智能体X
一本编程书的反浅层抽象观点，在智能体时代更适用
- 作者称这是自己最喜欢的编程书之一，并认为它在 agentic 时代更显重要。 他们的评审/审查 agents 也在沿用书中的许多原则。 核心观点是：软件质量标准应该更高，反对“浅层模块”和过早、过浅的抽象，别急着把“糙活”发出去。
07 月 29 日
756 条动态
- 作者称这是自己最喜欢的编程书之一，并认为它在 agentic 时代更显重要。 他们的评审/审查 agents 也在沿用书中的许多原则。 核心观点是：软件质量标准应该更高，反对“浅层模块”和过早、过浅的抽象，别急着把“糙活”发出去。
一位 Anthropic 工程师在近期的分享中指出，构建 Agent 不应局限于人工提示，而应搭建一个能让系统自我提示的架构。他透露，这种自我改进式循环已成为公司大多数工程师日常使用的标准工作流，且在短短半年内迅速普及，显著提升了开发效率。
- SiteSpeakAI 发布了一篇教程，演示如何把自定义的 ChatGPT 支持代理接入 Replit 项目或网站。 步骤包括在 SiteSpeakAI 复制代码片段，再在 Replit 里把这段 JS snippet 插入到项目中。 教程把 Replit 视为浏览器里的应用构建平台，重点是把客服支持能力直接嵌进用 Replit 搭建的应用里。
有人分享了一个很实用的 Codex 小技巧：让 agent 在任务完成后，自动发邮件总结自己改了什么。 这样早上醒来时，不用翻一堆线程和 diff，直接就能看到它昨晚做了哪些修改、改动范围有多大。
发帖人表示，自己让 Opus 5 在 Blender 里生成了 4 个带绑定的低模动画角色。 帖子本身很短，但信息点很明确：这不是单纯文本或图片生成，而是把模型直接拉进了 3D 动画资产制作 流程。
Two Minute Papers 介绍了 Kimi K3，并附上论文与试用入口。 视频直接给出 arXiv 论文、Kimi 官网以及相关演示链接。 整体是在强调 Kimi K3 这次发布/实测里表现很亮眼，值得趁开放时去试。
一个 3DGS 实操流程展示：作者用 DJI OSMO360 走拍 10 分钟，再通过 seam mask、Metashape 和 LichtFeld Studio 把素材训练成高质量三维重建。 采集：DJI OSMO360 走拍 10 分钟 预处理：抽帧后用 SAM3 + seam masking，得到 774 张图 重建：在 Metashape 里做 spherical SfM，并利用 mask 降低双鱼眼拼接缝误差 训练：先做 cubemap 转换，再用 LichtFeld Studio 训练 3DGS，配置为 15M / SH2 / MRNF / PPISP，在 RTX 4090 上训练约 10 小时 作者强调，seam mask 对减少 stitch line 附近误差很有帮助
这条 Reddit 讨论聚焦 AI agent 在真实业务里的低调用例，不是编码助手或聊天机器人，而是电话外呼、发票处理、内部知识检索、会议跟进、客户 onboarding、设备监控、排班调度、文档审查等具体流程。 帖子本身是在征集“哪些 agent 用例值得更多公司采用”的实战案例，因此更像一则关于 智能体落地场景 的行业讨论，而不是单纯的观点帖。
这条帖子在问 Krea 2 Turbo 生成高反差人像时为什么会出现伪影：作者用了黑背景、局部保留红色的 selective-color 效果，但无论怎么调都去不掉 artefacts。 他还提到，在更早的 flux1krea/dev 里同样思路反而表现正常，因此这更像一则关于 图像生成产品实测与参数排障 的讨论帖。
这篇长文的核心观点是：执行轨迹（execution trace）只能告诉你 agent 走了哪些节点，不能告诉你它最终有没有真正用上检索结果。 作者把问题拆成两类看起来很像、但修复方式完全不同的失败： 检索分数高，但答案没用上：说明检索本身可能没问题，问题出在 prompt 或上下文顺序 检索相关性低，但答案却用了：说明模型相信了坏证据 由于控制流 trace 只记录 retriever 跑没跑、返回了什么，无法比较“retriever 输出”和“generator 输出”之间的关系，所以看不出 evidence 是否被消费。作者提了几种“是否使用了检索内容”的近似判定方法： leave-one-out：删掉某个 chunk 再生成，比较差异 词面重叠：用答案与 chunk 的 lexical overlap 做近似判断 NLI entailment：可能是折中方案，但作者尚未验证 文中还分享了一个真实工程案例：作者做了一个基于 GitHub 事件的知识图谱检索器，加入类型化加权边、不同类型的 recency half-life 和意图路由后，发现过于连接的 hub 节点会被频繁检索却几乎从不被真正使用。后来他们把抑制逻辑从“按节点”改成“按节点+关系”，否则会误删有用边；先前朴素的按节点策略还会静默丢掉 47% 的 PR。工具名是 GraphSight，MIT 许可，可本地运行并通过 pip 安装。
随着大模型技术的发展，开发者在编写普通智能体技能时面临的逻辑复杂度与测试投入，已远超早期的 CRUD 微服务。同时，传统的“凭经验拍板”的工程判断方式正逐渐失效，取而代之的是高度可测试的提示词系统，开发者需要通过严谨的测试来评估和选择不同的技术方案。
这条帖子转述了一张关于 Z.ai GLM-5.5 的泄露图，信息点包括：它可能是该公司迄今最大的一次发布，目标性能对标 Fable 5 和 Mythos，甚至可能直接跳过 GLM-5.3。 泄露内容还称：8 月是目前传闻中的发布时间，参数规模可能在 3T+，预计仍会保持 open-weight，继续支持 1M token 上下文窗口，并面向 coding、reasoning 和长时运行的 autonomous agents。
作者在分享一个 agent skills 的实测案例： 他为 OpenMed 写了 70+ 个 skills，并把其中一个交给了 Kimi K3。 测试场景是读取一份 患者病历，但在本地 Mac 上做了 25 个标识符脱敏。 数据 没有离开机器，模型仍然把每个 call 都判断正确。 作者表示相关实现都已放到 Hugging Face 上开源。
这篇 Google Cloud 博客讲的是一个 多智能体协作实验： 团队在开源编排测试床 Scion 里，让 10 组 autonomous AI film crews 协作做短片。 每组只有 3 个核心 agent： Idea Person：负责构思和脚本 Technical Lead：操作生成式媒体工具 Editor：负责节奏和最终剪辑 另外还有一个 coach agent 负责检查点与门控 实验总共创建了 数百个 agent instance，在多个轮次里产出 25+ 个作品，累计约 44 分钟 的成片。 Google 的结论是：这套流程揭示了软件开发之外的多智能体协作模式，也说明 human feedback 可以持续回流到 agent 工具链里。
这条帖子推荐了 Google Antigravity 的一段视频，主题是 Agent skills。作者称它是一个很好的入门内容，能帮助理解什么是 agent skills，以及如何写出更好的 AI Skills。 从上下文看，这是一组围绕 agent skills 的学习材料，偏向智能体工作流与最佳实践，更适合做开发和编排的人。
近期社区分享了关于 AI Agent Skills 的入门指南，帮助开发者从基础掌握智能体技能的核心概念与应用场景。同时，文章深入探讨了模型上下文协议（MCP）与 Agent Skills 之间的核心差异，为开发者提供了明确指导，以便在不同工作流和需求下准确选择合适的技术方案。
GrokTerm 新增记忆、定时任务和 Apple Calendar MCP 这次更新给 GrokTerm 加入了一个新的侧边栏覆盖层，核心能力包括 记忆、定时提醒、日历接入 和更完整的语音控制。 语音工具可以创建、安排、归档和删除提醒。 笔记与任务可直接原地编辑标题、内容和时间。 新增归档区、永久删除，以及通过 MCP 接入 Apple Calendar。 同时还调整了麦克风增益，并在输入过低或过高时给出提示。 后续帖子补充说，自动更新器又修了一个问题；如果最近更新后应用无法启动，需要重新下载最新版本。
这条帖子链接的是论文 On Approximating the Riemannian 1-Center。论文把欧几里得空间里的 1-center 近似算法推广到黎曼几何，研究其收敛速度。 作者还展示了两个具体实例：双曲几何和对称正定矩阵的黎曼流形。配图用“最小黎曼包围球”来说明算法流程：反复找离当前中心最远的点，并沿测地线更新中心。
这是一条很典型的 text-to-video 提示词 分享： 作者直接给出可复制的 Seedance 2.0 prompt。 场景设定非常具体：暴风雪、高空峡谷、骑着四翼 stormvane 的信使，以 180 km/h 飞行。 镜头要求也写得很细：15 秒一镜到底、第三人称、镜头始终在角色外侧、画面运动方向都有明确约束。 还附了 ACTIVE REFERENCES，用来锁定角色外观与动作一致性。
这条帖子的核心不是“做了个计时器”，而是作者在总结 AI App Studio 的赚钱逻辑： 他声称一个 timer app 也能做到 每月 40 万美元。 自己还在 30 分钟内 用 Superapp AI 复刻了一个类似应用。 他认为 App Store 里真正赚钱的往往是很朴素的工具：如 fasting timer、plant identifier、streak counter 这类“安静收钱”的小应用。 结论是：在移动端，选细分赛道 比“把产品做出来”更重要。
Serverpod 的这篇文章讨论了：在 AI 时代，写出高质量代码为什么反而更重要。 核心观点是，AI 能显著提高产出速度，但并不会自动解决架构清晰度、测试覆盖和可维护性这些问题。 文章更偏向开发实践：它关心的是开发者如何在真实工作流里借助 AI，同时不牺牲代码质量。 这类内容适合放在“AI 编程与 Agent”语境下阅读。
llama.cpp 合并了一项 PR，为 GLM_DSA（GLM-5.2） 增加了 NextN/MTP speculative decoding 支持。 这类改动会直接影响一个常用本地推理栈的模型推理能力。 speculative decoding 的目标是通过更高效地验证候选 token，提升生成吞吐并降低延迟。 由于它已经合并进 llama.cpp，这不仅是编程/Agent 场景的实用更新，也和本地推理性能、推理优化密切相关。
ChatGPT Voice 被包装成“Jarvis”，教程盘点 7 个用法 这篇内容主要是在讲 如何使用 ChatGPT Voice，并总结了这个新功能最值得尝试的 7 种打开方式。 文案把这项语音模式描述成更像 Jarvis 的助手体验。 重点是实际用法，而不是模型原理。 目标读者是想把语音功能真正用起来的普通用户。
这条线程在收集法国野火期间出现的各种追踪应用，但作者指出一个很奇特的现象：它们几乎长得一模一样。 这些项目基本都在用同一份底层数据，体现出现在借助 Claude Code 之类工具，做出一个可运行应用变得非常容易。作者把这称作一个“怪异但真实”的时刻：很多人甚至没意识到别人已经做过同类产品，于是正在实时复刻“同一个版本的同一个东西”。少数真正起量的项目，往往来自本来就有较大受众的人。