若水 @SR18666]

会扇动翅膀的蝙蝠🦇

[Learn Something @LearningFeedX]

Everyday Life Hacks You Need

[Hux @huxlab]

今晚别刷Netflix了。

去看这个斯坦福2小时34分钟的讲座。

这是我见过最清晰、端到端讲透ChatGPT和Claude到底怎么建出来的课。

从Tokenization和BPE开始，一路到Transformer架构、训练管线、Next-token解码。

不管你是从没写过一行AI代码，还是天天在ship Agent，看完都会把很多“原来如此”的点一次打通。

真正核心就这几层：
1文本怎么变成模型能吃的数字（BPE tokenization）
2语言模型本质就是在预测下一个token
3Transformer怎么用Attention做消息传递
4训练时用NLL loss把整条序列概率拉高
5生成时怎么一步步解码出来

大多数人花好几年才拼出的全景图，这节课直接给你画完。

把时间空出来，这可能是你这个月最值的一堂课。

[Phoenix Yin @Phoenixyin13]

🚨这篇论文是近年来 AI 领域少有的具有深刻哲学与科学史厚度的 Position Paper。

2026 年上半年，Demis Hassabis 公开提出Einstein Test，即用 1911 年之前的知识训练 AI，看它能不能独立发现广义相对论。
这篇论文几乎是对该测试的哲学-技术回应。

论文指出，大模型只是个极其优秀的已知知识逻辑插值器，而人类顶级科学家做的是跨越认知断层，即Unexplained Jump。

以 Schmidhuber 等人为代表的派系长期宣称科学发现本质上就是数据压缩，寻找能解释观察数据的最简算法。
这是流行的谬论。
论文认为，如果科学发现全靠数据压缩，爱因斯坦根本不可能发明广义相对论。因为当时根本没有足够的异常观测数据供他��压缩。爱因斯坦是凭空做了一个思想实验，是那个��降机里的失重与引力等效的实验，完成了一次溯因跃迁。
大模型靠概率分布玩归纳注定画不出这个 Jump。

作者在附注里极其刻薄且优雅地嘲讽道：“讽刺的是，AI 对公理符号的这种幻觉，恰恰暴露出它根本无法自动化完成这一Jump的困境。”

我认为，不谈任何私货，这篇论文算是从根本上、从认知科学Peirce 的哲学框架和科学史多个维度证明Jump是一个具身世界模型问题。 你给文本模型堆再多算力，它也只是在符号的影子里打转，永远出不了洞穴。

[财经数据库 @caijingshujuku]

一口气看懂王虹获菲尔兹奖：挂谷猜想到底有多难？
1917 年，日本数学家挂谷宗一提出了一个看似无聊的问题：一根没有粗细的针在平面上转完 180 度，扫过的面积最小能有多小？半圆、圆、莱洛三角形、三尖内摆线……

[最多情報局 @tyomateee]

スウェットパンツの結び方、これは覚えておきた

[陈有鱼 @youyuy88]

一份大模型学习资源，上海交大团队出品，项目叫 Dive into LLMs。
11个主题，每个都配了能直接跑的代码，课件和教程文档也齐。想上手试的话，基本不用自己从头搭环境。

基础的有微调和提示工程，进阶的有知识编辑、数学推理蒸馏、多模态，偏安全方向的越狱攻击、RLHF对齐、智能体安全也有，还有GUI智能体这种偏��用的实践。模型水印和隐写这两个方向，在其他公开教程里不太常见。

联合华为昇腾做了配套课程，分初、中、高三级，视频和实验手册都有。

43k Star，说明用的人不算少。适合正在入门但不想只读理论的人，也适合拿来备课或做课程设计的老师。

https://t.co/Dllt7KfmO8

[Soran @Soranlan]

https://t.co/jPP2EsDS6q
把 Claude Code 只拿来写代码，真的有点暴殄天物了。

Karpathy 那个被 1600 万人刷到的想法，核心就一句话：别让 AI 每次从空白聊天框开始，让它给你搭个会自己长大的第二大脑。

你往文件夹里丢文章、PDF、访谈转录、网页资料，Claude 自己读、自己分类、自己建链接，然后长成一个活的知识网络。

具体操作简单到离谱。装个 Obsidian，新建一个 Vault，在 Claude Code 里打开它。把 Karpathy 那份 Wiki 想法文件贴过去，让 Claude 直接照着搭。它会生成三个东西，一个 raw 文件夹专门存��始资料，一个 wiki 文件夹存处理好的页面，再加一个 CLAUDE.md 告诉系统怎么跑。

然后你就一直往里扔就行了。看到好文章，扔 raw。拿到 PDF，扔 raw。播客转录出来，也扔 raw。

对着 Claude 说一句 ingest this，它自己读完、整理、建好关联。

以后你问它问题，调用的就全是你自己这些年积攒的资料库，再也不用每次都从头交代背景。

五分钟搭完，从此告别空白聊天框。

最难的部分其实根本不是搭，是很多人还在把 AI 当成用完就关的聊天框。

这东西一旦跑起来，你往里面喂的每一份资料，都开始给你叠利息了。

[爱丽丝呀！ @BTCqzy1]

终于有人把 A 股 + 美港股 免费数据源彻底打通了！

两个极其硬核的GitHub开源项目，把原本散落在几十个源头的原始数据源，全部整合成一套 AI 直接能用的完整数据仓库。

从此，彻底告别繁琐的接口对接、反爬虫折磨和昂贵的数据费。封装成 Skill，直接让你的 Claude / GPT等agent 觉醒，瞬间变成你的专业量化分析师！

✅A 股版（a-stock-data）
· 7 层架构 + 27 个端点 + 13 个数据源
· 覆盖：实时行情、资金流、股东户数、龙虎榜、全量公告、研报 PDF 下载、概念板块、北向、融资融券、大宗、解禁……
· 重点优化：东财统一限流防封 + 数据源优先级
https://t.co/UgDEesk3kD

✅美港股版（global-stock-data）
· 8 层架构 + 18 个端点 + 5 个数据源
· 亮点：美股期权链、SEC EDGAR 结构化 XBRL（503 个 GAAP 指标）、纯 Python 技术指标计算、资金流、财报三表（中英文）、全市场列表……
https://t.co/qo00whsIHk

直接省下几万块的专业数据费。感兴趣的可以看看哦～非投资建议，dyor

[Tinyfool @tinyfool]

好高产

[Tw93 @HiTw93]

花了一晚上时间把 Simon Willison’s Weblog 这篇 《2025: The year in LLMs》翻译完了，我觉得写得非常好，能够帮助我们很好看清楚去年这一年大模型领域发展的一切，希望可以给关注 AI 和投资 AI 的小伙伴一些输入。
https://t.co/VNr8vpixWW

[meng shao @shao__meng]

2025 年 LLM 现状：进展、问题与预测，来自 @rasbt 分享，开始前再安利一次作者的书籍和开源资源

Build a Large Language Model (From Scratch)
https://t.co/rgI11WkJUy
Build A Reasoning Model (From Scratch)
https://t.co/XAdVvBAmTu

1. 2025年：推理模型、RLVR 与 GRPO 之年
2025年最大的亮点是推理模型的爆发。这些模型通过生成中间推理步骤（如链式思考）显著提升复杂任务准确率。关键创新是 RLVR，结合 GRPO 算法，由 DeepSeek R1 模型在年初引入。
· RLVR 允许使用客观正确的奖励信号进行大规模后训练，而无需昂贵的人工标注。
· 这大幅降低了训练成本，并使开放权重模型迅速赶上专有模型。
· 随后，各大实验室纷纷推出推理变体，RLVR 成为后训练主流方法，取代了以往的 RLHF 和 PPO。

2. GRPO：年度研究宠儿
GRPO 算法在 2025 年被广泛���进和采用（如 Olmo 3、DeepSeek V3.2），通过过滤不良更新、调整KL散度和采样策略，提升训练稳定性和性能。它标志着强化学习在 LLM 领域的成熟应用。

3. LLM 架构：分叉之路？
· 主导架构仍是 Decoder-only Transformer + MoE，辅以效率优化（如分组查询注意力、多头潜注意力）。
· 新兴趋势：混合高效架构（如 Qwen3-Next的Gated DeltaNets、Kimi Linear、NVIDIA Nemotron 3 的 Mamba-2 层），实现序列长度线性扩展。
· 文本扩散模型（如 Google Gemini Diffusion）作为低延迟替代方案出现，但尚未主导前沿性能。

4. 推理时扩展与工具使用之年
· 推理时扩展（如自一致性、自精炼）成为提升复杂任务性能的重要手段，许多模型已在数学竞赛中达��金牌水平。
· 工具使用（调用搜索、计算器等外部工具）减少幻觉，成为代理系统标准。但开源生态在工具集成和安全性上仍落后于专有模型。

5. 年度热词：Benchmaxxing
基准测试过度优化问题突出：模型在公开基准上得分很高，但实际应用表现平平。原因包括训练数据污染和基准饱和。作者建议视基准为“阈值指标”，而非绝对能力衡量，并强调实际任务测试的重要性。

6. AI 在编码、写作与研究中的应用
· 编码：擅长处理重复性任务（如调试、代码清理），但专家知识仍不可替代。
· 写作/研究：帮助纠错、查找参考，但过度依赖可能导致技能退化和工作空洞化。 作者强调“先自己努力，再用 LLM 辅助”的原则，以保持学习和创造满足感。

7. 私域数据：新竞争优势
随着通用 scaling 定律趋于饱和，私有数据成为差异化关键。行业企业（如生物科技公司）倾向自建专有 LLM，利用开放基础模型（如 DeepSeek V3.2）进行领域适配。

8. 从零构建 LLM 与推理模型
作者分享个人工作：畅销书「Build a Large Language Model (From Scratch)」及续作「Build a Reasoning Model (From Scratch)」，涵盖推理时扩展、RLVR/GRPO 等最新技术。

9. 2025 年惊喜与 2026 年预测
2025 年主要惊喜（作者未预料到如此迅速发生）：
· 多个推理模型已在重大数学竞赛中达到金牌水平（如 OpenAI 未命名模型、Gemini Deep Think、DeepSeekMath-V2）。
· Llama 系列（包括 Llama 4）在开源社区大幅失宠，Qwen 凭借下载量和衍生模型数量成为新霸主。
· Mistral AI 的旗舰 Mistral 3 采用 DeepSeek V3 架构。
· 开源前沿模型竞争激烈，新选手涌现（如 Kimi、GLM、MiniMax）。
· 高效混合架构被领先实验室��先采用。
· OpenAI 意外发布开放权重模型 gpt-oss。
· MCP 协议迅速成为代理系统中工具/数据访问的标准。

对 2026 年的预测：
· 将出现行业级、低延迟消费级扩散模型（如 Gemini Diffusion 领先）。
· 开源社区逐步集成本地工具使用和更强智能体能力。
· RLVR 扩展至数学/编码以外领域（如化学、生物）。
· 传统 RAG 渐退，长上下文小模型将成为文档查询主流。
· 性能提升更多来自工具优化和推理时扩展，而非单纯核心模型训练；基准进步将聚焦减少无用推理步骤。

原文地址：
https://t.co/LGU4uLUyK3

[droidHZ @hezhiyan7]

最近claude skills 很火，但是我一直没有上手，今天上手试试，

看了一下官方文档和试用了一些claude skill，用Dessix 把官方文档和好用的claude skill 整理了���下，分享给大家

什么是 Claude Skill

说白了，Skill 就是一套你写给 Claude 的“说明书”

我们都知道，AI 很强大，但有时也很“笨”

你不给它具体的指令，它就容易胡言乱语，或者给出的答案千篇一律

Skill 就是要把那些你工作中需要反复执行、有固定流程的任务，变成���个 AI 能理解并能自动调用的“SOP”

比如，每次写完代码，你都要按照团队规范生成 changelog

这个过程很固定，但也很烦人

有了 Skill，你就可以把这个规范“教”给 Claude

以后你只要说一句“帮我写个 changelog”，它就会自动启动这个技能，严格按照你预设的流程和格式来完成，分毫不差

去哪儿找这些好用的 Skill ？

开源项目： https://t.co/WED7cu1okH

这地方就像一个 Skill 的“军火库”，汇集了社区里各路大神创建的各种实用技能，从文档处理到开发工具，应有尽有

可以直接使用，或者在别人的基础上修改，打造最适合你自己的工作流。

我也从 awesome-claude-skills 里挑了几个适合AI 网站开发的推荐给大家