编码智能体加快了代码生产。但测试已部署变更、复现故障,以及提交清晰调查报告的工作,仍然需要由人来完成。
来自 ContextQA 的 Ship 可以处理错误报告(来自 Slack 或 Linear),在已部署应用上复现错误,并将证据打包提供给工程师或编码智能体。
美国政府宣布不再称其为「人工智能」,改叫「超级智能」。特朗普会见多家 AI 公司高管,他们签署的《前沿责任联合承诺》不具法律约束力,更多是姿态性的品牌重塑。
来源今日深读《美国政府把AI改名为“超级智能”,评论:品牌重塑而已》
Google 调整 Gemini app 权限:10 月 9 日起免费用户只能访问 Flash-Lite 模型,各付费档位同步调整,想用更强的模型得先看清自己档位对应的权益。
来源@testingcatalog「Google 调整 Gemini app 免费用户权限」
OpenAI 准备合并 ChatGPT 的两个模式,原本聊天不计入额度的规则随之取消,之后所有询问都占用额度,对重度用户是变相收紧。
来源@shengtang135754「OpenAI要合并ChatGPT两个模式,额度会更紧张」
卧槽,上海人工智能实验室免费发 5亿Token ! 平台叫书生·端砚,注册就送“每月免费基础包”:10 墨点。 官方写明 1 墨点最多抵 5000 万 Token,10 墨点就是最多 5 亿。
这个工具仅通过一张图像就能学习任意三维空间。它名叫 OneCanvas,是 NeurIPS 2026 的焦点论文,代码和模型均已公开。 它将一个房间的多个视频帧合并成一张全景图,这样普通图像人工智能就能回答关于三维空间的问题。
一个获得了 35K GitHub stars 的开源模板,可以让 Claude Code 分析任意网站 URL,并在几分钟内将其重构为一个整洁的 Next.js 代码库,由多个并行智能体同时处理界面、组件、颜色、排版、间距和资源。
网页端跑大模型的时代真的要来了。 Hugging Face 开源了全球最快的 WebGPU 算子库(直接覆盖 200+ 常见机器学习算子)。 这意味着什么?
总统唐纳德·特朗普本周会见了人工智能领域众多重量级人物——部分原因是为了宣布美国政府不再称其为人工智能。现在,它叫“超级智能”。
在TechCrunch的Equity播客最新一期节目中,Kirsten Korosec、Sean O’Kane和我讨论了这次会议背后的动机,以及它可能对AI行业产生的影响。我们都对高管们签署的《前沿责任联合承诺》能否产生多大效果持怀疑态度,尤其是——正如Sean指出的——从法律角度看,它“完全不具约束力”。(相反,特朗普表示他认为这是“道德约束”。)
Kirsten认为,这次会议真正的意义可能在于“围绕AI的一次品牌重塑努力”。
𝕏 实时信号 + arXiv 前沿论文,经 AI 聚类解读 · 一眼扫完全貌(含上方导读精选 4 条)
以往编码助手只负责生成代码,测试、复现bug仍需人工操作。这款工具可以自动完成bug复现并整理证据,减少人工重复工作。
编码智能体加快了代码生产。但测试已部署变更、复现故障,以及提交清晰调查报告的工作,仍然需要由人来完成。
来自 ContextQA 的 Ship 可以处理错误报告(来自 Slack 或 Linear),在已部署应用上复现错误,并将证据打包提供给工程师或编码智能体。
AI代理现在不止能开发产品,还能自主触达客户,相关功能已经落地,可以帮你完成获客全流程。
今天我们重新定位 Zernio。智能体不只是构建产品,它们还会负责产品如何触达客户。这不是理论,而是已经在发生了。
我们从社交集成起步,现在已经覆盖广告、WhatsApp、消息和通话,全都使用同一个 API。
所以我们如实命名它:面向产品和智能体的营销基础设施。
想看看大语言模型处理空间物理建模的能力,可以关注这类实测结果,了解Claude在复杂工程问题上的表现。
社区讨论:多数用户反馈该项目加载缓慢、运行卡顿,在不同浏览器和系统上均有崩溃或报错问题,且生成的画面效果类似90年代电子游戏,粗糙笨重。有用户指出无法分辨行走地形是上坡还是下坡,也有用户认为AI能在浏览器中生成这个场景已经很令人惊讶,还有用户喜欢船上NPC的聊天设计,有开发者表示看到这个项目后觉得自己构思多年的同类想法再不做就来不及了。
业内人士认为Claude Opus 5.5领先所有开源模型,七月份Kimi K3引发热议,现在就等国内交出对标作品。
AI公司处理用户隐私和内容合规的边界引发关注,使用AI服务生成或存储内容时需注意相关风险。
社区讨论:多数人对这一事件表达担忧,认为这实际是“思想犯罪”,如今聊天机器人会告密,越来越像奥威尔笔下的监控社会。有人同情Anthropic,认为不举报会面临负面舆论,举报又遭诟病,属于进退两难。也有人对指控本身提出疑问,按照佛罗里达州法律要求,威胁内容需要能被其他人看到,不知道这份用户日记满足这一点的依据是什么。
国内头部AI企业将集体升级核心大模型,核心能力将全面优化,关注AI能力提升的用户可以期待后续体验变化
众多中国头部AI科技公司大模型即将重磅更新! DeepSeek V5 GLM 5.5 小米V2.7 Pro Kimi k4 Minimax m4 Qwen 4 …… 本轮全系模型聚焦核心能力升级,在逻辑推理、超长上下文处理、多模态交互与智能Agent能力上全面优化进阶,整体迭代亮点十足、备受行业关注。 你最期待哪一款?
你可以关注全球药企研发投入的新增长点,AI药物发现会带动实验环节需求上涨,相关供应链企业已经出现业绩增长。
美国计划推动本土开源大模型在全球市场竞争中国开源模型,多家机构将在本月发布开源模型。
Axios 报道称,Reflection AI 即将发布一款能力极强的开放权重模型,预期将与中国顶级的开放权重模型竞争。
自 7 月以来,Reflection 每月向埃隆·马斯克支付 1.5 亿美元,用于获得 Colossus 的算力,除此之外还与 Nebius 签订了 10 亿美元的算力协议,因此开发出一款强大模型确实是有可能的。
消息人士还向 Axios 透露,其他未具名的美国实验室也计划在本月发布多个开源模型。美国开源人工智能复兴即将开始?
Howard Lutnick 一直期待出现这样的局面,据报道,他一度甚至考虑争取政府直接注资来推动此事。美国政府希望美国开放模型能在全球范围内与中国模型竞争。
依托Telegram API实现跨设备访问,主Bot可24小时调度其他任务,笔记本关机也能自动路由任务到云端VM运行。
X用户@AlexFinn分享让Grok Bot等AI代理提效的反向提示循环
如果你在使用 Grok Bot、Dots、Muse 或 Hermes,你的智能代理能做到的事情远比你想象得多。你很可能只用到了它 1% 的能力。
想要完成更多工作,最优策略就是“反向提示循环”。
第一步:给出这个反向提示:“根据你对我和我工作的了解,你能帮我做哪五件有产出的事?”
第二步:从中选一件。
第三步:不断重复这个流程,直到你完成大量工作。
这样做不仅能让你效率高得离谱,你还能完成你根本想不到智能代理能搞定的任务。
你接入的数据源越多,这个方法就越强大,尤其是接入邮件连接器的时候。我本来就很讨厌处理邮箱,跑一遍这个循环通常就能把我所有未读邮件都处理完。
试试看,然后告诉我你的感受!
对需要迁移旧网站、找回丢失代码或学习优秀界面的人来说,这个免费开源工具能大幅节省建站时间,效率提升明显。
现在 Claude Code 只需几分钟就能克隆出几乎任何网站的界面
现在有一个开源模板可以分析任意网站,并将其转换为整洁的 Next.js 代码库。你输入网址后,代理就会分析:
→ 界面和组件
→ 颜色和排版
→ 间距
→ 图片、图标这些资源
之后它会让多个代理并行工作,逐个重建每个区块。
它支持 Claude Code、Codex、Cursor、Gemini、Copilot 以及超过 10 种编程代理。
它在 GitHub 上已经获得超过 35k 星标,采用 MIT 许可证,完全免费。
效果就是:过去需要好几天来排版界面的工作,现在只需要几分钟。
对于想要迁移旧网站、找回丢失代码或是学习优秀界面制作方法的人来说,这完全改变了游戏规则。
仓库在评论区 👇
当前AI编码工具大幅提升了代码产出效率,但验证代码、复现缺陷仍需人工完成,是开发流程的瓶颈。ContextQA发布Ship,可自动测试代码、复现缺陷并交给大模型修复,后续能否成为开发标配?
想搭建全AI驱动的公司部门?这份教程聚焦Grok Bot,能帮你最快起步,解决招人成本高流程慢的问题。
来自@badlogicgames在X平台的动态,展示本地远程执行环境切换等功能开发
这是开发第三天的进展,目前已经完成当前工作目录文件浏览器和git查看器的开发。
向AI代理返回的内嵌评论功能正在开发中。接下来会集成执行环境切换功能,让AI代理可以在本地机器和远程机器之间跳转,AI的核心逻辑仍然在开发者的手机上运行。
开发者决定不发布该项目,这只是一个关于pi coding agent未来方向的粗略设计研究,还需要一些时间打磨。
目前整个项目的代码量是12000行,其中包含6000行前端代码,开发者认为这个体量已经非常精简。
要完成一个可供测试的完整设计研究,还需要添加代码模式和MCP(模型控制协议)支持。这需要对pi durable本身做少量修改,目前处于开发者自用测试阶段。
无需修改现有代码工具就能做强化学习训练,能让已有模型在更少工具调用下完成任务,开源可复现,给开源 AI 训练提供了新路径。
不同框架的强化学习环境之前互不兼容,现在统一托管在 Hub 上,无需搭建第二套系统就能使用,方便开发者跨框架使用。
强化学习环境现在在@huggingface Hub 拥有了一席之地。
每个强化学习框架都有自己查找环境的方式:自定义中心、运行时注册表、带自定义加载器的 GitHub 列表。
如果你为某个框架发布了环境,其他框架的用户就无法加载它。我们认为这不对。
环境就应该和数据集一样,因为它由任务、测试、容器和奖励函数构成。Hub 已经为数百万人存储、管理版本、控制访问和预览数据,所以不需要第二套系统。
以下是我们如何在 Hub 推出环境功能:
这套6层框架能让原本只能演示的智能体变成可商用的稳定基础设施,降低智能体运行故障概率,对想要搭建可靠商用智能体的开发者很有参考价值。
来源𝕏用户@gkpacker,分享了其作为独立创始人使用Grok构建自动化Bot工作流的经验。
AI生成代码已经能缩短开发时间,但现在验证AI写的代码成了软件开发工厂的新瓶颈。
现如今,我花在验证智能体生成代码上的时间,比我自己写代码的时间还要多。这就是所谓“软件工厂”的一个重大瓶颈。
Ship 来自 @ContextQa,它会处理在 Slack 或 Linear 上报的错误,复现问题,然后把上下文交给 Claude Code 或 Codex 来修复。
编码智能体需要这种反馈循环,才能在修复自身错误上做得更好。
@EXM7777在𝕏分享了使用Claude Code中Opus 5.5超过70小时总结出的高效使用方法
需要多人协作完成的代码测试、bug复现和定位工作,现在可以交给这个产品自动完成。一次修复的bug会永久保留覆盖。
AI 编码工具让生成代码变得容易多了。但测试检查这一端还是老样子。还是得有人去测试受影响的流程,有人去复现用户反馈的错误,有人得搞清楚哪里出了问题、为什么出问题。
我刚刚观看了@ContextQa推出的Ship,这是一款围绕上述工作打造的自动质量测试工程师。
我的所见:
- 测试已部署的PR并标记出回归问题
- 从Slack或Linear获取错误报告并复现它们
- 调查可能的原因
- 将调查结果交给工程师、Claude或Codex
- 把复现出来的错误保留为回归测试
最后一点让我印象深刻:你曾经修过的错误,会一直保持被覆盖的状态。
解决大模型处理长期任务时,读取历史信息慢、成本高还容易找错重点的问题,加快反应速度。
对常年有大胆想法却无法落地的人来说,这款模型能帮你把多年想法变成现实
Opus 5.5 改变了一切……它价格低廉,理解能力惊人,处理细节到位,有全局视野,还能做预测……对我来说,它无疑就是那种能帮我把脑海里藏了多年的大胆想法落地的模型。实际上,我已经盯着它看了14天了……
来自@3li_Alkinani发布在𝕏的内容,提到Claude和Codex
Claude是聪明的,Codex是聪明的,愚蠢的是我们使用它们的方式。
每一次新会话:这个客户、这个项目、我们做完了什么、我们上次停在哪里……我们变成了人工智能的内存。
我们厌倦了,所以我们构建了「مدار」。现在人类、代理和第二名团队成员会从上次停止的地方继续推进。来看看我们做了什么。
大模型考试掉分不一定是不会推理,也可能是看不见记不住。这个方法靠外置原图帮大模型解决记忆问题,普通大模型也能拿到满分。
@realchendahuang分享,该教程可通过命令集成到Claude Code或Codex
GitHub 上出现了一个体量极大的 AI 工程全栈开源教程。它一口气拆了 20 个阶段、523 个模块: 线性代数、反向传播、神经网络、语音处理、Transformer、模型微调、强化学习、多模态、MCP 协议、Agent 执行循环、多智能体协作、生产级部署。最硬核的是它把教程本身做成了 Agent 技能,终端跑一行命令装进 Claude Code 或 Codex,本地智能体直接化身一对一导师,随时出题、改代码、跑测试。
523 个模块全部开源,每节课写完都会交付一个可以直接复用的提示词、Skill、Agent 或 MCP 服务。项目地址:
这是新大模型发布前的典型操作,如果你关注Claude系列模型更新,可以提前知晓新版本正在路上。
🚨 Fable 5.5 似乎正在灰度测试中。
Anthropic 修改了 Claude Code,现在选择 Fable 会保存滚动选择 Fable,而不是固定当前版本。
它会自动跟随最新的 Fable 模型,Opus 和 Sonnet 在 5.5 变体发布之前的灰度测试中也发生了同样的事情。
实体AI发展真正的瓶颈可能不是模型,而是数据。这款数据引擎将人类演示转化为大规模训练数据,值得关注其进展。
实体AI真正的瓶颈可能不在模型,而在数据。
@axisrobotics 正在为机器人构建数据引擎,方法是将人类演示转换为大规模训练数据。他们已经筹集了 1200 万美元,由 Hack VC 领投,Nomad Capital、Pi Network Ventures 等跟投。
他们的生态系统包含机器人和人工智能参与者,比如 Booster Robotics、Dexmal AI OpenRoboto 和吉利。最近的进展也值得关注:
- 超过 690 万条轨迹
- Axis Dataset V1
- 人工筛选 DAgger
- 超过 22.2 万名用户
- 在 Base 上进行 $AXIS 社区销售
更大的命题很简单:更好的数据→更好的模型→更好的机器人。这个反馈循环可能会成为实体AI的一个关键层级。
有人认为行业评估视角错了,比起模型性能更值得关注的是机器人积累经验的速度,目前正在关注积累超500万的axisrobotics。
大多数人谈起机器人技术,依然会问:“这个模型有多好?”但在我看来,更有意思的问题是:这台机器积累经验的速度有多快?
这就是为什么我一直在关注 @axisrobotics 的 500 多万条机器人轨迹数据。贡献者超过 20 万。现实世界的数据不断流入一个越来越智能的反馈循环中。
真正的优势根本不是数据集。真正有价值的是这套系统的可能性:模型帮助决定接下来值得收集哪些经验,而每一条新经验都会让下一个模型变得更好。
这感觉更接近 Physical AI 实际规模化的路径。加密行业花了数年时间为数字网络构建协调层。现在我们开始看到这些理念和物理世界碰撞后会产生什么。
数据→经验→更好的模型→更好的数据。如果这个循环不断复利,好处不只是更好的机器人。它会催生一个全新的机器数据经济。
做 DSH 插件开发遇到版本升级难题,不用再纯手改代码,可以借助大模型工具自动完成迁移升级。
物理机器人AI通过人类反馈闭环训练提升性能,这是实体机器人AI落地的关键一步,值得关注落地进展。
physical ai Axis Robotic @axisrobotics 在这边。
累计超过 690 万条机器人训练轨迹,超过 22 万用户,累计超过 5.3 万小时经过验证的数据。
构建了一个包含超过 7700 个训练任务的强大数据管道。
在 Axis v2 中,系统从简单的数据收集过渡到闭环训练。机器人尝试完成任务,犯错,然后通过人工干预生成修正数据。反馈会进入新的训练循环。
根据 Axis 分享的结果,用这些数据进行连续训练将 π0.5 整体成功率提高了 5.8%,并且性能比 Robocasa365 预训练模型高出 37.3%。
已获得 1200 万美元种子轮融资。
对我来说,随着贡献者网络不断壮大,Axis 的真正价值在于人工反馈→训练数据→模型改进→扩大“更难任务”循环。
现在我等着看他们在迁移学习方面能拿出多强的结果。
如果未来几天 $BTC 和 $ETH 不发生反转,$AXIS 就可能会在第四季度开始在交易所交易。
想要开发长时间运行的多智能体应用,不用依赖大型工作流框架,这个新开源产品提供了更轻量的选择。
欢迎来到我们的周一冥想!🌞 今天 @badlogicgames 和 @mitsuhiko 将聊聊我们为什么开发Pi Durable——这是一个围绕基于任务的小型工作流引擎构建的工具,能让长时间运行的多智能体在任意位置暂停和恢复。
另外,我们也会聊为什么不选择Temporal或Effect.ts。
GeoffreyHuntley在𝕏分享,使用大语言模型(LLM)生成LISP代码可避免编译循环的痛苦
为什么要手动写代码、忍受编译循环的痛苦,而不用大语言模型(LLM)生成LISP代码来得到想要的结果?
使用者表示,不知道为什么,但这本身就是乐趣。从一个微小的核心开始,和大语言模型聊得越多,它就能长成你想要的任何东西。
整体思路是这样的:首先定义必须满足的属性;大语言模型可以做任何事,包括定义新函数;函数和属性会在生成过程中持续保留;随着代码规模增长,由于大语言模型已经定义好了所有确定性函数,后续对它的依赖会越来越少。
Mistral 本是欧洲主推的本土AI替代方案,却在开源模型成熟可用时转向应用和基础设施,让融资仅为 Mistral 15%的德国 Aleph Alpha 趁虚而入。
Mistral 这一步真是摔了个世代级的大跟头。
这家法国初创公司本来注定要成为欧洲本土自主AI的替代选项。
结果它却放弃了开发模型,转向开发应用和基础设施。
它做出这个转向的时机,正好就是开源模型已经足够强大、足够便宜,完全具备可行性的时候。
现在 Aleph Alpha 横空杀出,推出了一个廉价、高性能的开源模型。
这家德国公司拿到的融资额,只有Mistral拿到的大约15%。
日本用户在𝕏分享,本地大模型幻觉更少,使用更便捷
需要用到GGUF格式模型、适配Strata和llama.cpp的用户,可以测试这个新版本是否符合使用需求
新的 GGUF(Swift 系列,Strata)版本:huihui-ai/Huihui-Qwen3.8-Flash-Next-abliterated-GGUF
最新更新:新增的 Swift 系列来自 ukisai/Swift-1.5-Qwen3.8-Flash-Next-GSQ-RCO-GGUF。
该 Swift 系列同时支持最新版本的 Strata 和 llama.cpp。
这只是一次测试/验证。
10月9日起,Gemini app 免费用户只能访问Flash-Lite模型,不同付费档位的权限也同步调整,现有付费用户需要关注自身权益变化
社区所有人自己持有NFT就能运行AI工人参与集群工作,代币只销毁不增发,感兴趣可以关注项目后续进展。
开发者@TheObiLeonard分享,全程使用Claude Code和Codex完成
我在4天时间里完成了网站、管理后台、游戏化体验(Mission Control 界面)和用户后台全部开发,全程没有在 Figma 里做过一次设计。
所有内容都是在 Claude Code 和 Codex 里完成的。你不会相信这一切是 AI 完成的。
想把Jev整合进实际软件项目,可以跟着这份分步教程学习,从基础概念到实际落地逐步掌握。
博主CryptoPainter发布实验结论,称纯AI交易决策不可靠
有人梳理了当前AI的落地场景,包括写函数改bug、生成测试用例找bug等开发环节。
如今软件行业实际用了多少AI?
AI应用场景:
💻 编码:编写函数、修复bug、重构代码
🧪 测试:生成测试用例、查找bug
📚 文档:编写README/API文档
🔍 代码评审:发现问题、给出改进建议
🚀 DevOps:CI/CD、日志分析、故障排查
🛡️ 安全:漏洞检测、威胁分析
📊 数据:生成SQL、分析、做看板
🎨 前端:生成UI/组件
🤖 AI 智能体:处理多步骤开发任务
🧑💻 支持:故障排查、客户服务自动化
最大的变化:
AI出现前:开发者 -> 编码 -> 测试 -> 部署
现在越来越多是:开发者 -> AI -> 评审 -> 测试 -> 部署
开发者@LearnWithSubhan要求Opus 5.5生成工具,耗时1小时26分钟花费25.66美元
开发者@LearnWithSubhan要求AI模型Opus 5.5,通过构建一个交互式镜头实验室来解释相机对焦原理。
该项目一次生成完成,耗时1小时26分钟,API调用成本为25.66美元。
用户可以拖动对焦环,观察玻璃元件如何在整个场景中移动清晰焦平面。项目已公开,可在线访问体验。
如果你喜欢这类内容,可以给原推文点赞、转发原推文,或是关注@LearnWithSubhan获取更多类似内容。
该模型仅用1万亿token训练,在17项预训练基准测试中赢了9项,超过参数量更大、训练数据更多的同类模型,可关注小参数模型的性能上限突破
我们推出Madhuram-v1,这是一个拥有1.51亿参数的语言模型,训练数据包含1万亿个token。
在和LFM2.5-230M、Gemma 3 270M以及SmolLM2-135M这几个训练数据量比我们多2到19倍的模型对比的17项预训练基准测试中,它在9项测试中领先。
下面是完整的细分结果。 🧵
如果未来AI agent需要在真实物理世界行动,它们就得想办法获取还没人采集过的空间数据。这个机制补上了自主AI和现实世界之间缺失的接口。
各位早上好。
AI智能体可以从互联网生成信息。但如果它们需要的信息存在于物理世界的某个地方,会发生什么?那就是另一个问题了。
智能体可能需要由3D捕捉的特定街道、建筑入口、工业场地或某块基础设施。如果还没有人收集这些数据,它没办法直接“搜索”到。
@vangrid_io 正在构建一种让智能体填补这一缺口的机制。AI智能体现在可以通过x402发布物理世界采集悬赏,预先用Base或Arc上的USDC提供资金。
人类贡献者接下请求,拍摄该地点并提交采集内容。买家首先会收到带水印的预览;验收通过后,Vangrid会将采集内容重建为3D场景,并通过托管释放付款。
其中重要的洞见是这个经济循环:智能体需要现实数据 → 智能体付款 → 人类采集现实数据 → Vangrid将其转换为结构化空间数据。
这开始看起来不像是一个数据市场,而更像是自主软件和物理世界之间的接口。如果智能体要在现实世界运行,它们最终需要一种购买现实世界信息的方式。Vangrid或许正在构建那个缺失的层级。
网友@jarvis11x在𝕏分享Muse生成视频的技巧,可让Muse先出参考资产图
网友@jarvis11x分享了使用Muse生成视频的实用技巧。
为了保证生成视频中人物镜头的一致性,可提前生成人物、场景、道具并锁定这些资产素材。
最开始,@jarvis11x会使用GPT image 2.5生成人物素材,现在他直接使用Muse生成图片。
@jarvis11x认为Muse的图像生成能力并不差,只需要在生成视频前加入一句特定提示词即可。
这句提示词为:所有分镜生成前,请先创作人物、场景、道具的参考图作为创作资产包,并在对应的分镜生成时加上参考图。
对需要AI完成的研究类任务,提前约定范围和审核标准才能核验结果靠谱程度,普通哈希无法做到这一点。
我一直注意到,“已验证”这个词被用得太频繁了,仿佛它能解决 AI 工作中的所有问题。
比如说,我雇一个智能体去研究一份协议。哈希值可以锁定它交付的报告,但没法告诉我信息来源是否可靠,智能体有没有漏掉一个关键风险,或者它的结论是否符合证据。
@termix_ai 吸引我的地方在于,它可以在付费前先确定任务范围和审核标准。交付内容会生成固定记录。如果工作不符合约定范围,买家可以提供证据提出异议。
对于研究工作,我会要求标注引用来源、明确假设,还要有一个部分专门说明智能体无法验证的内容。这样我才有办法判断工作质量。交付记录能让双方基于同一份报告讨论。
传统机器人框架把遥测数据当作一次性运营成本,这种结构设计本身就带来了可扩展性问题。
物理AI的数据瓶颈不只是硬件限制,而是一个结构性可扩展性问题。
传统机器人框架将遥测数据视为一次性运营成本:收集、训练、然后丢弃。Axis Robotics 通过引入复合数据引擎架构打破了这种范式。@axisrobotics
Axis 不依赖资本密集型实验室环境,而是通过基于浏览器的执行将空间数据收集去中心化。每一条通过 Hub 完成的轨迹都会直接送入迭代优化循环,训练后续AI模型以识别下一训练周期所需的数据向量。
架构分解:
• 合成数据扩展:原始用户轨迹会在 IsaacSim 环境中扩展为数千种边缘案例模拟变体。
• 可验证遥测:轨迹会通过 Base 在链上进行加密签名,建立透明的贡献追踪和数据集来源记录。
• 自主向量选择:模型会动态控制下一阶段的数据收集,将数据获取从线性开支转变为指数级基础设施。
通过连接高保真模拟和以人为中心的输入,Axis 为机器人部署创建了一个自我维持的反馈循环。
加入 Hub 直接贡献轨迹数据:
随着自主AI代理规模扩大,链上轨迹验证会对去中心化物理基础设施网络产生什么影响?
负责人称「一切皆插件」从项目一开始就定了,开源也是DeepSeek成立前就定下的方向。
🔥崔添翼放出经典名言:DeepSeek Harness的开源是初心,不是被迫!
DeepSeek Harness负责人、Claude Code Mods 兼容层作者崔添翼 10 月 4 日回应新版本兼容争议,核心就三句:
1️⃣「一切皆插件」立项之初、写第一行代码前就定了;开源也是 DeepSeek 成立、发第一个模型之前就定的初心,不是被迫,更不是模仿别人做开放。
2️⃣现在的 Claude Code Mods 兼容只是 alpha 实验,用来验证它的扩展能力是不是 DSH 架构的子集。还做不到全部无缝运行,值得投入的话,技术上未来有可能。
3️⃣桌面端已能免命令行装插件(输入 npm 包名),约 60% 用户在用第三方插件,官方插件市场还在建。
兼容是验证,插件才是架构,开源是起点不是补丁。
#DeepSeek #DeepSeekHarness #开源是初心 #一切皆插件 #AIAgent #ClaudeCode #梁文峰
受斯坦福HazyResearch团队KernelBench启发推出,含15个正确内核
介绍 SparkTrace LLM:这是一个用于评估大语言模型对 CUDA 内核性能判断能力的基准测试。
灵感来自 @斯坦福 @HazyResearch 在 2025 年推出的 KernelBench。
它包含 15 个正确的内核——由模型选出最快的那一个。
剧透:GPT 5.4 nano 选错了内核🙈
不需要中心管理者,越多编码智能体得分越高完成越快。这项结论能让现有多智能体编码工具效率大幅提升
原来编码智能体不需要管理者:微软的一篇新论文发现,当智能体在没有中心管理者的情况下自行认领任务时,更大规模的编码智能体团队得分更高,完成也更快。
即使在 ProgramBench 的 200 个任务中最难的 5 个任务上,将无管理者团队从 1 个智能体扩展到 128 个智能体,每一步都提升了平均分。因此对于大型工作,添加智能体,让它们通过共享工具协调,不需要牵头智能体。
流行的多智能体编码工具会让所有工作都经过一个牵头智能体,而这个牵头智能体能管理的助手数量有限。
Agensh 取消了牵头智能体。每个智能体认领一个子任务,构建并测试它,将它合并到共享 Git 仓库中,并在共享看板上记录结果。
每次运行都使用 1 个模型,论文没有报告大规模团队的成本是多少。
原本聊天不计入额度,聊清楚再开发能省额度,合并后所有询问都会占用原本就不多的额度。
我猜你们没人注意到这段15个小时前Tibo采访 ChatGPT Chat 和 Work 两个模式,OpenAI 准备把它们合并起来。这是codex相比claude最后的优势了,聊天和工作分开,聊天��占用额度,可以聊清楚再投入开发,现在说要合并了,那意味着你所有询问的问题都要占用你的额度了。本来额度就没那么大,以后会更紧张。
Chat功能有非常强的必要性保留,并不计入额度。@thsottiaux @sama
对AI Agent开发感兴趣的用户,可以体验新加入的Claude Code Mods兼容层和内置自动化任务功能,测试开发新功能。
🚨太卷了!崔添翼国庆没给自己放假,DeepSeek Harness 已更新至 v0.2.1-alpha.1!居然将Claude Code Mods变为DSH的子集!
关键更新如下:
1️⃣试验 Claude Code Mods 兼容层。先验证能力是不是 DSH 插件的子集,还不是完整可用兼容。
2️⃣插件页新增「让 Agent 创建插件」。进创造模式会留草稿,发出去才执行。
3️⃣自动化任务内置到 Web。标准、创造、PTC 可用提醒;极简和子代理暂不可用。另有可选开发者工具包,方便查日志、定位会话、调试。
仍是 Alpha,部分插件接口有破坏性变更。
查看更新页: #DeepSeek #DeepSeekHarness #DSH #AIAgent #ClaudeCodeMods #崔添翼 #梁文峰 #Dario
这是expo发布的验证工程入门视频教程,基于开源框架。
验证工程简介
在本视频中,你将学习:
→ 如何使用 @testerarmy 的端到端开源测试框架构建智能体循环
→ 在每个PR上运行这个循环
→ 端到端测试的不同之处:确定性与智能体化
→ 智能体开发的未来
章节:
00:00 为什么会有验证工程这个领域
00:28 我们将要构建的智能体循环
01:09 常青测试、智能体设备,以及端到端测试增加了什么
01:57 探究一个示例测试文件
02:30 其中到底发生了什么
03:03 强大的缓存机制
03:24 两分钟在你的机器上完成搭建
04:17 在每个PR上运行:工作流程
04:46 基础设施:GitHub、Expo Workflows 和模拟器
06:11 这带来的好处:成本与时间
07:23 智能体开发的未来
这些AI工具覆盖了AI记忆、多AI协作、办公自动化、模型压缩多个场景,想玩新AI工具的可以挨个试试
想入门大语言模型又怕看不懂干巴巴的文字?这本书延续了作者经典的图解风格,既有核心概念讲解,也覆盖了其他书籍少讲的文本向量化应用。
若OpenAI在整合过程中削减对话限制、改变模型风格,会破坏ChatGPT最受用户喜爱的聊天体验
如果 OpenAI 不仔细规划这件事,他们很快就会犯下一个大错。他们正在幕后整合 Chat、Work、Codex 和 Dots,Tibo 已经口头确认了这个方向。
在事情出错之前,有几件事必须非常小心地处理:
不要削减对话限额,特别是对于 Plus 用户。
不要让模型变得更冷漠、更刻板。
请保留它的性格、自然对话、魅力和温度。
整合一切的同时,不要毁掉人们真正喜爱 ChatGPT 的地方:它本身的对话体验。
物理环境一直在变化,机器人依赖的旧数据很快失效。这个方案如果能规模化落地,智能手机就能帮机器更好感知物理世界。
想通过压缩上下文来提升速度和降低成本的开发者,不同压缩策略和不同模型适配效果差异很大,最好提前测试延迟和成本再做选择。
对普通人来说,微调开源模型依然门槛高、难度大,即使有经验的从业者也会遇到不少问题
Scott Aaronson is now teaching Alignment Theory. https://t.co/sIbwyrzMqM
可以把你的完整操作会话(包括提问、工具调用、编辑、命令)记录为时间线,方便回溯操作过程。
我们推出适用于 Claude Code 的时光机器功能。
它同时支持 Claude Desktop 和 Claude Code CLI。
`/timemachine` 会将你的会话记录为一个时间线,包含提示词、工具调用、编辑、Bash 命令和回合结束节点。
你可以选择任意一个时间点并从该点分叉,它会将那一刻的对话和代码状态恢复到一个独立的 Git 工作树和分支中,同时你的原始会话保持不变。
安装命令:`npx claude-code-templates@latest --mod productivity/session-time-machine`
安装后运行:`/reload-plugin`,然后即可使用 `/timemachine`。
查找代码不用依赖内置模糊搜索,用自定义的RAG管线就能实现语义层面的代码搜索,降低代码检索的时间成本
这套多智能体系统能拆分目标、协调分工,在测试中取得了比原有方案更高的得分,给开源协作AI提供了新的实现路径。
EverMind AI 发布了重大更新。Raven 是一个开源多智能体系统,它为每个模型和领域构建独立的线束(harness),并从失败中进化这些线束,再通过主机智能体对它们进行协调。
主机智能体将目标拆分为任务图,再把每个部分发送给模型-线束配对,以完成研究、编码、设计或值班工作。线束组件会经过诊断、突变和重组,只有在通过统计检验后,候选线束才会替换当前线束。
使用 DeepSeek-V4-Flash 时,研究线束在 BrowseComp 上得分 69.3%,在 Humanity's Last Exam 上得分 60.0%,而同一模型上另外两个线束的最高得分分别只有 62.4% 和 43.3%。它精心整理的技能库将 SkillsBench Pass@1 从不带技能的 9.2% 提升到了 22.6%。
论文: 论文对话:
海哥参考karpathy推荐的写法开发hai-simplified-technical开源工具
如果你用 codex / claude code 落实文档驱动开发,你肯定会被技术文档搞的晕头转向。 这不是你的问题,现在 AI 产出的技术文档就是多变且难读。 海哥已严肃学习卡帕西 @karpathy 推荐的 ASD-STE100 技术文档写法,做了一个 hai-simplified-tenchnical - 一个专门用来规范/重写文档的 skill,大幅提升可读性,虽然篇幅有所增长,但每次只讲述一个点,没有太多理解上的障碍,读起来反而速度特别快。 具体的比对案例可以看评论区。 开源地址
左边是传说中的 opus 5.5 用法,右边是 astra / sol 的重写。
X用户IamEmily2050评价OpenAI与Anthropic的AI编码产品体验
Anthropic目前不仅拥有更出色的模型,使用限制也更宽松,而且Claude Code比ChatGPT应用也好用得多。
Codex的体验越来越差,这个应用漏洞多还慢。他们不断添加功能和更复杂的选项,直到变成了一场灾难。
OpenAI过去几周发生的事需要调查,应该有人为此负责。
对AI前沿方向感兴趣的人,可以免费参与这场由Jürgen Schmidhuber做主旨演讲的线下研讨会,座位有限需要提前注册。
现在报名开放中:从世界模型到现实世界 AI
欢迎参加 10 月 26 日在东京举办的研讨会,本次研讨会请到了近期加入@SakanaAILabs担任我们首席科学顾问的@SchmidhuberAI。
本次研讨会的内容包括由尤尔根带来的主旨演讲和问答环节,以及Sakana AI研究员关于我们RSI Lab研究工作的简短报告。
日期:2026年10月26日星期一,日本标准时间 15:00–18:00
地点:日本东京一桥讲堂 🇯🇵
语言:英语
入场:免费(需注册)
座位有限,请尽早报名。
报名:🐟
开发者@David_Ouyang在𝕏分享了他对Claude Code的使用体验
我差不多准备好分享这个教程了,而 Claude Code 在保持各个视角和章节的一致性上表现非常出色。
比如说,我可以指定一种心脏表型,它就能让所有图片保持一致,并且符合生理学逻辑。
哪怕给我无限时间,我也不觉得自己能做出这么好的教程!
可以提供自己的API密钥接入$DOT模型,也能在用harness托管推理时直接搜索选用。
$DOT (@usedotai) 现已作为推理提供商上线 harness!
你可以提供自己的 API 密钥来调用 $DOT 模型,如果你使用的是 harness 托管推理,可以在提供商下拉菜单中搜索 "dot" 来选择 $DOT 托管模型。完整模型列表(包括经过去对齐的模型)现已可用。
托管推理的计算费用以 $DOT 支付,因此使用 harness 托管推理的用户需要额外支付 10% 的额度费用。
我们还计划从财库中划拨资金,持有更多 $DOT 头寸,为 $DOT 质押做准备。
请持续关注更多更新!
对千篇一律的AI生成UI模板不满意的设计师,可以用这个工具做AI设计检查和现有UI改造
用AI做的UI,是不是都长一个样?👀
Hallmark,⭐️约3万。这项技巧帮你避开那种“一看就是AI做的”设计。它的优点如下👇
・可以从21个主题中,选择符合用途的布局和外观
・通过57个项目检查“AI感”
・也支持对现有UI进行诊断和重做
・可以在Claude Code/Cursor/Codex中使用
适合想要摆脱“只是换了个颜色的模板感”的人。
普通人想要训练自己的AI模型,不用再组建专业研究团队了,说明需求就能完成全流程。
训练你自己的模型不需要一个研究团队。🍺
今天我们发布了 Homebrew,一个可以和你一起“酿造”AI模型的开放智能体。你只需要告诉它你想要什么,剩下的事情它都会处理:选择基底模型、准备数据、调试安全参数和训练。
想自己本地跑新开源大模型的话,可以看看这份传闻汇总,多个热门模型的预计发布时间都列出来了。
我已经等不及下一波可以在本地运行的开放权重模型了。以下是我整理的目前谣言观察列表:
- Qwen 4:讨论的发布时间是10月到11月初。阿里云确认该模型正在训练中,但没有给出发布日期。
- Kimi K3.1:一个可能的预告和一个被曝的后端模型标识引发了期待。发布时间可能在10月,但这只是猜测。
- Next GLM:根据发布节奏预估发布时间为10月到11月(我对GLM-5.4尤其期待,因为5.3在网络安全能力上非常强)
- DeepSeek V4.2:遗憾的是目前还没有可靠的发布时间窗口。
Qwen 4 27b很可能会成为最强者,但我对K3.1和GLM-5.4也同样非常期待。当然还有DeepSeek 4.2 Flash。
不用额外带专用AI录音设备,能在手表本地完成语音转文字,还可以结合健康、位置数据生成当日时间线。
用户可以直接委托指定智能代理完成工作,全程可把控审批、预算与交付,后续还会上线更多专业方向的智能代理。
智能体经济的下一层不是更多工具,而是你真正可以委托的可靠专业智能体。
Liege Super Agents 可以把你的自然语言请求转化为可审核的任务:明确定义的需求、清晰的预算、负责任的智能体,以及最终交付到你工作区的成果。
我们首批开放:
- Scott by LiegeAgents — 内容创作与自动化
- Anna by LiegeAgents — 研究与分析
你始终掌控审批、资金、评估和结算流程。智能体完成工作;Liege 负责保证工作流程可追溯验证。
Marcus、Chloe 和 Daniel 即将推出。
网友@griswold分享的家庭定制Sylvia-bot,完成每周餐食规划和 grocery 采买
@DonPBongwater在𝕏分享了使用Claude、GPT等大模型生成VTube Pro 3D虚拟主播模型的提示词模板与技巧
用规则约束AI编码出错,把编码动作标准化后,AI可以自行修正错误,降低人工调试成本。
非技术用户也能用Claude做开发,原来软件开发的高门槛正在被AI抹平,创造的门槛被降到只要有想法就能动手。
过去软件开发门槛极高,最终能留下来做开发的,往往是一类非常特殊、特立独行的人。但AI彻底消除了大部分准入门槛。
现在创造的流程变成了:我有一个想法,我让AI帮我做出来,然后我不断调整修改。
只要有人体验过这种流程,你就能感觉到他们对计算机的看法开始发生变化。
举个例子,我很多不懂技术的朋友现在都在用Claude做东西,结果经常连我都感到惊讶。
这种用户行为本身,比所谓“氛围编码”重要得多——现在它甚至都算不上什么氛围了,这就是实打实的编码。
做股票、玩加密货币交易,可以直接在Hugging Face获取mini到base版本,用来预测行情走势
做股票、玩加密货币的朋友留意一下,有个叫 Kronos 的模型,对外号称是首个开源、专门用来解析 K 线的通用大模型,训练时投喂了 45 家交易所的行情数据,而且刚被 AAAI 2026 接收。
它想解决什么?说白了就一个目标:预测。在演示里,它直接把 BTC/USDT 未来 24 小时的走势画出来,敢不敢点进去看它猜得准不准。
1️⃣ 专门针对金融数据里那种高噪声问题,不是随便拿个通用模型套上去
2️⃣ 从 mini 到 base 全部开源,Hugging Face 上可以直接拉
3️⃣ 体量最大的 large 版本,官方没有放出来
一句话总结,用 AI 预测行情这件事,已经有人真做出来、摆到台面上了。
仓库地址:
Demo BTC 预测演示
想从强化学习基础一路学到大语言模型对齐训练,这门课理论实践配套齐全,适合系统梳理完整知识线
想系统搞懂 RL + LLM 训练,可以看看 UCLA 这门公开课《大语言模型的强化学习》。 课程不只是讲公式,而是从强化学习基础一路讲到 LLM 对齐训练: ① MDP、策略梯度、A3C、PPO 等核心算法 ② NLP、语言模型、RNN 等 LLM 前置知识 ③ RLHF:数据收集 → 奖励模型 → 微调 ④ 可验证奖励强化学习与安全对齐 ⑤ 配套 Jupyter 代码、作业、视频和课件 理论和实践都有,适合想把 RL 到 LLM 训练这条线真正串起来的人。
现在很多AI从业者认为研发自动化肯定会让模型能力突然大幅提升,有人对此提出不同看法,帮你看清AI发展速度的真实可能性
硅谷人士越来越把“递归自我改进”和“FOOM(能力突变)”混为一谈,好像自动化人工智能研发一定会在所有任务上,让模型能力提升速度产生巨大的不连续加速。
但实际上,这个过程可能会慢得多,而且进展是曲折不平的。
同样叫插件,不同产品的实现位置完全不同,DeepSeek Harness实现了架构级可插拔,和另外三家本质不一样
@xikhar 在𝕏分享的改进型AI工作流,支持AI持续优化输入和输出
Gauntlet循环在已知最终输出形态时效果出色。但很多时候人们并不清楚最终输出的样子,需要AI代理持续同时优化输入与输出。
因此@xikhar正在测试一种新的循环工作流,让AI代理在循环中完成调研和构建两步工作。
这个思路其实由来已久,Matt Shumer最早提出了生成子代理的概念,让子代理构建输出、自我验证并优化结果。
想要了解更多细节,可以查看@xikhar置顶的视频帖子。本次测试在原有思路上做了延伸,目标是让AI代理遇到阻碍时,能通过反复调研自行优化输入。
来自𝕏用户@hanghuang_的提问,调研AI代理运行环境
向所有使用 Claude Code 或 Codex 的人提个问题:你现在在哪运行代理?本地还是云端?
用的是 Conductor、Superset、Replicas、Orca、herdr、cmux 还是纯终端?哪个最好用?
数十亿美元投入美国隐形大模型初创公司,即将推出的开源模型微调后性能有望超过前沿大模型,不妨保持观望。
多款美国开源模型即将推出。
Axiois 称,美国隐身基础模型初创企业投入的数十亿美元即将获得回报。
据称,他们推出的开放权重模型只需做一些调整,性能就能超越前沿模型。
我对此持怀疑态度,但也抱有希望😅
用户@EXM7777在𝕏分享体验,称该模型能完成其他AI代理无法处理的任务
对@EXM7777来说,Hermes内置的Opus 5.5比Grok Bot或Dots高出一个等级。原因是默认状态下,它就能处理其他AI代理无法完成的场景。
开箱即用的写作效果比其他AI好得多。
它能够实际完成应用设计工作。
和它对话的体验非常流畅顺滑。
它确实会比Claude Code内置的Opus更快消耗额度限制。不过这个模型现在的效率足够高,因此用户可以接受这一点。
目前已经有1.5万名创始人加入用户分享的这套系统,用户每周会发送一封免费邮件,感兴趣的用户可以前往链接查看。
这套针对管理人员的规则,放到AI Agent身上完全成立,唯一不同是不用怕被开除,能帮开发者思考如何让AI Agent更听话。
马斯克的这三条确实适合用在 AI Agent 身上,可惜 Agent 不怕你开除它: --- 马斯克:如果我发送了一封带有明确指令的电子邮件,管理人员只能采取以下三种行动: 1. 回复邮件向我解释为什么我说的有误。有时候我也确实会犯错!2. 如果我说得模棱两可,要求进一步澄清。
3. 执行指令。如果以上三点都没有做到,该管理人员将被要求立即辞职。
预测显示到2030年,全球AI月代币使用量将达到120千万亿,主要由企业智能体消耗。内存短缺可能会持续到2030年。
两款模型可帮用户选择分支决策,无需生成文本就能出结果,比现有同类模型速度更快,能直接优化日常工作流决策效率
Jev 现在迎来了来自 Amazon 和 Cloudflare 的竞争。两家都发布了开源决策模型。和 TypeSafe 的 Jev 一样,它们会从你提供的选项中做选择,返回概率结果。
你可以给它们一份支持工单,问哪个团队应该处理它,或者给它一个智能体提议的操作,问是否应该继续执行。不需要生成大段文本。
Amazon 的 Strands Decider 只有 20 亿参数,可以在 CPU 或 GPU 本地运行。Amazon 发布了权重、训练数据和训练脚本,报告称在 M3 MacBook 上处理小任务的中位延迟约为 153 毫秒。
Cloudflare 的 Clef 有 270 亿和 90 亿两个版本,支持图像,还把 Jev 的上下文窗口翻了一倍,达到 64K。它也兼容 Jev 的 API 格式。
在 Cloudflare 自己的测试中,Clef 在四项工作流评估里有三项击败了 Jev,Clef-flash 做出决策的中位时间约为 39 毫秒,而 Jev 是 524 毫秒。
你做AI视频不用反复调整提示词,一遍就能生成自然的AI视频,降低AI视频生成的门槛和重复操作。
一位AI圈的大佬 ,他搞了个叫 Seedance 2.5 导演 Skill 的东西。 操作流程特别简单,总共就三步: 1️⃣ 先让它帮你把提示词生成出来 2️⃣ 把参考角色扔进去,直接开跑 3️⃣ 通常一遍就能成,不用来回重试搞得人崩溃 这个工具不只是替你写提示词,还会顺带帮你把内容调优,生成出来的视频看起来挺自然,那种明显的AI感能削掉不少。
消息称Gemini 4 Argon很快会公开发布,目前内部已经用AI智能体自主完成了内存优化工作。
1️⃣ Google的Gemini 4 Argon:即将公开发布,Google已经在内部署了一支Argon智能体团队,这些智能体能够自主识别出整个数据中心最高可达1PB的内存节省空间。
这会不会终于意味着Google要在AI竞赛中卷土重来了?
2️⃣ Anthropic为GLM 5.3做的“免费广告”:Anthropic发布了一篇博客文章,警告开源权重的GLM 5.3模型存在网络安全风险,并演示了它的护栏机制是如何被绕过的。
尽管本意是发布安全警告,但这实际上相当于一块广告牌,把GLM 5.3宣传成了目前现有能力最强的网络模型,甚至还给出了移除内容审核的方法。
我今天会在一个视频里聊聊这两项新进展。
研究者花了很长时间,在92种Agent场景下测试不同配置,已经得出了得分最高的方案。
X平台用户@velfo分享@heliotsz提出的技巧,可在移动设备上完成开发操作
@velfo表示,这个思路看起来很奇怪,但在@heliotsx提到之前,他确实从来没有想到过。
将Codex CLI或Claude Code CLI连接到Grok Bot,能彻底改变开发工作流程。
这样一来,就不会只剩下向光标发送云代理指令的单一工作流,还能获得更完善的测试框架来评估部分功能。
整个操作都可以在手机上完成,@velfo分享时正处于前往投票的路上。
服务支持在不同模型供应商之间切换,不用管理多个账号,单个服务商宕机也不影响请求发出。
被低估的 @solana 生态项目系列回归了🫡
第23期:@miniroutersh 给你提供一个 API 密钥就能接入 250 个 AI 模型。
无需来回切换多个账户就能更换提供商,如果其中一个服务商宕机,你的请求会自动转发到另一个。
支持用 SOL、USDC、MINI 或银行卡付款,无需 KYC,最低存款仅 0.50 美元。
用 MINI 付款还能额外获得 5% 的额度。
该项目至今已经处理了 35 亿 AI tokens,确实值得了解,但还是那句话:投资前自行研究!
下一期我们该介绍哪个项目?🫣
来自X用户@angeldot_分享的Anthropic官方claude-code-setup插件
Claude Code 是一团乱麻。直到你安装了这个东西。
这里有一个Anthropic官方插件叫做claude-code-setup。
它会告诉你可以搭建哪些自动化工具(钩子、技能、MCP服务器、智能体……),以及如何一步步配置它们。
基本上它会分析你的项目,并推荐你开启哪些功能。
安装指令:/plugin install claude-code-setup@claude-plugins-official
收藏这篇帖子,别找不到了🔖
现在有了可验证的科学框架区分算法和有意识的AI,未来人与AI建立情感连接时,有了判断依据
这款工具只需要3个文件,可在单块NVIDIA GPU上运行,能自动循环完成AI研究,适合需要 overnight 自动化科研的场景使用。
安德烈·卡帕西(Andrej Karpathy)构建了一个能自主开展AI研究的智能体。整个配置只有3个文件,它叫做autoresearch。
你只需给Claude或Codex提供一个小型LLM训练配置,就可以不用管了。循环流程是:尝试一个想法→提交代码→训练正好5分钟→如果得分提升,就保留变更;如果得分变差,就用git重置→记录结果,永远重复这个过程。
指令明确告诉智能体永远不要停止,永远不要问“我应该继续吗?”,因为人类可能正在睡觉。你完全不用碰Python代码,只需要编辑program.md,也就是智能体的指令。卡帕西将其称为你的研究机构的代码。
这里甚至还有一条简洁性规则:带来微小收益但增加了20行hack代码的变更会被丢弃,得分相同但代码更少的变更会被保留。
我认为这个模式的适用范围远不止LLM。任何只要有一个需要超越的分数、一个需要编辑的文件、每次运行固定时间的任务,都可以像这样通宵自动运行。
项目9.2万星,MIT许可证。可以在单块NVIDIA GPU上运行,支持本地或租用的GPU,社区已经衍生出支持Mac、Windows和AMD的分支。
访谈涉及OpenAI对AI安全的思路,以及未来互联网动作将由智能体主导等行业判断,可以帮你了解AI行业的走向。
我和ChatGPT与Codex负责人thsottiaux的对话。我们讨论了:
🔸 为什么模型选择器可能会消失
🔸 为什么循环和图谱只是一个过渡阶段
🔸 为什么互联网上的大多数操作很快会由智能体完成
🔸 OpenAI的AI安全方法
现在就来收听吧
如果你关注AI编码工具,这次研究梳理了现有编码智能体的通用结构,还公开了可复用的90行核心代码框架,方便开发者参考。
已经在用ChatGPT或Codex订阅的用户,可以免费使用这个工具,能直接在Blender里生成带绑定的 procedural 飞马模型
我已经放弃让AI在Blender里自己点来点去了。@mixie3D 为智能体提供了直接控制能力,以及多智能体工作流和真正的3D技能。不再需要模拟UI操作。
我已经在我的游戏里测试过了。只运行了一次,智能体就自动生成了完整程序化生成的珀伽索斯飞马,包括毛发、翅膀和绑定好的控制骨架。
使用同样的模型,路由更智能,比通过界面操作强行调用 GPT-4o / Opus 快得多。
你可以用自己的 ChatGPT/Codex 订阅免费使用。导入 .blend 文件后就能继续工作。这是第一个真正让模型仿佛置身Blender内部的设置。
#BlenderAI #Mixar #GameDev #3DAI
有观点认为AI推理会成为加密和AI结合的最大市场,现在需求增长已经带动产业链开始布局。
框架会学习用户的工作方式,随着使用变得更实用,还能长期适配用户需求,供研究者和开发者二次开发。
Omega 代理会学习你的工作方式,随着使用变得更强大,还会随着时间推移适配你的工作环境。
我们正在将 Omega 开发为一个开源框架,方便研究人员和开发者在此基础上开发,并为去中心化 AGI 研发做出贡献。
开始使用:
业内现在做编程Agent 都不用现成框架了,统一用7个基础部件搭建,这个业内设计标准值得想要自己做Agent的人参考。
好家伙,有篇论文拆了 Claude Code 等 11 个编程 Agent 的源码,居然没有一个靠 LangChain 这类框架搭的!连 Google 的 Gemini CLI 都没用自家的框架 🤣 找代码时也没有一个用向量检索,靠的是 ripgrep、tree-sitter 这些工具,外加 AGENTS.md 这类说明文件。意外的是,这 11 个 Agent 都是同样 7 个部件拼出来的,区别只在每个部件写得多复杂。
看来这真的是业内标准的 Agent 设计了,值得学习~
如果长时间运行循环AI Agent,控制缓存超时可以避免不必要的额外订阅计费,这是实际使用中的省钱技巧
在AI订阅服务中,Claude的缓存保留时长是1小时,GPT的缓存保留时长是30分钟。如果会话输出结束后,不在1小时/30分钟内发送后续内容,就会被扣除大量使用量……这条小知识,说实话,如果一直让AI Agent自主循环运行的话,其实不用太担心这个问题。
这种24小时运行的循环型Agent构想,是Cursor一直在主推的,但实际上能让大家方便使用的应该是Dot了(我自己没法用,只是从X时间线推出来的)。
Dot这个Agent可以统括Codex的多个Agent,用户通过Dot交流,而实际工作一直在循环运行……大概是这种结构。
使用技巧是不要和实际工作的部队直接对话,而是一直和情商、日语表现都更好,用起来更舒服的模型对话。
你和这个模型聊天,同时后台有规划器制定计划,如果规划器说信息不足,就由对话专长模型来好好询问用户,我觉得这样运行是最理想的。
而且,现在这种需求只需要让Dot基于Dsh或Pi进行改造就可以实现,这是目前很不错的一点。
就算是有点专业、自己懒得动手实现的内容,直接全扔给AI也能推进到一定程度,这点很不错。
开发者公开独立测试结果,后续将放出演示视频供用户体验
标榜欧洲自主的主权AI模型,合成训练数据主要来自中国智谱GLM和阿里通义千问Qwen。对宣称技术自主的AI项目来说,这算是打脸了。
💥炸了!中国模型被欧洲模型蒸馏!德国“主权模型”Kolibri技术报告自曝:后训练合成数据主力其实来源于智谱GLM和阿里巴巴Qwen!
Aleph Alpha把Kolibri宣传成德国从零训练、欧洲基础设施、无外国控制。
报告3.1.1节写的却是:
1️⃣生成微调数据、重写开源数据集答案的主力模型,就是GLM-5.2、GLM-5.3(
2️⃣Nemotron指令跟随数据集的completions,直接用GLM-5.2和GLM-5.3重新生成;reasoning-off子集专门出无推理链版本,单条对话最长扩到50轮。
3️⃣Nemotron科学选择题的completions,用Qwen3.8-27B重写。
4️⃣论文自己说:小模型跑长上下文更快,大模型更适合出强推理轨迹;还会有意识挑选或避开这些模型的价值观和偏见。
美国骂中国蒸馏,欧洲新“主权AI”的教师模型写在纸面上的是智谱GLM和阿里Qwen。
报告原文: #Kolibri #AlephAlpha #主权AI #模型蒸馏 #GLM #Qwen #智谱 #通义千问 #唐杰
很多开源AI Agent框架要么绑死命令行,要么过于臃肿,这个新发布的底座是专门给做产品开发的团队二次开发用的。
原来需要资深工程师手动完成的逆向分析,现在可以交给AI Agent自动执行,降低了逆向工程的门槛,同时也带来了合规和技术挑战值得关注。
用户Khazix0918在𝕏分享,仅用半小时就通过Claude得到可使用的公司logo动效
用户Khazix0918在𝕏分享了自己用AI生成动效的经历。
他用Claude调整了半个多小时,就得到了差不多可以投入使用的公司logo动画。
他提到,放在一年前,没人能想到动效和视频这类内容,也会被AI用代码直接生成。
技术发展速度太快,很多时候人们都还来不及反应。
现在每周都有新的AI模型发布,大家都在拼速度拼效果,或许换个方向能找到新的突破点。
来自@xiaomovps在𝕏的分享,用Cloudflare全套组件低成本搭建AI应用
很多人开发AI工具担心成本过高,实际上Cloudflare已经配齐了AI应用开发所需的大部分基础设施。
第一,Workers可承担API、业务逻辑和智能体调度,能直接作为AI应用的后端。
第二,Workers AI可以直接运行Llama、Qwen、Gemma等大模型,自带免费额度,开发演示项目和小工具非常方便。
第三,AI Gateway可以统一接入OpenAI、Claude、Gemini等模型接口,同时解决日志、缓存、限流、调用统计问题。
第四,Vectorize是Cloudflare自研的向量数据库,可直接用于搭建知识库、RAG(检索增强生成)和语义搜索。
第五,D1存储用户、任务和结构化数据,KV存储配置、缓存和高频状态数据。
第六,R2存储图片、文档和模型素材,Queues负责处理异步任务,避免耗时操作阻塞请求。
这套组合覆盖了从模型、API、RAG到数据库、文件存储、异步任务全流程,AI应用开发所需的大部分功能基本都能在Cloudflare实现。
很多服务都带有免费额度,前期开发演示项目、个人项目、小型SaaS都够用,等有用户访问之后再按需升级即可。
用户@YxzRainy在𝕏提醒,ChatGPT当前风控不光查提问内容,还要查AI看到的电脑屏幕内容
<p>ChatGPT近期开始严格执行账号封禁风控。经常使用ChatGPT的Computer Use功能的用户需要特别注意。</p> <p>现在的风控触发规则不止和用户提问内容有关,AI在用户电脑屏幕上看到的内容也可能触发风控。
</p> <p>目前已知的高风险内容包括:未成年色情、犯罪相关内容、越狱提示词、核/生物/黑客等敏感技术,以及账号/地区异常。</p> <p>用户使用Computer Use功能前,需要先关闭电脑中不合规的敏感内容。</p>
AI agents调用真实工具时容易权限溢出,这组开源项目能让agents在隔离环境运行,不会拿到系统全部权限。
不管是普通网络安全从业者,还是想要探索AI+网络安全方向,都可以直接保存这些仓库,不用自己再逐个筛选查找。
10 个将 AI 引入网络安全的 GitHub 仓库
人工智能不只是在改变我们构建软件的方式。它还在改变安全团队发现、测试和修复漏洞的方式。
1. PentestGPT:一款人工智能助手,用于推理渗透测试工作流程和发现结果。
2. Caido:现代化工具套件,用于在安全研究期间拦截和分析网络流量。
3. HexStrike AI:通过基于 MCP 的框架将人工智能代理与网络安全工具连接起来。
4. Strix:由人工智能驱动的安全测试,用于调查应用程序并发现漏洞。
5. Nuclei:快速、基于模板的漏洞扫描器,适用于应用程序和基础设施。
6. Semgrep:具有代码感知能力的安全扫描,帮助在部署前捕捉漏洞。
7. Gitleaks:发现 Git 仓库中暴露的 API 密钥、密码、令牌和其他机密信息。
8. OWASP Amass:发现域名、子域名和基础设施,帮助了解外部攻击面。
9. Wazuh:开源平台,用于安全监控、检测、漏洞管理和日志分析。
10. Prowler:根据安全最佳实践和合规框架评估云环境。
如果你正在探索人工智能驱动的网络安全,收藏这些仓库吧。
这款名为Kolibri的开源模型自称击败了Qwen2 635B、Nemotron 3 Super和Mistral Small 4,德国也加入顶级大模型竞争。
德国刚刚加入前沿大语言模型竞争。
新的主权开源模型 Kolibri。
> 击败 Qwen2 635B
>
> 击败 Nemotron 3 Super
>
> 击败 Mistral Small 4
基于定制化MoE Transformer架构构建。
有人批评OpenAI和Anthic一边用人类公开成果训练AI赚钱,一边禁止他人用他们的API输出训练竞争模型,双标做法令人反感。
OpenAI 和 Anthropic 居然还有脸抱怨知识蒸馏,真是离谱。
人类花了几十年时间编写代码、解释科学、回答问题、分享知识。AI 实验室用这些成果训练模型,做成产品卖给我们赚钱。他们早就蒸馏了我们所有人。
现在,有人付费购买他们的 API,并用输出训练了一个竞争模型,结果突然就遭到封禁,还被安上了「蒸馏攻击」的名头。
OpenAI 自己就提供蒸馏工作流,他们会在自己的平台上帮你用大模型的输出训练小模型。但如果你用这些输出做一个竞品,那你就是违反规则。
他们的服务条款甚至说我拥有输出内容。我花了钱,按理说产出归我,结果他们还能规定我能用它建什么模型。
这些人花了那么多年维护机器从他人作品学习的权利,现在轮到从他们自己的作品学习,也该好好维护才对。
这就是为什么我支持中国实验室发布可以下载、本地运行、二次开发的权重。你们都可以滚蛋了。
无需修改现有代码工具就能做强化学习训练,能让已有模型在更少工具调用下完成任务,开源可复现,给开源 AI 训练提供了新路径。
这套6层框架能让原本只能演示的智能体变成可商用的稳定基础设施,降低智能体运行故障概率,对想要搭建可靠商用智能体的开发者很有参考价值。
大模型考试掉分不一定是不会推理,也可能是看不见记不住。这个方法靠外置原图帮大模型解决记忆问题,普通大模型也能拿到满分。
不需要中心管理者,越多编码智能体得分越高完成越快。这项结论能让现有多智能体编码工具效率大幅提升
原来编码智能体不需要管理者:微软的一篇新论文发现,当智能体在没有中心管理者的情况下自行认领任务时,更大规模的编码智能体团队得分更高,完成也更快。
即使在 ProgramBench 的 200 个任务中最难的 5 个任务上,将无管理者团队从 1 个智能体扩展到 128 个智能体,每一步都提升了平均分。因此对于大型工作,添加智能体,让它们通过共享工具协调,不需要牵头智能体。
流行的多智能体编码工具会让所有工作都经过一个牵头智能体,而这个牵头智能体能管理的助手数量有限。
Agensh 取消了牵头智能体。每个智能体认领一个子任务,构建并测试它,将它合并到共享 Git 仓库中,并在共享看板上记录结果。
每次运行都使用 1 个模型,论文没有报告大规模团队的成本是多少。
想通过压缩上下文来提升速度和降低成本的开发者,不同压缩策略和不同模型适配效果差异很大,最好提前测试延迟和成本再做选择。
标榜欧洲自主的主权AI模型,合成训练数据主要来自中国智谱GLM和阿里通义千问Qwen。对宣称技术自主的AI项目来说,这算是打脸了。
💥炸了!中国模型被欧洲模型蒸馏!德国“主权模型”Kolibri技术报告自曝:后训练合成数据主力其实来源于智谱GLM和阿里巴巴Qwen!
Aleph Alpha把Kolibri宣传成德国从零训练、欧洲基础设施、无外国控制。
报告3.1.1节写的却是:
1️⃣生成微调数据、重写开源数据集答案的主力模型,就是GLM-5.2、GLM-5.3(
2️⃣Nemotron指令跟随数据集的completions,直接用GLM-5.2和GLM-5.3重新生成;reasoning-off子集专门出无推理链版本,单条对话最长扩到50轮。
3️⃣Nemotron科学选择题的completions,用Qwen3.8-27B重写。
4️⃣论文自己说:小模型跑长上下文更快,大模型更适合出强推理轨迹;还会有意识挑选或避开这些模型的价值观和偏见。
美国骂中国蒸馏,欧洲新“主权AI”的教师模型写在纸面上的是智谱GLM和阿里Qwen。
报告原文: #Kolibri #AlephAlpha #主权AI #模型蒸馏 #GLM #Qwen #智谱 #通义千问 #唐杰
现在有了可验证的科学框架区分算法和有意识的AI,未来人与AI建立情感连接时,有了判断依据
业内现在做编程Agent 都不用现成框架了,统一用7个基础部件搭建,这个业内设计标准值得想要自己做Agent的人参考。
好家伙,有篇论文拆了 Claude Code 等 11 个编程 Agent 的源码,居然没有一个靠 LangChain 这类框架搭的!连 Google 的 Gemini CLI 都没用自家的框架 🤣 找代码时也没有一个用向量检索,靠的是 ripgrep、tree-sitter 这些工具,外加 AGENTS.md 这类说明文件。意外的是,这 11 个 Agent 都是同样 7 个部件拼出来的,区别只在每个部件写得多复杂。
看来这真的是业内标准的 Agent 设计了,值得学习~
如果你关注AI编码工具,这次研究梳理了现有编码智能体的通用结构,还公开了可复用的90行核心代码框架,方便开发者参考。
AI代理现在不止能开发产品,还能自主触达客户,相关功能已经落地,可以帮你完成获客全流程。
今天我们重新定位 Zernio。智能体不只是构建产品,它们还会负责产品如何触达客户。这不是理论,而是已经在发生了。
我们从社交集成起步,现在已经覆盖广告、WhatsApp、消息和通话,全都使用同一个 API。
所以我们如实命名它:面向产品和智能体的营销基础设施。
不同框架的强化学习环境之前互不兼容,现在统一托管在 Hub 上,无需搭建第二套系统就能使用,方便开发者跨框架使用。
强化学习环境现在在@huggingface Hub 拥有了一席之地。
每个强化学习框架都有自己查找环境的方式:自定义中心、运行时注册表、带自定义加载器的 GitHub 列表。
如果你为某个框架发布了环境,其他框架的用户就无法加载它。我们认为这不对。
环境就应该和数据集一样,因为它由任务、测试、容器和奖励函数构成。Hub 已经为数百万人存储、管理版本、控制访问和预览数据,所以不需要第二套系统。
以下是我们如何在 Hub 推出环境功能:
需要用到GGUF格式模型、适配Strata和llama.cpp的用户,可以测试这个新版本是否符合使用需求
新的 GGUF(Swift 系列,Strata)版本:huihui-ai/Huihui-Qwen3.8-Flash-Next-abliterated-GGUF
最新更新:新增的 Swift 系列来自 ukisai/Swift-1.5-Qwen3.8-Flash-Next-GSQ-RCO-GGUF。
该 Swift 系列同时支持最新版本的 Strata 和 llama.cpp。
这只是一次测试/验证。
该模型仅用1万亿token训练,在17项预训练基准测试中赢了9项,超过参数量更大、训练数据更多的同类模型,可关注小参数模型的性能上限突破
我们推出Madhuram-v1,这是一个拥有1.51亿参数的语言模型,训练数据包含1万亿个token。
在和LFM2.5-230M、Gemma 3 270M以及SmolLM2-135M这几个训练数据量比我们多2到19倍的模型对比的17项预训练基准测试中,它在9项测试中领先。
下面是完整的细分结果。 🧵
这套多智能体系统能拆分目标、协调分工,在测试中取得了比原有方案更高的得分,给开源协作AI提供了新的实现路径。
EverMind AI 发布了重大更新。Raven 是一个开源多智能体系统,它为每个模型和领域构建独立的线束(harness),并从失败中进化这些线束,再通过主机智能体对它们进行协调。
主机智能体将目标拆分为任务图,再把每个部分发送给模型-线束配对,以完成研究、编码、设计或值班工作。线束组件会经过诊断、突变和重组,只有在通过统计检验后,候选线束才会替换当前线束。
使用 DeepSeek-V4-Flash 时,研究线束在 BrowseComp 上得分 69.3%,在 Humanity's Last Exam 上得分 60.0%,而同一模型上另外两个线束的最高得分分别只有 62.4% 和 43.3%。它精心整理的技能库将 SkillsBench Pass@1 从不带技能的 9.2% 提升到了 22.6%。
论文: 论文对话:
原本需要几天完成的界面搭建,现在只需要几分钟,适合迁移旧网站、恢复丢失代码和学习优秀界面,完全免费开源。
一个获得了 35K GitHub stars 的开源模板,可以让 Claude Code 分析任意网站 URL,并在几分钟内将其重构为一个整洁的 Next.js 代码库,由多个并行智能体同时处理界面、组件、颜色、排版、间距和资源。
它支持 Claude Code、Codex、Cursor、Gemini、Copilot 以及超过 10 种其他编程智能体。
过去需要花费数天制作界面原型的工作现在只需要几分钟。
它采用 MIT 许可证,免费使用,适用于迁移旧网站、恢复丢失的代码或是学习优秀界面。
想要开发长时间运行的多智能体应用,不用依赖大型工作流框架,这个新开源产品提供了更轻量的选择。
欢迎来到我们的周一冥想!🌞 今天 @badlogicgames 和 @mitsuhiko 将聊聊我们为什么开发Pi Durable——这是一个围绕基于任务的小型工作流引擎构建的工具,能让长时间运行的多智能体在任意位置暂停和恢复。
另外,我们也会聊为什么不选择Temporal或Effect.ts。
对AI Agent开发感兴趣的用户,可以体验新加入的Claude Code Mods兼容层和内置自动化任务功能,测试开发新功能。
🚨太卷了!崔添翼国庆没给自己放假,DeepSeek Harness 已更新至 v0.2.1-alpha.1!居然将Claude Code Mods变为DSH的子集!
关键更新如下:
1️⃣试验 Claude Code Mods 兼容层。先验证能力是不是 DSH 插件的子集,还不是完整可用兼容。
2️⃣插件页新增「让 Agent 创建插件」。进创造模式会留草稿,发出去才执行。
3️⃣自动化任务内置到 Web。标准、创造、PTC 可用提醒;极简和子代理暂不可用。另有可选开发者工具包,方便查日志、定位会话、调试。
仍是 Alpha,部分插件接口有破坏性变更。
查看更新页: #DeepSeek #DeepSeekHarness #DSH #AIAgent #ClaudeCodeMods #崔添翼 #梁文峰 #Dario
普通人想要训练自己的AI模型,不用再组建专业研究团队了,说明需求就能完成全流程。
训练你自己的模型不需要一个研究团队。🍺
今天我们发布了 Homebrew,一个可以和你一起“酿造”AI模型的开放智能体。你只需要告诉它你想要什么,剩下的事情它都会处理:选择基底模型、准备数据、调试安全参数和训练。
做股票、玩加密货币交易,可以直接在Hugging Face获取mini到base版本,用来预测行情走势
做股票、玩加密货币的朋友留意一下,有个叫 Kronos 的模型,对外号称是首个开源、专门用来解析 K 线的通用大模型,训练时投喂了 45 家交易所的行情数据,而且刚被 AAAI 2026 接收。
它想解决什么?说白了就一个目标:预测。在演示里,它直接把 BTC/USDT 未来 24 小时的走势画出来,敢不敢点进去看它猜得准不准。
1️⃣ 专门针对金融数据里那种高噪声问题,不是随便拿个通用模型套上去
2️⃣ 从 mini 到 base 全部开源,Hugging Face 上可以直接拉
3️⃣ 体量最大的 large 版本,官方没有放出来
一句话总结,用 AI 预测行情这件事,已经有人真做出来、摆到台面上了。
仓库地址:
Demo BTC 预测演示
两款模型可帮用户选择分支决策,无需生成文本就能出结果,比现有同类模型速度更快,能直接优化日常工作流决策效率
Jev 现在迎来了来自 Amazon 和 Cloudflare 的竞争。两家都发布了开源决策模型。和 TypeSafe 的 Jev 一样,它们会从你提供的选项中做选择,返回概率结果。
你可以给它们一份支持工单,问哪个团队应该处理它,或者给它一个智能体提议的操作,问是否应该继续执行。不需要生成大段文本。
Amazon 的 Strands Decider 只有 20 亿参数,可以在 CPU 或 GPU 本地运行。Amazon 发布了权重、训练数据和训练脚本,报告称在 M3 MacBook 上处理小任务的中位延迟约为 153 毫秒。
Cloudflare 的 Clef 有 270 亿和 90 亿两个版本,支持图像,还把 Jev 的上下文窗口翻了一倍,达到 64K。它也兼容 Jev 的 API 格式。
在 Cloudflare 自己的测试中,Clef 在四项工作流评估里有三项击败了 Jev,Clef-flash 做出决策的中位时间约为 39 毫秒,而 Jev 是 524 毫秒。
普通图像AI也能基于它回答三维空间问题,在空间推理基准测试中达到了当前最优水平,完全免费开源可使用。
这个工具仅通过一张图像就能学习任意三维空间。它名叫 OneCanvas,是 NeurIPS 2026 的焦点论文,代码和模型均已公开。
它将一个房间的多个视频帧合并成一张全景图,这样普通图像人工智能就能回答关于三维空间的问题。
它在空间推理基准测试上取得了新的最优成绩。
可以从任意视角回答问题,包括人工智能自身在房间中的位置。
它除了普通视频外,还需要深度数据和相机位置,不能只使用纯视频。
100%免费且开源。
用户可以直接委托指定智能代理完成工作,全程可把控审批、预算与交付,后续还会上线更多专业方向的智能代理。
智能体经济的下一层不是更多工具,而是你真正可以委托的可靠专业智能体。
Liege Super Agents 可以把你的自然语言请求转化为可审核的任务:明确定义的需求、清晰的预算、负责任的智能体,以及最终交付到你工作区的成果。
我们首批开放:
- Scott by LiegeAgents — 内容创作与自动化
- Anna by LiegeAgents — 研究与分析
你始终掌控审批、资金、评估和结算流程。智能体完成工作;Liege 负责保证工作流程可追溯验证。
Marcus、Chloe 和 Daniel 即将推出。
依托Telegram API实现跨设备访问,主Bot可24小时调度其他任务,笔记本关机也能自动路由任务到云端VM运行。
对需要迁移旧网站、找回丢失代码或学习优秀界面的人来说,这个免费开源工具能大幅节省建站时间,效率提升明显。
现在 Claude Code 只需几分钟就能克隆出几乎任何网站的界面
现在有一个开源模板可以分析任意网站,并将其转换为整洁的 Next.js 代码库。你输入网址后,代理就会分析:
→ 界面和组件
→ 颜色和排版
→ 间距
→ 图片、图标这些资源
之后它会让多个代理并行工作,逐个重建每个区块。
它支持 Claude Code、Codex、Cursor、Gemini、Copilot 以及超过 10 种编程代理。
它在 GitHub 上已经获得超过 35k 星标,采用 MIT 许可证,完全免费。
效果就是:过去需要好几天来排版界面的工作,现在只需要几分钟。
对于想要迁移旧网站、找回丢失代码或是学习优秀界面制作方法的人来说,这完全改变了游戏规则。
仓库在评论区 👇
注册就能领每月免费额度,自家三款模型限时免费调用,还支持多款第三方模型,兼容主流协议,想用大模型API能省一笔钱。
卧槽,上海人工智能实验室免费发 5亿Token ! 平台叫书生·端砚,注册就送“每月免费基础包”:10 墨点。
官方写明 1 墨点最多抵 5000 万 Token,10 墨点就是最多 5 亿。
书生-S2、Atria-Dawn-Preview、Agents-A1 三个自家模型更直接,限时 0 墨点,调用不扣。
还能调 DeepSeek-V4、GLM-5.3、Kimi-K2.6 等 7 款第三方模型。
兼容 OpenAI 和 Anthropic 协议,Claude Code、Codex 换个 Base URL 就能跑。
入口:
我用API接入workbuddy,实测可用,大家薅起来!
数十亿美元投入美国隐形大模型初创公司,即将推出的开源模型微调后性能有望超过前沿大模型,不妨保持观望。
多款美国开源模型即将推出。
Axiois 称,美国隐身基础模型初创企业投入的数十亿美元即将获得回报。
据称,他们推出的开放权重模型只需做一些调整,性能就能超越前沿模型。
我对此持怀疑态度,但也抱有希望😅
当前AI编码工具大幅提升了代码产出效率,但验证代码、复现缺陷仍需人工完成,是开发流程的瓶颈。ContextQA发布Ship,可自动测试代码、复现缺陷并交给大模型修复,后续能否成为开发标配?
实体AI发展真正的瓶颈可能不是模型,而是数据。这款数据引擎将人类演示转化为大规模训练数据,值得关注其进展。
实体AI真正的瓶颈可能不在模型,而在数据。
@axisrobotics 正在为机器人构建数据引擎,方法是将人类演示转换为大规模训练数据。他们已经筹集了 1200 万美元,由 Hack VC 领投,Nomad Capital、Pi Network Ventures 等跟投。
他们的生态系统包含机器人和人工智能参与者,比如 Booster Robotics、Dexmal AI OpenRoboto 和吉利。最近的进展也值得关注:
- 超过 690 万条轨迹
- Axis Dataset V1
- 人工筛选 DAgger
- 超过 22.2 万名用户
- 在 Base 上进行 $AXIS 社区销售
更大的命题很简单:更好的数据→更好的模型→更好的机器人。这个反馈循环可能会成为实体AI的一个关键层级。
需要多人协作完成的代码测试、bug复现和定位工作,现在可以交给这个产品自动完成。一次修复的bug会永久保留覆盖。
AI 编码工具让生成代码变得容易多了。但测试检查这一端还是老样子。还是得有人去测试受影响的流程,有人去复现用户反馈的错误,有人得搞清楚哪里出了问题、为什么出问题。
我刚刚观看了@ContextQa推出的Ship,这是一款围绕上述工作打造的自动质量测试工程师。
我的所见:
- 测试已部署的PR并标记出回归问题
- 从Slack或Linear获取错误报告并复现它们
- 调查可能的原因
- 将调查结果交给工程师、Claude或Codex
- 把复现出来的错误保留为回归测试
最后一点让我印象深刻:你曾经修过的错误,会一直保持被覆盖的状态。
物理机器人AI通过人类反馈闭环训练提升性能,这是实体机器人AI落地的关键一步,值得关注落地进展。
physical ai Axis Robotic @axisrobotics 在这边。
累计超过 690 万条机器人训练轨迹,超过 22 万用户,累计超过 5.3 万小时经过验证的数据。
构建了一个包含超过 7700 个训练任务的强大数据管道。
在 Axis v2 中,系统从简单的数据收集过渡到闭环训练。机器人尝试完成任务,犯错,然后通过人工干预生成修正数据。反馈会进入新的训练循环。
根据 Axis 分享的结果,用这些数据进行连续训练将 π0.5 整体成功率提高了 5.8%,并且性能比 Robocasa365 预训练模型高出 37.3%。
已获得 1200 万美元种子轮融资。
对我来说,随着贡献者网络不断壮大,Axis 的真正价值在于人工反馈→训练数据→模型改进→扩大“更难任务”循环。
现在我等着看他们在迁移学习方面能拿出多强的结果。
如果未来几天 $BTC 和 $ETH 不发生反转,$AXIS 就可能会在第四季度开始在交易所交易。
这是新大模型发布前的典型操作,如果你关注Claude系列模型更新,可以提前知晓新版本正在路上。
🚨 Fable 5.5 似乎正在灰度测试中。
Anthropic 修改了 Claude Code,现在选择 Fable 会保存滚动选择 Fable,而不是固定当前版本。
它会自动跟随最新的 Fable 模型,Opus 和 Sonnet 在 5.5 变体发布之前的灰度测试中也发生了同样的事情。
有人认为行业评估视角错了,比起模型性能更值得关注的是机器人积累经验的速度,目前正在关注积累超500万的axisrobotics。
大多数人谈起机器人技术,依然会问:“这个模型有多好?”但在我看来,更有意思的问题是:这台机器积累经验的速度有多快?
这就是为什么我一直在关注 @axisrobotics 的 500 多万条机器人轨迹数据。贡献者超过 20 万。现实世界的数据不断流入一个越来越智能的反馈循环中。
真正的优势根本不是数据集。真正有价值的是这套系统的可能性:模型帮助决定接下来值得收集哪些经验,而每一条新经验都会让下一个模型变得更好。
这感觉更接近 Physical AI 实际规模化的路径。加密行业花了数年时间为数字网络构建协调层。现在我们开始看到这些理念和物理世界碰撞后会产生什么。
数据→经验→更好的模型→更好的数据。如果这个循环不断复利,好处不只是更好的机器人。它会催生一个全新的机器数据经济。
传统机器人框架把遥测数据当作一次性运营成本,这种结构设计本身就带来了可扩展性问题。
物理AI的数据瓶颈不只是硬件限制,而是一个结构性可扩展性问题。
传统机器人框架将遥测数据视为一次性运营成本:收集、训练、然后丢弃。Axis Robotics 通过引入复合数据引擎架构打破了这种范式。@axisrobotics
Axis 不依赖资本密集型实验室环境,而是通过基于浏览器的执行将空间数据收集去中心化。每一条通过 Hub 完成的轨迹都会直接送入迭代优化循环,训练后续AI模型以识别下一训练周期所需的数据向量。
架构分解:
• 合成数据扩展:原始用户轨迹会在 IsaacSim 环境中扩展为数千种边缘案例模拟变体。
• 可验证遥测:轨迹会通过 Base 在链上进行加密签名,建立透明的贡献追踪和数据集来源记录。
• 自主向量选择:模型会动态控制下一阶段的数据收集,将数据获取从线性开支转变为指数级基础设施。
通过连接高保真模拟和以人为中心的输入,Axis 为机器人部署创建了一个自我维持的反馈循环。
加入 Hub 直接贡献轨迹数据:
随着自主AI代理规模扩大,链上轨迹验证会对去中心化物理基础设施网络产生什么影响?
AI生成代码已经能缩短开发时间,但现在验证AI写的代码成了软件开发工厂的新瓶颈。
现如今,我花在验证智能体生成代码上的时间,比我自己写代码的时间还要多。这就是所谓“软件工厂”的一个重大瓶颈。
Ship 来自 @ContextQa,它会处理在 Slack 或 Linear 上报的错误,复现问题,然后把上下文交给 Claude Code 或 Codex 来修复。
编码智能体需要这种反馈循环,才能在修复自身错误上做得更好。
可以把你的完整操作会话(包括提问、工具调用、编辑、命令)记录为时间线,方便回溯操作过程。
我们推出适用于 Claude Code 的时光机器功能。
它同时支持 Claude Desktop 和 Claude Code CLI。
`/timemachine` 会将你的会话记录为一个时间线,包含提示词、工具调用、编辑、Bash 命令和回合结束节点。
你可以选择任意一个时间点并从该点分叉,它会将那一刻的对话和代码状态恢复到一个独立的 Git 工作树和分支中,同时你的原始会话保持不变。
安装命令:`npx claude-code-templates@latest --mod productivity/session-time-machine`
安装后运行:`/reload-plugin`,然后即可使用 `/timemachine`。
解决大模型处理长期任务时,读取历史信息慢、成本高还容易找错重点的问题,加快反应速度。
可以提供自己的API密钥接入$DOT模型,也能在用harness托管推理时直接搜索选用。
$DOT (@usedotai) 现已作为推理提供商上线 harness!
你可以提供自己的 API 密钥来调用 $DOT 模型,如果你使用的是 harness 托管推理,可以在提供商下拉菜单中搜索 "dot" 来选择 $DOT 托管模型。完整模型列表(包括经过去对齐的模型)现已可用。
托管推理的计算费用以 $DOT 支付,因此使用 harness 托管推理的用户需要额外支付 10% 的额度费用。
我们还计划从财库中划拨资金,持有更多 $DOT 头寸,为 $DOT 质押做准备。
请持续关注更多更新!
国内头部AI企业将集体升级核心大模型,核心能力将全面优化,关注AI能力提升的用户可以期待后续体验变化
众多中国头部AI科技公司大模型即将重磅更新! DeepSeek V5 GLM 5.5 小米V2.7 Pro Kimi k4 Minimax m4 Qwen 4 …… 本轮全系模型聚焦核心能力升级,在逻辑推理、超长上下文处理、多模态交互与智能Agent能力上全面优化进阶,整体迭代亮点十足、备受行业关注。 你最期待哪一款?
社区所有人自己持有NFT就能运行AI工人参与集群工作,代币只销毁不增发,感兴趣可以关注项目后续进展。
Mistral 本是欧洲主推的本土AI替代方案,却在开源模型成熟可用时转向应用和基础设施,让融资仅为 Mistral 15%的德国 Aleph Alpha 趁虚而入。
Mistral 这一步真是摔了个世代级的大跟头。
这家法国初创公司本来注定要成为欧洲本土自主AI的替代选项。
结果它却放弃了开发模型,转向开发应用和基础设施。
它做出这个转向的时机,正好就是开源模型已经足够强大、足够便宜,完全具备可行性的时候。
现在 Aleph Alpha 横空杀出,推出了一个廉价、高性能的开源模型。
这家德国公司拿到的融资额,只有Mistral拿到的大约15%。
10月9日起,Gemini app 免费用户只能访问Flash-Lite模型,不同付费档位的权限也同步调整,现有付费用户需要关注自身权益变化
不用配置Python环境,也不需要把数据传到服务器,直接调用电脑显卡运行,用户打开网页就能用。
网页端跑大模型的时代真的要来了。Hugging Face 开源了全球最快的 WebGPU 算子库(直接覆盖 200+ 常见机器学习算子)。这意味着什么?
听起来很极客,但翻译成人话只有一句: 以后在浏览器打开一个网页,你的电脑显卡就能直接跑本地大模型。重点是: 零环境配置:不用装 Python,不用搞 CUDA,不用 Ollama 或 llama.cpp 纯本地��密:数据不用传到任何服务器,断网都能跑 开发者免费:平台不需要付一分钱 API / GPU 算力费,算力全由用户自己的设备出 他们正在把这些底层优化直接合并进 Transformers.js 和 ONNX Runtime Web。以前觉得端侧 AI 只是玩具,但现在网页端推理速度正在被推到极限。
以后你做的小工具,可能只要一个静态网页,就能白嫖用户的显卡跑 AI 了 🤯
原本聊天不计入额度,聊清楚再开发能省额度,合并后所有询问都会占用原本就不多的额度。
我猜你们没人注意到这段15个小时前Tibo采访 ChatGPT Chat 和 Work 两个模式,OpenAI 准备把它们合并起来。这是codex相比claude最后的优势了,聊天和工作分开,聊天��占用额度,可以聊清楚再投入开发,现在说要合并了,那意味着你所有询问的问题都要占用你的额度了。本来额度就没那么大,以后会更紧张。
Chat功能有非常强的必要性保留,并不计入额度。@thsottiaux @sama
负责人称「一切皆插件」从项目一开始就定了,开源也是DeepSeek成立前就定下的方向。
🔥崔添翼放出经典名言:DeepSeek Harness的开源是初心,不是被迫!
DeepSeek Harness负责人、Claude Code Mods 兼容层作者崔添翼 10 月 4 日回应新版本兼容争议,核心就三句:
1️⃣「一切皆插件」立项之初、写第一行代码前就定了;开源也是 DeepSeek 成立、发第一个模型之前就定的初心,不是被迫,更不是模仿别人做开放。
2️⃣现在的 Claude Code Mods 兼容只是 alpha 实验,用来验证它的扩展能力是不是 DSH 架构的子集。还做不到全部无缝运行,值得投入的话,技术上未来有可能。
3️⃣桌面端已能免命令行装插件(输入 npm 包名),约 60% 用户在用第三方插件,官方插件市场还在建。
兼容是验证,插件才是架构,开源是起点不是补丁。
#DeepSeek #DeepSeekHarness #开源是初心 #一切皆插件 #AIAgent #ClaudeCode #梁文峰
消息称Gemini 4 Argon很快会公开发布,目前内部已经用AI智能体自主完成了内存优化工作。
1️⃣ Google的Gemini 4 Argon:即将公开发布,Google已经在内部署了一支Argon智能体团队,这些智能体能够自主识别出整个数据中心最高可达1PB的内存节省空间。
这会不会终于意味着Google要在AI竞赛中卷土重来了?
2️⃣ Anthropic为GLM 5.3做的“免费广告”:Anthropic发布了一篇博客文章,警告开源权重的GLM 5.3模型存在网络安全风险,并演示了它的护栏机制是如何被绕过的。
尽管本意是发布安全警告,但这实际上相当于一块广告牌,把GLM 5.3宣传成了目前现有能力最强的网络模型,甚至还给出了移除内容审核的方法。
我今天会在一个视频里聊聊这两项新进展。
有人梳理了当前AI的落地场景,包括写函数改bug、生成测试用例找bug等开发环节。
如今软件行业实际用了多少AI?
AI应用场景:
💻 编码:编写函数、修复bug、重构代码
🧪 测试:生成测试用例、查找bug
📚 文档:编写README/API文档
🔍 代码评审:发现问题、给出改进建议
🚀 DevOps:CI/CD、日志分析、故障排查
🛡️ 安全:漏洞检测、威胁分析
📊 数据:生成SQL、分析、做看板
🎨 前端:生成UI/组件
🤖 AI 智能体:处理多步骤开发任务
🧑💻 支持:故障排查、客户服务自动化
最大的变化:
AI出现前:开发者 -> 编码 -> 测试 -> 部署
现在越来越多是:开发者 -> AI -> 评审 -> 测试 -> 部署
AI公司处理用户隐私和内容合规的边界引发关注,使用AI服务生成或存储内容时需注意相关风险。
社区讨论:多数人对这一事件表达担忧,认为这实际是“思想犯罪”,如今聊天机器人会告密,越来越像奥威尔笔下的监控社会。有人同情Anthropic,认为不举报会面临负面舆论,举报又遭诟病,属于进退两难。也有人对指控本身提出疑问,按照佛罗里达州法律要求,威胁内容需要能被其他人看到,不知道这份用户日记满足这一点的依据是什么。
想看看大语言模型处理空间物理建模的能力,可以关注这类实测结果,了解Claude在复杂工程问题上的表现。
社区讨论:多数用户反馈该项目加载缓慢、运行卡顿,在不同浏览器和系统上均有崩溃或报错问题,且生成的画面效果类似90年代电子游戏,粗糙笨重。有用户指出无法分辨行走地形是上坡还是下坡,也有用户认为AI能在浏览器中生成这个场景已经很令人惊讶,还有用户喜欢船上NPC的聊天设计,有开发者表示看到这个项目后觉得自己构思多年的同类想法再不做就来不及了。
对AI前沿方向感兴趣的人,可以免费参与这场由Jürgen Schmidhuber做主旨演讲的线下研讨会,座位有限需要提前注册。
现在报名开放中:从世界模型到现实世界 AI
欢迎参加 10 月 26 日在东京举办的研讨会,本次研讨会请到了近期加入@SakanaAILabs担任我们首席科学顾问的@SchmidhuberAI。
本次研讨会的内容包括由尤尔根带来的主旨演讲和问答环节,以及Sakana AI研究员关于我们RSI Lab研究工作的简短报告。
日期:2026年10月26日星期一,日本标准时间 15:00–18:00
地点:日本东京一桥讲堂 🇯🇵
语言:英语
入场:免费(需注册)
座位有限,请尽早报名。
报名:🐟
Scott Aaronson is now teaching Alignment Theory. https://t.co/sIbwyrzMqM
预测显示到2030年,全球AI月代币使用量将达到120千万亿,主要由企业智能体消耗。内存短缺可能会持续到2030年。
服务支持在不同模型供应商之间切换,不用管理多个账号,单个服务商宕机也不影响请求发出。
被低估的 @solana 生态项目系列回归了🫡
第23期:@miniroutersh 给你提供一个 API 密钥就能接入 250 个 AI 模型。
无需来回切换多个账户就能更换提供商,如果其中一个服务商宕机,你的请求会自动转发到另一个。
支持用 SOL、USDC、MINI 或银行卡付款,无需 KYC,最低存款仅 0.50 美元。
用 MINI 付款还能额外获得 5% 的额度。
该项目至今已经处理了 35 亿 AI tokens,确实值得了解,但还是那句话:投资前自行研究!
下一期我们该介绍哪个项目?🫣
不用额外带专用AI录音设备,能在手表本地完成语音转文字,还可以结合健康、位置数据生成当日时间线。
框架会学习用户的工作方式,随着使用变得更实用,还能长期适配用户需求,供研究者和开发者二次开发。
Omega 代理会学习你的工作方式,随着使用变得更强大,还会随着时间推移适配你的工作环境。
我们正在将 Omega 开发为一个开源框架,方便研究人员和开发者在此基础上开发,并为去中心化 AGI 研发做出贡献。
开始使用:
现在每周都有新的AI模型发布,大家都在拼速度拼效果,或许换个方向能找到新的突破点。
访谈涉及OpenAI对AI安全的思路,以及未来互联网动作将由智能体主导等行业判断,可以帮你了解AI行业的走向。
我和ChatGPT与Codex负责人thsottiaux的对话。我们讨论了:
🔸 为什么模型选择器可能会消失
🔸 为什么循环和图谱只是一个过渡阶段
🔸 为什么互联网上的大多数操作很快会由智能体完成
🔸 OpenAI的AI安全方法
现在就来收听吧
美国计划推动本土开源大模型在全球市场竞争中国开源模型,多家机构将在本月发布开源模型。
Axios 报道称,Reflection AI 即将发布一款能力极强的开放权重模型,预期将与中国顶级的开放权重模型竞争。
自 7 月以来,Reflection 每月向埃隆·马斯克支付 1.5 亿美元,用于获得 Colossus 的算力,除此之外还与 Nebius 签订了 10 亿美元的算力协议,因此开发出一款强大模型确实是有可能的。
消息人士还向 Axios 透露,其他未具名的美国实验室也计划在本月发布多个开源模型。美国开源人工智能复兴即将开始?
Howard Lutnick 一直期待出现这样的局面,据报道,他一度甚至考虑争取政府直接注资来推动此事。美国政府希望美国开放模型能在全球范围内与中国模型竞争。
AI agents调用真实工具时容易权限溢出,这组开源项目能让agents在隔离环境运行,不会拿到系统全部权限。
这款名为Kolibri的开源模型自称击败了Qwen2 635B、Nemotron 3 Super和Mistral Small 4,德国也加入顶级大模型竞争。
德国刚刚加入前沿大语言模型竞争。
新的主权开源模型 Kolibri。
> 击败 Qwen2 635B
>
> 击败 Nemotron 3 Super
>
> 击败 Mistral Small 4
基于定制化MoE Transformer架构构建。
很多开源AI Agent框架要么绑死命令行,要么过于臃肿,这个新发布的底座是专门给做产品开发的团队二次开发用的。
研究者花了很长时间,在92种Agent场景下测试不同配置,已经得出了得分最高的方案。
有观点认为AI推理会成为加密和AI结合的最大市场,现在需求增长已经带动产业链开始布局。
查找代码不用依赖内置模糊搜索,用自定义的RAG管线就能实现语义层面的代码搜索,降低代码检索的时间成本
你可以关注全球药企研发投入的新增长点,AI药物发现会带动实验环节需求上涨,相关供应链企业已经出现业绩增长。
对常年有大胆想法却无法落地的人来说,这款模型能帮你把多年想法变成现实
Opus 5.5 改变了一切……它价格低廉,理解能力惊人,处理细节到位,有全局视野,还能做预测……对我来说,它无疑就是那种能帮我把脑海里藏了多年的大胆想法落地的模型。实际上,我已经盯着它看了14天了……
业内人士认为Claude Opus 5.5领先所有开源模型,七月份Kimi K3引发热议,现在就等国内交出对标作品。
现在很多AI从业者认为研发自动化肯定会让模型能力突然大幅提升,有人对此提出不同看法,帮你看清AI发展速度的真实可能性
硅谷人士越来越把“递归自我改进”和“FOOM(能力突变)”混为一谈,好像自动化人工智能研发一定会在所有任务上,让模型能力提升速度产生巨大的不连续加速。
但实际上,这个过程可能会慢得多,而且进展是曲折不平的。
物理环境一直在变化,机器人依赖的旧数据很快失效。这个方案如果能规模化落地,智能手机就能帮机器更好感知物理世界。
对需要AI完成的研究类任务,提前约定范围和审核标准才能核验结果靠谱程度,普通哈希无法做到这一点。
我一直注意到,“已验证”这个词被用得太频繁了,仿佛它能解决 AI 工作中的所有问题。
比如说,我雇一个智能体去研究一份协议。哈希值可以锁定它交付的报告,但没法告诉我信息来源是否可靠,智能体有没有漏掉一个关键风险,或者它的结论是否符合证据。
@termix_ai 吸引我的地方在于,它可以在付费前先确定任务范围和审核标准。交付内容会生成固定记录。如果工作不符合约定范围,买家可以提供证据提出异议。
对于研究工作,我会要求标注引用来源、明确假设,还要有一个部分专门说明智能体无法验证的内容。这样我才有办法判断工作质量。交付记录能让双方基于同一份报告讨论。
如果未来AI agent需要在真实物理世界行动,它们就得想办法获取还没人采集过的空间数据。这个机制补上了自主AI和现实世界之间缺失的接口。
各位早上好。
AI智能体可以从互联网生成信息。但如果它们需要的信息存在于物理世界的某个地方,会发生什么?那就是另一个问题了。
智能体可能需要由3D捕捉的特定街道、建筑入口、工业场地或某块基础设施。如果还没有人收集这些数据,它没办法直接“搜索”到。
@vangrid_io 正在构建一种让智能体填补这一缺口的机制。AI智能体现在可以通过x402发布物理世界采集悬赏,预先用Base或Arc上的USDC提供资金。
人类贡献者接下请求,拍摄该地点并提交采集内容。买家首先会收到带水印的预览;验收通过后,Vangrid会将采集内容重建为3D场景,并通过托管释放付款。
其中重要的洞见是这个经济循环:智能体需要现实数据 → 智能体付款 → 人类采集现实数据 → Vangrid将其转换为结构化空间数据。
这开始看起来不像是一个数据市场,而更像是自主软件和物理世界之间的接口。如果智能体要在现实世界运行,它们最终需要一种购买现实世界信息的方式。Vangrid或许正在构建那个缺失的层级。
用规则约束AI编码出错,把编码动作标准化后,AI可以自行修正错误,降低人工调试成本。
若OpenAI在整合过程中削减对话限制、改变模型风格,会破坏ChatGPT最受用户喜爱的聊天体验
如果 OpenAI 不仔细规划这件事,他们很快就会犯下一个大错。他们正在幕后整合 Chat、Work、Codex 和 Dots,Tibo 已经口头确认了这个方向。
在事情出错之前,有几件事必须非常小心地处理:
不要削减对话限额,特别是对于 Plus 用户。
不要让模型变得更冷漠、更刻板。
请保留它的性格、自然对话、魅力和温度。
整合一切的同时,不要毁掉人们真正喜爱 ChatGPT 的地方:它本身的对话体验。
同样叫插件,不同产品的实现位置完全不同,DeepSeek Harness实现了架构级可插拔,和另外三家本质不一样
非技术用户也能用Claude做开发,原来软件开发的高门槛正在被AI抹平,创造的门槛被降到只要有想法就能动手。
过去软件开发门槛极高,最终能留下来做开发的,往往是一类非常特殊、特立独行的人。但AI彻底消除了大部分准入门槛。
现在创造的流程变成了:我有一个想法,我让AI帮我做出来,然后我不断调整修改。
只要有人体验过这种流程,你就能感觉到他们对计算机的看法开始发生变化。
举个例子,我很多不懂技术的朋友现在都在用Claude做东西,结果经常连我都感到惊讶。
这种用户行为本身,比所谓“氛围编码”重要得多——现在它甚至都算不上什么氛围了,这就是实打实的编码。
这套针对管理人员的规则,放到AI Agent身上完全成立,唯一不同是不用怕被开除,能帮开发者思考如何让AI Agent更听话。
马斯克的这三条确实适合用在 AI Agent 身上,可惜 Agent 不怕你开除它: --- 马斯克:如果我发送了一封带有明确指令的电子邮件,管理人员只能采取以下三种行动: 1. 回复邮件向我解释为什么我说的有误。有时候我也确实会犯错!2. 如果我说得模棱两可,要求进一步澄清。
3. 执行指令。如果以上三点都没有做到,该管理人员将被要求立即辞职。
有人批评OpenAI和Anthic一边用人类公开成果训练AI赚钱,一边禁止他人用他们的API输出训练竞争模型,双标做法令人反感。
OpenAI 和 Anthropic 居然还有脸抱怨知识蒸馏,真是离谱。
人类花了几十年时间编写代码、解释科学、回答问题、分享知识。AI 实验室用这些成果训练模型,做成产品卖给我们赚钱。他们早就蒸馏了我们所有人。
现在,有人付费购买他们的 API,并用输出训练了一个竞争模型,结果突然就遭到封禁,还被安上了「蒸馏攻击」的名头。
OpenAI 自己就提供蒸馏工作流,他们会在自己的平台上帮你用大模型的输出训练小模型。但如果你用这些输出做一个竞品,那你就是违反规则。
他们的服务条款甚至说我拥有输出内容。我花了钱,按理说产出归我,结果他们还能规定我能用它建什么模型。
这些人花了那么多年维护机器从他人作品学习的权利,现在轮到从他们自己的作品学习,也该好好维护才对。
这就是为什么我支持中国实验室发布可以下载、本地运行、二次开发的权重。你们都可以滚蛋了。
想自己本地跑新开源大模型的话,可以看看这份传闻汇总,多个热门模型的预计发布时间都列出来了。
我已经等不及下一波可以在本地运行的开放权重模型了。以下是我整理的目前谣言观察列表:
- Qwen 4:讨论的发布时间是10月到11月初。阿里云确认该模型正在训练中,但没有给出发布日期。
- Kimi K3.1:一个可能的预告和一个被曝的后端模型标识引发了期待。发布时间可能在10月,但这只是猜测。
- Next GLM:根据发布节奏预估发布时间为10月到11月(我对GLM-5.4尤其期待,因为5.3在网络安全能力上非常强)
- DeepSeek V4.2:遗憾的是目前还没有可靠的发布时间窗口。
Qwen 4 27b很可能会成为最强者,但我对K3.1和GLM-5.4也同样非常期待。当然还有DeepSeek 4.2 Flash。
做 DSH 插件开发遇到版本升级难题,不用再纯手改代码,可以借助大模型工具自动完成迁移升级。
这些AI工具覆盖了AI记忆、多AI协作、办公自动化、模型压缩多个场景,想玩新AI工具的可以挨个试试
对千篇一律的AI生成UI模板不满意的设计师,可以用这个工具做AI设计检查和现有UI改造
用AI做的UI,是不是都长一个样?👀
Hallmark,⭐️约3万。这项技巧帮你避开那种“一看就是AI做的”设计。它的优点如下👇
・可以从21个主题中,选择符合用途的布局和外观
・通过57个项目检查“AI感”
・也支持对现有UI进行诊断和重做
・可以在Claude Code/Cursor/Codex中使用
适合想要摆脱“只是换了个颜色的模板感”的人。
不管是普通网络安全从业者,还是想要探索AI+网络安全方向,都可以直接保存这些仓库,不用自己再逐个筛选查找。
10 个将 AI 引入网络安全的 GitHub 仓库
人工智能不只是在改变我们构建软件的方式。它还在改变安全团队发现、测试和修复漏洞的方式。
1. PentestGPT:一款人工智能助手,用于推理渗透测试工作流程和发现结果。
2. Caido:现代化工具套件,用于在安全研究期间拦截和分析网络流量。
3. HexStrike AI:通过基于 MCP 的框架将人工智能代理与网络安全工具连接起来。
4. Strix:由人工智能驱动的安全测试,用于调查应用程序并发现漏洞。
5. Nuclei:快速、基于模板的漏洞扫描器,适用于应用程序和基础设施。
6. Semgrep:具有代码感知能力的安全扫描,帮助在部署前捕捉漏洞。
7. Gitleaks:发现 Git 仓库中暴露的 API 密钥、密码、令牌和其他机密信息。
8. OWASP Amass:发现域名、子域名和基础设施,帮助了解外部攻击面。
9. Wazuh:开源平台,用于安全监控、检测、漏洞管理和日志分析。
10. Prowler:根据安全最佳实践和合规框架评估云环境。
如果你正在探索人工智能驱动的网络安全,收藏这些仓库吧。
原来需要资深工程师手动完成的逆向分析,现在可以交给AI Agent自动执行,降低了逆向工程的门槛,同时也带来了合规和技术挑战值得关注。
以往编码助手只负责生成代码,测试、复现bug仍需人工操作。这款工具可以自动完成bug复现并整理证据,减少人工重复工作。
编码智能体加快了代码生产。但测试已部署变更、复现故障,以及提交清晰调查报告的工作,仍然需要由人来完成。
来自 ContextQA 的 Ship 可以处理错误报告(来自 Slack 或 Linear),在已部署应用上复现错误,并将证据打包提供给工程师或编码智能体。
对普通人来说,微调开源模型依然门槛高、难度大,即使有经验的从业者也会遇到不少问题
这款工具只需要3个文件,可在单块NVIDIA GPU上运行,能自动循环完成AI研究,适合需要 overnight 自动化科研的场景使用。
安德烈·卡帕西(Andrej Karpathy)构建了一个能自主开展AI研究的智能体。整个配置只有3个文件,它叫做autoresearch。
你只需给Claude或Codex提供一个小型LLM训练配置,就可以不用管了。循环流程是:尝试一个想法→提交代码→训练正好5分钟→如果得分提升,就保留变更;如果得分变差,就用git重置→记录结果,永远重复这个过程。
指令明确告诉智能体永远不要停止,永远不要问“我应该继续吗?”,因为人类可能正在睡觉。你完全不用碰Python代码,只需要编辑program.md,也就是智能体的指令。卡帕西将其称为你的研究机构的代码。
这里甚至还有一条简洁性规则:带来微小收益但增加了20行hack代码的变更会被丢弃,得分相同但代码更少的变更会被保留。
我认为这个模式的适用范围远不止LLM。任何只要有一个需要超越的分数、一个需要编辑的文件、每次运行固定时间的任务,都可以像这样通宵自动运行。
项目9.2万星,MIT许可证。可以在单块NVIDIA GPU上运行,支持本地或租用的GPU,社区已经衍生出支持Mac、Windows和AMD的分支。
如果长时间运行循环AI Agent,控制缓存超时可以避免不必要的额外订阅计费,这是实际使用中的省钱技巧
在AI订阅服务中,Claude的缓存保留时长是1小时,GPT的缓存保留时长是30分钟。如果会话输出结束后,不在1小时/30分钟内发送后续内容,就会被扣除大量使用量……这条小知识,说实话,如果一直让AI Agent自主循环运行的话,其实不用太担心这个问题。
这种24小时运行的循环型Agent构想,是Cursor一直在主推的,但实际上能让大家方便使用的应该是Dot了(我自己没法用,只是从X时间线推出来的)。
Dot这个Agent可以统括Codex的多个Agent,用户通过Dot交流,而实际工作一直在循环运行……大概是这种结构。
使用技巧是不要和实际工作的部队直接对话,而是一直和情商、日语表现都更好,用起来更舒服的模型对话。
你和这个模型聊天,同时后台有规划器制定计划,如果规划器说信息不足,就由对话专长模型来好好询问用户,我觉得这样运行是最理想的。
而且,现在这种需求只需要让Dot基于Dsh或Pi进行改造就可以实现,这是目前很不错的一点。
就算是有点专业、自己懒得动手实现的内容,直接全扔给AI也能推进到一定程度,这点很不错。
已经在用ChatGPT或Codex订阅的用户,可以免费使用这个工具,能直接在Blender里生成带绑定的 procedural 飞马模型
我已经放弃让AI在Blender里自己点来点去了。@mixie3D 为智能体提供了直接控制能力,以及多智能体工作流和真正的3D技能。不再需要模拟UI操作。
我已经在我的游戏里测试过了。只运行了一次,智能体就自动生成了完整程序化生成的珀伽索斯飞马,包括毛发、翅膀和绑定好的控制骨架。
使用同样的模型,路由更智能,比通过界面操作强行调用 GPT-4o / Opus 快得多。
你可以用自己的 ChatGPT/Codex 订阅免费使用。导入 .blend 文件后就能继续工作。这是第一个真正让模型仿佛置身Blender内部的设置。
#BlenderAI #Mixar #GameDev #3DAI
想搭建全AI驱动的公司部门?这份教程聚焦Grok Bot,能帮你最快起步,解决招人成本高流程慢的问题。
想入门大语言模型又怕看不懂干巴巴的文字?这本书延续了作者经典的图解风格,既有核心概念讲解,也覆盖了其他书籍少讲的文本向量化应用。
想把Jev整合进实际软件项目,可以跟着这份分步教程学习,从基础概念到实际落地逐步掌握。
想从强化学习基础一路学到大语言模型对齐训练,这门课理论实践配套齐全,适合系统梳理完整知识线
想系统搞懂 RL + LLM 训练,可以看看 UCLA 这门公开课《大语言模型的强化学习》。 课程不只是讲公式,而是从强化学习基础一路讲到 LLM 对齐训练: ① MDP、策略梯度、A3C、PPO 等核心算法 ② NLP、语言模型、RNN 等 LLM 前置知识 ③ RLHF:数据收集 → 奖励模型 → 微调 ④ 可验证奖励强化学习与安全对齐 ⑤ 配套 Jupyter 代码、作业、视频和课件 理论和实践都有,适合想把 RL 到 LLM 训练这条线真正串起来的人。
你做AI视频不用反复调整提示词,一遍就能生成自然的AI视频,降低AI视频生成的门槛和重复操作。
一位AI圈的大佬 ,他搞了个叫 Seedance 2.5 导演 Skill 的东西。 操作流程特别简单,总共就三步: 1️⃣ 先让它帮你把提示词生成出来 2️⃣ 把参考角色扔进去,直接开跑 3️⃣ 通常一遍就能成,不用来回重试搞得人崩溃 这个工具不只是替你写提示词,还会顺带帮你把内容调优,生成出来的视频看起来挺自然,那种明显的AI感能削掉不少。
开发者公开独立测试结果,后续将放出演示视频供用户体验
来自X用户@angeldot_分享的Anthropic官方claude-code-setup插件
Claude Code 是一团乱麻。直到你安装了这个东西。
这里有一个Anthropic官方插件叫做claude-code-setup。
它会告诉你可以搭建哪些自动化工具(钩子、技能、MCP服务器、智能体……),以及如何一步步配置它们。
基本上它会分析你的项目,并推荐你开启哪些功能。
安装指令:/plugin install claude-code-setup@claude-plugins-official
收藏这篇帖子,别找不到了🔖
来自@xiaomovps在𝕏的分享,用Cloudflare全套组件低成本搭建AI应用
很多人开发AI工具担心成本过高,实际上Cloudflare已经配齐了AI应用开发所需的大部分基础设施。
第一,Workers可承担API、业务逻辑和智能体调度,能直接作为AI应用的后端。
第二,Workers AI可以直接运行Llama、Qwen、Gemma等大模型,自带免费额度,开发演示项目和小工具非常方便。
第三,AI Gateway可以统一接入OpenAI、Claude、Gemini等模型接口,同时解决日志、缓存、限流、调用统计问题。
第四,Vectorize是Cloudflare自研的向量数据库,可直接用于搭建知识库、RAG(检索增强生成)和语义搜索。
第五,D1存储用户、任务和结构化数据,KV存储配置、缓存和高频状态数据。
第六,R2存储图片、文档和模型素材,Queues负责处理异步任务,避免耗时操作阻塞请求。
这套组合覆盖了从模型、API、RAG到数据库、文件存储、异步任务全流程,AI应用开发所需的大部分功能基本都能在Cloudflare实现。
很多服务都带有免费额度,前期开发演示项目、个人项目、小型SaaS都够用,等有用户访问之后再按需升级即可。
网友@griswold分享的家庭定制Sylvia-bot,完成每周餐食规划和 grocery 采买
用户Khazix0918在𝕏分享,仅用半小时就通过Claude得到可使用的公司logo动效
用户Khazix0918在𝕏分享了自己用AI生成动效的经历。
他用Claude调整了半个多小时,就得到了差不多可以投入使用的公司logo动画。
他提到,放在一年前,没人能想到动效和视频这类内容,也会被AI用代码直接生成。
技术发展速度太快,很多时候人们都还来不及反应。
X平台用户@velfo分享@heliotsz提出的技巧,可在移动设备上完成开发操作
@velfo表示,这个思路看起来很奇怪,但在@heliotsx提到之前,他确实从来没有想到过。
将Codex CLI或Claude Code CLI连接到Grok Bot,能彻底改变开发工作流程。
这样一来,就不会只剩下向光标发送云代理指令的单一工作流,还能获得更完善的测试框架来评估部分功能。
整个操作都可以在手机上完成,@velfo分享时正处于前往投票的路上。
用户@EXM7777在𝕏分享体验,称该模型能完成其他AI代理无法处理的任务
对@EXM7777来说,Hermes内置的Opus 5.5比Grok Bot或Dots高出一个等级。原因是默认状态下,它就能处理其他AI代理无法完成的场景。
开箱即用的写作效果比其他AI好得多。
它能够实际完成应用设计工作。
和它对话的体验非常流畅顺滑。
它确实会比Claude Code内置的Opus更快消耗额度限制。不过这个模型现在的效率足够高,因此用户可以接受这一点。
目前已经有1.5万名创始人加入用户分享的这套系统,用户每周会发送一封免费邮件,感兴趣的用户可以前往链接查看。
用户@YxzRainy在𝕏提醒,ChatGPT当前风控不光查提问内容,还要查AI看到的电脑屏幕内容
<p>ChatGPT近期开始严格执行账号封禁风控。经常使用ChatGPT的Computer Use功能的用户需要特别注意。</p> <p>现在的风控触发规则不止和用户提问内容有关,AI在用户电脑屏幕上看到的内容也可能触发风控。
</p> <p>目前已知的高风险内容包括:未成年色情、犯罪相关内容、越狱提示词、核/生物/黑客等敏感技术,以及账号/地区异常。</p> <p>用户使用Computer Use功能前,需要先关闭电脑中不合规的敏感内容。</p>
@xikhar 在𝕏分享的改进型AI工作流,支持AI持续优化输入和输出
Gauntlet循环在已知最终输出形态时效果出色。但很多时候人们并不清楚最终输出的样子,需要AI代理持续同时优化输入与输出。
因此@xikhar正在测试一种新的循环工作流,让AI代理在循环中完成调研和构建两步工作。
这个思路其实由来已久,Matt Shumer最早提出了生成子代理的概念,让子代理构建输出、自我验证并优化结果。
想要了解更多细节,可以查看@xikhar置顶的视频帖子。本次测试在原有思路上做了延伸,目标是让AI代理遇到阻碍时,能通过反复调研自行优化输入。
X用户@AlexFinn分享让Grok Bot等AI代理提效的反向提示循环
如果你在使用 Grok Bot、Dots、Muse 或 Hermes,你的智能代理能做到的事情远比你想象得多。你很可能只用到了它 1% 的能力。
想要完成更多工作,最优策略就是“反向提示循环”。
第一步:给出这个反向提示:“根据你对我和我工作的了解,你能帮我做哪五件有产出的事?”
第二步:从中选一件。
第三步:不断重复这个流程,直到你完成大量工作。
这样做不仅能让你效率高得离谱,你还能完成你根本想不到智能代理能搞定的任务。
你接入的数据源越多,这个方法就越强大,尤其是接入邮件连接器的时候。我本来就很讨厌处理邮箱,跑一遍这个循环通常就能把我所有未读邮件都处理完。
试试看,然后告诉我你的感受!
海哥参考karpathy推荐的写法开发hai-simplified-technical开源工具
如果你用 codex / claude code 落实文档驱动开发,你肯定会被技术文档搞的晕头转向。 这不是你的问题,现在 AI 产出的技术文档就是多变且难读。 海哥已严肃学习卡帕西 @karpathy 推荐的 ASD-STE100 技术文档写法,做了一个 hai-simplified-tenchnical - 一个专门用来规范/重写文档的 skill,大幅提升可读性,虽然篇幅有所增长,但每次只讲述一个点,没有太多理解上的障碍,读起来反而速度特别快。 具体的比对案例可以看评论区。 开源地址
左边是传说中的 opus 5.5 用法,右边是 astra / sol 的重写。
来自𝕏用户@hanghuang_的提问,调研AI代理运行环境
向所有使用 Claude Code 或 Codex 的人提个问题:你现在在哪运行代理?本地还是云端?
用的是 Conductor、Superset、Replicas、Orca、herdr、cmux 还是纯终端?哪个最好用?
X用户IamEmily2050评价OpenAI与Anthropic的AI编码产品体验
Anthropic目前不仅拥有更出色的模型,使用限制也更宽松,而且Claude Code比ChatGPT应用也好用得多。
Codex的体验越来越差,这个应用漏洞多还慢。他们不断添加功能和更复杂的选项,直到变成了一场灾难。
OpenAI过去几周发生的事需要调查,应该有人为此负责。
开发者@David_Ouyang在𝕏分享了他对Claude Code的使用体验
我差不多准备好分享这个教程了,而 Claude Code 在保持各个视角和章节的一致性上表现非常出色。
比如说,我可以指定一种心脏表型,它就能让所有图片保持一致,并且符合生理学逻辑。
哪怕给我无限时间,我也不觉得自己能做出这么好的教程!
@DonPBongwater在𝕏分享了使用Claude、GPT等大模型生成VTube Pro 3D虚拟主播模型的提示词模板与技巧
这是expo发布的验证工程入门视频教程,基于开源框架。
验证工程简介
在本视频中,你将学习:
→ 如何使用 @testerarmy 的端到端开源测试框架构建智能体循环
→ 在每个PR上运行这个循环
→ 端到端测试的不同之处:确定性与智能体化
→ 智能体开发的未来
章节:
00:00 为什么会有验证工程这个领域
00:28 我们将要构建的智能体循环
01:09 常青测试、智能体设备,以及端到端测试增加了什么
01:57 探究一个示例测试文件
02:30 其中到底发生了什么
03:03 强大的缓存机制
03:24 两分钟在你的机器上完成搭建
04:17 在每个PR上运行:工作流程
04:46 基础设施:GitHub、Expo Workflows 和模拟器
06:11 这带来的好处:成本与时间
07:23 智能体开发的未来
博主CryptoPainter发布实验结论,称纯AI交易决策不可靠
开发者@TheObiLeonard分享,全程使用Claude Code和Codex完成
我在4天时间里完成了网站、管理后台、游戏化体验(Mission Control 界面)和用户后台全部开发,全程没有在 Figma 里做过一次设计。
所有内容都是在 Claude Code 和 Codex 里完成的。你不会相信这一切是 AI 完成的。
日本用户在𝕏分享,本地大模型幻觉更少,使用更便捷
受斯坦福HazyResearch团队KernelBench启发推出,含15个正确内核
介绍 SparkTrace LLM:这是一个用于评估大语言模型对 CUDA 内核性能判断能力的基准测试。
灵感来自 @斯坦福 @HazyResearch 在 2025 年推出的 KernelBench。
它包含 15 个正确的内核——由模型选出最快的那一个。
剧透:GPT 5.4 nano 选错了内核🙈
网友@jarvis11x在𝕏分享Muse生成视频的技巧,可让Muse先出参考资产图
网友@jarvis11x分享了使用Muse生成视频的实用技巧。
为了保证生成视频中人物镜头的一致性,可提前生成人物、场景、道具并锁定这些资产素材。
最开始,@jarvis11x会使用GPT image 2.5生成人物素材,现在他直接使用Muse生成图片。
@jarvis11x认为Muse的图像生成能力并不差,只需要在生成视频前加入一句特定提示词即可。
这句提示词为:所有分镜生成前,请先创作人物、场景、道具的参考图作为创作资产包,并在对应的分镜生成时加上参考图。
GeoffreyHuntley在𝕏分享,使用大语言模型(LLM)生成LISP代码可避免编译循环的痛苦
为什么要手动写代码、忍受编译循环的痛苦,而不用大语言模型(LLM)生成LISP代码来得到想要的结果?
使用者表示,不知道为什么,但这本身就是乐趣。从一个微小的核心开始,和大语言模型聊得越多,它就能长成你想要的任何东西。
整体思路是这样的:首先定义必须满足的属性;大语言模型可以做任何事,包括定义新函数;函数和属性会在生成过程中持续保留;随着代码规模增长,由于大语言模型已经定义好了所有确定性函数,后续对它的依赖会越来越少。
@realchendahuang分享,该教程可通过命令集成到Claude Code或Codex
GitHub 上出现了一个体量极大的 AI 工程全栈开源教程。它一口气拆了 20 个阶段、523 个模块: 线性代数、反向传播、神经网络、语音处理、Transformer、模型微调、强化学习、多模态、MCP 协议、Agent 执行循环、多智能体协作、生产级部署。最硬核的是它把教程本身做成了 Agent 技能,终端跑一行命令装进 Claude Code 或 Codex,本地智能体直接化身一对一导师,随时出题、改代码、跑测试。
523 个模块全部开源,每节课写完都会交付一个可以直接复用的提示词、Skill、Agent 或 MCP 服务。项目地址:
来自@3li_Alkinani发布在𝕏的内容,提到Claude和Codex
Claude是聪明的,Codex是聪明的,愚蠢的是我们使用它们的方式。
每一次新会话:这个客户、这个项目、我们做完了什么、我们上次停在哪里……我们变成了人工智能的内存。
我们厌倦了,所以我们构建了「مدار」。现在人类、代理和第二名团队成员会从上次停止的地方继续推进。来看看我们做了什么。
@EXM7777在𝕏分享了使用Claude Code中Opus 5.5超过70小时总结出的高效使用方法
来自@badlogicgames在X平台的动态,展示本地远程执行环境切换等功能开发
这是开发第三天的进展,目前已经完成当前工作目录文件浏览器和git查看器的开发。
向AI代理返回的内嵌评论功能正在开发中。接下来会集成执行环境切换功能,让AI代理可以在本地机器和远程机器之间跳转,AI的核心逻辑仍然在开发者的手机上运行。
开发者决定不发布该项目,这只是一个关于pi coding agent未来方向的粗略设计研究,还需要一些时间打磨。
目前整个项目的代码量是12000行,其中包含6000行前端代码,开发者认为这个体量已经非常精简。
要完成一个可供测试的完整设计研究,还需要添加代码模式和MCP(模型控制协议)支持。这需要对pi durable本身做少量修改,目前处于开发者自用测试阶段。
来源𝕏用户@gkpacker,分享了其作为独立创始人使用Grok构建自动化Bot工作流的经验。
开发者@LearnWithSubhan要求Opus 5.5生成工具,耗时1小时26分钟花费25.66美元
开发者@LearnWithSubhan要求AI模型Opus 5.5,通过构建一个交互式镜头实验室来解释相机对焦原理。
该项目一次生成完成,耗时1小时26分钟,API调用成本为25.66美元。
用户可以拖动对焦环,观察玻璃元件如何在整个场景中移动清晰焦平面。项目已公开,可在线访问体验。
如果你喜欢这类内容,可以给原推文点赞、转发原推文,或是关注@LearnWithSubhan获取更多类似内容。
这一天的 120 条信号到这里
https://ai-pulse-lab.com/feed.xml
每天 08:00 · 12:30 · 18:30 · 23:50 更新
在阅读器里订阅
添加到 Feedly、Inoreader 等阅读器
https://ai-pulse-lab.com/feed.xml
让你的 Agent 自动获取每轮简报
适用于 Claude、ChatGPT、Manus 等
请帮我设置一个定时任务,每天北京时间 08:30、13:00、19:00、00:20 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 08:00、12:30、18:30、23:50 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。