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]
网页爬虫和自动化测试经常被反爬虫系统检测到，Playwright/Puppeteer默认配置暴露navigator.webdriver、HeadlessChrome UA等明显bot特征，导致Cloudflare、reCAPTCHA直接封杀。 CloakBrowser 提供源代码级别的隐身Chromium浏览器，完美绕过所有bot检测。 49个C++源代码补丁修改canvas、WebGL、音频指纹、WebRTC、自动化信号，reCAPTCHA v3得分0.9（人类水平），通过Cloudflare Turnstile、FingerprintJS等30/30检测项目。 主要功能： - 源代码级指纹修改，49个C++补丁覆盖canvas、WebGL、音频、字体、GPU、屏幕、WebRTC等； - Drop-in Playwright/Puppeteer替换，3行代码无缝切换； - humanize=True一键启用人类行为模拟，鼠标贝塞尔曲线、逐字打字、真实滚动； - 支持HTTP/SOCKS5代理，自动从代理IP检测时区/语言环境； - 持久化浏览器配置文件，保持cookies/localStorage跨会话； - Docker一键部署，支持CDP多连接指纹轮换。 支持Python/JavaScript，pip install cloakbrowser 或 npm install cloakbrowser，首次运行自动下载隐身Chromium二进制。
附件：[图片]
开发人形机器人控制器需要多个独立模块，RL处理下肢运动、IK控制上肢动作、规划器生成路径、推理栈部署硬件，来回切换调试效率低下。 GR00T Whole-Body Control 把人形机器人全身控制所需的功能全部整合到一起，提供了统一的开发与部署平台。 不仅有解耦WBC模型（用于NVIDIA Isaac-GR00T N1.5/N1.6）、GEAR-SONIC通用行为基础模型，还支持VR全身遥操作、运动砖块实时生成、训练/推理/部署全流程。 主要功能： - GEAR-SONIC：基于大规模人类运动数据训练的全身控制器，支持行走、跑步、跪爬、跳跃、双臂操作等自然行为； - Decoupled WBC：下肢RL+上肢IK解耦控制器，用于GR00T N1.5/N1.6模型； - VR全身遥操作：通过PICO VR头显实现实时人机运动转移，支持数据采集； - MotionBricks：实时潜空间生成框架，15k FPS零样本运动合成； - 运动规划器：键盘/游戏手柄实时生成步态，支持多种风格（跑步、潜行、受伤等）； - C++推理栈：硬件部署，支持ONNX导出、ZMQ协议、电机监控； - 训练管道：PPO训练、Bones-SEED数据集处理（142K+动作，288小时），支持从头训练/微调。 支持MuJoCo仿真、Isaac Lab训练、真实机器人部署（Unitree G1），通过Git LFS拉取模型快速本地运行，适合机器人研究者和开发者。
附件：[图片]
PPT Master 用AI一键将任意文档转为**原生可编辑PPTX**，生成真实PowerPoint形状、文本框和图表，不是图片！直接点击编辑。 支持PDF、DOCX、URL、Markdown输入，还能复制公司模板、添加动画过渡、生成旁白语音，甚至导出MP4视频。 主要功能： - AI自动生成**原生可编辑PPTX**，形状/图表/动画真实支持PowerPoint编辑； - 支持PDF/DOCX/Markdown/URL等多种文档格式一键转换； - 模板复制功能，可提取任意PPT作为私有模板库； - 页面过渡+元素入口动画，原生OOXML支持； - 语音旁白生成（支持克隆声线），直接嵌入PPTX并导出MP4； - 图片智能获取（AI生成+网络搜索），支持Pexels/Pixabay等； 只需安装Python + pip install -r requirements.txt，即可在Claude/Cursor/VS Code等AI IDE中聊天生成：「请从这个PDF制作PPT」即可。数据本地处理，无平台锁定。
附件：[图片]
传统TTS合成往往依赖GPU或云端API，资源消耗大、延迟高，还需网络连接，使用起来门槛不低。 Agora Pocket TTS 颠覆传统，提供超轻量级文本转语音解决方案，完全适配CPU运行。 仅100M参数模型，支持音频流式生成，低至200ms首帧延迟，MacBook Air M4上CPU实时6倍速，仅用2核。支持Python API/CLI、语音克隆、多语言（英法德葡意西），无限长文本输入，甚至浏览器端运行。 主要功能： - CPU高效运行，无需GPU，~200ms低延迟音频流式生成； - 超轻量100M参数模型，实时6x速度，仅2核CPU； - 语音克隆，支持自定义wav样本快速适配； - 多语言支持：英语、法语、德语、葡萄牙语、意大利语、西班牙语； - Python库/CLI/HTTP服务，pip/uv一键安装； - 浏览器WebAssembly运行，无需安装即试用； - 无限长文本处理，适合长篇朗读/ audiobook。 支持Python 3.10+，PyTorch 2.5+，跨平台Web/桌面，通过pip install pocket-tts本地运行，适合开发者、内容创作者和AI应用。
附件：[图片]
开发项目管理常常需要监督编码代理，监控任务进度、审查PR、验证CI状态，还要手动处理复杂工作，来回协调效率低下。 OpenAI Symphony 将项目工作转化为隔离的自主实现运行，让团队管理工作而非监督编码代理。 不仅能监控Linear看板自动生成代理处理任务，还提供CI状态、PR审查反馈、复杂度分析和演示视频等工作证明，验收后安全合并PR。 主要功能： - 监控任务板（如Linear），自动生成隔离代理实现任务； - 提供完整工作证明：CI状态、PR审查、复杂度分析、walkthrough视频； - 安全PR合并机制，工程师无需实时监督； - 支持harness engineering代码库，适用于成熟项目； - 实验性Elixir参考实现，可快速部署运行； - SPEC规范公开，便于自定义开发其他语言版本。 支持Elixir/Python等语言实现，适合工程团队和AI开发项目使用，低调工程预览版，专为可信环境测试。
附件：[图片]
为什么 AI 复杂任务，正在放弃 Markdown 转向 HTML | 推文 随着 AI 代理能力的增强，传统的 Markdown 格式已难以承载复杂的逻辑与视觉需求。转向 HTML 作为 AI 的输出媒介，能实现更高信息密度、交互式体验与更直观的视觉呈现，从而让人类在协作中保持深度参与。 当 AI 代理（Agent）开始处理极其复杂的任务时，Markdown 这种“轻量级”的语法反而成了一种枷锁。 如果你习惯于看 AI 生成的 Markdown 计划书，大概会发现一个尴尬的现状：一旦文档超过百行，阅读体验就开始崩塌。为了弥补表达能力的不足，AI 甚至会用 Unicode 字符去模拟颜色，或者用 ASCII 字符画一些简陋的流程图。这就像是在用电报机试图传输高清视频，虽然能传达意思，但效率低得令人沮丧。 HTML 正在成为一种更高效的“通信协议”。 它不仅仅是关于“好看”。HTML 的核心优势在于信息密度。通过嵌入 SVG 矢量图、利用 CSS 进行布局、甚至加入 JavaScript 实现交互，AI 可以交付一个真正的“产品”而非仅仅是一段“描述”。比如，与其看一段描述数据趋势的文字，不如让 AI 直接生成一个带滑块的交互式仪表盘。 有网友提到，HTML 带来的交互感能让协作变得更有趣。你可以要求 AI 生成一个临时的、针对特定任务的“微型编辑器”：比如一个可以拖拽排序的任务卡片流，或者一个带实时预览的 Prompt 调试器。这种“即用即弃”的工具感，让文档从静态的记录变成了动态的实验室。 当然，这种转变并非没有代价。 HTML 的 Token 消耗通常是 Markdown 的数倍，且在版本控制（Git Diff）中显得非常臃肿。如果只是为了简单的笔记，Markdown 依然是王者。但当我们需要进行复杂的架构设计、代码评审或原型开发时，HTML 提供的语义化结构和视觉清晰度，能显著降低人类的认知负荷。 与其说我们在重新发现 HTML，不如说我们在利用 Web 技术栈，为 AI 时代构建一种全新的、可交互的“数字界面”。 当文档本身变成了一个可以运行的小程序，我们与 AI 的关系，也从单纯的“指令与反馈”，进化成了真正的“共创”。
附件：[图片]
重构 Claude 使用逻辑：从自动补全升级为 AI 协作伙伴 | 推文 通过将 Andrej Karpathy 的 4 条基础规则扩展为针对现代 Agent 工作流的 12 条指令，可以将 Claude 的编程错误率大幅降低。核心在于将 AI 从“自动补全工具”升级为遵循“行为契约”的协作伙伴。 很多人把 CLAUDE.md 当成随手丢弃的偏好清单，要么塞满 4000 个 token 导致模型完全无视，要么干脆空着。这就像给一个极度聪明的实习生发了一本厚得没法读的员工手册，最后他只能靠直觉乱撞。 Karpathy 最初提出的 4 条规则解决了“写代码”时的基本逻辑问题：别瞎猜、保持简单、外科手术式修改、目标导向。这确实把错误率压了下来，但现在的 AI 已经不是只会写单行代码的补全工具了，它们是会在多个文件间跳转、执行多步任务的 Agent。 现在的痛点变了。有网友提到，Agent 会在长任务中迷失方向，或者在两个不同的代码风格之间试图“取平均值”，结果写出了一堆逻辑混乱的缝合怪。 为了补齐这些漏洞，需要引入更硬核的约束。比如，别让模型去做确定性的逻辑判断，那是代码该干的事，不是概率模型该干的事；必须设置严格的 Token 预算，否则它会陷入无休止的循环，直到烧光你的额度；还有最重要的，要求它“大声失败”。如果迁移漏掉了记录，或者测试只是在测常量，它必须直接告诉你“我没把握”，而不是伪装成成功。 有趣的是，规则并不是越多越好。当规则超过 200 行，模型就会开始机械地模仿“存在规则”这个事实，而不再理解规则本身。 这本质上是在为 AI 编写一套“操作系统协议”。规则不是建议，而是契约。
附件：[图片]
数学知识分散在教材、笔记、网页，到处找定义、公式、证明，学习效率低下。 Algebrica 把大学数学知识体系化整理，提供清晰、结构化的免费知识库。 不仅有精确定义、定理证明，还配数学准确的SVG插图，支持Markdown+SVG开源复用，覆盖积分、极限、复数、多项式等核心主题。 主要功能： - 结构化数学知识：从定义到定理到例题，逻辑递进无死角； - 矢量SVG插图：精确、可编辑，完美适配笔记/讲义/教育资源； - Markdown源文件：透明开源，CC BY-NC 4.0许可非商业复用； - 概念连贯性：统一符号、逐步推导，避免教材间不一致； - 大学水平覆盖：分析几何、代数结构、线性系统、三角等； - 持续迭代：作者亲手撰写，不断精炼提升准确性。 支持离线阅读、GitHub预览、本地编辑，通过 Git clone 即可获取全部内容，适合学生、教师、自学者使用。
附件：[图片]
科研绘图经常需要反复调参数，配色不标准、字体不对、布局乱七八糟，还得AI重绘或手动修半天。 nature-skills 把Nature期刊绘图规范全部整合到一起，提供了整套科研绘图的解决方案。| #科研 #工具 不仅有publication-ready的多面板matplotlib图表生成，还支持学术prose润色、审稿回复、数据可用性声明，甚至paper转PPT工作流。 主要功能： - nature-figure：Nature级matplotlib多面板图，支持10种图表类型（柱状/折线/热图/散点/雷达等），输出可编辑SVG； - nature-polishing：学术文本润色到Nature风格，≤30词句子、时态对齐、英国英语； - nature-citation：Nature/CNS引用检索，支持ENW/RIS/Zotero RDF导出； - nature-response：审稿意见逐点回复，行动映射+风险检查； - nature-data：数据可用性声明+FAIR元数据审计； - nature-paper2ppt：论文转中文化PPTX，精简证据链+演讲笔记。 基于真实Nature论文和指南规则，支持Python本地运行，适合科研工作者、博士生和投稿党。
附件：[图片]
微信聊天记录太多，搜索费劲、导出麻烦、数据分析全靠手动翻页，私域运营和日常管理超级头疼。 wx-cli 把微信本地数据全解锁，用命令行一键查询聊天记录、朋友圈、联系人，提供高效的数据管理解决方案。 不仅能毫秒级全库搜索消息，还支持朋友圈挖掘、聊天统计、收藏检索，甚至一键导出 Markdown，完美适配 AI Agent。 主要功能： - 全库消息搜索和历史记录查询，支持关键词、时间范围、群聊过滤； - 朋友圈数据挖掘，包括通知、时间线搜索、作者限定和媒体详情； - 会话管理，查看最近会话、未读消息、新增消息，区分私聊/群聊/公众号； - 联系人和群成员列表，支持姓名搜索； - 收藏内容检索，按类型（图片/文章/视频）或关键词筛选； - 聊天统计分析，按时间范围统计消息频率； - 一键导出，支持 Markdown/JSON 格式，便于备份和分享； - Daemon 架构，零依赖安装，完全本地运行，数据不出机。 支持 macOS、Linux、Windows 多平台，npm 一键全局安装，保持微信运行即可初始化使用，适合私域运营、数据分析师和开发者。
附件：[图片]
用AI快速写代码的背后，藏着程序员的隐性焦虑 | blog AI 极大地缩短了“想法”到“结果”的路径，这虽然缓解了许多人的任务瘫痪，却也带来了一种空虚感。当实现过程被外包，程序员正面临着内在成就感的丧失、技能萎缩以及一种类似赌博的成瘾性风险。 有个很有共鸣的说法：LLM 拿走了所有的内在奖励，只留下了外在收益。 以前写代码像是在解谜，那种从底层逻辑一点点啃下来、最后构建出系统的过程，是纯粹的内在驱动。但现在，当你用 Claude 或 Cursor 几分钟就“变”出一个工具时，那种成就感消失了。就像你下载了一个别人写好的库，虽然东西能用，但那不是你做的。你感觉自己不再是一个创造者，而是一个在管理一群“代理人”的经理。 这种感觉很像从工程师转岗做管理：你不再处理具体的细节，而是在解释意图、审查输出、处理那些因为上下文膨胀而开始“漂移”的错误。 更危险的是那种多巴胺的反馈循环。 对于有 ADHD 或执行功能障碍的人来说，AI 简直是神药，它能瞬间抹平“启动困难”的阻碍。但这种“想法→结果”的路径被极度压缩，会让大脑陷入一种类似赌博的成瘾状态。你不再享受思考的过程，而是在追求那种“咒语一念，奇迹发生”的快感。有网友提到，这种快感甚至让人想通过不断购买 Token 来维持这种高频的反馈。 有观点认为，这其实是在用长期的认知能力换取短期的交付速度。 我们正在经历一种技能的“退化”。每一次选择让 AI 代替思考的捷径，都是在削弱我们对复杂系统的直觉和调试本能。当代码变成了一种随手可得的“生成物”，它在开发者心中的价值也就归零了。 如果有一天，我们只需要通过自然语言来“指挥”代码，那我们究竟是在编程，还是在进行某种高级的、无意义的文字游戏？ 或者说，当所有的实现都变得廉价，我们该如何定义“创造”？
附件：[图片]
多模态AI开发常常需要多个专用模型，理解模型处理视觉分析，生成模型负责图像输出，还要额外集成推理和工具调用，切换繁琐效率低下。 SenseNova-U1 用NEO-unify架构从第一性原理统一多模态理解、推理和生成，提供端到端原生多模态解决方案。| 在线尝试 不仅实现像素到词的统一建模，支持高质量文本到图像生成、图像编辑、交错图文生成，还能进行视觉问答、视觉语言行动（VLA）和世界建模，开源SOTA性能。 主要功能： - 原生统一多模态架构，无需VE和VAE，支持端到端像素-词处理； - 高质量文本到图像生成，支持复杂信息图表、海报、漫画等高密度渲染； - 图像编辑和交错图文生成，可生成连贯的文本+图像教程和故事； - 视觉理解和推理，支持长上下文VQA和代理式视觉任务； - 支持GGUF量化、低显存推理，单GPU友好，兼容Web/本地部署； - 提供SenseNova-Studio在线 playground 和SenseNova-Skills代理集成。 支持 Transformers、LightLLM 多框架部署，8B/A3B模型规模，Apache 2.0许可，适合AI开发者、研究者和应用集成。
附件：[图片]
OCR识别需要多个工具，布局分析工具拆分文档结构，文本识别模型提取内容，还要额外的手动后处理，来回切换效率低下。 GLM-OCR 把OCR全流程功能全部整合到一起，提供了精准×快速×全面的文档理解解决方案。 不仅有SOTA级多模态OCR模型和布局分析，还支持复杂表格/公式/代码识别，云端API和本地部署，甚至一键CLI/Python调用。 主要功能： - SOTA性能，在OmniDocBench V1.5得分94.62，文档理解基准排名第一； - 实景优化，完美处理复杂表格、代码文档、印章等挑战场景； - 高效推理，仅0.9B参数，支持vLLM/SGLang/Ollama部署，低延迟高并发； - 超易使用，pip install glmocr 一行命令解析图片/PDF，支持CLI/Python/Flask API； - 完整SDK，云API（零GPU）或自托管，支持大图/PDF多页文档； - 模块化架构，可自定义布局检测、OCR调用和结果格式化（JSON/Markdown）。 支持云端API、vLLM/SGLang本地部署、多平台使用，通过pip安装即可快速上手，适合AI开发者和企业文档处理。
附件：[图片]
生物细胞3D建模需要切换多个工具，三维渲染软件处理模型展示，AI生成工具创建细胞结构，还要额外的交互面板查看细节，来回切换颇为麻烦。 3DCellForge 把细胞探索所需的功能全部整合到一起，提供了AI驱动的交互式3D细胞生成与探索工作室。 不仅有流畅的WebGL细胞查看器，支持拖拽旋转、缩放和器官细节面板，还能通过图像转3D生成真实细胞模型，支持GLB导出、截图和离线缓存。 主要功能： - 交互式3D细胞查看器，支持React Three Fiber实时渲染和轨道控制； - 图像转3D生成，支持Tripo云端、Hunyuan3D本地和浏览器深度图多种模式； - 器官细节卡片、显微镜视图、比较面板、笔记和图库管理； - GLB/GLTF模型导入导出、截图功能和本地缓存，支持离线演示； - 多平台浏览器运行，集成Vite快速开发，无需复杂环境配置； - 安全API密钥管理，后端Node服务处理生成任务，前端零暴露。 支持 Web 浏览器直接运行，通过 npm install 和 npm run dev 即可本地启动，适合生物研究者和教育工作者使用。
附件：[图片]
AI 高效工作流：原型实验+倒带压缩，实现试错到认知升级 | 帖子 提要：通过 /prototype 进行原型实验，再利用 /rewind 结合 summarize 功能将实验过程压缩为结构化知识，从而在保持上下文精简的同时，实现从“试错”到“认知”的跨越。 很多人用 AI 就像在沙堆上盖房子，一边堆一边塌。 有个很有意思的工作流：先用文档去“拷问”AI，遇到答不上来的问题，直接进入 /prototype 模式，不计成本地消耗 Token 去做一个原型。等原型跑通了，关键动作来了：使用 /rewind 回到问题点，并执行 summarize。 这本质上是在做一种上下文的“垃圾回收”与“知识提取”。 有网友提到，这个组合拳最厉害的地方在于，它把昂贵的 Token 消耗从单纯的“氛围感试错”转化成了可复用的“产品记忆”。如果你只是盲目地在对话框里堆砌指令，你是在浪费算力；但如果你学会了“自由探索→压缩学习成果→带着更优上下文继续”，AI 才真正开始像一个工程协作伙伴。 这让人想起操作系统的内存管理。直接把所有运行日志塞进上下文，迟早会触发 OOM（内存溢出）或者让推理变得极其迟钝。通过 summarize 进行压缩，就像是把频繁访问的热数据提取成索引，把冗长的执行路径变成了一行简洁的函数调用。 有观点认为，这种流程一旦跑通，就可以将其封装成 SKILL.md，让整个团队直接共享这种思维模型，而不是每个人都去重新发明轮子。 不过也有人觉得，这种频繁的“倒带”操作可能会打断心流。这大概取决于你是在做简单的 Prompt，还是在进行深度架构设计。 如果实验本身就是为了寻找答案，那么在看到答案的那一刻，把过程“压缩”掉，只留下结论，或许是目前最高效的交互方式。 下一步该怎么做？或许是把这种经过验证的流程，直接变成 Agent 的内置技能。
附件：[图片]
星星大厂云服务器（阿里云 腾讯云 亚马逊 谷歌云），提供自助充值平台，解决24小时充值问题，全网招代理，全网最低折扣 。 大厂云自助开户充值 @xxbots 星星云频道介绍 @xxy88 需要海外服务器联系星 @xxyun0 #AD
netflix的官方技术博客发了篇长文介绍模型服务中的路由现状 | blog “这是一个多篇系列博客的第一篇，分享了我们如何通过机器学习模型服务基础设施在多个领域（例如，标题推荐、商务）大规模提供个性化体验的技术见解。 在这篇介绍性博客中，我们将深入探讨我们的领域无关 API 抽象及其流量路由能力，该能力由中央 ML 模型服务平台向多个特定领域的微服务暴露，用于模型推理。这个单一的 API，即进入 ML 模型服务平台的入口，显著提升了在现有 ML 体验上迭代新版本的创新速度，同时也支持使用 ML 构建全新的产品体验。” 在大规模在线推理系统里，路由不只是把请求分发到任意实例，而是要在延迟、吞吐、成本、可用性、模型/硬件异构性和实时负载变化之间做权衡；文章梳理了从简单静态/轮询式负载均衡，到更智能的、感知服务状态与性能指标的自适应路由思路，强调好的 routing layer 应该把模型副本、容量、队列、SLO、降级策略和观测数据结合起来，动态决定请求去哪里，从而提升资源利用率并稳定用户体验。
附件：[图片]
强化学习教程：Hands-On Modern RL，现代强化学习实战指南：涵盖经典控制、LLM 后训练、RLVR 与多模态智能体 | 在线阅读 | github | #电子书 2016 年，AlphaGo 击败李世石，强化学习第一次震撼公众。2022 年 ChatGPT 发布，人们发现 RL 正是让大语言模型从"能说话"变成"说好话"的关键技术。从 DeepSeek-R1 到各类开源对齐模型，RLHF、DPO、GRPO 等算法已经深刻地重塑了整个 AI 行业。 然而，市面上的学习资源严重滞后于行业实践。主流教程对 RL 一笔带过，专门的 RL 教材又停留在传统框架，对 PPO、DPO、GRPO 只字不提。一个想要理解 RLHF 流程的工程师，不得不在经典教材和最新论文之间艰难地自行搭建桥梁。我们着手写这本书，就是为了填补这道鸿沟。 这本书代表了我们的尝试——让现代强化学习变得平易近人，用代码、数学和直觉的融合来教会人们核心概念。 一种"先动手、后理论"的学习路径 许多教科书先讲完 MDP 的全部性质，再讲贝尔曼方程，最后才允许你碰一行代码。在这本书中，你将从第一章的第一行代码开始训练一个智能体。当你亲眼看到 CartPole 的小车从摇摇晃晃到稳稳站立，亲手用 DPO 让一个大模型学会"说好话"，再回过头理解背后的数学时，学习过程会更加自然，理解也会更加持久。 每一章都遵循一个四步循环：先给你一段可运行的代码，让你获得直接经验；然后引导你关注训练曲线上的关键现象；接着在具备直觉的基础上讲解数学原理；最后用理论重新解读之前的现象，完成从直觉到形式化的闭环。 本书的每一章都包含可运行的代码示例。强化学习中的许多直觉只能通过试错来建立——调一调学习率，观察 reward 曲线的振荡；改一改 clip 参数，看看策略是否会崩溃。这些经验无法仅靠阅读公式来获得。 本书面向学生、工程师和研究人员。不需要过往的深度学习或机器学习背景，只需基本的 Python 编程能力、线性代数（矩阵运算）、微积分（偏导数、链式法则）和概率论基础（期望、条件概率）。大多数时候，我们会优先考虑直觉和想法，而不是数学的严谨性。
附件：[图片]
Realmbird正在写Deepseek 新架构mHC的系列文章，目前完成了一篇。| blog 流形约束超连接（Manifold-Constrained Hyper-Connections，mHC）是 Deepseek 新增的一种架构，并已在 Deepseek v4 中实现。 mHC 是对 HC（超连接）的一种修复，它解决了 HC 导致的梯度消失或爆炸问题，同时仍保持性能提升。因为在 HC 上添加权重和偏置会使来自较早层的信号更难更新，从而使残差流的“残差性”降低。 HC 是一种诅咒般的方法，通过在残差流上添加权重和偏置来模拟更宽的残差流。 mHC 是对 HC 的改进，其中使用 Sinkhorn-Knopp 方法使残差流上的权重和偏置变为双随机矩阵。双随机矩阵的行和列之和都为 1，就像同时沿行和列应用 softmax。MHC-lite 与 mHC 论文类似，但使用了 Birkhoff-von Neumann 方法来实现双随机矩阵。
附件：[图片]
一份面向工程设计的人形机器人指南，很多人形机器人的硬件/物理学知识 | blog | #指南 “一个类人机器人每小时大约走 5,000 步。每一步都会将相当于身体重量 2–3 倍的冲击力传递到腿部执行器——偶尔承受这样的力还可以，但当这种冲击连续数千次而不间断时，就会造成破坏。这种无情的工作循环正是大多数类人机器人执行器失效的原因，也是幸存者最终都采用相同工程解决方案的原因。 关键在于，因为这种冲击发生的速度快于任何传感器循环的反应时间（亚毫秒级），执行器必须在机械上能够‘让步’（可反向驱动性），以吸收能量。如果执行器在机械上是自锁的——如大多数工业用滚珠丝杠——齿轮箱就必须吸收 100% 的冲击能量，从而导致瞬间剪切失效。”
附件：[图片]
现在市面上AI工具很多，skills也遍地都是。似乎构建一个AI自动化工作流已经非常简单了。但是，真正动手才知道，这里面的坑非常多： *很多skills看似很厉害，但不能完成我的个性化的需求。AI时代，真正属于自己的、个性化的工作流才是重点。 * 下载了skills，好容易配置起来了，但运行就是不稳定，有时候好使，有时候又不好使。修起来也不知道从何下手。 * 使用OpenClaw极费token。 * 有些skills要求注册api key，或者调用频率有限制。本来只是想完成自己的一个小需求，没想到还得付个订阅费。 这个视频演示如何使用Claude Code + AmphiLoop免费制作一个真正属于自己的AI工作流：自动浏览+汇总YouTube上指定的视频频道，并把汇总信息定时发送到手机。
附件：[文件]
一个世界模型的教学项目：Nano World Models 这个项目把一个完整研究世界模型需要的东西放在一起：数据、训练、评估、模型变体、实验消融、可视化和下游应用。它的目标是降低从“读懂世界模型”到“实际部署和实验”的门槛，并通过简洁抽象、模块化配置和完整文档，让使用者能轻松修改、适配和扩展 项目强调“从模型到科学”的转变：随着世界模型方法逐渐收敛，真正重要的问题变成如何理解模型行为、验证经验规律、探索规模化和最佳实践；因此它提供了模块化设计、丰富数据环境、可复现实验和开放资源，目标是成为世界模型研究社区的共享基础设施。
附件：[图片]
Addy Osmani 是 Google 的工程师，目前担任 Google Cloud AI director。 他写了一篇博客《Agent Skills》来提醒开发者：AI 编码智能体虽然能快速生成代码，但默认会跳过高级工程师重视的“隐形工作”，比如写规格、拆任务、先测试、做评审、控制改动范围、留下验证证据。 本文中Addy Osmani 试图把多年在 Google 级工程体系中沉淀出的工程纪律，迁移到 AI agent 时代，让模型不只是更快地产出代码，而是在规格、测试、评审、验证和发布约束下产出更可信的软件。 文章配套有开源项目 addyosmani/agent-skills ，把里面这些高级工程实践封装成了 skills 。
附件：[图片]
一个文件让 AI Coding 效率翻倍：AGENTS.md 实践指南 | 公众号文章 「在代码仓库中放一份上下文文件，告诉 AI 工具这个项目是什么、怎么构建、有什么规矩」——这个做法现在已经有了一个统一的名字：AGENTS.md。 团队使用的 AI Coding 工具比较分散——Qoder、Cursor、灵码、Kiro、Claude Code 都有人用。不同工具各自有配置机制，Skill、Rule、Hook 的存储目录不统一。 选择 AGENTS.md 作为核心入口的原因： 足够通用——已被多数主流工具识别，一份文件覆盖大部分工具 零配置成本——不需要安装插件或配置 hook，工具打开项目自动读取 降低维护负担——不用为每种工具各维护一份规则文件 兼容性好——Claude Code 不识别 AGENTS.md，但 ln -s AGENTS.md CLAUDE.md 即可 基于这个考虑，我们把和特定工具绑定的 rules、hook 等配置作为补充，核心规则全部收敛到 AGENTS.md 一个入口。
附件：[图片]
像对待开发者一样对待你的编码代理 这篇文章认为，要像管理初级开发者一样管理编码agent。| blog 单个 agent 在一个目录里工作还勉强可行，但多个 agent 并行写代码时，很快会因为 Git 分支、文件系统缓存、Docker Compose 容器、端口和数据库等共享资源互相干扰。 解决办法是给每个 agent 一套独立的开发者环境：自己的项目副本、运行时、Compose 命名空间、本地 URL 和独立分支。这样 agent 的工作流就更接近真人开发者：各自开发、提交分支、接受 review、能随时丢弃实验环境。 提升 agent 生产力的关键不只是模型能力，而是给它们配套人类团队早已习惯的工程协作基础设施。
附件：[图片]
美团LongCat 团队发了篇Paper 并发了一个配套的skill，用一个比较简单的办法来提升agent在数学、代码和可验证推理任务上的表现。| hugging face 现在 Agent 框架越来越复杂了，很多系统通过多智能体、记忆、技能和工具调用来提升模型表现。但作者认为真正起作用的可能并不是这堆复杂的东西，而是模型在推理时进行“更重、更充分思考”的能力。 论文提出的 HeavySkill，就是把这种能力封装成一个可复用的 skill：先让模型从多个角度独立推理，再对这些推理过程进行综合、比较和判断。实验结果显示，这种“多路探索 + 综合反思”的方式，通常比简单多次采样或多数投票更有效，尤其在数学、代码和可验证推理任务上提升明显。
附件：[图片]
OpenCyvis 是一个开源的 AI 手机方案。用户可以自由选择 LLM 后端（云端或本地），AI 在后台虚拟显示器上操作，不占用前台屏幕。Apache 2.0 协议，代码完全公开。 “过去一年，不少厂商推出了「AI 手机」的概念——豆包、三星 Galaxy AI、Google 的 Gemini 集成等等。核心思路大同小异：AI 理解屏幕内容，代替用户完成操作。 但这些方案有一个共性：它们都是封闭的。模型由厂商指定，数据通过厂商的服务器处理，用户没有办法审计中间发生了什么，也没有办法换一个自己信任的模型。 开源社区也有一些尝试，比如基于 ADB 的各种PhoneUse项目。它们可以让用户自定模型，但需要连接电脑，且 AI 操作时会直接占用用户的屏幕。 于是我做了OpenCyvis ，试图同时解决这两个问题。”
附件：[图片]
微软提出了一种面向行为的并发（BOC）编程范式，尤其适合 Python。| blog “在 BOC 程序中，数据是共享的，但每个行为对数据拥有独特的时间所有权，从而无需通过锁来协调访问。对于 Python 程序员来说，这带来了诸多好处。行为通过装饰函数来实现，从程序员的角度看，这些函数的使用方式与普通函数无异。更重要的是，程序员的任务从解决并发数据访问问题转变为通过函数组织数据流。由此生成的程序更易于理解、更易于维护、更易于扩展，并且能够充分利用多核性能，因为可以高效地调度行为在多个进程中运行。” 它的全名是 Behavior-Oriented Concurrency in Python，核心目标是让程序员把注意力转移到有哪些行为要发生、这些行为依赖哪些数据、数据如何在行为之间流动这样的问题上，降低并发编程的难度。官网把它概括为一种适合 Python 的并发/并行新范式：让每个行为在某段时间内独占它需要的数据，从而减少手动协调共享数据的负担。
附件：[图片]
