价值20亿美元的AI Agent秘密：三个Markdown文件如何解决上下文漂移难题 Meta刚以20亿美元收购了Manus。一位开发者深入研究了其核心工作原理，并将关键模式开源分享。 AI Agent面临一个普遍困境：经过大量工具调用后，它们会逐渐迷失目标。上下文膨胀、错误被淹没、任务偏离轨道。 Manus的解决方案出奇简单——仅用三个Markdown文件： - task_plan.md：用复选框追踪进度 - notes.md：存储研究内容，避免塞满上下文 - deliverable.md：最终交付物 核心机制是：Agent在每次决策前都会重新读取计划文件，确保目标始终停留在注意力窗口内。 这个发现引发了社区热烈讨论，也暴露出一些关键洞见： 关于"这不是什么新东西"的质疑，确实如此。Claude Code本身就会自动创建plan.md文件，Spec-kit、APM等开源工具早已实现类似工作流。但这恰恰验证了这个模式的有效性——当多个独立开发者不约而同地收敛到同一解决方案时，说明它确实解决了真实问题。 关于"写入notes.md不也是在填充上下文吗"的技术追问，这是个精准的观察。写入操作确实会产生token消耗。但关键不在于减少token数量，而在于注意力操控。LLM存在"大海捞针"问题——随着上下文增长，它们会逐渐遗忘早期目标。通过在每次重大决策前重新读取计划文件，目标被强制拉回注意力窗口。 社区提出了更进阶的方案：使用子Agent处理上下文密集型任务。主Agent保持轻量，只负责追踪进度和协调；子Agent在独立上下文中完成繁重工作后汇报结果。这样既保持了主Agent上下文的清洁，又能处理复杂任务。 一位开发者分享了他的实战经验：将Claude视为员工，一次只分配一个任务，每完成一步就提交git，全程人工审核。这是8小时工作日的节奏，不是"设置后就忘"的自动化。 关于工作流设计的最佳实践：保持CLAUDE.md极度精简，只描述核心行为预期；将数据库、API等专项知识拆分到独立文件，仅在相关任务时加载；维护一个愿望清单，让未来功能不干扰当前工作。 有人一针见血地指出：20亿美元买的不是三个Markdown文件，而是一家6个月创造1亿美元收入的公司，以及其虚拟机能力、浏览器自动化和完整Agent平台。这个模式只是其中一块拼图。 这场讨论揭示了一个更深层的趋势：上下文工程正在成为一门独立学科。我们正在见证"Agent工程师"这个新角色的诞生——他们是软件工程师，但具备云服务、API和Agent能力的综合知识。 最实用的一句话总结来自社区：Claude是我的员工，我给它分配任务、检查每个任务、控制每个步骤。不要试图让Claude一次完成所有事情，那是不可能的。 reddit | 原始技能仓库 |Spec-kit |多Agent管理框架APM | Manus上下文工程博客
附件：[图片]
当AI成为你的第二大脑管家：Obsidian + Claude Code 工作流全景 | 帖子 Obsidian创始人kepano在推特上发起了一个问题：你是怎么用Obsidian配合Claude Code的？评论区涌现出大量令人惊艳的实践案例，堪称一场关于"AI增强型知识管理"的集体智慧展示。 一、把AI变成你的"记忆唤醒器" 有用户分享了一个极具仪式感的习惯：每天打开电脑第一件事，就是问Claude Code"我们上次聊到哪了？帮我检查一下笔记库"。AI会自动回顾最近完成的工作，然后用户开始描述今天想做什么、想怎么组织思考——Claude Code成了指挥中心，Obsidian则是审阅和编辑的主战场。 这不是在用工具，而是在和工具对话。 二、知识库的深度整合 不少开发者已经把Claude Code直接嵌入Obsidian。有人开源了obsidian-claude-code插件，因为"受够了在Obsidian和终端之间来回切换"。还有人写了CLI脚本来追踪wiki链接，让常青笔记承担起向AI传递方法论、信念、偏好、项目背景的重任。 更有人用它来构建记忆图谱层，让AI写入的记忆更易读、更结构化。 三、批量操作与自动化 Claude Code在批量处理上展现出惊人效率：批量编辑复杂的bash命令、添加链接、修改属性、重命名笔记、格式化、添加反向链接、按文件夹整理。有用户建立了风格指南文件，让Claude按规范更新笔记后，再反过来询问是否需要更新指南本身——形成了一个自我进化的系统。 四、研究与思考的深度伙伴 有人每周用Granola转录心理治疗记录，导入Obsidian后让Claude每季度做一次大复盘，分析成长轨迹和盲区。有人用它处理GB级数据，提炼洞察写入笔记，再生成信息图。还有人把它当作"不太在意组织结构"的搜索引擎，直接问"我写过什么关于X的内容"。 五、个人操作系统的雏形 一位用户的思考尤其深刻：他正在构建一个"个人操作系统"，希望Obsidian这样的开源工具能成为任何人都可以接入的知识库——信息、实体、技能都能在其中被组织、手动编辑或优雅浏览。"那些我们技术上可以在终端里做的事，但要有更漂亮的轨道。" 这或许指向了一个更大的愿景：当AI能够深度理解和操作你的知识库时，早期在个人知识管理上的投入，正在以复利的形式回报。
附件：[图片]
hyprwhspr：Arch Linux 上的原生语音转文字工具 | #工具 用语音输入文字这件事，在 Linux 桌面上一直不太顺手。要么依赖云端服务有延迟，要么本地方案配置繁琐，Wayland 环境下更是各种兼容问题。 hyprwhspr 是一个专为 Arch Linux 和 Hyprland 打造的语音转文字工具，按下快捷键说话，松开后文字直接出现在光标位置，整个过程在本地完成。 项目默认使用 Whisper 模型实现离线识别，也支持最新的 Parakeet-v3 模型，有 NVIDIA 或 AMD 显卡还能启用 GPU 加速。除了本地模型，同样支持 OpenAI、Groq 等云端 API，甚至可以接入任意自定义后端。 主要特性： - 通过 AUR 一键安装，交互式配置向导自动完成设置； - 支持切换、按住说话、自动检测三种录音模式； - 可视化录音状态指示器，自动匹配 Omarchy 主题配色； - 内置词语替换功能，可自定义专业术语和标点符号转换； - Waybar 托盘集成，实时显示服务状态； - 支持多语言识别，可指定语言或自动检测。 安装后运行 hyprwhspr setup 即可完成配置，默认快捷键 Super+Alt+D 触发录音，文字自动粘贴到当前活动窗口。
附件：[文件]
AI时代的编程圣经：Unix哲学的17条法则为何比以往更重要 | 帖子 Vercel CEO Guillermo Rauch 分享了一张图，将经典的Unix哲学重新定义为"成功进行Agentic编程的17条法则"。这些诞生于上世纪的设计原则，在AI Agent大行其道的今天，反而焕发出了新的生命力。 这17条法则分别是： 1. 模块化法则：编写简单的部件，用清晰的接口连接 2. 清晰法则：清晰胜于聪明 3. 组合法则：设计程序时要考虑与其他程序的连接 4. 分离法则：策略与机制分离，接口与引擎分离 5. 简洁法则：为简洁而设计，只在必要时增加复杂性 6. 节俭法则：只有当证明别无他法时，才写大型程序 7. 透明法则：为可见性而设计，让检查和调试更容易 8. 健壮法则：健壮性是透明性和简洁性的产物 9. 表示法则：将知识折叠进数据，让程序逻辑保持简单和健壮 10. 最小惊讶法则：在接口设计中，永远做最不令人惊讶的事 11. 沉默法则：当程序没有什么惊人的事要说时，就什么都不说 12. 修复法则：当必须失败时，要尽早失败，并大声报错 13. 经济法则：程序员的时间是昂贵的，优先节省它而非机器时间 14. 生成法则：避免手工编码，尽可能用程序来写程序 15. 优化法则：先做原型再打磨，先让它跑起来再优化 16. 多样性法则：不要相信任何"唯一正确方式"的说法 17. 扩展性法则：为未来而设计，因为它来得比你想象的更快 为什么这些老原则在Agent时代更加重要？ 评论区的讨论揭示了深层原因。有人指出，"沉默法则"对Agent的意义已经发生了质变——Unix时代它意味着"不要打印不必要的输出"，而在Agent时代它意味着"不要采取不必要的行动"。同样的哲学，但当程序可以批量修改你的代码库时，风险等级完全不同。 另一位开发者补充道：Unix哲学对Agent的价值被严重低估了——小型、可组合的工具，清晰的输入输出契约，幂等的步骤，可重放的日志。Agent越是可检查，你就越不需要盲目信任那些"魔法"。 还有人将Python之禅与这些法则对照： - "显式优于隐式"在调试非确定性系统时变得至关重要 - "可读性很重要"因为你会不断盯着traces、prompts和工具定义 - "错误永远不应该静默传递"映射为：永远要暴露LLM失败、工具失败、解析失败 关于第14条"生成法则"，有人认为这是最重要的一条：如果某件事没有按计划进行，就相应地修改规格说明并重新生成，而不是手动修补。这恰恰是Agentic编程的精髓。 也有人提出了不同看法：这些法则在"提示生成代码"的范式下可以很好地应用，但在"提示行为"的范式下却难以一致地执行，因为后者从程序员手中拿走了太多控制权。 关于第14条"生成法则"，有人认为这是最重要的一条：如果某件事没有按计划进行，就相应地修改规格说明并重新生成，而不是手动修补。这恰恰是Agentic编程的精髓。 也有人提出了不同看法：这些法则在"提示生成代码"的范式下可以很好地应用，但在"提示行为"的范式下却难以一致地执行，因为后者从程序员手中拿走了太多控制权。 当我们把编程的执行权交给AI Agent时，我们实际上是在把几十年积累的工程智慧编码进系统提示词里。Unix哲学不再只是程序员的行为准则，而是成为了约束AI行为的宪法。 清晰胜于聪明，简洁胜于复杂，可检查胜于黑箱——这些原则在人类程序员时代是美德，在Agent时代则是生存法则。
Anthropic官方出品：Claude Code实战课程全解析 | reddit Anthropic悄悄放出了一门官方课程，专门教你如何把Claude Code用到极致。15节课，1小时视频，还有测验和证书，干货密度相当高。 有人学完后整理了核心要点，值得收藏： 快捷键与模式切换 - Shift + Tab 按两次进入规划模式 - Ctrl + V 可以直接插入截图（注意不是 Command + V） - 配合插件可以让Claude Code直接操作浏览器 控制推理深度的魔法词 在提示词中加入这些关键词，可以调节模型在任务上投入的token量： - "Think" — 基础推理 - "Think more" — 扩展推理 - "Think a lot" — 全面推理 - "Think longer" — 延长推理时间 - "Ultrathink" — 最大推理能力 上下文管理 - /clear 清空上下文 - /compact 压缩上下文，可释放80%以上空间 进阶扩展 - 使用MCP服务器可以扩展工具集 - 支持大量pre-hooks和post-hooks，在工具执行前后自动运行 社区讨论中有个观点很有价值：课程没教的真正技能，是知道什么时候该重置上下文。很多人卡在问题里挣扎几小时，其实是在和"上下文腐化"作斗争，不如在完成一个里程碑后果断清空重来。 还有人指出，/clear比/compact更彻底，该用哪个要看场景。 当然也有老手表示，如果你已经每天高强度使用Claude Code，这门课的增量信息有限。但对于想系统入门或查漏补缺的人来说，官方出品的体系化内容，依然是最稳妥的起点。
附件：[图片]
新年快乐 没什么好送的，送钱又没钱，就送几个GLaDOS的套餐兑换码吧。 注册地址： glados.space 可兑换天数为30天，给新用户的 FT4KK-W8YTQ-MNN2E-RQW5B EDFCA-DX44Z-0UEPK-KF7EG 5U4LZ-JID0D-3DFK0-KPVYI 7NUZB-6HSKQ-WL1M6-84R0O 2563S-0I9BP-1JBX1-7CLUQ
在使用 Claude Code 构建复杂的 AI 自动化任务时，通常需要手动编写大量的智能体定义和命令脚本，逻辑分支一旦增多，纯文本的维护和调试就会变得不够直观。| #编辑器 Claude Code Workflow Studio 是一款专为 Claude Code 设计的可视化工作流编辑器，它将复杂的 AI 编排过程转化为了直观的拖拽式操作。 通过该工具，用户可以像搭积木一样设计 AI 智能体的工作路径，不仅支持复杂的条件分支和子代理协作，还能通过自然语言对话让 AI 协助优化和调整工作流结构。
附件：[图片]
AI/ML研究者如何追踪前沿论文？一场来自Reddit的讨论 在信息爆炸的时代，AI/ML从业者面临一个共同难题：如何高效追踪海量新论文？Reddit上的一场讨论揭示了业内人士的真实做法。 + 核心发现渠道 Google Scholar的作者追踪功能是最受欢迎的方式。关注领域内重要作者，当他们发表新作时自动收到通知。同时追踪领域奠基性论文的引用情况，新引用往往意味着相关新研究。 顶会论文仍是重要信息源。ICML、ICLR、NeurIPS等会议的录用论文，通过关键词搜索可快速定位相关工作。有人甚至会花整整一周时间，逐篇阅读NeurIPS所有论文的标题和摘要。 Twitter/X在学术圈的角色颇具争议。一方面，它是获取最新论文的最快渠道，算法会根据你的关注和点赞推送相关内容。另一方面，平台上充斥着对研究结果的夸大解读，真正有洞见的内容凤毛麟角。有人呼吁学术界尽快迁移到其他平台。 + 工具推荐 - Scholar-inbox (scholar-inbox.com)：基于你的研究兴趣推送论文，附带相关性评分 - Semantic Scholar (semanticscholar.org)：根据你收藏的论文进行语义搜索和推荐 - Paper Digest (paperdigest.org)：每日邮件推送排序和摘要后的新论文 + 时间投入的残酷现实 一位博士三年级学生每周花10-12小时阅读论文。即便如此，积压的待读论文仍在不断增长。他开始尝试用LLM筛选值得阅读的论文，但效果仍在调试中。 2025年论文数量几乎翻倍，有人不得不先用关键词过滤到1000篇以下，再逐一浏览标题和摘要。 对于全职工作者，周末成了唯一的阅读时间。一位Google员工坦言，即便在Google这样拥有顶级数据和算力的公司，80%的团队做的也只是"名义上的ML工作"——大部分时间在做prompt engineering和RAG调优，真正训练模型的机会很少。 + 务实的生存策略 一个聪明的做法：只关注那些代码可复现、实验可重复的作者和实验室。与其追求全面覆盖，不如建立信任名单。 另一个策略：等待你信任的、有时间精力的同行先筛选和评论，再决定是否深入阅读。 最重要的心态转变是接受"不可能读完所有论文"这个事实。阅读摘要、快速浏览，至少知道某个方向存在什么工作，需要时再回头深挖——这可能是最现实的策略。 信息过载时代，选择不读什么，比选择读什么更重要。
附件：[图片]
一位开发者分享了他在构建RAG系统时，如何将幻觉率从常见的两位数降到1-2%的实战经验。| reddit 核心问题很简单：大多数RAG系统失败，不是因为模型不够聪明，而是因为"垃圾进，垃圾出"。当PDF解析器把表格打散成碎片，产品名和价格的关联就丢失了，模型只能靠猜。 他的四层防线： 第一层：解析质量。使用IBM开源的Docling解析器，输出结构化的Markdown，保留表格、标题、列表的层级关系。这让LLM能"看懂"文档原本的结构，而不是面对一堆乱码。 第二层：混合检索。纯语义搜索擅长理解"意思"，但对精确匹配很糟糕——搜"型号X-500"可能返回"型号X-400"。他用Dense向量（e5-base-v2 + RaBitQ量化）加BM25关键词匹配，确保产品编码、日期、SKU这类精确信息不会被漏掉。 第三层：激进重排序。向量数据库返回的50条结果里，可能只有3条真正相关。用BGE-Reranker筛选到Top-5，这一步就砍掉了约60%的错误上下文答案。那些"差不多但不对"的结果，正是幻觉的温床。 第四层：严格的系统提示。强制模型在回答前先列出相关事实、解释推理过程，最关键的是——给它一个明确的"退出通道"：如果信息不在上下文里，就说"我不知道"。阻止模型"好心办坏事"地编造答案。 评论区有人用Gemini分析了这套架构，结论是"行业标准plus"级别。但也指出了两个盲区：这套方案解决的是检索问题（找对信息），不解决推理问题（理解对信息）；另外对扫描PDF和图片的处理，作者坦承还没测试过。 一个值得思考的点：为什么开源组件能比云厂商的闭源方案更准确？作者的解释是，Vertex和Bedrock这类服务在简单查询上体验很好，但在企业级场景（定价表、合同、技术手册）下，既不够准确又贵得离谱。 这套方案的本质洞察：幻觉不是模型的问题，是数据管道的问题。你无法修复你无法测量的东西——用RAGAS框架量化Faithfulness和Answer Relevance，才能形成调优的反馈闭环。
附件：[图片]
使用 Claude Code 进行开发时，虽然原生的命令行交互已经非常强大，但在处理特定业务逻辑或复杂工作流时，往往需要更具针对性的功能扩展。如果能有一套现成的工具库来增强其自动化能力，开发体验将更加顺滑。 Awesome Claude Code Plugins 是一个专门为 Claude Code 打造的资源汇总项目，收录了大量实用的斜杠命令、子代理、MCP 服务和钩子函数。 它不仅整合了官方提供的核心插件，还汇集了社区贡献的各种增强工具，涵盖了从代码质量检查、Git 工作流自动化到文档生成、安全审计等多个维度，让开发者能够根据项目需求定制专属的 AI 编程环境。 主要功能： - 提供丰富的斜杠命令，通过自定义快捷指令简化频繁的开发操作； - 集成多种专项子代理，能够独立处理特定的开发、测试或设计任务； - 支持 MCP 服务器接入，方便 Claude Code 实时调用外部工具和数据源； - 包含多种工作流钩子，可在提交代码或部署等关键节点自动触发逻辑； - 覆盖 DevOps、代码审查、API 测试及项目管理等全方位的插件分类； - 支持通过插件管理命令动态安装和切换，保持系统上下文的轻量与聚焦。 该项目为 Claude Code 用户提供了极大的灵活性，开发者可以通过这些现成的插件快速构建自动化工作流，非常适合追求极致效率的软件工程师和技术团队使用。
附件：[图片]
开发者在使用 AI 编程助手时，往往需要管理多个平台的账号和 API 密钥。不同供应商的配额限制各不相同，手动监控使用情况并在额度耗尽时切换账号，极大地影响了开发效率。 Quotio 是一款专为 macOS 开发的原生菜单栏应用，旨在为 AI 编程工具提供统一的控制中心，解决多账号管理的繁琐问题。 它通过内置的本地代理服务，整合了 Claude、Gemini、OpenAI 以及通义千问等多种 AI 资源，并支持配额实时追踪与自动故障转移。
附件：[图片]
重装 Linux 系统或配置新机器时，通常需要手动输入大量命令来安装常用软件，不仅要记忆繁琐的包名，还要针对不同发行版切换指令，过程既枯燥又容易出错。 TuxMate 是一个开源的 Linux 应用批量安装助手，旨在通过网页端交互生成定制化的 Shell 脚本，为用户提供最简便的系统初始化方案。 它不仅涵盖了主流发行版的原生包管理支持，还能智能处理第三方仓库和通用包格式，让原本复杂的软件部署工作变得一键化。 主要功能： - 广泛的发行版支持，涵盖 Ubuntu、Debian、Arch Linux、Fedora、openSUSE 及 Nix； - 内置 150 多种常用应用，分为开发工具、浏览器、办公、游戏等 15 个细分领域； - 智能脚本生成技术，可自动检测已安装包、处理 AUR 依赖并根据需要启用 RPM Fusion； - 支持 Flatpak 和 Snap 通用包安装，并具备并行下载、网络重试及进度条显示功能； - 完善的交互体验，支持全键盘导航（包括 Vim 键位）、实时搜索过滤及深色模式； - 提供详细的安装总结报告，并在脚本运行过程中提供清晰的彩色输出反馈。 该工具采用 Next.js 和 TypeScript 构建，用户只需在网页端勾选所需软件，即可直接复制命令或下载完整的安装脚本，非常适合 Linux 爱好者和需要快速搭建开发环境的技术人员使用。
附件：[图片]
2025年，AI记忆研究迎来了一个关键转折点。 Turing Post整理了8份关于AI记忆的重磅资源，涵盖了从理论框架到系统实现的完整图景。这份清单值得每一位关注AI发展的人收藏。| 帖子 核心资源包括： - Memory in the Age of AI Agents - Pinecone创始人Edo Liberty访谈：When Will We Give AI True Memory? - Memories AI联合创始人访谈：Why AI Intelligence is Nothing Without Visual Memory - From Human Memory to AI Memory: A Survey on Memory Mechanisms in the Era of LLMs - Rethinking Memory in AI: Taxonomy, Operations, Topics, and Future Directions - Cognitive Memory in LLMs - MemOS: A Memory OS for AI System - MemEvolve: Meta-Evolution of Agent Memory Systems 讨论中涌现出几个深刻洞见： 第一，记忆正在从被动存储转变为主动系统层。它不再是功能特性，而是基础设施。正如有人指出：没有结构化记忆（情景记忆、潜在记忆、操作记忆），AI智能体只能是反应式系统。真正的飞跃不在于模型规模，而在于经验如何被存储、压缩和复用。 第二，统一的分类体系是关键突破。你无法在没有命名问题空间的情况下开始构建。这些研究完成了命名工作，真正的建设才能开始。 第三，无状态执行是架构死胡同。没有记忆，每次交互都是冷启动；有了记忆，才能实现复合智能的时间积累。一位开发者分享：他的智能体运行时保持完整会话状态——过去的邮件、信息流历史、用户模式，这才是让AI从基础任务走向复杂问题解决的关键。 第四，现在的核心问题已经不是如何存储，而是如何决定什么应该积累、什么应该遗忘。 当然也有冷静的声音提醒：在为这些进展欢呼之前，我们必须审慎评估这些洞见如何转化为实际应用。如果不解决伦理问题，不确保记忆系统是增强而非操纵人类体验，我们可能只是在增加复杂性，而非实现真正的进步。 2026年，混合方案（向量数据库+结构化记忆）很可能成为主流。记忆，正在成为AI智能体的真正分水岭。
附件：[图片]
Vibe Coding：一份写给所有人的实践指南 | #指南 | 帖子 过去二十年，想做软件就得学编程。花几年时间啃框架、凌晨三点debug、反复怀疑人生——这是入场的代价。 但有些东西悄然改变了。 Andrej Karpathy（塑造了特斯拉AI的人）发了条推文："有一种新的编程方式，我称之为'vibe coding'——你完全沉浸在感觉中，拥抱指数级增长，忘掉代码的存在。" 从想法到产品之间的壁垒正在坍塌。不是理论上的，是现在，是今天。你描述想要什么，AI就能写出代码。一天能做完过去需要几周的事。 这不是炒作，这是现实。理解如何使用它，你就领先了99%的人。
附件：[图片]
通用提示词的时代结束了，上下文工程正在成为新的王者。 Anthropic、OpenAI、Google的工程师们写提示词的方式和普通人完全不同——他们不是在"写提示词"，而是在"构建上下文"。 这个转变的本质是什么？不再问"如何写出更好的提示词"，而是问"什么是驱动理想输出的最小高信号上下文"。 此处是8种专业级的上下文构建方法：见评论区 | 原贴
附件：[图片]
一位数学教育者的理想主义实验：如何让高中生做到硕博级别的研究 Justin Skycak分享了他为美国最高阶高中数学/计算机科学课程编写的教材，现已免费公开。 这本书的背景是Math Academy的Eurisko项目（2020-2023年运行）。在这个项目中，他们做了一件看似不可能的事：让高中生完成硕士和博士级别的课程作业，复现人工智能领域的学术论文，并且用Python从零构建所有算法——不依赖任何现成的库和API。 费曼曾说："我无法创造的东西，我就不理解。"这正是Eurisko的教学哲学。强迫学生从底层构建，而不是简单调用库函数，这是培养"程序员"和锻造"工程师"之间的本质区别。 项目在2023年因Justin搬迁而暂停，因为当地没有其他人具备教授这门课程的知识储备。但好消息是，Eurisko的所有数学前置课程已经在Math Academy系统上线，未来整个Eurisko课程体系都将被数字化。 虽然第一批Eurisko学生甚至还没大学毕业，但已经涌现出令人惊叹的成果：顶尖大学录取、加速研究生学位、学术论文发表、科学竞赛获奖。 这个故事让人思考：我们对"高中生能做什么"的认知边界，是否被严重低估了？当教育者愿意搭建足够高的脚手架，学生能攀登到的高度远超想象。 帖子 | 教材地址：PDF HTML
附件：[图片]
Jarrod Watts最近公开了他的"氛围编程"工作流：OpenCode + Oh My OpenCode插件。这套方案的核心思路是让不同AI模型各司其职，发挥各自所长。 具体分工如下： Opus 4.5担任总指挥，负责任务拆解和调度。GPT 5.2专攻架构设计和代码审查，这类需要长时间深度思考的任务正是OpenAI模型的强项。Sonnet 4.5负责文档查阅，在上下文效率上表现出色。Grok Code用于快速探索代码库。Gemini 3 Pro处理前端UI/UX工作，Jarrod特别提到它在设计任务上明显优于Claude。Gemini 3 Flash则负责文档撰写和文件分析这类轻量级任务。 这套方案有几个值得关注的优势： 第一是token使用更智能。上传图片、读取文档、从GitHub加载代码这些操作不会消耗昂贵的Opus 4.5额度，而是交给更适合的模型处理。 第二是工作流更流畅。不同模型在同一终端内协作，不需要在多个工具间来回切换。 关于成本问题，Jarrod提到可以直接使用现有的Claude Code订阅或ChatGPT Plus账号进行认证，不一定需要单独购买API额度。对于已经订阅这些服务的开发者来说，额外成本很低。 不过也有用户提出质疑：这种多智能体架构是否真的比单一模型更有效？还是只是看起来很忙、很酷？Jarrod坦言确实有"新鲜感加成"的因素，但他之前就习惯在Cursor中用Opus处理逻辑、用Gemini处理设计，现在只是把这个流程整合得更顺畅了。 对于编程新手，Jarrod的建议是先用Cursor的Composer模式。更进阶的用法是先用Opus 4.5在计划模式下制定方案，再交给Composer执行。 整套配置大约需要5-10分钟。感兴趣的可以看看OpenCode（opencode.ai）和Oh My OpenCode插件 | github 让不同模型做各自擅长的事，这个思路本身就很有价值。工具在进化，工作流也该跟着进化。
附件：[图片]
学习新知识时常常需要在多个工具间来回切换，看论文用一个软件，做笔记用另一个，遇到问题还得单独搜索，效率很低。 DeepTutor 是香港大学开源的 AI 学习助手，把文档问答、知识可视化、练习生成、深度研究等功能整合到一个平台。 上传教材或论文后，系统会构建知识库，支持多轮对话问答并给出带引用的分步解答。还能根据学习进度自动生成练习题，甚至模拟真实考试风格出题。 主要功能： - 大规模文档知识问答，支持教材、论文、技术手册等多种格式； - 多智能体协作解题，结合 RAG、网络搜索和代码执行给出分步解答； - 交互式知识可视化，将复杂概念转化为易懂的图解和演示； - 智能练习生成，根据学习水平定制题目，支持模拟真题风格； - 深度研究与文献综述，自动发现知识空白和研究方向； - 个人知识库和笔记本，追踪学习进度并保持上下文记忆。 支持 Web 界面使用，通过 Python 和 npm 安装依赖后即可本地运行，适合学生、研究人员和自学者使用。
附件：[图片]
@piracy9 此群组要变私密群组了，垃圾广告号太他么多了，受不了了。虽然有建bot的bot，奈何人懒不想折腾。谁想进的就进，以后还开不开放，没准儿 晚上封群 补充：加入了比较棒的bot，暂不封群了 如有误伤，找 @ashbur_bot
清华开源的视频生成加速神器项目： TurboDiffusion 该项目的核心目标是在保持视频质量的前提下，极大地提升视频扩散模型的生成速度。根据官方介绍，它可以在单张 RTX 5090 显卡上实现 100 到 200 倍 的端到端生成加速。使用 Wan-2.1-T2V-1.3B 模型生成 480P 视频，原始方法需要 184秒，而 TurboDiffusion 仅需 1.9秒。Wan-2.2-I2V-14B-720P 模型，能从 4549秒 缩减至 38秒。
附件：[图片]
91数学：页面根据函数图像、随机数、趣味数学题、斐波那契数列、LaTEX、数学小工具等进行分类，还提供数学知识讲解、数学试题下载、数学计算器等。 数九网：提供了丰富的数学学习资源和数学学习工具，包括数学知识讲解、数学试题下载、在线测试等。内容全面、难度适中，适合中小学生进行自主学习和巩固复习。 Number Empire：通过数学游戏的方式更好地理解数学概念和提高数学能力。游戏包括数字拼图、数学接龙、数学迷宫等。
个人知识管理往往面临记录容易、整理难的问题。笔记软件里堆满了零散的碎片，却很难转化为实际的行动。如果能把 Obsidian 的笔记功能与 Claude 的 AI 能力深度结合，就能让静态的知识库变成一个能够互动、辅助决策的智能系统。 Obsidian + Claude Code PKM 是一个开源的个人知识管理启动套件，它将目标管理、每日笔记与 Claude Code AI 助手无缝集成，帮助用户在短时间内搭建起一套完整的 PKM 体系。 这套方案不仅提供了从长期愿景到每日任务的层级管理逻辑，还引入了自动提交、自定义 AI 代理等进阶功能，甚至能让 AI 化身为生产力教练，通过对话引导用户克服拖延并聚焦核心目标。 主要功能： - 目标对齐系统，支持从三年愿景到每日任务的级联管理与追踪； - 结构化的每日笔记系统，内置模板方便进行每日计划与深度反思； - 深度集成 Claude Code，提供笔记整理、周报回顾、收件箱处理等 AI 代理； - 自动化工作流支持，包括保存时自动提交 Git，确保数据安全与多端同步； - 模块化规则配置，可针对不同路径定义 Markdown 标准和项目管理规范； - 生产力教练模式，由 AI 担任问责伙伴，通过提问引导用户明确意图。 该套件支持 Windows、macOS 和 Linux 平台使用，在安装 Obsidian 和 Claude Code CLI 后，通过运行内置的 setup 脚本即可完成环境部署。它非常适合希望通过 AI 提升笔记效率、构建系统化思维框架的深度学习者。
附件：[图片]
AI编程助手的进化正在进入一个关键的转折点：从单纯的对话框转变为具备专业能力的智能体。Agent Skills Marketplace的出现，标志着开发者不再需要费力地引导AI如何执行复杂任务，而是可以直接赋予它成千上万种现成的专业技能。 这个平台目前汇聚了超过三万个源自GitHub的开源技能，构建起一个庞大的自动化生态。它不仅是一个搜索工具，更是一个基于SKILL.md开放标准的资源库。最核心的突破在于其通用性，这套标准同时被Anthropic的Claude Code和OpenAI的Codex CLI所采纳，打破了不同AI模型之间的能力壁垒。 技能的本质是模块化的指令与工具集。与传统的斜杠命令不同，斜杠命令依赖于用户的手动触发，而技能是模型调用的。这意味着AI能够根据当前的对话上下文、项目需求和任务目标，自主判断并在最合适的时机激活相应的技能。这种从被动响应到主动调用的转变，是智能体进化的重要标志。 在实际应用场景中，这些技能展现了极高的灵活性。开发者可以为AI集成钩子开发能力以监控危险命令，或者通过MCP协议连接外部服务。由于技能具有高度的模块化特征，用户可以将代码审查、Git自动化、单元测试等多个技能组合使用，将一个通用的语言模型定制成一位深谙项目规范的资深工程师。 为了确保开发者体验，平台的安装机制设计得非常简洁。通过将技能文件放入本地特定目录，AI即可自动识别并加载。而marketplace.json文件的引入，更是实现了类似插件管理器的便捷安装体验。这种设计极大地降低了技术门槛，让复杂的自动化流程能够迅速在不同团队间复用。 虽然SkillsMP通过星级过滤和质量扫描来筛选优质资源，但它本质上仍是一个充满活力的开源社区。作为独立于大模型厂商的第三方项目，它代表了社区驱动的技术共识。每一项技能的贡献和迭代，都在不断丰富AI处理现实世界复杂问题的手段。 当AI拥有了可扩展的技能库，编程的边界正在被重新定义。开发者不再仅仅是代码的编写者，更成为了AI能力的编排者。这种模块化、标准化的能力扩展方式，正在让AI助手从一个好用的工具，真正变成一个能够独立思考并解决问题的数字协作伙伴。
附件：[图片]
