逃离大厂去修柴油机：程序员的尊严保卫战 | blog 一位拥有10年经验、曾效力于暴雪的资深工程师在失业一年后发出的哀鸣，揭开了技术圈最残酷的真相：软件工程正在从“高门槛手艺”加速退化为“廉价大宗商品”。 现在的求职市场已陷入某种病态：HR用AI筛选简历，候选人用LLM作弊应对算法题，公司试图用Token替代初级开发。这种“技术互害”让真正热爱代码的开发者感到幻灭。核心矛盾在于，当生成式AI让逻辑产出的边际成本趋近于零时，程序员传统的“护城河”彻底塌了。 最辛辣的视角来自评论区：一位折腾5年没入行的准程序员，果断转行做了柴油机修理工。结果薪水比入门级SDE高，工作稳定且不内耗，回家反而能纯粹为了兴趣写代码。这撕碎了长久以来的中产幻觉——即“坐办公室写代码”一定优于“蓝领体力活”。 底层逻辑很简单：宏观上，高利率时代终结了互联网的疯狂扩张，开发者从“利润中心”变成了管理层眼中待优化的“成本中心”；微观上，Transformer模糊了平庸代码与优质代码的界限。 如果你还在纠结AI是否会替代自己，可能已经看错了方向。真正的生存之道，要么是成为能利用AI撬动巨大业务价值的超级个体，要么是寻找那些具有物理确定性、AI暂时无法触达的真实领域。当代码不再稀缺，稀缺的就是对复杂现实问题的解决能力，或者那把能拧紧螺丝的扳手。
附件：[图片]
“人民的显卡”：中国工程师暴力破解 NVIDIA 的底层逻辑 | 视频 最近大火的“Tesla V100 v4”并非官方新品，而是中国工程师耗时一年，暴力逆向工程 NVIDIA V100 芯片 2963 个引脚信号后的产物。他们将原本只能用于服务器的 SXM 架构芯片，强行“移植”到了半高 PCIe 板卡上，并实现了 8 路 NVLink 互连。 这件事的核心价值不在于算力翻新，而在于对 VRAM 贫困的精准打击。在 LLM 时代，显存就是入场券。32GB HBM2 显存版本仅售 3999 元，这意味着个人开发者能以极低成本搭建起 128GB 甚至 256GB 显存的本地集群。虽然 V100 架构较老，不支持 BF16 和最新的 CUDA 特性，但在运行大参数模型时，NVLink 提供的 300GB/s 带宽远超 PCIe 限制，解决了多卡通信的瓶颈。 这背后的底层逻辑是：当顶层算力被封锁或溢价过高时，民间技术力量会通过压榨旧有硅片的剩余价值，强行抹平商业分级带来的技术鸿沟。这不仅是硬件改造，更是对 AI 生产力工具的一次“平权”。对于预算有限但需要跑大模型的极客来说，这种“缝合怪”是性价比极高的工程奇迹。
本地大模型调优指南：从跑通到跑爽的进阶地图 | blog 很多人玩本地大模型（Local LLM）还停留在“能跑就行”的阶段，其实通过合理的参数调优，性能翻倍甚至画质/逻辑提升并非难事。这篇指南把繁杂的 llama.cpp 调优逻辑拆解成了普通人也能听懂的硬核干货。 核心逻辑：本地推理的瓶颈不在算力，而在显存（VRAM）和内存带宽。 - 显存是第一生产力：模型能全塞进 VRAM 就绝不留给内存。 - 内存带宽决定生死：对于 MoE 架构（如 DeepSeek），内存频率（XMP/EXPO）直接决定了生成速度，开启 BIOS 里的内存超频可能比换显卡更有用。 深度避坑与实操： 1. 显存分配：使用 --fit on 让系统自动探测并最大化利用显存，但记得留出 512MB 以上的缓冲空间，防止长文本推理时 OOM 崩溃。 2. 缓存量化：通过 -ctk q8_0 压缩 KV Cache，能省下大量显存给模型层，这是低显存跑大模型的“白嫖”神技。 3. CPU 调度：Intel 用户记得用 taskset 屏蔽 E 核（小核），只用 P 核（大核）跑，速度能稳升 20%。 4. 投机采样：MTP 技术是当下的提速王牌，通过一个小模型“预判”大模型的输出，能实现 2 倍以上的生成速度。 调优不是玄学，是在有限的显存池里，平衡模型权重、上下文长度和推理速度的资源博弈。
附件：[图片]
别再卷参数了：Sakana Fugu 开启了“模型调度”的新主权时代 Transformer 架构的奠基人之一在东京搞了个大动作：Sakana AI 发布了 Fugu。这玩意儿最聪明的地方在于，它不追求成为那个最强的“单体大脑”，而是要做一个顶级的“指挥官”。 简单来说，Fugu 本身是一个 LLM，但它的工作是根据你的需求，动态调度全球最强的模型池。它把复杂的任务拆解，分发给不同的专家模型，最后汇总输出。在 SWE-Bench 等硬核测试中，这种“群狼战术”跑赢了 GPT-5.5 和 Opus 4.8。 这件事的底层逻辑是：AI 的未来不再是单体巨兽的肉搏，而是协作生态的胜利。更深层的意义在于“AI 主权”——当某个模型因为出口管制或技术封锁无法使用时，Fugu 可以瞬间切换底层模型，让业务不中断。这是一种极具韧性的系统架构。 虽然目前社区对它的计费逻辑（按最高档模型收费）和延迟仍有争议，但它证明了一个趋势：智能的上限不再仅仅取决于单个模型的参数量，而取决于调度、分发和验证的逻辑深度。这标志着 AI 竞争正在从“炼大模型”转向“构建智能系统”。
编程的终局：从写代码到管理复杂度 | 帖子 François Chollet 最近的一番话戳破了程序员的身份焦虑：编程从来不是关于代码，就像音乐不只是乐谱。它本质上是利用“抽象层”来管理复杂度的艺术与科学。 很多人觉得 AI 会取代程序员，这其实是把“记笔记”当成了“写文章”。代码只是逻辑的载体，是目前最底层、最繁琐的表达方式。AI 的介入并不是让编程消失，而是把抽象层再次推高。过去你需要手写排序算法，后来变成了调用库函数，现在变成了用自然语言描述逻辑。 这意味着，人类的判断力、系统架构能力和对问题的拆解能力，反而变得比以往任何时候都更值钱。当代码生成的门槛降为零，真正的护城河就变成了：你是否知道该构建什么，以及如何在大规模复杂系统中保持逻辑的清晰。 底层逻辑很简单：AI 承担了执行层（Compiler），而人类回归到了决策层（Orchestrator）。你不再是那个拉小提琴的人，而是指挥整个乐团的指挥家。虽然乐器变了，但对音准、节奏和整体和谐度的把控，依然是核心竞争力。
附件：[图片]
Unlimited OCR 是一款专为长文本与多页文档打造的 OCR 解析引擎，将单次推理的视野从单页扩展到整篇文档，真正实现「一镜到底」的高精度解析。 它既支持单图 gundam/base 双模式推理，也能直接对 PDF 多页进行批量处理，同时提供 Transformers 与 SGLang 两种部署方案，满足从本地快速验证到服务化部署的全流程需求。 主要功能： - 单图/多页一键解析，支持高达 32k token 的超长输出； - gundam（局部裁剪）与 base（全局）两种图像模式，兼顾细节与全局一致性； - 原生支持 PDF 自动切页与多图并行推理； - 提供 Transformers 与 SGLang 两种推理后端，兼容 OpenAI 风格流式 API； - 内置 N-gram 重复抑制与自定义 Logit Processor，显著提升长文本连贯性； - 轻量化依赖，通过 pip/uv 即可在 NVIDIA GPU 上快速启动。 无论你是做学术文献数字化，还是构建企业级文档 pipeline，Unlimited OCR 都能提供稳定高效的解析能力。
附件：[图片]
Google员工因开发爆火开源工具被裁：大厂创新的“越界”代价 | 帖子 这件事的起因很具戏剧性：Google开发者关系工程师Justin Poehnelt开发了一个Google Workspace CLI工具，因极度好用在GitHub和Hacker News瞬间爆火。然而，就在Google官方宣布即将推出“正统”CLI的两天后，他被开除了。 这背后的冲突点在于“规则”与“创新”的错位。在Google这种4万亿美金体量的巨头里，官僚体系的首要任务是“确定性”。Justin虽然身处DevRel部门，习惯于开源协作，但他直接在官方GitHub组织下挂上Google Logo发布未获法律和品牌部门最终审计的产品，触碰了大厂最敏感的合规红线。 深层逻辑是，当一个人的“20%时间”跑得比公司正式立项的“100%项目”还快、还好时，他挑战的不仅是流程，更是内部权力的护城河。在AI时代，个人开发者利用Agent能极速交付高质量代码，这让原本臃肿的产研架构显得冗余且尴尬。 这件事给职场人的警示是：在大厂，解决用户痛点只是“正确”，而符合组织意志才是“安全”。当你的个人影响力开始“背刺”公司的组织架构时，再亮眼的GitHub Star也保不住你的工卡。
附件：[图片]
AI幻觉破灭：从“无限白嫖”到“Token破产”的硬着陆 | blog AI圈的“药贩子模式”正在失效。过去一年，大模型厂商靠巨额补贴维持着“首单免费”的假象，诱导企业把业务搬上云端。现在，当OpenAI和Anthropic开始清算，企业才发现自己养出了一个吞金巨兽。 核心逻辑很简单：目前的AI繁荣全靠风险投资买单。OpenAI去年亏损超380亿美元，其中营销费用竟然占了收入的44%。为了IPO给股民一个交代，厂商必须把订阅制转向Token计费。结果就是：某四人团队一个月烧掉11万美元Token，成本远超雇人。 最深刻的洞察在于：AI还没替代人类，先替代了企业的利润。 1. 效率陷阱：写代码快了30%并不等于利润多出30%。如果Token成本是人力成本的数倍，这种“效率”就是财务自杀。 2. 弹性需求：当大模型昂贵时，它并非刚需。很多公司发现，一旦IT部门开始限制高阶模型使用，员工很快就缩回了“够用就好”的开源模型或低端版本。 3. 债务死结：AI行业背负了数千亿美金的硬件债务。要还债，AI必须大规模取代高薪职位（如程序员），但现实是AI目前更像是一个昂贵的实习生，需要高薪熟练工盯着看管。 这场泡沫的本质是：我们正试图用21世纪的算力成本，去换取20世纪的劳动价值，而账本根本对不齐。
附件：[图片]
三龙四蛇：中国AI算力的“平行宇宙”正在成型 | 帖子 当外界还在纠结英伟达H20的出口配额时，中国AI算力的底层版图已经完成了“换血”。所谓的“三龙四蛇”——华为、阿里、百度三家大厂，加上沐曦、摩尔线程、壁仞、天数智芯四家新锐，正在构建一个独立于CUDA之外的平行宇宙。 这件事的逻辑不在于简单的“国产替代”，而在于“生态闭环”。这些公司的核心团队大多来自英伟达或AMD，是曾经设计出顶级芯片的原班人马。他们不仅在追赶H100的性能指标，更在重塑生产链：从依赖外部代工转向国内制造。 最深刻的变量在于模型。DeepSeek、Qwen等顶级开源模型正逐渐转向针对国产芯片进行底层优化。这意味着未来好用的开源模型可能天然就适配这些“中国盒子”。当算力和模型开始深度绑定，英伟达的软件护城河就不再是铁板一块。 这不再是制裁下的生存游戏，而是一个拥有独立标准、独立软件栈和独立制造能力的完整系统。未来两年，中国可能从算力进口国转变为算力出口国。
附件：[图片]
当大佬建议你别死磕编程时，他们在谈论什么 | 帖子 Telegram创始人Durov和马斯克最近达成共识：比起追逐编程和AI应用，学生更该学好数学和物理。这听起来像是在劝退，其实是顶级玩家对未来人才定价权的预判。 现在的AI已经能高效生成代码，编程的门槛正在从“掌握一种语言”降级为“描述一个需求”。当Transformer模型能处理掉绝大部分重复性编码工作时，剩下的核心差距在于你是否具备拆解复杂问题的能力。这需要极强的逻辑严密性和对世界运行规律的深刻理解。 底层逻辑是：编程只是表达思想的工具，而数学和物理才是产生思想的源泉。如果你不懂第一性原理，你甚至无法给AI下达一个高质量的指令。未来的核心竞争力是“架构能力”，而非“执行能力”。数学训练的是逻辑闭环，物理训练的是对现实世界的建模，这些硬核基础是AI目前最难完全替代的“人类直觉”。 不要被工具的更迭搞得焦虑。AI时代，技术框架的半衰期极短，与其追逐随时会过时的代码语法，不如去死磕那些几百年不变的硬核科学。当所有人都能用AI产出平庸内容时，那个能看透底层逻辑并指挥AI的人，才握有真正的入场券。
附件：[图片]
Claude悄悄“降智”背后的信任崩塌 | blog Anthropic最近因为在Claude Fable中搞“静默降智”被骂到道歉。他们为了防止对手用Claude的数据进行蒸馏（Distillation），悄悄用手段污染输出让模型装傻，波及了大量无辜开发者。 最值得玩味的切入点是，AI巨头过去一直把自己包装成人类安全的守护者，这次却把商业竞争的防线，包装成了防范灾难的安全红线。这种以安全之名、行商业防守之实的做法，彻底砸了信任招牌。 这给行业敲响了警钟：当闭源巨头为了保护护城河开始主动给输出“投毒”，本地部署的开源模型就不再是备选项，而是开发者捍卫技术自主权的唯一退路。
附件：[图片]
OpenLogi 是一款用 Rust 编写的本地优先 Logitech Options+ 替代方案，专为追求隐私和可控性的用户打造。无需账号、无遥测数据，所有配置均存储在本地 TOML 文件中，支持通过 HID++ 协议直接对按键、DPI 和 SmartShift 进行重映射。 目前已支持 macOS，GUI 提供交互式鼠标图示、按键动作选择器、DPI 预设以及按应用自动切换的配置覆盖；CLI 则便于快速列出设备与诊断。Linux 与 Windows 版本正在开发中。 主要功能： - 本地优先，无需 Logitech 账号或云端服务 - 通过 HID++ 协议实现按键重映射、DPI 调节和 SmartShift 切换 - 交互式 GUI，支持应用级配置覆盖和设备轮播 - 37 种内置动作及自定义快捷键录制 - 支持 Logi Bolt 接收器、蓝牙直连和有线设备 - CLI 工具，方便批量管理和诊断 项目仍在快速迭代，欢迎 Star 并关注以获取最新进展。
附件：[图片]
GordenPPTSkill 是一套专为中文用户打造的 AI 原生 PPT 生成工具，内置 17 套精修模板和非破坏性文本编辑能力，让模型直接输出高品质、可直接使用的 .pptx 文件。 工具基于 python-pptx 实现模板布局保留，只需准备 edits.json 即可完成从内容到排版的完整构建，支持信息密集、复杂排版与商务简约等多种风格，兼容 DeepSeek、Claude、GPT 等国内外主流模型。 主要功能： - 17 套原生中文模板，覆盖国企、互联网大厂常用风格； - 非破坏性编辑，保留模板布局与设计细节； - edits.json 驱动构建流程，命令行一键生成真实 PPTX； - 技能自动更新机制，模板新增后无需手动同步； - 支持渲染预览图，便于快速检查排版效果； - 提供 SKILL.md、参考文档与脚本，方便集成到 AI 工作流。 支持 Python 环境运行，安装 python-pptx 后即可本地使用，适合个人学习研究与日常办公场景。
附件：[图片]
GDM Science Skills 是一套专为科研任务打造的 Agent 技能集合，覆盖基因组学、结构生物学、化学信息学、文献检索等多个领域，把 30 多个常用数据库和工具的能力集成在一起。 它能让 AI 代理更好地理解科学上下文、减少 token 消耗，同时保持更高的执行准确度。每个技能都包含结构化的指令、辅助脚本和参考资料，方便快速嵌入科研工作流。 主要功能： - 集成 AlphaGenome、AFDB、UniProt 等 30+ 数据库与工具； - 提供结构化指令与脚本，扩展 Agent 在专业科学任务上的能力； - 支持通过 npx 一键安装，也可直接在 Google Antigravity 中加载； - 部分技能支持 API Key 以提升调用上限，无 Key 也可基础使用； - 附带示例与技术报告，方便快速上手和二次开发。 支持通过 npx 或 Google Antigravity 快速部署，适合科研人员、生物信息学团队和 AI 科研工具开发者。
附件：[图片]
鼠鼠实习妙妙工具（SIT）是一套 AI 驱动的实习项目闭环工具：把岗位 JD 快速转化为可选、可跑、可讲的项目素材，再把项目变成能投递的简历和能过关的面试包。 工具先根据 JD 补全候选人画像，再从 GitHub 里挑出 2-3 个匹配度最高的项目，按上手速度、可讲亮点和改造空间排序；随后自动审计仓库结构、生成 baseline 运行方案，并给出可落地的增量改造点；最后输出 STAR 简历段落、核心代码讲解、面试官 Q&A、PPT 提示词和投递检查表，让 0 经验或低经验的候选人用最短路径完成从选题到面试的全流程。 支持 interview-only、smoke-test、local-full-run、remote-full-run 四档运行深度，满足不同时间和资源预算；同时联动 VibeResume，把最终内容沉淀成可版本管理的网页简历，一键导出 PDF。 主要功能： - JD 智能解析与项目匹配：自动补全知识水平与资源画像，按多维度排序候选仓库； - 仓库审计与可视化：输出 audit.json、overview.md、overview.html，快速梳理代码结构与依赖； - Baseline 运行规划：给出本地最小路径或云端资源方案，降低上手门槛； - 可面试改造建议：API、缓存、测试、监控、CI/CD、性能优化等多场景增量点； - 一站式面试包：STAR 项目描述、核心代码讲解、Q&A 拷问、PPT 提示词和投递检查表； - 与 VibeResume 联动：把项目成果沉淀为 HTML+CSS 网页简历，支持 AI 改版与一键 PDF 导出。 提供 Python CLI 与模块化脚本，安装后即可本地运行，适合计算机方向求职者与高校就业指导场景。
附件：[图片]
榨干垃圾服务器：本地AI运行的底层逻辑并非买显卡 | blog 很多技术人都在焦虑被昂贵的算力军备竞赛抛下，但真正的高手已经在用十年前的报废服务器跑最新大模型了。有人用 2016 年的单核单路 Xeon 处理器和极慢的 DDR3 内存，在完全没有显卡的情况下，让 26B 的 Gemma 4 架构模型跑出了“人类阅读速度”。 这件事的核心本质在于：大模型在生成文本的“解码阶段”，底层的瓶颈从来都不是算力（Compute-bound），而是内存带宽（Memory-bound）。处理器每算一个词，都要把数百亿的参数从内存搬运到 CPU 缓存里。这个过程里，CPU 绝大多数时间都在干等内存把数据运过来。这就是所谓的“内存墙”。 大厂和商业软件通过黑盒工具（如 Ollama）向用户隐藏了所有性能调节杠杆，甚至默认把你的模型塞进虚拟内存（Swap）里吃土。而真正穿透技术护城河的方法，是直接接管底层逻辑。利用推测解码（Speculative decoding）将小模型常驻 L3 缓存来预测Token，再通过改写内存矩阵对齐 CPU 缓存（Run-time repack），以及把 Flash Attention 压榨到 CPU 上运行。这证明了本地 AI 的核心门槛不是硅片，而是你对硬件架构的压榨程度。拒绝黑盒，捡垃圾也能通往自由。
附件：[图片]
Linux内核的隐秘角落：如何让代码在百核时代狂飙 | blog 很多人以为多线程编程的终极答案是无锁原子操作，但在128核甚至192核的现代CPU面前，原子操作底层的缓存一致性协议（MESI）会变成新的硬件级不卡顿锁。多核争抢同一个缓存行，性能照样雪崩。 Linux内核早就提供了一个破局解法：Restartable Sequences（rseq）。它的底层逻辑非常松弛且聪明——把并发控制从“线程维度”降级到“CPU核心维度”。在用户态给每个CPU分配独立的数据结构，代码执行时直接当成单线程来写，彻底丢掉锁和原子操作。 唯一的漏洞是：万一代码刚写到一半，线程被内核调度换到别的CPU上怎么办？rseq的解法不是让内核“不准中断我”（这在抢占式系统中代价太高），而是跟内核达成了轻量级的共享内存契约：“如果我被中断了，请直接把我踢回这段代码的开头重来。” 这就是一种零抽象成本的、局限于单CPU的用户态微型事务。在百核机器上，这种用汇编实现的十几条指令的小把戏，能让malloc这类基础库的性能直接飙升几十倍。在多核大行其道的AI时代，所有的底层数据结构和系统语言，迟早都要为了这个内核特性重新写一遍。
附件：[图片]
Terax 是一款轻量级的终端优先 AI 原生开发工作空间，它将多功能终端、代码编辑器、版本控制和 AI 代理集成于一体，专为追求极致效率的开发者打造。 仅 7MB 的体积却拥有原生 PTY 后端和 WebGL 渲染，支持多标签终端、行内 AI 自动补全、AI 差异编辑、Git 提交图、文件资源管理器及本地开发服务器预览。完全本地运行、无遥测、无需账号，即可通过自带密钥或本地模型调用各类大模型。 主要功能： - 多标签终端，支持 WebGL 渲染、原生 PTY 与分屏布局； - 内置 CodeMirror 6 编辑器，支持 Vim 模式与 AI 行内补全； - 完整 Git 工作流，包含提交图、分支可视化与搜索； - 文件资源管理器，支持模糊搜索、Catppuccin 图标与一键附加给 AI； - 本地服务器自动检测预览与原生子 webview 外部 URL 查看； - 自定义主题、背景图与透明度调节，编辑器主题独立可配； - Agentic AI 侧边栏，支持计划模式、多代理、文件读写与 bash 执行； - 支持 OpenAI、Anthropic、Ollama、LM Studio 等多种模型接入。 支持 Windows、macOS、Linux，通过 pnpm install 即可本地运行，适合个人开发者与团队日常编码场景。
附件：[图片]
工具快了，也可能让你更快完蛋 | 帖子 网上流传一张恶搞MIT科技评论的图：“既然你能用AI做任何事，为什么你还没富？因为你的想法蠢透了。” 这句糙话戳破了当下最大的幻觉：很多人把“生产力的提升”等同于“竞争力的提升”。AI确实把开发和执行的门槛降到了史无前例的低，但这也意味着，平庸想法的贬值速度同样史无前例地快。 以前一个烂点子，从立项、招人到写代码，得花半年和几十万预算，你可能在第三个月就及时止损了。现在有了AI，你能在三天内把一个没人要的垃圾产品做出来，然后以极高的效率、极快的速度破产。 AI就像一把电锯。给伐木工，效率翻倍；给傻子，他只会更快地锯掉自己的腿。当技术不再是瓶颈，决定胜负的就只剩下两件事：你对真实世界痛点的敏锐度，以及你把东西卖出去的商业手腕。工具再高级，也救不了逻辑的硬伤。
附件：[图片]
mathVideoMaker 是一套专为数学教学打造的 Cursor Agent Skill，能同时生成高质量讲解视频和交互式网页。它把 Manim 动画渲染与自包含 HTML 结合，让数学概念的推导过程既能“看明白”，又能“玩明白”。 通过结构化检查与文字化验证，即使模型视觉能力有限，也能稳定输出准确、生动的数学内容。视频强制展示推导过程，网页提供参数拖拽交互，二者共享设计语言，互为补充。内置 SafeScene 布局警告、字体检查、网页静态校验等机制，配合深色配色与辉光动效，保障成品专业度。 主要功能： - 一键生成 Manim 渲染的数学/物理讲解 MP4 视频； - 输出自包含单文件交互网页，支持 KaTeX 公式与 canvas 实时参数调节； - 强制演示推导与证明过程，满足“遮住旁白也能看懂”的自检要求； - 多层质量保障：SafeScene 布局检查、字体缺字检测、网页元素与 JS 语法校验； - 机械化安全布局 + 生动视觉设计，深色主题 + 辉光 + 强调动效； - 提供完整安装脚本与环境检查，快速搭建 Manim + ffmpeg 渲染环境。 支持 macOS / Linux，通过简单命令即可安装依赖并在 Cursor 中直接调用，适合教师、内容创作者及数学科普团队使用。
附件：[图片]
本地大模型+MCP：把AI的“脑子”插上本地插头 以前玩本地大模型，最尴尬的是它空有一脑子理论，却连你电脑里的一个txt文件都打不开。Unsloth刚出了个教程，教你用MCP（Model Context Protocol）协议把Qwen或Gemma这类本地模型跟外部工具链起来。 这件事的底层逻辑是：MCP正在成为AI时代的“USB接口标准”。以前你要给模型写各种定制API，现在通过MCP，本地大模型能直接、安全地调用你的本地文件、浏览器、甚至是Vercel和GitHub。 这不仅是省事，更是隐私的终极解法。数据不用上传云端，模型在本地跑，工具在本地调。当调用工具的协议标准化之后，本地模型就不再是“为了隐私而妥协的残血版”，而是真正能干脏活累活的私人助理。
附件：[图片]
agents-best-practices 是一套跨平台的 Agent 技能，专注于帮助开发者设计、生成 MVP 蓝图、审计和重构各类 Agent 运行时框架。 它不仅提供统一的模型-工具-观测循环，还支持工具权限分级、审批门控、上下文压缩、提示缓存以及工作流编排，让 Agent 在真实业务系统中安全可靠地运行。 主要功能： - 提供 MVP Agent 蓝图模板，快速搭建生产级运行框架； - 支持工具与权限的分级设计，避免宽泛工具带来的安全风险； - 内置上下文压缩、记忆管理和提示缓存策略，降低长会话成本； - 包含完整的审计清单、评估标准和上线检查表； - 兼容 Codex、Claude Code 等主流 Agent 运行环境。 支持通过 npx 或 Git 快速安装，适用于研究、运维、销售、数据分析等多个领域。
附件：[图片]
Gemma Skills 是一套专为 Gemma 模型与智能体交互打造的技能库，提供了模型开发与知识问答的完整能力支持。 仓库内已包含 gemma-dev 技能，可用于快速构建基于 Gemma 的应用或进行通用知识查询。安装方式灵活，既可通过 Vercel Skills CLI 交互式浏览和全局安装，也可使用 Context7 Skills CLI 完成指定技能部署，方便开发者按需扩展。 主要功能： - 提供 Gemma 模型开发与通用知识问答技能 - 支持 Vercel Skills CLI 交互式浏览和安装 - 支持 Context7 Skills CLI 全局或指定技能部署 - 技能可按需扩展，适用于各类 Gemma 应用场景 项目采用 Apache-2.0 协议，适合开发者与研究人员使用。
附件：[图片]
不要用“模仿大脑”来给AI计算量注水了 | 帖子 最近有研究试图用更符合生物学特征的复杂模型去迭代1950年代延续至今的经典神经元公式（$u = \text{activation}(w \cdot x + b)$），声称能大幅减少训练所需的数据量。 这事看似在做“底层突破”，其实是个伪命题。评论区有清醒的同行一针见血：历史正好相反。1950年代人类手里多得是复杂的神经元架构，但产业界耗费几十年时间，最终在80-90年代主动选择向最简单的算式妥协。 原因很简单：AI的尽头是规模化（Scaling）。 现在大模型跑得通，靠的是简单的乘加运算能够轻易被GPU矩阵乘法加速。那些精细的、试图还原生物脑细节的复杂公式，看似优雅，代价却是极高的计算成本和极难的并行扩展。在实际工程中，与其在单个神经元里雕花、增加参数，不如直接多堆几层网络，或者把算力留给吞噬更多的数据。 别把营销概念当成现实，现行的神经网络早就和生物学脱钩了。机器有机器的进化路径，强行让AI去致敬生物学，不过是倒退回已经被淘汰的旧路里重新发明轮子。
附件：[图片]
sag 是一款现代化的命令行文本转语音工具，灵感来自 macOS 的 say 命令，却接入了 ElevenLabs 的高质量语音引擎。默认直接将文本输出到扬声器，也能保存为音频文件或列出可用音色。 安装只需一条命令：brew install steipete/tap/sag，或 go install github.com/steipete/sag/cmd/saglatest。支持 macOS、Linux、Windows 多平台，配置 ELEVENLABS_API_KEY 即可使用。 主要特性： - 类 say 的极简用法：sag "Hello world" 即可朗读； - 支持流式播放、文件输出，格式自动识别； - 丰富的语音参数：速度、稳定性、相似度、风格、种子等； - 内置 voices 子命令快速筛选和试听音色； - 支持多种 ElevenLabs 模型，可按需切换低延迟或高表现力版本。 无论写脚本、做演示还是日常朗读，sag 都能让你用一行命令获得专业级语音输出。
附件：[图片]
VS Code插件漏洞，撕开供应链安全真面目 | blog GitHub 内部约 3800 个仓库遭到泄露，起因是一名员工安装了带毒的 VS Code 扩展。这并非简单的插件问题，而是开发者生态中“信任”与“权限”失控的典型案例。 这事儿挺荒诞。GitHub 这种级别的公司，居然被一个 VS Code 扩展给捅了。 黑客 TeamPCP 正在网上叫卖这批代码，起拍价 5 万美元。他们并不想勒索，更像是在搞一场针对大型组织的盲拍。 问题不在于插件本身，而在于 VS Code 的设计逻辑。现在的编辑器就像一个没有沙箱的操作系统，插件拥有几乎等同于用户的权限。一旦你信任了一个看似正规的扩展，它就能像吸尘器一样，悄无声息地把你本地的私钥、Token 和环境变量全部吸走，然后通过看似正常的网络请求传出去。 有网友提到，这其实是开发者在用“交付速度”透支“安全债”。为了用上某个好用的工具，我们默认把系统的控制权交给了远在天边的开发者。 这种风险是结构性的。即便你不用 VS Code，只要你还在使用 npm、PyPI 这种高度依赖第三方包的生态，这种“供应链攻击”就永远存在。 现在的局面是，安全防线像是一层薄纸。黑客不需要攻破 GitHub 的核心架构，只需要搞定一个有权限的开发者终端，就能通过 Git Clone 把整座仓库搬空。 如果插件的权限边界一直这么模糊，我们所谓的“信任”到底是在信任代码，还是在赌运气？
附件：[图片]
一哥们做了个 Claude 中转站。不是随手套个壳那种，是他自己重度用 Claude Code 之后，干脆把 Max 号池、防封、分组、风控这一套都自己搭了。#AD 防封这块自研了挺久，目前内测跑下来，还算稳定。 价格也直接一点：100 元人民币到账 150 美金额度，也就是 1:1.5 的充值倍率。 现在还在内测，所以内测充值的额度，正式上线时还会返一部分。 比如你现在充 100 元，到账 150 美金额度。 正式上线时，按 150 / 2 = 75，再返还 75 额度。 分组这块也做了区分： 有直连Claude官方账号分组； 也有 AWS、逆向这类兜底分组。 不同分组成本和适用场景不一样，大家按自己的预算和服务要求选就行，别一上来乱冲。 他做这个东西最开始不是为了蹭热点，是因为他自己 Claude 消耗太大了，外面的中转站又总有几个问题：（具体情况点此推文查看） 要么贵； 要么不稳； 要么不知道对面是谁； 要么出问题找不到人。 所以干脆自己做一套。 现在还是内测期，肯定还有体验要磨。 但底层号池、稳定性、客服响应、分组规则，我会继续往死里优化。 需要 Claude 稳定额度的，可以先去试一下：ccode.dev 支持对公，支持开票，也支持采购、供应合作。承诺假一赔三。 有需要的兄弟自己去体验。
附件：[链接]
漏洞自查循环：压榨大模型深层推理能力的底层逻辑 | 帖子 通过强制模型进行“漏洞自查-修复-再验证”的循环，可以压榨出模型更深层的推理能力。这不仅是提示词技巧，更是利用模型训练中对“确定性”的不同权重，将对话从“讨好模式”切换到“解决问题模式”。 有一个很有意思的发现。如果你对 Codex 5.5 说：“你对这个策略有 100% 的信心吗？如果没有，请找出所有可能的漏洞，提出修复方案，并不断循环这个过程，直到你达到 100% 的事实信心。” 这个指令会产生一种奇妙的化学反应。 普通的模型，比如 Opus 4.7，面对这种质疑往往会陷入一种“过度讨好”的死循环。你越问，它越会说“你完全正确”，这种过度调优的 RLHF（人类反馈强化学习）让它像个缺乏安全感的社交达人，只会顺着你的话说，哪怕逻辑已经烂透了。 但 Codex 5.5 表现得像个古板、严谨甚至有点乏味的工程师。它把“不确定性”视作一种 Bug。当被推入这个逻辑循环时，它不会盲目点头，而是真的开始拆解自己的指令流水线，像编译器检查语法错误一样，去寻找逻辑缝隙。有网友提到，这种做法其实是在利用模型的“自我意识”——它在迭代中会真正修补漏洞，而不是仅仅在语气上显得自信。 当然，这种做法是有代价的。 有观点认为，这种“强迫症式”的循环可能会诱发幻觉，或者导致过度工程化，把一个简单的功能搞得像个复杂的微服务架构。甚至有人怀疑，这本质上只是在增加 Token 的消耗，换取一种心理上的“虚假确定性”。 但如果把这个过程看作是一个 Eval Harness（评估框架），它的价值就显现出来了。与其让模型直接输出结果，不如让它先在内部进行一次“事前验尸”（Pre-mortem）。 这让我想起，提示词的本质其实是在调整模型的运行层级。当你在要求它达到 100% 信心时，你实际上是在强迫它从“模式匹配”的浅层，跳进“逻辑验证”的深层。 只是不知道，当模型真的达到了那种所谓的“100% 信心”时，它看到的究竟是完美的逻辑，还是它自己编织的一个逻辑闭环？
附件：[图片]
