LiHua Chen

405 posts

LiHua Chen

LiHua Chen

@leochenlh

Focus science, engineering and business. The founder & chief engineer of redfeed& lokica https://t.co/ULAIToc2ah ex-founder of fellou.

가입일 Şubat 2021
302 팔로잉24 팔로워
LiHua Chen
LiHua Chen@leochenlh·
A simple scratch or cracked screen should be an easy fix. But the fully sealed design of Apple Watch makes part repairs impossible. Apple only offers full device replacement for every minor issue. #appleisshit
LiHua Chen tweet media
English
0
0
0
16
LiHua Chen
LiHua Chen@leochenlh·
Apple is shit .@tim_cook 1.The design of Apple Watch is really problematic. Its fully integrated structure makes component repairs impossible. Any damage, worn battery or minor issues can only be solved by full device replacement.
English
3
0
0
23
LiHua Chen
LiHua Chen@leochenlh·
3. The only way out is to pay extra for AppleCare+. Forcing users to keep purchasing protection due to poor repairability is unacceptable. We hope the brand will take users’ concerns seriously.
English
0
0
0
14
LiHua Chen
LiHua Chen@leochenlh·
2. What’s even worse is the outrageous repair cost. An out-of-warranty replacement often costs more than a brand-new unit. The so-called repair option is practically useless for regular users.
English
0
0
0
14
LiHua Chen
LiHua Chen@leochenlh·
随着端侧智能崛起,英伟达 OpenAi 等估值回落到现在的10%
中文
0
0
0
16
LiHua Chen
LiHua Chen@leochenlh·
how to build agent
陈成@chenchengpro

很多人还不知道,AI 编程助手正在经历一场安静的范式迁移—— 从 IDE 插件,迁移到终端命令行。 Claude Code 率先证明了这条路可行。现在每个大厂都在做 CLI agent。 但有一篇论文刚刚把整个工程架构掰开讲清楚了,是我今年读到最有价值的 AI 系统设计文章之一。 作者 Nghi D.Q. Bui 花了很长时间把 OPENDEV(用 Rust 写的开源编程 agent)做出来,然后把踩过的坑全写成了技术报告。 以下是最值得记住的几个工程洞见: 1. 上下文不是缓冲区,是预算 一个典型 session 里,工具输出(文件内容、命令结果、搜索)会占掉 70-80% 的 context。 所以正确做法是渐进式压缩,而不是"等溢出了再一次性清掉": • token 压力 >80%:把旧观察替换成引用占位符 • 85%:快速剪枝旧工具输出 • 99%:才触发 LLM 全量压缩 工具输出超过 8000 字符?直接写文件,context 里只留 500 字预览 + 路径。 把"上下文消耗问题"变成"检索问题"——检索只花一次工具调用,但 context 消耗是每次 LLM 调用都在付费的。 2. 指令会随对话衰减,解法不是"多写" 超过 15 次工具调用后,模型对 system prompt 里的指令遵从率会显著下降——它们还在 context 里,但注意力已经漂移了。 很多人的直觉是"把 prompt 写得更长更详细",这反而更差。 正确做法:在决策点前注入短小的 role: user 提醒,而不是在 system prompt 堆砌所有内容。 user 角色比 system 角色有效,因为模型对最近的用户消息权重更高。但每种提醒必须有频率上限——注入太频繁会被模型当噪音忽略。 3. 把思考和行动拆成两次 LLM 调用 当工具 schema 存在于调用上下文中,模型倾向于快速行动而非深度思考。 解法不是告诉它"先想清楚再做",而是在 thinking 阶段完全不传工具 schema。 没有行动选项,模型才会真正推理。这比任何 prompt 指令都管用——改变的是 API 调用结构,不是自然语言描述。 4. 让危险工具不可见,而不是被拦截 在 schema 里直接移除某个工具,远比运行时权限检查更安全。 模型无法推理它不知道存在的能力,无法论证为何该被允许,也无法探测权限边界。 "没有路"比"有护栏"更可靠。 5. LLM 输出是近似正确的,系统要为此设计 文件编辑失败的最大原因不是 agent 意图错误,而是它复现目标文本时有细微偏差——多一个空格、换行符不同。 所以工具应该内置渐进松弛匹配链:精确匹配 → 去首尾空格 → 标准化空白 → 模糊匹配。每一级返回文件中实际存在的内容。 把"近似正确"变成成功,而不是让 agent 进入错误恢复循环。 ─── 这篇论文最有价值的地方不是算法突破,而是把大量工程权衡和失败案例全部公开了——而 Claude Code、Cursor 这些商业系统全都是黑盒。 如果你在做任何 AI agent 系统,值得全文读一遍。 arxiv.org/abs/2603.05344

English
2
0
0
32
LiHua Chen
LiHua Chen@leochenlh·
build your own xxx
AYi@AYi_AInotes

程序员圈估计要炸了, 有人把全网从零开始造轮子教程都汇总到了一起, 这个叫自建XX的项目,现在已经是GitHub星标最高的仓库了, 46.6万颗星,超过React,超过TensorFlow,比所有热门工具库的星标都多。 它本身不是什么代码库,就是一套教程合集,一步步教你怎么从零开始,把你天天用的技术亲手再做一遍。 费曼说过一句话:凡我不能亲手创造的,我便无法真正理解。 这就是它为什么火, 喵个咪,内容真的吓人: 从从零克隆Redis,到500行C写Docker,自己实现Git,不调框架写神经网络,C语言写操作系统,从解释器开始做编程语言,逐像素做光线追踪渲染器...还有Web服务器、浏览器、搜索引擎、区块链、BT客户端,什么都有🥹 每个项目都有多语言版本,主流语言基本覆盖了, 很多人没看懂,但这真不是给新手找活干的教程, 可以说是软件工程师最高阶的学习材料了, 当你从零重建一遍系统,你就得直面当年原作者做的每一个技术决策——没有依赖库可以躲,没有封装好的接口可以调用,错了就是错了,跑不起来就是跑不起来,无处可逃😂 现在AI生成代码越来越方便了,但这种知识反而越来越值钱,AI能帮你调库写接口,但它替不了真正懂系统本质的人。 46.6万人标星,4万多人复刻分支,所有内容全免费,不需要注册,不需要付费。 理解一件事最好的方式,就是亲手把它做出来, 100%免费,100%开源,真的牛逼, GitHub链接放评论区了 👇

English
0
0
0
31
LiHua Chen
LiHua Chen@leochenlh·
Agent OS is the key
English
0
0
0
3
LiHua Chen
LiHua Chen@leochenlh·
Agent is all you need
English
0
0
0
4
LiHua Chen
LiHua Chen@leochenlh·
this is copy
数字游民Jarod@jarodise

今天科技圈最炸裂的一条新闻,中文互联网还没什么人讨论:Eon Systems公司把一只果蝇的完整大脑,包含12.5万个神经元和5000万个突触连接,在数字世界中完成了1:1的拓扑重建。 接入虚拟身体后,它在物理引擎里爬行、转向,行为预测准确率达95%。创始人Philip Rosedale高调宣布:"鬼魂不再在机器中,机器正在成为鬼魂。" 不过我觉得他这个结论还是下早了。 当我们讨论"上传意识"时,有一个巨大的、令人难以回避的现实前提:人类不仅从未制造出任何有意识的物体,甚至在科学上还没有完全搞明白"意识"到底是什么。 我们知道大脑包含神经元,我们知道电信号如何在突触间传递,但我们依然不知道,为什么一堆脂肪、水和电信号的特定组合,会产生"我"这个主观感受。人类连自己脑子里的意识是怎么产生的都还没解释清楚。 在这样的前提下,面对电脑屏幕里代码跑出来的虚拟果蝇,科学界根本拿不出任何标准来判定它"有没有意识"。 如果在我们根本不知道某样东西是什么、也不知道如何检测它的情况下,仅仅因为它在屏幕里表现得像模像样,就宣布我们成功地在硅基芯片上"复制"了它,这在逻辑上显然是危险的。行为输出完全可以通过代码逻辑去暴力穷举和死记硬背,这与内部是否诞生了真正的灵魂毫无关系。 退一万步说,假设未来某天,这种上传技术完美无瑕,我们真的在服务器里点燃了某个数字实体的意识。那么最致命的问题来了:那个在服务器里睁开"虚拟眼睛"的意识,真的是"你"吗? 别拿什么"只要拥有你的所有记忆和性格,那就是你"这种话术来安慰人。你可以做个最简单的极端假设:如果你走到一台机器前,它完美扫描了你的大脑并创建了一个数字副本,但同时你的生物肉身完整无缺地站在机器旁。此刻,世界上存在两个拥有同样记忆和意识的"你"。 那么,作为一个活生生的人,你能感知到服务器里那个副本的感受吗?你能通过它的"虚拟眼睛"看世界吗?显然不能。你的主体意识依然死死地锁在你现在的碳基肉身里。那个服务器里的副本,无论多么像你、多有意识,对现在的你而言,都只是一个长得和你一模一样、拥有你全部记忆的陌生人而已。 既然在肉身存在时,副本不是你;凭什么认为肉身被销毁的那一瞬间,你的主观体验就会"嗖"地一下飞进服务器里? "上传"这个词本身就是一个极具欺骗性的修辞手法。这里根本不存在什么意识的"转移",这里只有“原件的死亡”和“副本的新生”。当你躺在手术台上,看着“意识上传”扫描仪降下,那就是你作为这个主体在宇宙中最后的体验了。至于之后在服务器醒来的那个玩意儿,它或许会对全世界宣布"手术很成功,我活下来了",但那个真正见证扫描仪降下的你,已经永远死在了那一刻。

English
0
0
0
1
LiHua Chen
LiHua Chen@leochenlh·
agent os?
meng shao@shao__meng

Agent = Model + Harness Model → 承载智能(推理、理解、规划能力) Harness → 让智能变得有用(可落地、可持久、可安全、可扩展) Harness Engineering -> 围绕模型构建系统的艺术/方法论 -- Harness 的核心组件及其设计逻辑 -- 1. 文件系统 最基础的原语。模型上下文窗口有限,无法持久存储数据。Harness 内置文件系统抽象与操作工具,让 Agents 拥有工作空间、增量保存中间结果、跨会话延续状态。同时支持 Git 版本控制,实现回滚、分支实验与 Multi Agents 协作。这解决了“复制粘贴”式的低效交互,是后续所有长时程功能的基石。 2. Bash + 代码执行 取代固定工具集的通用解决方案。Agents 通过 ReAct 循环推理-行动-观察,Harness 提供 Bash 工具,让模型动态编写并执行代码,自主发明工具,突破预定义工具的限制。这一步极大提升了 Agents 的自主问题求解能力。 3. 沙箱与执行验证工具 安全与可扩展性的保障。代码执行不能在本地主机运行,Harness 连接隔离沙箱,支持按需创建、销毁环境,并预装语言运行时、Git、测试 CLI、浏览器等工具。Agents 可通过日志、截图、测试运行器实现自我验证循环,安全高效地完成复杂任务。 4. 内存与搜索 实现持续学习。Harness 将 AGENTS.md 等文件注入上下文,并在会话间持久化更新;同时集成 Web 搜索与 MCP 工具(如 Context7),突破模型训练截止日期限制,注入最新知识。 5. 对抗上下文腐烂 上下文窗口是稀缺资源。随着填充,模型推理能力衰退。Harness 通过智能压缩、工具输出卸载、Skills 渐进披露等机制,动态管理上下文,防止性能崩盘。 6. 长时程自主执行 实现“自主软件开发”任务。Harness 将上述组件组合使用:文件系统+ Git 跟踪百万令 tokens 工作;Ralph Loop 钩子拦截退出、刷新上下文并重启目标;规划文件+自验证循环(测试套件、错误反馈)确保连贯性与正确性。这些机制让 Agents 跨越多个上下文窗口,完成复杂、多步工作。

Português
0
0
0
1
LiHua Chen
LiHua Chen@leochenlh·
字节 Trae ai企业Ai coding实践手册
meng shao@shao__meng

字节跳动 @Trae_ai 发布的这份「2026 企业级 AI 编程实践手册」质量不错,推荐朋友们看看。 第一部分:AI 时代的企业级编程方法论 对 Context Engineering、Skills、MCP、Spec、Rules、Agent 等做了很详尽的分享。 第二部分:用 TRAE 开发 TRAE 的实践 一个很典型的 AI Coding Agent 的自举过程,很实战,值得细看。 在第一部分中,TRAE 的分享了他们沉淀和推荐的 MCP 和 Skills,一起看看。 MCP Servers Top 10: 1. Context7 2. Puppeteer 3. Sequential Thinking 4. GitHub 5. Figma AI Bridge 6. Playwright 7. Memory 8. Excel 9. File System 10. Chrome DevTools MCP bytedance.larkoffice.com/wiki/SOQXwFtwm… Skills Top 10: 1. frontend-design 2. cache-components 3. fullstack-developer 4. frontend-code-review 5. code-reviewer 6. wepapp-testing 7. pr-creator 8. fix 9. update-docs 10. find-skills bytedance.larkoffice.com/wiki/YQWWwcyEB… 手册在线地址: lcnziv86vkx6.feishu.cn/wiki/XZOSwI51w…

中文
0
0
0
5
LiHua Chen
LiHua Chen@leochenlh·
openclaw 大部分use case是不经济的, 不经济的会被更经济的淘汰。
中文
0
0
0
1
LiHua Chen
LiHua Chen@leochenlh·
agent era is open
Nederlands
0
0
0
2