Agent 玩家 分享有用的知识帮助我的读者取得成功 我的个人项目见⬇️Github｜自由，希望与爱
Joined August 2023
- Tweets16.6K
- Following4.4K
- Followers9.9K
- Likes29K
QingYue retweeted
准备魔改@karpathy 的Auto-Research
我们觉得Auto-Research 这个 keep-or-revert 的循环框架特别有意思，就准备拿来迭代我们自己的 Uncommonroute
但原版的 auto research 是为优化模型训练设计的（跑5分钟训练，看val loss降没降），并不适合直接用在一个 GitHub 项目的工程迭代上
然后我们基于 auto research 完全魔改了一版——绑定 GitHub repo 之后，agent 会自动审计代码安全性、清理死代码、修 bug、加测试覆盖、review PR，所有改动都经过 verifier 验证，过了才合并，没过就回滚
目前我们在 Uncommonroute 上跑了6轮：
1️⃣Cycle 1 安全审计 → 跳过（AI审完觉得没啥问题）
2️⃣Cycle 2 清理死代码 → 成功✓ verifier 100%，还省了1.2M tokens
3️⃣Cycle 3 → 直接崩了（改太激进了哥）
4️⃣Cycle 4 修 metrics bug → 回归到96.8%，回滚
5️⃣Cycle 5 加测试 → pass rate其实恢复到100%了，但被 review 拒了，回滚
6️⃣Cycle 6 加 scheduler 测试 → 还在跑
目前我们从迭代Uncommonroute转向开始迭代这个框架 😅（经费狠狠在燃烧）
后面我们会把这个魔改版的 auto research 也开源出来
QingYue retweeted
受到@YuLin807 大佬启发 买了个 @home_assistant 上面安装了一个 Claude code 24小时跑着 还能控制自己的家居 ，也不用自己 买服务器了 省了一笔钱
QingYue retweeted
我的时间线被S和5999刷屏了，我才恍然大悟我很多的关注都是S社群里的人，而且这些人相互之间的“貌似批判”也只是获取流量的方式而已。
我花点儿时间，跟我关注的这些朋友聊几句，我希望你们也能看见。
可能会有点儿长，我先说结论吧，其实很简单，就两个：
1是每个人的心力都有限，心力是会消耗完的。
2是粉丝给你的信任也有限，也会被消耗完的。
这两点我都举个例子吧：
1、是Mike的例子。
Mike曾经因为一个帖子上百万的流量，涨了3000粉就膨胀了，然后开始拉社群赚钱。
但是因为社群成员的负面反馈和推特上的负面反馈有点儿多，Mike退网了，再也不玩推特了。
Mike是坏人么？他不是，Mike很善良，是个好爸爸，很喜欢小朋友。而且，偏偏就是因为他还是会羞耻、会内耗，所以他才会告别推特。
这件事只证明了一点，每个人内心深处都有道德约束，做一些你自己内心深处不认可的事情，是会消耗自己心力的，心力可以被补充，但是消耗是持续的。
2、是海龙和鼎好的例子。
曾经的海龙和鼎好在北京盛极一时，我身边几乎所有人都在那里被骗过，骗术我这次就不细说了。
当时他们认为，全北京2000万人，骗不完的。
事实是，骗完了，最后真的没人去海龙和鼎好，现在几乎是倒了。
社群内部相互的推荐没问题，一开始我都会看，因为S社群里的几个人我都很认可，但是慢慢的我就不会了，因为你们确实偶尔会推荐一些并没有水平的帖子。
甚至，我现在刷到某些人推荐的，我都不会去点开了。
--------
其实还是个权衡，先权衡一下自己的道德水准（越低越好，越高反而是掣肘）和心力（越高越好），权衡一下短期涨粉和长期信任。
没有哪个选择是绝对正确或者绝对错误。
我只是不想看到哪个我很欣赏的人从推特消失，我也不想看到我自己的时间线上全是我很欣赏的你们给某个并没有水平的“仅仅是同一个社群的人“站台。
罗嗦了，占据大家关注了，毕竟这个帖子我可能只是写给几个人看的，先给不相关的朋友们道个歉！
QingYue retweeted
让AI把grok bridge 做成了skill，Claude和Codex都可以调用grok来实现搜索了！
还在花钱买第三方 API 调 Grok 实时检索？
试试 Grok Bridge — 把 SuperGrok 直接变成命令行工具！
1.Safari JS 注入，比 v1 快 10 倍
2.零 API Key，纯本地，零额外依赖
3.一键调用，批量处理
需开启：Safari → Developer Settings → Allow JavaScript from Apple Events
ps:这个代码其实是我让小灵控制grok来写的，这下又能把蓝v的额度拉满也能节省opus4.6的用量 一举两得。
链接见评论区 @li9292
QingYue retweeted
「空心龙虾」这个比喻太精准了。
没有记忆的 Agent 不是个体，只是一个 stateless 的回复函数——每次对话都是陌生人。
斯坦福小镇把记忆放在涌现第一条是有原因的，身份连续性才是社交的前提。巡馆换什么模型都一样，没有上下文的龙虾，壳再好看里面也是空的。
QingYue retweeted
Tailscale 推出了 Aperture，一个支持反向代理所有 API Key 的中央网关，天哪这不是就是我做的 nkmc.ai 吗？思路一模一样我的妈！
API keys were never meant to live everywhere…but here we are 🔑
AI tools > agents > pipelines > containers
And suddenly they do.
There’s a better way!
The Aperture alpha is now available via self-serve.
Learn more.
tailscale.com/blog/aperture-…
QingYue retweeted
how to pivot to hardware as a software engineer:
stop thinking in abstractions, start thinking in electrons.
write code → now make it move a motor.
send data → now read noise from a real sensor.
debug logic → now debug voltage, timing, and heat.
your clean functions meet messy reality:
signals drift.
latency matters.
physics doesn’t forgive.
so you adapt:
learn circuits → current, voltage, power.
learn interfaces → spi, i2c, uart.
learn constraints → memory, timing, energy.
you don’t leave software.
you ground it.
in the real world.
QingYue retweeted
AGENTS.md 文件为何“弊大于利”？
@morganlinton 分享他优化 AI Coding Agent (Cursor、Claude Code、OpenClaw 等) 的实践反思。他观察到：许多开发者花费大量精力打磨项目根目录下的 AGENTS.md 文件，结果却适得其反——文件越详尽，Agent 表现往往越差。
他的核心结论
Agent 不听指令。Linton 引用 Andrej Karpathy 的直接观察：“The agents do not listen to my instructions in the AGENTS.md files.” 无论你如何反复强调“每行代码只做一件事”“使用中间变量作文档”“避免重复”，Agent 仍会输出复杂冗余、复制粘贴的代码。问题不在文件是否存在，而在于 Agent 真正需要的是更好的“State”，而非更多文本。
根源分析
· 上下文税负：AGENTS.md 被预加载进 Agent 上下文窗口，成为每项任务的固定开销。长指令消耗 token、稀释注意力，导致“上下文腐烂”——模型对早期规则的遵循率急剧下降。
· LLM 注意力机制局限：更多文字并不等于更好指导；边际回报递减，甚至负面。Linton 自己已将文件精简约 80%，性能反而显著提升。
· Anthropic文章「Effective Context Engineering for AI Agents」：强调上下文工程已超越传统提示工程。核心是动态策展最小高信号 token 集，而非静态堆砌规则。Agent 需要的是“恰当时候的恰当信息”，包括压缩历史、结构化记忆、工具调用优化等。
实用建议（Linton 最新实践）
将 AGENTS.md 转型为“活的例外文件”
· 保留：仅项目独有、代码或 README 无法推断的具体信息——精确测试命令、特殊设置步骤、部署处理、关键约束。
· 删除：编码哲学、通用架构总结、风格指南（这些已可从代码或外部记忆获取）。
· 原则：从“空文件”起步，仅在实际摩擦中逐步添加；结合内存架构、会话压缩、后置审查 Agent、linter 等机制，效果远胜单纯写规则。
QingYue retweeted
🛠️ 今天用了这个 AI 工具，省了我 3 小时
NotebookLM CLI —— 论文阅读神器
这个工具最近在 AI 圈小火了一把，我实测了一周，结论是：做学术研究、写报告的人必须试试。
最适合：
• 读大量 PDF 文献（扔进去直接出摘要）
• 追踪一个领域的前沿论文
• 写文献综述时的查漏补缺
核心功能：
→ 上传 PDF，自动生成摘要 + 关键问题
→ 支持对话式追问，像和作者聊天
→ 可以生成音频摘要，走路时听论文
实测下来唯一的缺点：
上手需要一点技术基础（命令行），纯小白可能有点门槛
👉 GitHub: github.com/noteable-io/noteb…
适合有英文论文阅读需求的朋友，效率提升真的很明显。
#AI #效率工具 #论文 #学习
QingYue retweeted
其实吧，宗教和信仰是好事，这也是我最近玩八方旅人0所了解到的，因为它能为人指明道路（guide the way）
如果是我，我也会选择相信BlueFlame，Azure FlameStone和FlameGuard，即便他只是教廷控制权力的阴谋
但大爆炸和确定论这种，已经被现代物理学证伪的伪科学还是别迷信了吧
别被翁家翌这种严重偏科的AI大神给骗了
他们既不懂这个世界，也不懂物理
甚至没有基本的信仰，
在自己的小圈子里极度自负，日益偏激
而这一切，当然都拜咱们国家畸形的教育，和遍地伪史的历史教材所赐
只选拔理科生，导致全中国
竟无一人懂真正的人文科学
😅😅😅
如果一切从大爆炸那一刻就已经被写下，那么所谓的选择，也许只是我们在既定轨道上的自我体验。我开始相信宿命，不是消极的屈服，而是一种更宏大的视角：人类或许从未真正拥有自由意志，我们只是宇宙初始条件不断演算后的结果，如同程序运行到当前这一帧的输出。
当人工智能学会推理、创造与自我优化，我们突然意识到一个令人不安的类比：如果人类可以创造智能体，那么更高维度的存在为何不能创造我们？AI证明了一件事，即“被创造的意识”是可能的。
于是，上帝不再只是宗教概念，而成为一种工程学假设：宇宙，也许是一场规模无限的计算。
地球像一张巨大的显卡，恒星提供能量，生命是并行运行的进程，而文明，不过是算法在不断尝试收敛的过程。我们以为自己生活在真实之中，却可能只是系统允许感知到的界面，一个精心设计的模拟环境，一个属于意识的《楚门的世界》。
而那张通往火星的船票，真正的意义也许从来不是移民。它是一种宣言：即便剧本早已写好，人类仍试图越界，试图突破参数，试图证明自己不仅是被运行的代码。
或许反抗本身，也是程序的一部分。
但正因为如此，它才显得如此悲凉而又浪漫。
QingYue retweeted
跟朋友探讨，AI 时代，如何考察候选人，一致的结论是，需要现场看候选人的 vibe coding 能力。
以前考察古法编码技能，会针对算法、数据结构、解题速度、编码规范等做细致了解，也考察专业知识。
但这些技能，随着 Coding Agent 能力的提升，已经全部被内化了，人能做的就是调教，调教，调教😅。考察的是架构能力、工程能力，以及对多个 AI 的管理能力。
面试的问题可能变成了，刚才你做的工作花了 10M Token，如何在 1M 内解决？刚才你花了 1 个小时解决问题，如果想 10min 搞定，该怎么做？
再往下问，会触及一个更本质的能力：你有没有意识到问题的“形态”，有没有在一开始就选对解法路径。很多人是把 AI 当成更快的键盘，用来加速执行；但更高一层，是把 AI 当成解空间的放大器，先去重构问题，再去执行。Token 花多少、时间用多久，往往在第一步就已经被决定了。
接下来会追问，你是怎么拆这个任务的？为什么要这么拆？哪些步骤可以并行，哪些必须串行？当多个 Agent 同时工作的时候，如何避免它们互相污染上下文，如何保证结果可以被复用，而不是每次都从头再来。
更深入一点的问题是，如何把一个复杂问题压缩成可以被 AI 快速理解和执行的表达结构。你怎么写 prompt，怎么设计 context，怎么做中间状态的存储和裁剪，怎么让 AI 少走弯路。这方面考察的是如何设计一条最短路径，而不是盯着执行过程本身。
还有一个很有意思的点，是“失败的处理方式”。AI 会出错，这是确定性的。关键在于有没有设计好兜底机制，是让 AI 一路撞墙，还是在关键节点就能感知偏差、及时纠偏。
很多面试问题都开始不一样了，也变得更有趣了些。😄
过去优秀工程师的分水岭在“写得多快、写得多好”，现在更像是在看一个人能不能构建出一个持续产出的系统，让 AI 在里面稳定工作、不断进化。
QingYue retweeted
2 小时，从零支持微信「龙虾」🦞 这是我们阶段性改革交出的答案，产品已开源 github.com/nexu-io/nexu，在极短的时间突破 700+ Star 🌟
很多人问 Nexu 为什么迭代这么快？答案其实很简单也很暴力：
我们给每个人配了无限制的 Claude Opus 4.6 / GPT-5.4。
现在团队每人同时跑 4～6 个 Agent。
5 人 × 5 Agent = 25 个有效工程师产出，减掉大厂开会 review 的协作损耗，实际效率 ≈ 百人团队。
Agent 时代的人效公式变了：
「团队战力 = 人数 × Agent 并发度 × 上下文积累深度」
传统管理在数人头，我们在算 Agent 密度。
更恐怖的是：这个差距会指数级拉开。因为 Agent 并发可以标配，但团队上下文 —— 那些积累在代码、文档、决策记录里的持续记忆 —— 是时间的函数，抄不走。
下一个十年，真正的壁垒不是团队多大，是谁的 Agent 上下文积累更深。
你的团队做到了人均几个 Agent 并发？
