越来越多的大学将AI纳入课程：新增模块、提示工程研讨会、或许还有关于最新工具的课程。看到学术机构积极行动，帮助学生跟上新技术，这令人鼓舞。但若这些机构能确保学生被教导理解创新，而不仅仅是信任新工具的输出，那将更加鼓舞人心。
使用AI和用AI构建之间存在差异，而目前大多数机构只教授前者。
来自 𝕏 的实时信号，经 AI 聚类分析
我在公司使用的是团队共用的一个 Claude 订阅。
说实话，我更喜欢 Kiro，因为它提供了好得多的 SDD 管理能力。
但公司无法提供 Kiro，而我自己目前也负担不起。
后来我发现，我的 Claude 实例中已启用了“技能创建者（Skill Creator）”技能。
于是我就利用它开发了这个技能。
整个技能完全由我使用 Claude 构建而成。
但我想把它做成开源项目，所以请 Claude 帮我编写测试、准备发布材料，甚至写了一个用于运行 Python 测试的 CI 流程。
好了，我们得到了这个……
（3）Deepseek-v4-pro 模型 API 定价将在 2026 年 5 月 31 日 15:59 UTC 结束 75% 折扣促销活动后，正式调整为原价的 1/4。
https://x.com/deepseek_ai/status/2057854261699195173
社区讨论:多人指出DeepSeek V4 Pro实际推理成本低源于MLA架构将KV缓存压缩5–13倍（@cold_harbor），而非单纯降价抢占市场。有人质疑中国托管模型存在数据泄露风险，尤其担忧政府扫描聊天记录（@doctoboggan），也有人强调已通过网关部署实现零数据留存（@belinder）。另有用户对比价格称V4 Pro输出单价仅$0.87/百万token，不足Opus或GPT-5.5的1/20（@Reubend、@Reubend），并抱怨Claude等竞品任务中断频繁、性价比骤降（@onlyrealcuzzo）。
https://archive.ph/WfCta
社区讨论:多人指出Claude Code token消耗极快，@proxysna称团队一周烧光月度配额，而Deepseek同等预算能撑整月；@tra3强调人机协同比纯自主代理更省token。@robertkarl透露该试点12月启动，6月30日终止，因单月耗尽2026全年AI预算。@killerstorm批评编码代理反复处理大体积代码、缺乏KV缓存优化，厂商更愿卖token而非降本。@guluarte和@rnxrx则将停用与裁员、AI运营成本上升关联，质疑“用AI省钱”叙事是否成立。
新论文值得阅读。一个完整的智能体（agentic）工作流可以被蒸馏进模型权重中，并以大约低100倍的推理成本运行，同时保持接近前沿水平的任务质量。
该工作流包括多步大语言模型调用、工具调用、中间草稿区（scratchpads）以及决策结构。
与在运行时通过框架表达所有这些行为不同，该论文通过有针对性的蒸馏，将行为摊销（amortize）进一个编译后的模型中。
这是迄今为止关于智能体编译（agent compilation）最有力的经济性论证。
运行时循环具有灵活性，但代价高昂；而编译后的工作流则以部分灵活性为代价，实现了巨大的推理成本降低。
论文：
Learn to build effective AI agents in our academy:
Codex新增Appshots功能，Mac用户连按两次Command，AI就能读取当前窗口全部内容——不是截图，是直接理解界面结构和文字。设计师改稿、客服查订单、程序员调试报错，动作链缩短了一整步。
阅读全文 →🔺全新发布：corecrypto 中实现了经过形式化验证的后量子密码算法 ML-KEM 和 ML-DSA，其正确性从 FIPS 规范逐层验证至手工优化的 ARM64 汇编代码——这是全球首个在数十亿设备规模上达成此成就的实现。
我们同时开源了 Isabelle 证明库、ARM64 形式化模型，以及 Cryptol 到 Isabelle 的自动翻译器，以推动经形式化验证的密码学技术发展。
Pipecat提供Python接口，把音频输入、AI服务调用、语音合成、实时对话状态全串起来。想做个能听会说、还能打断重说的前台语音助手？现在不用从WebRTC和ASR模型开始啃了。
阅读全文 →你的强化学习（RL）后训练可能正在破坏大语言模型（LLM）在测试时的缩放能力！
传统 RL 假设你可以将所有奖励信号在*前期*就压缩为一个单一的*标量奖励*。
我们提出向量策略优化（Vector Policy Optimization, VPO），它原生地最大化*向量值奖励*，从而提升测试时搜索性能——即使在原始标量奖励任务上亦然。
金融从业者发现，开源社区正批量推出能跑通研究、决策、执行、监控全链路的AI交易工具——它们不需要你写一行策略代码，就能接入真实市场。
阅读全文 →我已基本停止使用Skills，转而采用GitHub Gist，因为后者更容易管理 👀
@GustavoValverde 提出一个操作流程：先由某代理在一次会话中完成任务；再用另一个代理读取该会话内容，并要求其从中创建Skill；接着让该代理将生成的文档推送到一个私有Gist；最后，在需要使用时直接粘贴该Gist链接。
AI助手在母亲需要时提供了真实帮助。开发者@badlogicgames在𝕏上发文表示：‘the one time AI would be helpful for my mom. thanks, claude.’ 并附链接指向相关实例。
随后他补充评论：‘thanks haiku, you lobotomized bag of tensors.’ 同样附上另一链接。
两条消息均未说明具体场景、操作过程、母亲遇到的问题类型或Claude提供的帮助形式。原文未提供技术细节、时间信息、产品版本或第三方验证内容。
一名22岁的美国开发者展示了如何仅凭双GPU硬件配置和Cohere新发布的开源权重模型（open-weights model），实现每月14,200美元收入。
他没有强大的开发团队，没有大规模风险投资支持，也没有昂贵的企业级基础设施。
他构建了一个“本地化AI工作流”，链接为：https://t.co/2Q8DEO1Ied。
用户@The_Wooo评论称，这彻底改变了人们认为必须投入数百万美元云预算才能搭建有竞争力的人工智能基础设施的认知。
用户@MaksimXBT指出，量化（quantization）和混合专家（MoE）架构在此类方案中尤为关键。
用户@Lummox_eth表示，不需要成为下一代天才，只需停止等待所谓“完美条件”。
用户@zostaff补充，类似本地工作流通常在Mac Studio设备上运行，采用4位或8位量化。
用户@0x_fokki提到，最近三天只是该方案的实现阶段，主要工作是同步识别仲裁窗口与开放系数（openness coefficient）数值下降的同一时刻。
继续挑战GPT image 2尺度，仍采用此前方法：提示词聚焦于风格、身材、轮廓等关键词，不提及具体身体部位。
如何让生成图像‘更加性感’？用户称昨日从李岳处学到一个词：丰腴🤣。
对应提示词为：丰腴身材，S曲线，轮廓饱满，中国成熟美女模特，泳装。附图链接：https://t.co/XMOMrpF04H。
@MrGafish 提问‘下半身怎么说呢’。
@hiwljun 指出该结果‘有一种日本美女的味道’。
@mogician301 回应‘理论上是没啥问题的’。
@openapi 评论‘你这个视角可以，还可以再来个俯视的’及‘这个可以，很不错了’。
@koffuxu 称‘这个可以，慢慢的突破限制’。
@PeterPanLam1990 评价‘这个算是微胖界的天花板了’。
@zake552493 表示‘豆包不行的’。
@Jack_DAfeng 发布另一张图链接：https://t.co/QwzB8e47R5。
@huxiaoerguo666 询问‘gpt image2么？’
Hermes代理中的技能包（skill bundles）功能。我认为这是Hermes中最被低估的特性。
真实工作流需要一组技能协同运行，而非逐个单独调用。
例如，编写代码可能同时需要代码审查技能、测试技能和PR工作流技能。
每次调用都指向链接：https://t.co/RpGUGKEGm0
@GokBoraYlmz 表示赞同，并回复：“是的，欢迎使用！:)”
文章定义LLM为预测下一个Token的大脑，依次串联Token、Context、Prompt、Tool、MCP、Agent、Agent Skill七层构件，形成完整AI应用逻辑链条
阅读全文 →Pippit刚刚推出全球首个AI短剧智能体（AI Short Drama Agent）。它不生成单个视频片段，也不输出彼此割裂的画面序列，而是从一份剧本出发，直接生成完整的多集影视化短剧。
该工具支持上传最长10万字的剧本。输入完成后，AI自动完成整部短剧的生成，无需人工分镜，也无需拆解式工作流。一份剧本输入，一部完整影视化短剧输出。
Pippit的关键突破在于：它不仅能生成单个镜头，还能在整个故事中维持角色的视觉连续性。同一角色可在不同地点、不同光照条件、不同情绪状态及不同时间线中持续出现，且外观保持一致。
原本需要完整制作团队完成的工作——包括编剧、角色设计、分镜绘制、摄影构图、多集剪辑组装——现在可由单人通过该AI短剧智能体完成。‘一人工作室’时代已经到来。
一段由Pippit AI短剧智能体全程生成的短剧示例显示，其画面具备电影级真实感、影视化布光、稳定的角色表现及富有情绪张力的特写镜头，明显区别于当前主流AI生成视频。
Pippit正式定义了‘AI短剧智能体’这一新类别。用户现可通过Pippit平台访问该AI短剧智能体，体验内容创作的下一代范式。
Karpathy 的 CLAUDE.md 文档仅含 65 行文本，在 GitHub 上获得 22 万星标，登顶趋势榜。
该文档将 AI 编程任务的准确率从 65% 提升至 94%，数据来自 Karpathy 的实际测试及大量开发者反馈；不同任务中提升幅度存在差异。
文档不含任何技术黑箱或‘奇技淫巧’，全部内容围绕四条方向一致的原则：
→ 先想清楚再写代码：陈述明确假设，对不确定处主动提问，杜绝猜测；
→ 从最简方案入手：只编写能解决问题的最少代码，不添加任何多余抽象；
→ 像手术一样精确：每一步修改都需有明确依据和可验证效果。
文档未提及第五条规则，未对比其他提示框架，未说明具体测试任务类型或模型版本，也未定义‘准确率’的测量方式。
多位用户在社交平台确认已阅读该文档，并讨论执行难度，其中有人指出第一条‘先想清楚再写代码’最难坚持。
面向学习者发布Hands-on Labs及Agentic Engineering系列课程，首讲Agent Skills。
开发者Jun Song公开承诺永不Rug Pull，全力推进AI开源项目SUPERGEMMA。
个人实测推荐两款1美元起充、支持开票的AI API中转服务，分别侧重GPT和Claude模型。
新论文值得阅读。一个完整的智能体（agentic）工作流可以被蒸馏进模型权重中，并以大约低100倍的推理成本运行，同时保持接近前沿水平的任务质量。
该工作流包括多步大语言模型调用、工具调用、中间草稿区（scratchpads）以及决策结构。
与在运行时通过框架表达所有这些行为不同，该论文通过有针对性的蒸馏，将行为摊销（amortize）进一个编译后的模型中。
这是迄今为止关于智能体编译（agent compilation）最有力的经济性论证。
运行时循环具有灵活性，但代价高昂；而编译后的工作流则以部分灵活性为代价，实现了巨大的推理成本降低。
论文：
Learn to build effective AI agents in our academy:
Codex新增Appshots功能，Mac用户连按两次Command，AI就能读取当前窗口全部内容——不是截图，是直接理解界面结构和文字。设计师改稿、客服查订单、程序员调试报错，动作链缩短了一整步。
阅读全文 →🔺全新发布：corecrypto 中实现了经过形式化验证的后量子密码算法 ML-KEM 和 ML-DSA，其正确性从 FIPS 规范逐层验证至手工优化的 ARM64 汇编代码——这是全球首个在数十亿设备规模上达成此成就的实现。
我们同时开源了 Isabelle 证明库、ARM64 形式化模型，以及 Cryptol 到 Isabelle 的自动翻译器，以推动经形式化验证的密码学技术发展。
Pipecat提供Python接口，把音频输入、AI服务调用、语音合成、实时对话状态全串起来。想做个能听会说、还能打断重说的前台语音助手？现在不用从WebRTC和ASR模型开始啃了。
阅读全文 →https://archive.ph/WfCta
社区讨论:多人指出Claude Code token消耗极快，@proxysna称团队一周烧光月度配额，而Deepseek同等预算能撑整月；@tra3强调人机协同比纯自主代理更省token。@robertkarl透露该试点12月启动，6月30日终止，因单月耗尽2026全年AI预算。@killerstorm批评编码代理反复处理大体积代码、缺乏KV缓存优化，厂商更愿卖token而非降本。@guluarte和@rnxrx则将停用与裁员、AI运营成本上升关联，质疑“用AI省钱”叙事是否成立。
（3）Deepseek-v4-pro 模型 API 定价将在 2026 年 5 月 31 日 15:59 UTC 结束 75% 折扣促销活动后，正式调整为原价的 1/4。
https://x.com/deepseek_ai/status/2057854261699195173
社区讨论:多人指出DeepSeek V4 Pro实际推理成本低源于MLA架构将KV缓存压缩5–13倍（@cold_harbor），而非单纯降价抢占市场。有人质疑中国托管模型存在数据泄露风险，尤其担忧政府扫描聊天记录（@doctoboggan），也有人强调已通过网关部署实现零数据留存（@belinder）。另有用户对比价格称V4 Pro输出单价仅$0.87/百万token，不足Opus或GPT-5.5的1/20（@Reubend、@Reubend），并抱怨Claude等竞品任务中断频繁、性价比骤降（@onlyrealcuzzo）。
我在公司使用的是团队共用的一个 Claude 订阅。
说实话，我更喜欢 Kiro，因为它提供了好得多的 SDD 管理能力。
但公司无法提供 Kiro，而我自己目前也负担不起。
后来我发现，我的 Claude 实例中已启用了“技能创建者（Skill Creator）”技能。
于是我就利用它开发了这个技能。
整个技能完全由我使用 Claude 构建而成。
但我想把它做成开源项目，所以请 Claude 帮我编写测试、准备发布材料，甚至写了一个用于运行 Python 测试的 CI 流程。
好了，我们得到了这个……
你的强化学习（RL）后训练可能正在破坏大语言模型（LLM）在测试时的缩放能力！
传统 RL 假设你可以将所有奖励信号在*前期*就压缩为一个单一的*标量奖励*。
我们提出向量策略优化（Vector Policy Optimization, VPO），它原生地最大化*向量值奖励*，从而提升测试时搜索性能——即使在原始标量奖励任务上亦然。
金融从业者发现，开源社区正批量推出能跑通研究、决策、执行、监控全链路的AI交易工具——它们不需要你写一行策略代码，就能接入真实市场。
阅读全文 →个人实测推荐两款1美元起充、支持开票的AI API中转服务，分别侧重GPT和Claude模型。
开发者Jun Song公开承诺永不Rug Pull，全力推进AI开源项目SUPERGEMMA。
面向学习者发布Hands-on Labs及Agentic Engineering系列课程，首讲Agent Skills。
Karpathy 的 CLAUDE.md 文档仅含 65 行文本，在 GitHub 上获得 22 万星标，登顶趋势榜。
该文档将 AI 编程任务的准确率从 65% 提升至 94%，数据来自 Karpathy 的实际测试及大量开发者反馈；不同任务中提升幅度存在差异。
文档不含任何技术黑箱或‘奇技淫巧’，全部内容围绕四条方向一致的原则：
→ 先想清楚再写代码：陈述明确假设，对不确定处主动提问，杜绝猜测；
→ 从最简方案入手：只编写能解决问题的最少代码，不添加任何多余抽象；
→ 像手术一样精确：每一步修改都需有明确依据和可验证效果。
文档未提及第五条规则，未对比其他提示框架，未说明具体测试任务类型或模型版本，也未定义‘准确率’的测量方式。
多位用户在社交平台确认已阅读该文档，并讨论执行难度，其中有人指出第一条‘先想清楚再写代码’最难坚持。
Pippit刚刚推出全球首个AI短剧智能体（AI Short Drama Agent）。它不生成单个视频片段，也不输出彼此割裂的画面序列，而是从一份剧本出发，直接生成完整的多集影视化短剧。
该工具支持上传最长10万字的剧本。输入完成后，AI自动完成整部短剧的生成，无需人工分镜，也无需拆解式工作流。一份剧本输入，一部完整影视化短剧输出。
Pippit的关键突破在于：它不仅能生成单个镜头，还能在整个故事中维持角色的视觉连续性。同一角色可在不同地点、不同光照条件、不同情绪状态及不同时间线中持续出现，且外观保持一致。
原本需要完整制作团队完成的工作——包括编剧、角色设计、分镜绘制、摄影构图、多集剪辑组装——现在可由单人通过该AI短剧智能体完成。‘一人工作室’时代已经到来。
一段由Pippit AI短剧智能体全程生成的短剧示例显示，其画面具备电影级真实感、影视化布光、稳定的角色表现及富有情绪张力的特写镜头，明显区别于当前主流AI生成视频。
Pippit正式定义了‘AI短剧智能体’这一新类别。用户现可通过Pippit平台访问该AI短剧智能体，体验内容创作的下一代范式。
文章定义LLM为预测下一个Token的大脑，依次串联Token、Context、Prompt、Tool、MCP、Agent、Agent Skill七层构件，形成完整AI应用逻辑链条
阅读全文 →Hermes代理中的技能包（skill bundles）功能。我认为这是Hermes中最被低估的特性。
真实工作流需要一组技能协同运行，而非逐个单独调用。
例如，编写代码可能同时需要代码审查技能、测试技能和PR工作流技能。
每次调用都指向链接：https://t.co/RpGUGKEGm0
@GokBoraYlmz 表示赞同，并回复：“是的，欢迎使用！:)”
继续挑战GPT image 2尺度，仍采用此前方法：提示词聚焦于风格、身材、轮廓等关键词，不提及具体身体部位。
如何让生成图像‘更加性感’？用户称昨日从李岳处学到一个词：丰腴🤣。
对应提示词为：丰腴身材，S曲线，轮廓饱满，中国成熟美女模特，泳装。附图链接：https://t.co/XMOMrpF04H。
@MrGafish 提问‘下半身怎么说呢’。
@hiwljun 指出该结果‘有一种日本美女的味道’。
@mogician301 回应‘理论上是没啥问题的’。
@openapi 评论‘你这个视角可以，还可以再来个俯视的’及‘这个可以，很不错了’。
@koffuxu 称‘这个可以，慢慢的突破限制’。
@PeterPanLam1990 评价‘这个算是微胖界的天花板了’。
@zake552493 表示‘豆包不行的’。
@Jack_DAfeng 发布另一张图链接：https://t.co/QwzB8e47R5。
@huxiaoerguo666 询问‘gpt image2么？’
一名22岁的美国开发者展示了如何仅凭双GPU硬件配置和Cohere新发布的开源权重模型（open-weights model），实现每月14,200美元收入。
他没有强大的开发团队，没有大规模风险投资支持，也没有昂贵的企业级基础设施。
他构建了一个“本地化AI工作流”，链接为：https://t.co/2Q8DEO1Ied。
用户@The_Wooo评论称，这彻底改变了人们认为必须投入数百万美元云预算才能搭建有竞争力的人工智能基础设施的认知。
用户@MaksimXBT指出，量化（quantization）和混合专家（MoE）架构在此类方案中尤为关键。
用户@Lummox_eth表示，不需要成为下一代天才，只需停止等待所谓“完美条件”。
用户@zostaff补充，类似本地工作流通常在Mac Studio设备上运行，采用4位或8位量化。
用户@0x_fokki提到，最近三天只是该方案的实现阶段，主要工作是同步识别仲裁窗口与开放系数（openness coefficient）数值下降的同一时刻。
AI助手在母亲需要时提供了真实帮助。开发者@badlogicgames在𝕏上发文表示：‘the one time AI would be helpful for my mom. thanks, claude.’ 并附链接指向相关实例。
随后他补充评论：‘thanks haiku, you lobotomized bag of tensors.’ 同样附上另一链接。
两条消息均未说明具体场景、操作过程、母亲遇到的问题类型或Claude提供的帮助形式。原文未提供技术细节、时间信息、产品版本或第三方验证内容。
我已基本停止使用Skills，转而采用GitHub Gist，因为后者更容易管理 👀
@GustavoValverde 提出一个操作流程：先由某代理在一次会话中完成任务；再用另一个代理读取该会话内容，并要求其从中创建Skill；接着让该代理将生成的文档推送到一个私有Gist；最后，在需要使用时直接粘贴该Gist链接。
精选文章的中文编辑重写 · 按更新时间排列
每天三次更新，不错过重要信号
添加到 Feedly、Inoreader 等阅读器，自动接收更新
https://ai-pulse-lab.com/feed.xml
把以下内容发给你的 AI Agent（Claude/ChatGPT/Manus 等），它会帮你设定每日推送：
请帮我设置一个定时任务，每天北京时间 9:30、15:00 和 19:30 各执行一次： 请求 https://ai-pulse-lab.com/api/brief.json，读取返回 JSON 中的 textPlain 字段，将内容发送给我。 补充：每日北京时间 09:00、14:30 和 19:30 更新，建议更新后 30 分钟查询。可先请求 /api/manifest.json 检查 nextUpdateAt 字段。无需认证，直接 GET 请求即可。