智能体X
Claude 接入 Google Tag Manager 实现自然语言配置埋点
通过一款开源的 MCP（Model Context Protocol）服务器项目，Claude 现已能够连接至 Google Tag Manager。该项目支持远程 MCP 连接并内置 Google OAuth，允许用户直接通过自然语言指令自动生成 GA4 事件标签、点击追踪等埋点配置，并对其进行审计，从而将繁琐的代码级埋点工作交由 AI 自动完成。
07 月 29 日
677 条动态
通过一款开源的 MCP（Model Context Protocol）服务器项目，Claude 现已能够连接至 Google Tag Manager。该项目支持远程 MCP 连接并内置 Google OAuth，允许用户直接通过自然语言指令自动生成 GA4 事件标签、点击追踪等埋点配置，并对其进行审计，从而将繁琐的代码级埋点工作交由 AI 自动完成。
这个更新说，Sol loops 在一个已经很优化的 sorted set PR 上，又找到了额外 23% 的内存下降。 接下来准备不再局限于现有的 zkiplist + hash 方案，而是去探索完全不同的实现路径。
帖子内容只是开心地喊了一句 “GOT CODEX MICRO!!” 并致谢对方。 配图把它变成了一个明显的 AI 圈梗图：一个盒子写着 “Work Louder | OpenAI 2026”，旁边还有一个带 OpenAI 风格图标的紫色盒子。整体更像开箱式玩笑，而不是严肃的产品发布。
一份可直接复用的 ChatGPT 图像生成海报提示词 这条帖子分享了一套用于 GPT Image 2 on ChatGPT 的汽车海报提示词，目标是生成带强烈编辑风格的车辆视觉海报。 提示词要求车辆以侧前 3/4 视角呈现，并叠加同心圆、分割圆盘、机械环等几何元素。 还明确要求在车身后方放置大号数字、左上角加入 logo、标题使用控制严格的全大写排版。 视觉要求包括准确车身比例、技术插画感、平版印刷颗粒、套准标记和清晰的版式层级。 附图展示了把这套提示词套用于经典车海报后的效果。
这是对 HAWK 密码分析讨论的补充： HAWK 不是已部署方案。 这次攻击不能迁移到 Falcon 签名。 不是只有 AI 在破解 HAWK，其他研究者也做出了类似结果。 作者还补充说，Claude 的结果稍微更好。
作者做了一个教育型仓库，目的是用本地模型从零理解 context engineering。 这个项目刻意不做成生产级框架，而是拆成 14 个可运行示例，把 system instruction、工具定义、few-shot、长期记忆、RAG、工具输出、子代理输出、上下文历史、状态、编排和 context traces 等关键组件逐个讲清楚。全部可本地运行，不需要 API key。
MindGraph 发布面向 Claude Code、Codex 等 coding agent 的跨会话持久化图记忆方案，试图解决代理在 session 结束后遗忘目标、计划、上下文和失败原因的问题，让项目状态能够持续沉淀与复用。
OpenAI发布报告指出，编码智能体正将科学家从繁重的重复性“脏活”中解放出来。这些智能体已能承担老旧软件维护、定向优化乃至完整系统重构。实测数据显示，某项RNA-seq任务的处理时间被从15小时大幅压缩至15分钟，使科研人员能将精力专注于真正的核心研究。
新论文提出 RSIBench-Data，用受控基准评估 LLM Agent 能否像研究员一样通过数据研究实现递归式改进。在 24 组实验中，14 组借助反馈优化超过首次尝试，但不少 agent 在达到最佳点后继续操作而失分，暴露出“及时停手”能力不足。
一位 ComfyUI 新手询问 Flux 2 Klein 模型不同版本（V4_turbo_bf16, V4_turbo_fp8, V4_turbo_int8, V4_base_bf16, V4_base_fp8）的区别及选择建议。这些版本主要在精度（bf16, fp8, int8）和是否 turbo 上有所不同，影响生成速度与质量。
这条讨论围绕一个判断展开：中国模型是否会在 2030 年前超过美国最强模型。 发帖者认为，短期内看不到中国模型在整体上反超，真正的问题是能力差距的动态；过去几个月，这个差距似乎比较稳定。 回复则更直接：Kimi K3 还打不过 Opus 4.8，更别说 Sol。 这场争论的核心不是“谁立刻碾压谁”，而是前沿模型之间的差距到底是在缩小、持平，还是仍然相对稳固。
Agent Farm Desktop 正在准备开源发布，并与 Agent Farm CLI 配套推出。 这款桌面端主打 Agent/CLI 工作流管理：可把 Claude、Codex 等账号分 silo 管理，配置 minimax、kimi 等不同 CLI 版本，在多个模型间切换，还能运行一个会自动选择“当前最优可用模型”的组合推理服务器，并尽量用满各自的使用额度。 功能上还包括：技能编辑与新技能创建、从各类 CLI 导入聊天记录、内置 wiki、多轮 chat battle、按工作流分组 agent 与 silo 等。项目基于 @ctatedev native，支持跨平台，预计 24 小时内开源。
OpenAI 在 API 中推出了 GPT-Transcribe 和 GPT-Live-Transcribe 两款语音转写模型，分别针对异步批处理与低延迟实时转写。官方及第三方基准测试表明，新模型在多语种和上下文感知场景下的表现显著优于 Whisper-1。同时，批量转写价格降至每千分钟 4.5 美元，实现了准确率与性价比的双重突破。
AI 代码编辑器 Cursor 宣布在印度市场推出专属的 Start 订阅方案，定价为 ₹649/月（含税），并原生支持当地主流的 UPI 支付。该方案将 Grok 4.5 和 Composer 2.5 打包接入，提供更高的日常编码额度，并支持云端 Agent 工作流，旨在为当地开发者提供低门槛的 AI 编程体验。
Haskell GHC 邮件列表里有人试图估算 agentic coding 的碳排放，并认为它远低于先前那种粗算结果。 讨论引用了一篇关于 LLM 能耗、水耗和碳足迹的论文。 其中一个关键纠正是：表里的数值是 29 Wh，不是 29 kW。 按 0.34 Wh/次查询、每 10 秒一次查询来估算，大约是 0.12 kWh/小时。 若按 0.3 kg CO2e/kWh 计算，约等于 0.036 kg CO2e/小时。 按这个口径，400 小时的使用量大致相当于一次 Austin–Zurich 往返航班。 这更像是一场现场纠错和重算，而不是定论，但它确实把 编码智能体的真实能耗与排放 拉到了可讨论的量级。
有人分享，自己在 Cowork 里让 Fable 5 帮忙搭一个端到端的 MCP server，结果直接做成了。 他原本以为模型只会先给一个可审核的计划，再切到 Claude Code 之类的工具继续。 没想到确认后系统又跑了大约 2 小时，日志里显示它调用了大约 70 个 agents。 最后交付的是一个完整、可工作的 MCP server。 发帖人还说，自己手写另一个 MCP server 已经折腾了一周，进度还不到一半，这次体验像“作弊码”。
技术从业者们总结了高效使用Claude的实用工作流系统，强调核心在于管理上下文而非单纯依赖提示词。由于Claude默认是无状态的，用户建议通过按项目分隔（如对应不同客户或领域）来保留记忆，并建立有效的状态管理系统。这能以最少开销把正确的状态加回来，大幅提升工作条理性。
作者分享了技术从业者在使用 Claude 时保持工作条理性的实用系统。核心原则是：Claude 默认是无状态的，所有的组织系统都是为了以最少的开销把正确的状态加回来。 具体实践包括： 项目隔离：按客户、产品或领域划分独立项目，避免上下文混淆。 命名规范：采用 [日期] [类型] [主题] 格式（如 2026-06-26 debug auth），方便按时间和任务检索。 自定义指令：为每个项目配置 CLAUDE.md 风格的指令块，预设技术栈、语气和禁忌。 外部提示词库：将有效的提示词提取到 Notion/Obsidian 中，避免散落在对话里。 定期重启：长对话会导致上下文模糊和自相矛盾，建议在切换任务或超过 20 轮对话时，仅携带摘要开启新对话。 持久化记忆：利用记忆功能存储角色背景和风格偏好，而非临时任务指令。 导出成果：将有价值的最终输出和有效提示词复制到外部文档，防止成果随对话历史沉没。
作者在做一个面向 MCP servers 和 AI agents 的开源工具，思路上类似把 Ollama 与 Hugging Face 的生态组合起来。 他希望社区帮忙测试、找 bug，并通过 GitHub 一起完善项目；帖子里提到仓库名为 xelian，作者是 yuvitbatra。
据 The Information 报道，ChatGPT 的周活跃用户数正逼近 10 亿大关，成为史上增长最快的一款应用。尽管这一里程碑比 OpenAI 原定计划晚了 7 个月，且公司近期面临 GPT-5 口碑波动以及 Gemini、Claude 等竞争对手的强力挑战，但其用户规模依然保持扩张，同时 OpenAI 的营收也越来越依赖企业端服务。
一位开发者展示了一个完全本地运行的 AI“行星态势监测与分析套件”。它的核心卖点不是单一功能，而是： 模块化集成器/连接器：可对接 XML、Atom、JSON API 自我扩展：系统本身还能作为“节点”，进一步构造新的集成器和连接器 本地化运行：强调在本机完成监测与分析 整体来看，这是一套偏基础设施化的 AI 工具/产品原型，重点在数据接入与模块编排能力。
作者发布了开源终端编程工具 opendot，核心思路不是“沙箱隔离”，而是可逆性：每次写文件或执行 shell 命令前，它都会先把工作区快照下来，因此理论上可以把 agent 做过的改动和命令影响一起回滚。 快照写入 content-addressed store，界面里会显示每一步是可撤销还是不可逆。 ctrl+z 可以恢复到上一步状态，连 shell 造成的工作区变化也能回退。 通过 LiteLLM 做模型无关封装，可完全本地运行 Ollama，也支持自带 API key 接入 OpenAI、Claude、Gemini、DeepSeek。 支持 MCP servers 和 1000+ 应用。 作者明确说明：网络请求、sudo、git push 这类离开本机的操作不能回滚，所以会在执行前先提示确认。 这是个还在早期的项目，作者主要想听大家对本地工具调用模型、以及这种“可逆 agent”安全模型的反馈。
Jason Kneen 表示，他的 CLI agent 已经开源，等项目达到满意状态后，还会继续把其余部分开源出来。 这条帖子的重点不在闲聊，而在于他对“企业如何和 agent 协同工作”的判断：他认为这会成为业务工作的新范式；同时提到 Type、Buzz、Raft 等一些隐身中的创业团队也在做类似系统，说明这个方向正在集中涌现。 要点是： 他的 agent 系统已公开； CLI agent 是开源的； 其余组件也计划继续开源； 这类产品离“普通用户顺畅使用”还有不少产品化工作要做。
一个面向 RAG 系统的记忆层方案 Recall：先检查 episodic memory，再决定要不要进文档检索。若历史答案足够新且置信度高，就直接跳过 retrieval，实测把响应时间从 冷启动约 49 秒、热路径约 6 秒 压到 约 260 毫秒。 核心机制 结合 cache + ChromaDB 识别语义相近问题 命中记忆时直接返回缓存答案 未命中时走正常的 检索 + 生成 流程 还提供一个 reconciled 路径：两条链路都跑，再由 LLM 选择更优答案 图中给出的延迟 记忆命中：~260ms 检索 + 生成：~49s（冷）/ ~6s（热） Reconciled：~5–8s
