OpenRouter@OpenRouter · 6天前50

Example of how to use the OpenRouter MCP to build a model council. Tuned for your codebase and usecase!

译关于如何使用 OpenRouter MCP 构建模型理事会的示例。 针对你的代码库和用例进行了调优！

向阳乔木@vista8 · 6天前35

文章中的新智元标题生成和Epub电子书生成Skill还是不错的，推荐试试。

译文章中的新智元标题生成和Epub电子书生成Skill还是不错的，推荐试试。 [引用 @vista8]：http://x.com/i/article/2070045816782217216

fofr@fofrAI · 6天前70

I got tired of reading badly formatted agent written reports, so I put together a writing skill derived from the GOVUK style guide and content design principles: https://gist.github.com/fofr/505e225f9bf5e839d30c12ba6bfa0be2 Content is a little out of date, but here you can see the effect of the skill:

译我厌倦了阅读格式糟糕的智能体写的报告，所以我根据 GOVUK 风格指南和内容设计原则整理了一个写作技能： https://gist.github.com/fofr/505e225f9bf5e839d30c12ba6bfa0be2 内容有点过时，但你可以看到这个技能的效果：

meng shao@shao__meng · 6天前46

终于让 ZCode 用上 Computer Use 了 给 ZCode 安装了 Cua 这个插件，以下草稿来自 @Zai_org ZCode + @trycua Cua 对 Chrome 的直接操作。 把开源 Computer Use 接进 ZCode，agent 现在能真正操作 macOS：截图、读无障碍树、点击、打字。绕开 Apple Events 权限死结，改走 CGEvent + Accessibility API。 它刚自己算了 7×6=42，又开了 Chrome 导航到微博和 X——就是发这条的浏览器。GUI 四十年都是给人设计的接口，现在正变成 agent 也能直接操作的界面。

译ZCode通过Cua插件接入开源Computer Use，agent可操作macOS：截图、读无障碍树、点击、打字，绕过Apple Events权限，改用CGEvent+Accessibility API。它自行计算7×6=42，并打开Chrome导航到微博和X。GUI正变成agent也能直接操作的界面。

OpenBMB@OpenBMB · 6天前41

We’re excited to see MiniCPM5-1B being used in real NAS-based local AI systems.🥳🥳 A developer in our community built a full-stack setup combining on-device LLM inference with NAS and Agent capabilities: ⚡ Lightweight local deployment MiniCPM5-1B runs on a QNAP-Qu605-N150-16G NAS, consuming <2GB of memory. It is deployed via Ollama and integrated into Cherry Studio as a local LLM provider. 🧩NAS + Agent integration via MCP With NAS MCP, system capabilities like file management , shared folders , and semantic search are exposed to external agents. This enables Coding Agents / WorkBuddy-style workflows to securely access and retrieve local data within permission boundaries. 📚Local knowledge base+ RAG pipeline Using Qsirch indexing, NAS files can be turned into a structured local knowledge base. MiniCPM5-1B handles retrieval-based reasoning, enabling summarization, Q&A, and extended reasoning fully on-device. This is a great case of how efficient small models are evolving beyond local inference into real system-level intelligence. From NAS storage → Agent operations → knowledge reasoning Everything works together in one loop! 📖 Original post: https://mp.weixin.qq.com/s/iBeHfOrwulYsEm2hhhv7vw

译面壁智能社区开发者将MiniCPM5-1B部署于QNAP NAS（型号Qu605-N150-16G），内存占用低于2GB，通过Ollama集成至Cherry Studio作为本地LLM。借助NAS MCP协议，将文件管理、共享文件夹、语义搜索等系统能力暴露给外部Agent，实现安全本地数据访问。同时利用Qsirch索引将NAS文件构建为结构化知识库，由MiniCPM5-1B在设备端执行检索增强推理，完成摘要、问答等任务。展示轻量小模型从本地推理向系统级智能体+RAG组合演进的实践。

eric zakariasson@ericzakariasson · 6天前68

http://x.com/i/article/2070417295810166784 # Human in the /loop What I like most about coding with agents right now is the room to leave a few runs going and still get on with other work. When something finishes or needs a call, I show up. This post is a short explainer of the setup I use, a definition of done the agent can score, a loop that keeps going until it should stop, pings so I know when to lean in. ## Find something the agent can verify Before kicking off a longer running task, I lock a definition of done. Examples I actually use: - Model or eval work. Target is a score. Change the approach, run the eval, keep the change only if the number moved the right way. Closest to Karpathy's autoresearch for ML training loops. - Web app or UI. Target is a QA pass. Load the page or run Playwright, screenshot it, make sure it still does the thing. - Backend or refactor. Target is the test suite. Failing tests first, then green, and it has to stay green. - Speed or flakiness. Target is a number (p95, a benchmark). Change and measure until you're under the line you set. - Data or content cleanup. Target is a count. Loop until zero rows fail validation, or every item passes the check. Writing the loop is mostly writing how you'd check the work yourself. Some tasks need every step on the page. Others I give a goal and a rough direction and let the model fill in the middle. I start more explicit than I think I need, then loosen it once I see what it can infer. ## Wrap it in a loop Definition of done in hand, I tell the agent to loop on it. Change something, measure, keep or revert, go again. Doesn't have to be one tiny edit each time. The step just has to be measurable against the target. I care most about the stop conditions, which might be - Metric hits the target - No improvement after a few tries - Out of ideas - Blocked or unsure (stop and ask) ## Get pinged instead of babysitting So the agent gets a notify path (MCP plus /notify) and reaches me there. Usually Slack, because that's where everything else already is. Same setup could be iMessage or whatever. I treat it as a generic notification channel, not full Slack access for the agent. Status updates and "I need a decision" show up like normal messages. When I answer, that reply is the next thing the loop runs on. ## Run it in the cloud Most of this doesn't stay on my laptop. It runs in the cloud so a loop can keep going for hours without my machine being open. I use my own client as the orchestrator and fan work out to cloud agents from there. ## Then start the next one Once a loop is running, I start another. Usually three or so, sometimes five. And that's only the long loops. I often have other agents up at the same time on shorter work: a PR, a one-off investigation, something that isn't a multi-hour hill climb. If things are quiet I fire off another. If three are waiting on me I stop starting stuff and go review. ## Prompting Rough template of how i prompt. /loop drives the iterations and /notify keeps me posted If you're running loops, I'd love to hear how we can make it easier for you!

译Eric Zakariasson 分享其AI智能体编程工作流：先设定可验证的完成标准（如模型评估分、测试全绿、p95阈值等），再将任务包装成循环——智能体反复修改、测量、保留或回退，直到达标、多轮无改进、思路用尽或遇阻。通过MCP和/notify向Slack发送通知，需要决策时主动联系人类。循环在云端运行，可同时启动多个长循环，并穿插PR、一次性调查等短任务。提示词模板用/loop驱动迭代、/notify保持更新。

AYi@AYi_AInotes · 6天前64

再也不用挨个官网注册绑卡试模型了， 136个免费LLM被整合成了一个站啦！ http://freellm.net，汇总25家厂商的免费模型资源， 53个经过API实时验证，没有失效链接凑数。 DeepSeek V4 Pro，Kimi K2.6，GLM 5.1， Minimax M3，Mistral主流型号全覆盖， 支持按能力维度筛选， 文本代码视觉音频推理一键分类，上下文长度速率限制一目了然， 搭Agent跑实验尤其顺手， 生成API密钥就能直接接入Hermes OpenClaw Codex， 测试阶段能省一大笔API成本， 免费额度普遍带速率限制， 适合开发测试和小流量场景， 生产环境建议自行评估稳定性。 地址放评论区👇

译新网站 freellm.net 汇总25家厂商共136个免费LLM，其中53个经API实时验证无失效链接。覆盖 DeepSeek V4 Pro、Kimi K2.6、GLM 5.1、MiniMax M3、Mistral 等，可按文本/代码/视觉/音频/推理维度筛选，上下文长度与速率限制一目了然。生成API密钥即可接入工具，适合开发测试和小流量场景，生产环境需自行评估稳定性。

AYi@AYi_AInotes · 6天前67

http://x.com/i/article/2070416868943306753 # 我把最近爆火的长寿五要素丢给AI跑了41分钟、翻了24篇研究：平静、睡眠、肌肉量、代谢、现金流，骗了好多人 前阵子我刷到条很火的帖，说长寿其实特别简单：抓住平静、睡眠、肌肉量、好代谢、现金流五件事就行，剩下的全是没用的白噪音。 说实话第一眼我是疯狂点头的——这五个词几乎把中年人睡前会焦虑的事全装进去了，太顺了，顺到你根本不会想去质疑。 但转念一想不对：长寿话题是全网谣言最多的重灾区，比明着胡说更坑人的是那些听起来特别科学、逻辑顺到骨子里的“伪正确”，你顺着就信了，结果根本没有硬证据支撑。 所以我把这套五要素的说法，连带全网传的各种长寿干预、抗衰补剂，一起丢给专门做文献核验的AI Apodex，只拿一把尺子卡： > 到底哪些结论是真的在几千万人的研究里和全因死亡率挂钩，哪些只是听起来有道理。 它跑了41分钟，翻了24篇覆盖上千万人的队列研究，结论比我想的有意思：原说法核心方向没错，但藏了3个关键漏洞，最误导人的恰恰是“其余全没用”这句话。 说实话，第一眼我是点头的，这五个词，几乎把一个中年人睡前会焦虑的东西全装进去了。 但紧接着第二反应冒出来了——这答案听着太顺了，顺到有点让人不放心。 因为长寿这个话题，是全网谣言污染最重的地方。 补剂、冰浴、断食、抗衰黑科技，每一条都说得头头是道，每一条都引经据典。 你把怎么延长寿命丢给普通 AI，它会回你一张二十条的清单，条条像真的，但它不会告诉你，哪条有硬证据，哪条只是听起来科学。 所以我把这条五要素的答案，连同全网那些长寿干预，一起丢给一个主打验证的 AI Apodex，让它只认一把尺子——到底有没有证据，能和真实的全因死亡率挂上钩。 它跑了 41 分钟，翻了 24 篇文献，结论比我想的有意思：这答案核心是对的，但有三个洞，而且最大那个洞，恰恰是最后那句其余都是白噪音。 ## 比胡说更难防的，是听起来很科学的伪正确 AI 会编瞎话，这事大家都知道，但编得离谱的你一眼就能识破，还不是最可怕的，真正麻烦的是另一种——术语用得专业，机制讲得通顺，语气笃定得像个干了二十年的老医生，你顺着就信了，但结果是错的。 Apodex 团队给这种失败模式起了个名字，叫伪正确。 长寿建议就是伪正确的重灾区，一句 NMN 能逆转细胞衰老，从细胞层面听上去没毛病，可你只要追问一句：在人身上做过实验，证明真能多活几年吗？答案是，没有。 伪正确主要问题在于它每个零件都像真的，你根本不知道该从哪儿开始怀疑。这时候你需要的不是更会聊天的 AI，而是一个敢回头查原始文献、并且敢说证据不足的好工具。 ## 五要素，逐条过 我让 Apodex 干的活很明确：把这五件事按证据强弱排个序，每条标来源，分清哪些是大队列研究、哪些只是推测。 排完是这样：睡眠排在第一个，证据最硬，27 项前瞻队列、近 140 万人的 Meta 分析摆在那：睡太少和睡太多，死亡率都升高，7 到 8 小时风险最低。 但报告补了一刀，睡够 8 小时这个口号，把睡眠简化成了时长。UK Biobank 一个近 9 万人的研究显示，每天睡 7 小时但作息乱七八糟的人，风险照样高，也就是说睡得够，不等于睡得对。 代谢同样给了 A 级，多项 Meta 分析方向高度一致。但它不是单看空腹血糖，是血糖、血脂、血压、腰围、炎症一整套。 平静给了 B，压力、慢性炎症跟死亡率的关系是有的，但冥想能延寿这种干预级别的硬证据，目前还很薄，关联在，因果链没打通。 肌肉量这条，报告挑了个最值得说的毛病，概念用错了。 NHANES 的研究把肌肉质量和肌肉力量摆在一起比：低力量的人，死亡风险高得吓人；而在力量正常的前提下，单看肌肉质量低，关联根本不显著。说人话就是，真正保命的是你有多大劲，不是体脂秤上那个肌肉量数字。 现金流排最后说，因为它是整份报告里最让我盯着屏幕看了好一会儿的部分。 报告给它的效应评级，是五要素里最大的，美国一个 140 万人的队列研究，结论扎心又直接：40 岁时，收入最高和最低的人，预期寿命男性差 14.6 年，女性差 10.1 年。 差不多一整个青春期的长度，凭空多出来或者凭空少掉。 但报告紧接着泼了盆冷水，而且这盆水泼得特别清醒。 是说钱本身不进细胞，它不是生物学变量，是一堆中介变量的总和。它通过你能不能及时看病、吃得好不好、住得干不干净、有没有长期被钱逼到失眠，这些路径起作用。 这就引出一个挺扎心的推论：有钱但一分不花在健康上，这层保护会大打折扣，靠公共医疗兜底的低收入者，反而能补回来一部分。说白了，钱是放大器，不是免死金牌。 ## 「白噪音」三个字，才是整个答案最大的漏洞 前面都是小修小补，报告真正不留情面的其实是最后那半句——其余都是白噪音。 它直接判这句站不住，而且给了证据。 被这句话扫地出门的因素里，有一个叫体力活动，94 项前瞻队列、三千多万人的综述：运动达标的人，全因死亡率风险直接降到 0.69。这个降幅，放在五要素任何一项旁边都不落下风，却被一句白噪音给开除了。 还有社会关系，148 项研究、数百万人，社会连接的强弱和死亡率的关联，跟五要素里任意一项都不相上下。孤独本身，就是一个独立的死亡风险因子。 更要命的是，这五件事根本不是五个能让你单独拧的旋钮。 高收入的人，往往睡得更好、代谢更稳、也更有空练出力量； 睡不好，又反过来拖垮代谢， 也就是说把一堆互相纠缠的东西当成能单独调节的变量，这框架本身就有误导性。 所以这答案的问题，倒不是哪条写错了，是它假装世界很简单。 因为真实的长寿研究框架，通常摆着 8 到 12 个因素，彼此还在互相打配合。 ## 那些被吹上天的抗衰黑科技，也顺手过了一遍 聊完五要素，报告还把那些网红抗衰干预验了验，我挑几个名气大的说说。 白藜芦醇，一个近八百人、随访九年的队列，体内代谢物水平和死亡率没有显著关联，人类证据基本是阴性的。 维生素 D 延寿，两万五千多人的大型 RCT，全因死亡率 HR 等于 0.99，基本等于没用，除非你本来就缺。 抗氧化补剂，多个大型 RCT 证伪，而且高剂量 β-胡萝卜素在吸烟者里，显著增加肺癌风险。 NMN、雷帕霉素、二甲双胍抗衰，动物实验亮眼，但人类延寿的硬证据，要么还没有，要么还在路上。 报告对这些的措辞很克制，分得也细——尚无证据不等于无效，这跟有阴性证据又是两码事。前者是还没研究透，后者是研究过了、被推翻。 这种分寸感，恰恰是普通 AI 最缺的，它们要么一律唱好，要么一律唱衰。 ## 一把你自己也能用的尺子 看完这份核查，我最大的收获不是记住哪个补剂没用，是拿到了一把通用的尺子。 以后再刷到任何延寿建议，先拿这三个问题过一遍。 第一，这证据是在人身上做出来的，还是老鼠身上？小鼠延寿不直接等于人延寿，中间隔着十万八千里。 第二，它盯的是真终点还是替代指标？一个干预说能改善某项血液指标，和它能让你少得病、多活几年，完全是两码事。报告里反复在做的，就是把这两样分开看。 第三，这建议是不是把世界讲得太简单了？凡是告诉你管好这几件其余不用管的，基本都漏了东西。 这三问不需要你懂医，它只要求你认一件事：听起来顺，不等于站得住。 ## 最后 我越来越觉得，这一波 AI 真正拉开差距的，不是谁答得快、答得漂亮，是谁敢在不确定的地方说我不确定，然后把证据摊开给你自己看。 回到开头那个问题，读完这份核查，我的答案没变，但底气变了：好好睡、练出真力量、守住代谢、别让自己长期紧绷着、顾好钱包。 再加上那两个被白噪音冤枉的——动起来，别孤独。 这些建议，一个都不性感，没有一条能做成爆款补剂卖给你，但它们恰好是那一小撮，翻遍文献还站得住的。 > 长寿这件事说到底，可能就跟存钱一样，没有一夜暴富的偏方，全是日拱一卒的无聊动作，但攒着攒着，时间就都还给你了。 如果你也有那种拿不准的健康说法，想丢进去核一核，工具叫 Apodex，网页版可以直接用：https://www.apodex.ai/ 需要完整核查报告的宝子评论区留言，里面有全部 24 条出处和健康建议。 最后说一句：本文核查的，是公开流行说法和公开研究证据之间对不对得上，不构成任何个人诊疗或用药建议，具体情况，请你去问医生。

译作者将社交平台流行的“长寿五要素”（平静、睡眠、肌肉量、代谢、现金流）及抗衰补剂交给AI文献核查工具Apodex，后者跑了41分钟、翻了24篇覆盖千万人的队列研究。结论：核心方向没错但有三个漏洞——睡眠规律比时长更重要，肌肉力量比质量更保命，现金流需通过看病、饮食等中介起作用。被冤枉的体力活动（三千多万人Meta分析显示运动达标死亡风险降至0.69）和社会关系同样关键。补剂如白藜芦醇、维生素D等均缺乏人类硬证据。

数字生命卡兹克@Khazix0918 · 6天前57

http://x.com/i/article/2070397668338307072 # 想玩Loop Engineering，可以先从这6个Hook玩法开始。 最近Loop Engineering越来越火了，也有好几个朋友问我，这个东西怎么入手，我们到底应该开始从哪设计一个loop。 这其实是一个非常有意思的问题，如果让我真说一个东西的话，我觉得是我之前文章中反复提到的一个东西。 Hook。 每一个Agent里，几乎都会有Hook这个东西，Claude Code和Codex的自动化里面，背后也都有。 loop的意思是循环，那我们任何循环，其实都有一个最基础最初始的东西，就是触发器，也就是如果你触发了某某动作，就会去执行某某命令。 其实非常像现在我们家里的一些智能家居，比如到了10点，窗帘就拉开，比如识别到我出门了，就关闭家里的所有的灯，等等等等。 这个触发的条件，就是一个Hook。 生活中也到处都是Hook，比如到公司，手机自动切换工作模式，早上闹钟到点了自己响，这些全是Hook。 Agent里面也是如此，你可以通过给Hook设置特定的规则，自动化做很多事。 比如让AI在编辑修改文件前，先检查命令有没有风险。 代码修改完毕后，自动跑lint检查质量。 以及跑长任务的时候，你切到别的页面干别的事，它干完了发推送告诉你。 当然，Hook的用途远远不止这些。 在Claude Code里也一样，把Hook挂在那些你关心的时刻上，提前设好什么时候做什么。 事情一来，它自己跑。你不在屏幕前也没关系。 打开Claude Code，在底部输入/hooks，会看到这个界面。 按下回车后，他会列出所有可用的Hook事件。 我记得年初看的时候只有13个，现在有将近30个了，翻了一倍多。 不过别被30这个数字吓到，我们日常真正会用到的，可能也就常用的那几个。 这里，我也整理了6个我觉得比较好玩的Hook玩法，希望抛砖引玉，能够给大家一些思路。 一、权限弹窗提醒 可能很多朋友都遇到过这种情况，不敢给Claude Code下了指令，切到别的页面干别的事。 过了十分钟回来一看，还没开始执行，卡在了请求权限那一步。 其实只需要跟Claude Code说一句： 帮我配置一个通知的Hook，每当需要我授权的时候，调用系统自带的工具给我来一个弹窗提醒。 发送给AI，它就会帮你配好了。 配完之后可以让Claude Code测试一下。当需要授权时，右上角会弹出提醒。再也不怕切走窗口时，AI卡住不动，白白浪费时间了。 这时候肯定会有人问了，那每次授予权限的时候都会弹窗提醒，那岂不是很浪费Token。 绝大多数的Hook，其实本质上就是个代码，是个写死的规则脚本，所以在运行的时候，跟AI几乎没有啥关系，所以是也不会耗啥Token。 当然，Hook能做的远不止弹个窗，还有其他我觉得更好玩、更有意思的。 二、开机日程播报 我们有时候打开Claude Code，看到的就是一个冰冷冷的界面，不好玩。 那你就可以在对话框输入： 帮我创建一个会话开始的Hook，每当我打开或恢复Claude Code的时候，输出一段元气满满的问候。告诉我北京朝阳区今天的天气，会不会下雨、要不要带伞，调用飞书CLI拉出当天的日程安排，内容要有趣一些。 重新打开Claude Code后，就自动弹出这个提醒，让原本枯燥的终端，多了点温度。 当然这只是一个前菜。 接下来这个，是我觉得最实用的一个。 三、摘要卡片 有天晚上，我想找Claude Code上周帮我改的一个方案，翻了半小时聊天记录，没找到。。。 我坐在那想了很久，我那天到底让它帮我干了什么，想了好久也没想起来。 因为每天我的Agent用的太碎了，我手上起码现在有4～5个是我长期在迭代的项目，有的时候经常会并行跑，甚至AIHOT这样的大型一点的项目，有时候是开着分支就并行着三个。 所以我经常就是确认完你的确认你的，来来回回，化身Agent鸡排哥，一天下来，你自己甚至都不一定记得今天到底发生了什么。。。 而且很多真正有价值的结论，都藏在那些长对话里，一旦上下文被压缩了，或者我一个/claer命令，后面再想找，就非常痛苦。 所以我做了个Hook，直接把这段话发给他： 帮我编写一个Hook，当上下文处于预压缩时，生成一张摘要卡片，记录当前上下文的概要内容，方便我后续查看，将文件保存到一个跨项目也可以查看的地方，总结完毕后打印到Claude Code中，方便我查看。 之后，在上下文快被压缩、还没丢掉的时候，他就会赶紧生成一张摘要卡片。 这玩意的意义还是很大的，聊天记录太长，回看成本极高，你根本不想翻。 但这不一样，它其实是一张AI替你写的工作日记。 以后你想找某天做过什么，不用翻几万字对话，翻这些看就行，一两分钟就能看完一天到底干了些啥。 能大大释放你的脑容量空间，非常好用，甚至还可以再加一个定时Hook，比如，每周五的时候，再把这些摘要日记，自动写成一个周报。 这个价值，你懂的。 四、文件自动整理 还有一个Hook的玩法我自己特别喜欢。 就是前段时间的时候，我整理电脑里面的下载文件夹，那玩意贼乱，截图、文档、PDF全混在一起，每次找东西都得翻半天。 然后我突然想到，为啥不让Claude Code帮我干这事呢，我自己每次手动整理，也太蠢了。 所以，我就做了一个Hook，逻辑特别简单，指定一个文件夹，每次有新文件丢进来，它自己看一下这是什么、内容是什么，然后自动重命名，再挪到该去的地方。 不过文件整理这件事，光靠简单代码搞不定，所以这里用了一个组合技，Hook+Skill。 Claude自己有个比喻我觉得特别准，Hook是门铃，Skill是开门以后真正干活的人。 门铃响了，说明有新东西来了。但来了以后怎么处理，还是需要模型的能力的，比如识别文件内容、判断归哪一类、按规则重命名、挪到对应文件夹等等等等，这些，靠的还是Skill最方便。 Skill也非常简单，你直接用嘴让Claude Code给你写就行了，因为每个人的需求不一样，所以还是写一个自己的是最好的。 这个Hook设置好以后，你只需要不关Claude Code，然后呢，它就会在后台帮你悄悄盯着那个文件夹。 但凡有一个新文件进来，等几秒确认传完了，它就开始干活，然后帮你自动处理完。 不管是PDF还是图片，它都能自己识别内容，会议纪要归到会议那栏，发票归到报销那栏，截图还会按内容起个看得懂的名字，然后帮你挪到对应文件夹。 整个过程你什么都不需要做，你只需要把文件丢进去了，然后它自己就整理好了。 这种感觉太爽了。 你想想看，这个模式不只我这种乱七八糟的下载文件夹整理能用。 盯着比如工作项目文件夹也行，新文件按客户名和日期自动重命名等等，有很多种自动化的变体玩法，很有意思。 五、久坐提醒 AI替你干活的感觉很爽，但他有一个副作用，就是太爽了，一坐就是十几个小时。 上周有一天，我早上九点打开Claude Code，想修一个小功能。 等我再抬头，下午四点了。 我那一刻，真的感觉回到了我十年前在学校打《文明6》的感觉。 然后我发现，这事不是我一个人，很多用AI写代码的人都这样。 以前沉迷打游戏，现在沉迷Vibe Coding。 所以，我当时就想，做一个久坐提醒的小东西，虽然Apple Watch也有久坐提醒，每隔一小时提醒一次，但在Vibe Coding上头的时候，有的时候不太感受的到。 所以，既然长期坐在电脑前，直接在电脑上推送不就行了。 于是简单描述了一下需求，只要我启动了Claude Code之后，只要过了一个小时，Claude Code就会给我发通知提醒我休息了。 健康还是很重要的，身体才是革命的本钱，Vibe Coding上头的时候，你根本想不起来需要站起来活动，有这么一个小提醒，还是很管用的。 这里也提醒大家，让AI帮你提高效率的同时，也要多多保重身体，坐久了就起来活动一下。 后面我其实还想做一个硬件，就是更加强制性的那种。。。 比如，直接给我把键盘关了之类的，强制站起来= = 六、长任务完成推送 然后还有一个我自己的刚需。 昨天去录了一趟严敏老师的综艺，在开始之前，我让Claude Code帮我做一个比较大的功能，场上要用的，而且还有点急的那种。 我坐在电脑前，看着它一行一行地出结果，看起来一切正常，就忙别的事去了，十几分钟后突然想起来，不知道有没有开发完，然后就回到电脑前一看，还在跑。 来来回回折腾好几轮。 我就想，得让它干完活了直接叫我。 于是让Claude Code帮我研究了一下，看看有没有什么办法能让它干完活了通知我一下，最好是可以和常用软件提示音区分开的。 然后它就跟我说了Bark。 这是AppStore直接下载就能用的推送工具。 免费，也不需要注册，装完给你一个推送用的链接，让AI帮你配置进去就行了。 于是我顺手让Claude Code帮我写了个调用Bark的Hook。 这下就舒服了。 手机和手表同时收到消息，还可以自定义推送声音，跟微信、飞书、短信这些区分开，一听声音就知道AI干完活了，可以切回去查看成果了，而且还是中文。 这个体验真的很爽。 有了这个，你就可以放心离开电脑去干别的事，根本不用惦记着切回来瞄一眼。 这个玩法也特别容易扩展，比如任务成功了发个轻松的提示音，任务失败了发个明显的提示音，让你知道要回去看看。 需要输入的时候，推送里直接写清楚它在等什么。 写在最后 未来越来越多的AI工作流，我觉得一定是事件驱动的。 新的一天开始了，它帮你启动，文件出现了，它去处理，上下文快满了，它先归档，任务完成了，它来通知，一天结束了，它自动总结。 包括现在Github上，很多项目是用Agent监控问题，别人提出了问题，它就调用Agent自动去修，修完了自动推送，推送完自动回复。。。 这件事一点都不玄乎，就是让AI从一个被动聊天框，慢慢变成你工作生活的一部分。 当然，我也不建议大家一上来就搞得太复杂。 Hook一旦开始接入真实工作流，就一定要注意稳定性和边界，尤其是涉及文件移动、删除、重命名、填表这种动作，别一上来就让它在你的重要文件夹里横冲直撞。 但只要你把边界设计好，它真的会非常好用。 Prompt解决的，是一次对话。 Skill解决的，是一类能力。 Hook解决的，是一个时刻。 从对话，到能力，到时刻，再到循环。 AI越来越成为一个替你运转的系统。 让你有时间，去做更有趣的事情。

译Hook 是 Claude Code 的触发器，可设置规则让 AI 自动执行操作，不消耗 Token。当前支持近 30 个 Hook 事件。文章整理了 6 种玩法：权限弹窗提醒、开机日程播报、上下文预压缩时生成摘要卡片、文件自动整理、久坐提醒，以及通过 Bark 工具向手机发送完成推送。

Ethan Mollick@emollick · 6天前70

If you want to read an interesting AI thinking trace, try "I want you to suggest two poems that you think apply very well to the current state of GenAI models like you. Don’t just pick popular poems and back justify. Think hard about options first" in either GLM-5.2 or Opus 4.8

译如果你想看一个有趣的AI思考轨迹，可以试试在GLM-5.2或Opus 4.8中输入："我希望你推荐两首你认为非常适合描述像你这样的GenAI模型当前状态的诗歌。不要只是选流行的诗然后反向证明。先仔细考虑选项。"

AYi@AYi_AInotes · 6天前56

GitHub 上刚开源一本量化书，设计思路有点不一样， 而且我觉得这本书真正在教的东西不只是量化，背后其实是一个被严重低估的元能力——把模糊想法写成清晰 Spec，然后让 AI 执行。 这套能力放到任何复杂领域都管用，量化交易只是它第一个练手的战场。 现在量化交易的学习路径，大部分人搞反了， 传统路线：先啃数学 → 觉得自己没准备好 → 永远不动手 → 放弃。 一本GitHub上开源的书把路翻过来：先写 Spec 让 AI 帮你跑通一个策略，亏钱也行，跑起来再补理论。 书叫《XQuant：人人都是量化交易员》，核心设计就一条：问题驱动，不是知识驱动。 9 个问题串起整条量化 pipeline： 1. 量化怎么赚钱？（先跑通最小闭环） 2. 买什么？（3 只 ETF 开始） 3. 买多少？（3 种仓位分法实测） 4. 什么时候买卖？（信号、再平衡、止盈止损） 5. 怎么知道有效？（回测框架） 6. 如何避免自欺欺人？（过拟合检测）——这章位置极早，说明作者懂新手真正的死法 7-9：实盘执行、持续改进、因子研究日常 几个反直觉的地方： • 第 1 章就让你跑策略，不是先讲 CAPM、Black-Scholes，是直接上手做一个能运行的最小系统，跑起来产生的反馈和多巴胺，比任何理论都更能驱动你学下去。 • 正文和练习代码分开维护，书稿仓库放干净的正文，学习仓库放 Specs + Jupyter Notebooks。阅读时不被打断，动手时有完整参考。 • 每章给你写好的 Spec，丢给 Claude 或 Cursor 生成代码。你训练的不是手写代码，是把模糊策略想法变成清晰任务描述的能力。

译一本名为《XQuant：人人都是量化交易员》的开源量化书采用“问题驱动”设计：先写Spec让AI生成代码跑通策略，再补理论。全书用9个问题串联量化pipeline：量化怎么赚钱、买什么（3只ETF）、买多少（3种仓位分法）、何时买卖、如何回测、过拟合检测（第6章极早讲述）、实盘、改进、因子研究。正文与练习代码分开维护，每章提供现成Spec给Claude/Cursor生成代码，训练将模糊想法转为清晰任务描述的能力。

AYi@AYi_AInotes · 6天前51

怎么用AI做出精美的UI设计？ 这个老哥的教程讲的很细， 不要甩一句需求就让AI瞎画画面， 真正高效的流程只有五步： 收灵感，搭建设计系统，生成组件令牌，手动微调细节，最后交给AI批量落地。

译Rasmic 详细讲解如何用 AI 高效制作精美 UI，核心流程为五步：收集灵感、搭建设计系统、生成组件令牌、手动微调细节、最后交给 AI 批量落地。不要直接甩需求让 AI 瞎画，而是通过系统化设计系统保证一致性，再借助 AI 生成和批量处理提升效率。

OpenAI Developers@OpenAIDevs · 7天前57

Builders Unscripted with @skirano Pietro talked to @romainhuet about pushing the creative edges of GPT-5.5 and using Codex to turn ideas into software. 03:45 Images into sound 07:57 Multi-agent Codex workflows 14:34 Reviving hardware with Codex 25:27 From doing to directing

译Builders Unscripted with @skirano Pietro 与 @romainhuet 讨论了如何拓展 GPT-5.5 的创意边界，以及使用 Codex 将想法转化为软件。 03:45 图像转化为声音 07:57 多智能体 Codex 工作流 14:34 用 Codex 复活硬件 25:27 从动手到指挥

jason@jxnlco · 7天前38

tony stark does not use a keyboard, with a 2 hour voice memo, codex made: 1. a product announcement 2. a launch video script 3. and the PR

译Jason Liu 用两小时语音备忘录替代键盘操作，将对话转录输入 Codex，后者直接生成了产品公告、发布视频脚本和公关材料。引用推文补充，此前他与 @guinnesschen 进行了两小时漫谈，涵盖功能想法、设计哲学、AI 未来等，原始转录交给 Codex 后产出的 PR 和创意作品几乎完美捕捉了对话意图。

ChatGPT@ChatGPTapp · 7天前55

Our plants are chatty. Yours can be too. Give your plants a voice with our build guide: https://github.com/openai/planttalk

译我们的植物很健谈。你的也可以。 通过我们的构建指南让你的植物发声：https://github.com/openai/planttalk

AYi@AYi_AInotes · 7天前57

90%以上的人用AI做UI从根上就错了， 如何用AI做出精美的UI设计， 这个老哥的教程讲的很细， 不要甩一句需求就让AI瞎画画面， 真正高效的流程只有5步： 1️⃣收灵感 2️⃣搭建设计系统 3️⃣生成组件令牌 4️⃣手动微调细节 5️⃣最后交给AI批量扩底 宝子们要知道，AI从来不是设计师， 你定规则和审美，它干重复的脏活， 这才是AI设计的正确打开方式～ https://x.com/Rasmic/status/2069967490575192401/video/1

译推文指出90%的人用AI做UI方式错误，不应直接扔需求让AI随意生成。正确流程分五步：1. 收集灵感；2. 搭建设计系统；3. 生成组件令牌；4. 手动微调细节；5. 最后交给AI批量扩底。强调AI不是设计师，用户需自行定规则与审美，AI只做重复性脏活。附有@Rasmic的详细教程视频链接。

AK@_akhaliq · 7天前41

glm 5.2 in hf-claude building a gradio server app for Ornith-1.0-9B

译在 hf-claude 中使用 glm 5.2 为 Ornith-1.0-9B 构建 Gradio 服务器应用。

fofr@fofrAI · 7天前19

Omni, with an image reference

译Omni，带有图像参考。

gabriel@gabriel1 · 7天前64

changing your mind in the middle of voice prompting gives the model so much more context like 70% of my prompts i say "actually ignore everything before this" but it gives so much information when i imagined one thing but then decided on something else aim for MAX tokens

译在语音提示中改变主意会给模型提供更多上下文 就像我70%的提示都会说“实际上忽略之前的内容”，但当我想象了一种东西却决定换成别的时，它却提供了很多信息 追求最大 token 数

gabriel@gabriel1 · 7天前65

"hey codex give me 20 variants of this page with one button per page to navigate between them" "okay pick variant 4" ai models are great at brainstorming and awful at making decisions, so use them as such

译“嘿 Codex，给我这个页面做 20 个变体，每页一个按钮用来切换” “好，选变体 4” AI 模型很擅长头脑风暴，但不擅长做决定，所以这样用它们就好。

ginobefun@hongming731 · 7天前62

使用 FreeLLMAPI 这个项目光明正大的白嫖，目前看有 1.3B 的 token，还可以选择和自定义策略，真不错

译开发者 @hongming731 分享使用 FreeLLMAPI 项目“光明正大白嫖”，已累计消耗约 1.3B token，支持自定义策略。此外，他还提出基于 Dify 异常分支的省钱方法：增加一个 openrouter/free 节点，当异常时使用 flash 模型兜底，每天可免费调用 1000 次。

Chubby♨️@kimmonismus · 7天前45

Fable 5 already available again for some people on Claude Code. Lets freaking go!

译Fable 5 已对部分用户在 Claude Code 上再次可用。 开搞！

Alibaba Cloud@alibaba_cloud · 7天前43

The race has officially begun with #HappyHorse 1.1 on #Runware! Excited to see a platform built around creative freedom and imagination empower creators to bring their boldest ideas to life. Here's to fewer limits, more storytelling, and a future where creativity knows no bounds.

译阿里云宣布HappyHorse 1.1已上线Runware平台，推出两项关键功能：多角色转换（Multi-character casting）——可将真实参考图像锁定到每个镜头；电影故事板（Cinematic storyboarding）——从单个提示词生成多镜头短片。相关指南已在Runware文档中发布。阿里云表示该平台围绕创作自由与想象力构建，旨在降低边界、赋能创作者实现大胆创意。

向阳乔木@vista8 · 7天前59

飞书Cli + Codex，连记账软件都不需要了！ 做法： 1. 安装飞书cli，终端输入指令： npx @larksuite/cli@latest install 2. Codex中创建一个项目文件夹：日常开销记录 3. 跟 Codex 说：创建个多维表格，用于日常开销记录 对话就能记账，还能持续迭代表头。 手机打开多维表格能查看修改

译通过飞书Cli工具与Codex结合，实现自然语言记账：终端执行`npx @larksuite/cli@latest install`安装飞书Cli，再在Codex中创建“日常开销记录”项目，用对话指令生成多维表格，之后可直接在手机端查看和修改，无需额外记账软件。

ginobefun@hongming731 · 7天前61

基于 Dify 异常分支的省钱小妙招 增加一个 openrouter/free 节点处理，异常时使用 flash 模型兜底，每天可以调用 1000 次

向阳乔木@vista8 · 7天前40

看 Readwise 推荐一本书，现在的Workflow变成两个Skill的调用。 1. 一个是zlib 机器人绑定 tg ，本地用telethon跟机器人对话自动下载。 2. 把epub传到Notebooklm递归提问解读快速学习。

译推主分享基于Readwise推荐书籍的个人工作流，包含两个Skill：1）通过Telegram绑定zlib机器人（z-lib），使用telethon库自动与机器人对话下载电子书；2）将epub文件上传至Google NotebookLM，利用其递归提问功能快速解读内容，实现高效学习。

宝玉@dotey · 6月25日64

我也遇到过让 AI 整理播客访谈会出现细节遗漏的问题，不过我的做法不太一样，我是同时生成2-3份稿子，然后选一份写的最好的作为底稿，然后把其他两份的内容合并进来。 这样一方面避免遗漏，另一方面也避免偶尔抽卡失败生成了比较烂的稿子，因为如果稿子一开始就没写好，你再去追问也很难提升质量

译针对长达3小时播客访谈用AI生成文章时容易遗漏细节的问题，常见做法是连续追问“还有什么细节需要补充？”三次左右（甚至可做成Agent Skill）。但作者采用不同策略：同时让AI生成2-3份稿子，挑选最佳一份作为底稿，再将其它稿子的内容手动合并进来。这样既能避免细节遗漏，也能防止单次生成质量差导致后续追问难以提升质量。

ClaudeDevs@ClaudeDevs · 6月25日41

When Claude is working in a channel with four people, whose credentials does it use? The answer: its own. When tagging Claude, Claude gets provisioned like any other teammate, with its own credentials. We call this access model "agent identity". Here's how it works: 🧵

译当 Claude 与四人一同在频道中工作时，它使用谁的凭证？ 答案：它自己的。标注 Claude 时，Claude 会像其他队友一样被配置，拥有自己的凭证。 我们将这种访问模型称为"智能体身份"。其工作原理如下： 🧵

karminski-牙医@karminski3 · 6月25日50

本地用vLLM部署GLM-5.2的速度终于上来了! 好消息终于轮到本地部署 GLM-5.2 了! 大家都知道 GLM-5.2 这次是自带了MTP头的, 可以进行推测性解码. 但是, 这个只适用于bf16原始精度的GLM-5.2, 而这玩意原始精度要到1.5TB, 本地跑的很少有富到这个程度的, 所以大家都用各种量化版本, 毕竟4bit量化就只要430GB了. 问题这就来了, 由于 GLM-5.2 的 MTP 采用了非常特殊的 DSA (动态稀疏注意力), 导致目前几个推理引擎 (llama.cpp, vLLM, mlx) 都无法支持. 其中 llama.cpp, mlx 是完全没办法开 MTP, vLLM 只支持FP8精度的. 而SGLang 没事哈, SGLang 架构比较屌上来就支持同一个计算流使用混合精度. 所以直接用 GLM-5.2-W4AFP8 就行. 所以回到这几个不支持的推理引擎, 大部分的量化版本 GLM-5.2 开了 MTP 反而会掉速度. 甚至有的量化版本直接把MTP部分给砍了(mlx). 而社区作者dnhkng搞了个缝合方法, 最终搞出了 GLM-5.2-AWQ-INT4-FP8-MTP-delta, 即 底座用 INT4（走 Marlin 算子）+ MTP 用 FP8（保持精度）同时还能让vLLM 支持. 速度从原来的 2 token/s 直接飙升到了 43.39 token/s (绑定NUMA+MTP-3) 所以目前位置 SGLang 和 vLLM (魔改版)都能直接火力全开跑带MTP的 GLM-5.2了. 而 llama.cpp和mlx用户还需要再等等. 社区还在弄. 这个作者的blog (过程极其精彩, 有不少优化技巧): http://dnhkng.github.io/posts/gh200-benchmarking-part-3-glm52/ #glm52 #mtp #dsa

译GLM-5.2 自带 MTP（推测性解码）头因采用 DSA（动态稀疏注意力），导致 vLLM、llama.cpp、mlx 等推理引擎难以支持。原始 bf16 精度需 1.5TB，4bit 量化仅 430GB。社区作者 dnhkng 制作了 GLM-5.2-AWQ-INT4-FP8-MTP-delta 魔改版：底座用 INT4（Marlin 算子）+ MTP 用 FP8，使 vLLM 支持 MTP，速度从 2 token/s 提升至 43.39 token/s（绑定 NUMA+MTP-3）。SGLang 因支持混合精度可直接使用 GLM-5.2-W4AFP8；llama.cpp 和 mlx 用户仍需等待社区适配。

jason@jxnlco · 6月25日53

Computah! Activate Firewall! with gpt-realtime-2 you can in context prompt your wake words, reasoning, and build some silly games check out me playing a game simon says... spoiler: it beat me

译计算机！启动防火墙！ 使用 gpt-realtime-2，你可以在上下文中提示唤醒词、进行推理，并构建一些傻乎乎的游戏。 看我玩一个游戏 Simon Says... 剧透：它赢了我。

Berryxia.AI@berryxia · 6月25日61

大家都在疯狂建“能做一切”的AI Agent…… 但Matt Pocock最新发布的 /loop-me 技能反而反其道而行。 它先强迫你把自己的日常工作彻底“审一遍”，找出真正值得委托给AI的重复循环。 这不是又一个“让AI替你干活”的玩具，而是帮你把混乱的日常工作系统化、精确化的利器。 很多开发者用AI写代码、处理任务时，最大的问题不是AI不够聪明，而是你自己都没想清楚哪些事是重复的“loop”，哪些该自动化、哪些该留给人。 Matt Pocock的skills库一直强调“真实工程”而非vibe coding，这次 /loop-me 就是针对这个痛点。 后果：用完之后，你会得到一系列清晰的 `workflows/.md` 规范文件。 一个实施者（人类或AI）看完就能直接执行，不用再来回问问题。 结果是：认知负荷大幅下降、可重复工作真正被委托出去、你的时间能聚焦在高价值决策上。 别人最容易忽略的细节： - 它用的是“grilling”严苛面试法：一次只问一个问题，还附带推荐答案， relentless（ relentless）追问直到模糊点全部消除。 - 核心概念是“Loop”（循环）：把你每天/每周重复的模式提炼出来，再定义Trigger、Checkpoint、输出等。 - 最终产出必须达到“完成的定义”——任何实施者都不需要再问任何问题。 - 目前是进行中状态，但已经能直接用，还会持续迭代。 - 它不是让你直接让AI接管，而是先帮你把“什么该接管”这件事彻底想清楚。 这才是真正聪明的AI使用方式：不是盲目让AI干活，而是先把自己的工作流程打磨到能被AI理解的程度。 你会试试 /loop-me 吗？还是更喜欢直接扔任务给AI？ 地址见评论区👇

译Matt Pocock 推出 /loop-me 技能，旨在帮你梳理日常工作中的重复“循环”。它采用“严苛面试法”逐一追问直到模糊点消除，最终输出清晰的 `workflows/.md` 规范文件，任何实施者（人类或AI）看完即可执行。核心包括定义 Trigger、Checkpoint、输出等要素，确保达到“完成的定义”。技能目前仍处于进行中状态，但已可直接使用。它强调先打磨工作流程，使之能被 AI 精确理解，从而降低认知负荷，将重复劳动真正委托出去。

向阳乔木@vista8 · 6月24日56

长达3个小时的播客访谈，如果原文提供给AI生成文章。 经常会漏掉一些细节，所以我会连续追问几次： “还有什么细节需要补充吗？” 一般三次左右就差不多，感觉应该做成一个Agent Skill。 哪怕同一个模型，连续追问也能改善质量。 当然，目标不是为了写更长，只是希望更有故事性。

译Vista分享经验：将3小时播客访谈交由AI生成文章时，通过连续追问“还有什么细节需要补充？”（约三次）能有效补全遗漏细节，显著改善输出质量，使文章更具故事性。她建议将这一追问流程封装为Agent Skill，以便复用。

Nathan Lambert@natolambert · 6月24日49

Another quick lecture -- I've been asked many times for prereq's to my book and what you should know, so built a little lecture (with GLM 5.2) to cover some more basics. Topics include: 00:00 Introduction & Course Prerequisites 01:37 Language Models Overview 02:47 The LM Head 04:29 Softmax & Log-Probabilities 06:13 Anatomy of an LM Training Example 06:37 Computing LLM Probabilities (+Phoebe the Dog) 09:52 Three Common Masks in Post-Training 11:03 A Small Decoding Review 12:14 Training an LM: Cross-Entropy 13:23 Optimization & Fine-Tuning 13:55 Pretraining to Midtraining to SFT Pipeline 15:25 Probability Essentials: KL Divergence & Entropy 19:36 Sigmoid & Pairwise Likelihood 20:29 Reinforcement Learning Framing (MDP) 22:28 Transitioning Tools into Post-Training 23:12 Recommended Resources & Wrap-Up  Happy learning and I'm still taking questions from during the course for Q&A videos.

译Nathan Lambert 发布了一期 AI 基础讲座视频，使用 GLM 5.2 模型生成。内容涵盖语言模型概述、LM Head、Softmax 与对数概率、训练样本结构、概率计算、后训练中的三种掩码、解码、交叉熵损失、优化与微调、预训练到 SFT 流程、KL 散度与熵、Sigmoid 与成对似然、强化学习 MDP 框架等。视频包含时间戳目录，并持续收集观众问题用于后续 Q&A。

PixVerse@PixVerse_ · 6月24日23

Using AI to create transition cutscenes for your own game? Love this. The whole scene feels so summery and refreshing. Can’t wait to see the new project come together @patata1216

译使用AI为你的游戏制作过渡过场动画？太棒了。整个场景充满夏日清新感。期待新项目完成 @patata1216

MiniMax (official)@MiniMax_AI · 6月24日39

research -&gt; synthesize -&gt; build. fun example of using M3 and @opencode to learn about a new domain instead of reading 20 tabs

译用户@whosamberella为学习仿人机器人知识，利用MiniMax M3进行调研，并在OpenCode中搭建了一个仿人机器人目录网站（humanoid-index-one.vercel.app）。其SVG原型不仅能展示，还能帮助学习不同仿人机器人的特征。MiniMax将其过程概括为：研究→综合→构建。

AYi@AYi_AInotes · 6月24日70

有点炸裂，我把一张截图丢给一个 Flash 模型， 2分多钟后它给我做了个能用的x文章头图生成工具， 昨晚晚手痒试了下， 用的是 StepFun 的 step-3.7-flash， 挂在 Codex 里跑， 丢了一张我自己的爆款头图进去， 让它照着复刻成网页版x文章头图生成器， 不到3分钟就跑完了，浏览器里直接打开就能用， 能改文案能导出 PNG，一次成型， 总成本只花了$0.06， 最有意思的是这个模型不止会写代码， 它看了一眼参考图，自己就把完整的功能逻辑摸透， 直接把能跑的东西做出来，又快成本又低， 当然也要泼盆冷水， 功能确实能用，但视觉还原只有六七分，我那种手绘涂鸦风它还原不到位，得自己再调， 完整prompt，我放评论区了，直接抄就行， 顺嘴提一句：如果你也在用 AI 搞东西，可以看下 @StepFun_ai 的 Startup Program，早期团队能拿 API 额度、生态支持，还有联合推广和资源对接 👉 http://platform.stepfun.ai/startup-program 做 AI agent、编程工作流、搜索类应用或者多模态系统的，step-3.7-flash 值得试一把。

译用户将截图丢给 StepFun 的 step-3.7-flash 模型（运行在 Codex 中），2 分多钟生成可用的网页版文章头图生成器，支持修改文案和导出 PNG，总成本仅 $0.06。模型能自行理解参考图并实现完整功能逻辑，但视觉还原度仅六七分，手绘涂鸦风需手动调整。StepFun 同步推出 Startup Program，早期团队可获 API 额度、生态支持及资源对接。

Alibaba Cloud@alibaba_cloud · 6月24日25

Market data moves fast. Your BI should move faster. General Agents + Smart Q Skill Package helps traders analyze cross-platform data across major trading platforms— from T+0 ranges to spread signals and end-of-day trading reviews. Blog: https://int.alibabacloud.com/m/1000414772/ Quick BI @quick68554 : https://int.alibabacloud.com/m/1000407094/ #QuickBI #SmartQ #EcommerceAnalytics #AIAnalytics #DataDriven

译市场数据变化很快。你的 BI 应该更快。General Agents + Smart Q Skill Package 帮助交易者分析跨主流交易平台的跨平台数据——从 T+0 区间到价差信号以及收盘交易回顾。 博客：https://int.alibabacloud.com/m/1000414772/ Quick BI @quick68554 : https://int.alibabacloud.com/m/1000407094/ #QuickBI #SmartQ #EcommerceAnalytics #AIAnalytics #DataDriven

宝玉@dotey · 6月24日72

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（不会把完整内容全部摊开），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、不用记命令，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了贡献。

译为解决多 Agent 下 Skills 存放混乱问题，宝玉提出：Skills 只装在项目内以节省 LLM 上下文窗口；所有原件统一存放于 `~/GitHub`，每个项目通过软链接指向原件，再为 Claude Code 创建 `.claude/skills → .agents/skills` 入口。更新只需拉取一次源码，所有项目自动同步；修复 bug 可直接反哺开源项目。用户可用自然语言让 Agent 自动创建软链接，无需记忆命令。

AK@_akhaliq · 6月24日42

hf-claude works well with glm 5.2 hf extensions install hf-claude

译hf-claude 与 GLM 5.2 兼容良好 hf extensions 安装 hf-claude

meng shao@shao__meng · 6月24日70

[官方博客] Codex Remote 工程实践指南 手机上远程操作 Codex 的真正作用是什么？真正用好的 10 个最佳实践是什么？Codex 官方这篇博客都讲到了，一起看看。 https://developers.openai.com/blog/mastering-codex-remote-for-engineering # 核心心智模型：手机是「控制面」，不是「终端」 很多人第一眼会把 Codex Remote 当成「远程盯任务进度」的工具——能看，但价值有限。 Codex 官方给出的定位更准： · 开发机（Mac / Windows / devbox）：跑代码、跑测试、持有凭证与环境 · 手机：启动、指挥、审批、审查、组织工作 关键决策——用哪个 repo、哪个 worktree、是否批准命令、diff 是否 OK——可以在离开工位时完成，而不必把 iPhone 伪装成迷你终端。 # 十个高杠杆能力（按工程价值排序） 1. 任务开始前：10 秒选对环境，省 10 分钟清理 启动前可选：主机、workspace、分支、是否新建 worktree、是否先跑环境 setup。 常见模式： · 当前 checkout → 快速排查 · 新 worktree → 隔离改动 · 指定 base branch → 避免事后修 Git 状态 · Composer 还支持附件（文件、截图、相机）、Skills/Plugins 内联确认——能消除歧义就先在第一轮带上。 2. Queue vs Steer：最不直观、但杠杆最高 Agent 已在运行时，后续消息有两种行为： · Queue：等当前回合结束再发送，适用于第二项任务、补测、默认安全选项 · Steer：注入到进行中的工作，适用于方向错了、需立刻纠偏 Steer 示例：「修复限定在 mobile 包内，不要重构 shared renderer」「只测 resume 路径，不测 live 路径」。 官方建议：默认 Queue，Steer 刻意使用——误用 Steer 的代价通常高于多等一轮。 3. Side Chat：主线程干活，旁路理解 /side 或选中 transcript 文本 →「Ask in side chat」，开轻量旁路对话，不打断主线。 适合：「为什么选这个架构？」「这个 error 什么意思？」「批准前该验证什么？」 主线程 = 推进工作；旁聊 = 理解工作。 4. Plan vs Goal：路径 vs 结果 · Plan 模式：回答 - 怎么做？，适用于任务模糊、风险高、跨多系统 · Goal：回答 - 完成标准是什么？：适用于跨多轮持久目标，不必每轮重述 典型流程：Plan → 审边界 → 定 Goal → 实现 / 测试 / review / cleanup 持续推进。 5. 对话内 Code Review：手机也能做「决策型审查」 完整链路：变更摘要 → diff → 单文件语法高亮 → 行内 comment → 回传 Agent 修改 → 再审小 diff。 态度客观：手机不能替代大屏深读；但很多 review 卡在 1–2 个决策点，不必等回工位。 6. 权限：工作流的一部分，不是麻烦 对命令、文件变更、网络、工具的请求，可选一次性 / 当前 chat / 更宽范围批准。 原则：选最窄权限让工作继续，而非全部放行。线程级审批策略应和 host、branch、model 一起在任务开始时想好。 7. 上下文生命周期：/status → /compact → /fork · /status：session、workspace、context 用量、限流 · /compact：目标不变、线程过长时压缩 · /fork：目标分叉时继承历史开新主线 Side chat ≠ fork：前者是旁问，后者是新工作线。 8. Thread Desk：小型运维台 Pin 活跃线程、按 outcome 重命名、完成后归档（归档非删除）。通知一键跳转到待审任务；Spotlight / Shortcuts / iPad 快捷键进一步缩短路径。 定位：Chief of Staff——不只发 prompt，还管理哪些工作在跑、阻塞、待审、已完成。 9. 命令速查 /plan /goal /side /review /status /compact /fork /fast /feedback——输入 / 即暴露产品概念模型。 10. 五个典型工作流 1. Release Captain：单线程盯 release/PR，pin，steer 仅用于推翻当前调查方向 2. Interrupt Bug Fix：附件 + 先诊断再改，side chat interrogation 可疑 error 3. Mobile Reviewer：branch review + 行内 comment + 只改 comment 点 4. Long-running Goal： concrete 完成条件（测试绿、review 清、性能阈值），用通知/status 而非反复问「好了没」 5. Multi-machine Operator：按机器/环境命名 host，在「有 Mac 模拟器 / Windows 环境」的那台启动任务 对 AI coding agent 的通用启示： 1. 异步 + 人机协作 比同步 pair programming 更适合 mobile 2. Steer / Queue / Side / Fork 是在管理 agent 的「注意力与状态机」，不是聊天 UX 花样 3. Goal + Plan 是把 open-ended agent 约束成可交付工程任务的结构 4. 权限粒度 决定 remote 能否用于生产环境

译OpenAI 发布 Codex Remote 工程实践官方博客。核心心智模型：手机是“控制面”而非终端——开发机跑代码，手机负责启动、指挥、审批、审查。十大高杠杆能力包括 Queue vs Steer、Side Chat、Plan vs Goal、对话内 Code Review、细粒度权限管理等。另有 /status /compact /fork 命令与五个典型工作流（Release Captain、中断修复、移动端审查等）。对 AI coding agent 的启示：异步协作、注意力与状态机管理、目标约束、生产级权限粒度。