copper2025

🌙 ARIS：让 AI 在你睡觉时继续搞科研的神器！ 一个极致轻量的自动科研工具，可以让 Claude Code / Codex / Cursor / Trae / 国产模型自动进入科研工作流： 📚 读论文，找 weakness 💡 生成 idea，设计实验 🧪 跑实验，不断迭代结果 📝 全流程写论文，自动准备 rebuttal 📊 生成 slides / poster 它最有意思的地方是：不是搞一个笨重框架，而是用纯 Markdown skills 把科研流程拆开，无框架、无锁定，换模型也能用。 白天你负责判断方向，晚上 AI 负责疯狂探索。 一觉醒来，论文可能真的升级了。🚀 github.com/wanshuiyin/Aut… #AI科研 #ClaudeCode #AutoResearch #Codex

很多朋友好奇我怎么一次性把卡兹克老师的所有公众号文章批量抓取下来的，今天来分享一个宝藏的免费工具，批量抓取公众号博主的正文、互动量、评论区。 GitHub：github.com/wechat-article… 在线网站：down.mptext.top/dashboard/acco… 自用就行，别拿来干坏事🫡

学AI最怕的一件事，就是你懂了所有原理，但一打开编辑器就不知道写啥。 GitHub上这个AI-Project-Gallery，太适合卡在懂但不会做阶段的人了。 收录30+真实AI项目，覆盖全方向： - 经典项目：房价预测、疾病分类、垃圾邮件检测 - 热门方向：Gemini聊天机器人、文档生成器、电影推荐系统 - 硬核实战：深度学习检测、计算机视觉追踪、NLP文本摘要 最关键是大量端到端完整项目，数据处理、模型训练、评估、部署一条链路全走完，不是碎片代码。 想做毕设、搭作品集、给GitHub攒硬货的，直接冲。 🔗github.com/KalyanM45/AI-P…

老外直接把AI全自动批量做TikTok爆款的完整教程甩出来了！ 你还在手动发帖？太落后了！ 五步零成本流程： -TikTok找爆款下载 -扔进Claude Opus 4.7分析钩子+文案 -Pinterest白嫖顶级图片 -Node.js自动合成图文视频 -Postiz自托管定时群发 每周稳定30条内容，只需2小时，成本几乎为0！ 批量起号党直接起飞！

2026 年我的日常用的AI工具全升级了！！ 旧的还能用，但新的更顺手 Claude Code → Codex Claude Code 之前是真的好用 但新模型不太行，写代码效果掉了一截，还动不动被封号 Codex 写代码更稳，没封号这个事 Notion → 飞书 三个理由： 一是飞书在国内流行度高得多 二是飞书出了 CLI 工具，比 Notion CLI 快很多 现在大部分文字工作都是 agent 在跑，CLI 速度直接决定生产力，对不对？ 三是飞书 CLI 开源，维护勤快，最近涨粉飞快！！ Gemini → Grok Gemini 搜索很方便，能直接搜 YouTube 视频 但 Grok 现在更好用，什么都能搜 关键是开了 X 会员就自带，不用额外付钱 键盘 → 豆包语音输入 打字升级成说话 豆包语音又快又准 回到键盘反而觉得慢，关键还免费 Nano Banana → GPT Image 2 升级幅度不算大 但 GPT Image 2 某些场景确实更稳 关键我有 Codex 订阅，免费用 PowerPoint → Gamma PowerPoint 是上个时代的工具 AI 时代就该用 Gamma

不做中转站，不卖课，也可以月入 10 万 一张图教会你如何搭建企业级知识库

腾讯发布校园招聘辅导skill，亲手杀死校招辅导机构 这个skill非常的全面，包括岗位匹配、简历诊断、以及模拟面试等 其具体包括了： - 从腾讯校招官网实时拉取真实在招岗位和完整 JD - 根据你的专业背景、技能、城市偏好推荐匹配岗位 - 诊断简历亮点与问题，给出具体可执行建议 - 针对特定岗位 JD 优化简历表达 - 按岗位类型、面试环节给出针对性准备建议 据我所知，我同学为了校招，报的辅导机构有高达5万元的 何必呢？一个skill就能轻松解决你的需求，AI 干掉的就是这些中间层 具体使用方法参考下面视频，我用我的简历做了例子

有人用Claude打造出了一款堪称内容核弹的神器。 不管是公众号文章、YouTube视频、播客节目，还是PDF、Word、Excel、各类电子书，把资料丢进去，就能直接生成播客、PPT和思维导图。 更炸裂的是，三百多个付费站点，像纽约时报、金融时报、经济学人这类付费墙，它都能直接无视。 全程只用自然语言操作，完全不用写一行代码。 学习爱好者、内容创作者、做知识管理的人，这个工具一定要收好，错过真的太亏了。 🔗 github.com/joeseesun/qiao…

最近一些朋友跟我说我写的finance-skills很有用…… 毕竟这个市场上要么挂个炒股十年专家是拿个几十块钱收益截图，结果付费链接来招摇过市；要么就是pump and dump。 至少我自己用我写的skills，我朋友也在用我写的东西 github.com/himself65/fina… github.com/himself65/trad…

这个博主停更了整整两年，一回来就扔了个重磅内容。 他把整个AI产业链拆得特别清楚，从上到下分成12个层级。从最底层的能源、芯片这些基础设施，一路往上推，推到未来会出现的“AI原生经济生态”这个概念。 视频很值得多看几遍，特别是最后讲到什么叫“AI Native公司”的时候，确实挺有启发的。

🫣天啊，这期内容质量，真的是免费就能看到的吗 30 分钟的视频，按理说很多人根本不会完整看完。 但真正疯狂的地方恰恰在这里——改变一个人、改变一种想法，其实太难了。 可如果你愿意持续去讲、换不同形式去讲、面向不同的人去讲，并且讲得足够久、足够多…… 最终一定会吸引到一群真正认可你的人，希望这个视频，就是这样的内容。

兄弟们，40个有用的GitHub仓库，强烈建议收藏起来！ 1. public-apis — 免费API合集 2. build-your-own-x — 边做边学 3. developer-roadmap — 学任何技术 4. free-programming-books — 免费书籍 5. system-design-primer — 掌握系统设计 6. coding-interview-university — 自学计算机 7. the-art-of-command-line — 精通终端 8. project-based-learning — 项目式学习 9. you-dont-know-js — 深入学JavaScript 10. the-book-of-secret-knowledge — 黑客资源 11. tech-interview-handbook — 面试通关 12. awesome-selfhosted — 自建应用 13. javascript-algorithms — 可视化算法 14. 30-seconds-of-code — 实用代码片段 15. gitignore — 各语言模板 16. ollama — 本地运行AI模型 17. langchain — 快速构建AI应用 18. n8n — AI自动化工作流 19. openclaw — 本地AI助手 20. dify — 可视化创建AI代理 21. langflow — 拖拽式AI管道 22. mem0 — AI代理记忆层 23. browser-use — AI控制浏览器 24. ruflo — Claude代理编排 25. crewai — 多代理AI团队 26. hermes-agent — 开源AI代理 27. markitdown — 文件转Markdown 28. maigret — 3000+网站OSINT 29. open-webui — 自建ChatGPT界面 30. aider — 终端AI编程助手 31. agency-agents — 完整AI代理机构 32. tradingagents — 交易多代理框架 33. browserbase-skills — Claude网页SDK 34. autogen — 微软多代理框架 35. metagpt — AI代理软件公司 36. lobe-hub — 可视化多代理平台 37. huggingface-transformers — 现代AI基础 38. cocoindex — 长文本代理引擎 39. freeCodeCamp — 免费编程学习 40. stable-diffusion-webui — 本地AI画图

AI Agent 现在能读你的微信了。 两个工具，10 分钟装完： 1. Agent Reach：公众号搜索和绕过反爬读全文 2. wx-cli：本地读所有微信消息，不联网不封号 装完能干嘛？ 群消息自动总结、公众号素材收集、AI 帮你持续出内容。 视频↓ 00:00 用 AI Agent 打通微信 00:30 AI 进不了私域 01:00 两个工具介绍 02:12 演示：搜索公众号 03:00 公众号搜索结果 04:07 微信 CLI 原理 05:00 微信 CLI 安装流程 06:00 微信 CLI 演示 07:00 使用场景 08:00 总结

A股薅羊毛天花板被刷新了！ daily_stockanalysis这个开源项目直接封神，白嫖AI帮你做股票分析，每天自动生成专业级决策仪表盘，还能一键推送到微信、飞书、Telegram或邮箱，全程躺赚！💯 核心亮点全是王炸： 1. 完全免费，没有任何隐藏收费 2. 不用买服务器、不用运维，零成本 3. 靠GitHub Actions自动运行，纯技术白嫖 4. 覆盖A股、港股、美股，全市场通吃 5. 技术面、筹码、舆情全维度分析，还给买卖点位 这波零成本薅资本主义羊毛的操作，懂的都懂，赶紧上车！ 🔗 github.com/ZhuLinsen/dail…

所有用Claude Code、Codox写代码的人，都一定要看这个高星项目。 这不是普通的万能提示词，而是TypeScript大神Matt Pocock公开的.claude专属工作流。 用一个个SKILL.md文件，直接把和AI协作开发的工程规范彻底定死。 很多人都有这种困扰：只想改个小bug，AI顺手重构半个模块；只想排查报错，它私自新增依赖；遇到不确定的逻辑，不主动确认直接自作主张猜测实现。 这套Skills最厉害的地方，是约束AI行为边界。 让Claude动手改代码前先通读项目现有逻辑、拆解执行计划，有不确定的地方先沟通确认，不随意扩大改动范围，不为了追求代码优雅，牺牲项目可维护性。 AI写代码的核心，从来不是会不会写，而是懂不懂边界在哪里。 普通提示词只能解决单次提问，而这套Skills能统一规范往后每一次协作。 如果你也要搭建自己的skills规则目录，第一条规矩你会怎么定？ 🔗github.com/mattpocock/ski…

@codesheep001 如何购买

GPT PLUS成品号现货充足，全程质保，售后有保障，有需要的私哈

Stanford CS336 上，Tatsu 讲了一节 LLM 架构课，把过去 3 年所有主流 LLM 拆开，看它们的共通模板 结论挺爆：90% 的架构选择已经收敛，你随便挑一个开源大模型，它跟其他模型在这些维度上几乎一模一样 讲师的原话 - 2024 年大家都在 cosplay Llama2 - 2025 年的主题是「怎么训得不崩」 - 2026 年的主题是「怎么扛住长上下文」 下面是 2026 年开源 LLM 的标准模板 你训自己的模型可以直接抄 【架构层 已经收敛的 7 件事】 1）Layer Norm 挪出残差流（pre-norm） 原版 Transformer 把 LN 放在残差里 几乎所有现代模型都挪到外面 原因：keep your residual stream clean 梯度反传更稳 2）RMS Norm 替代 LayerNorm LayerNorm 的减均值 + 加 bias 那部分实际没怎么帮上忙 丢掉之后 flops 只省 0.17% 但运行时省到 25% （瓶颈在数据搬运 计算反而次要） 3）所有 bias 项全删 跟 RMS Norm 一个道理 系统层省内存搬运 4）激活函数用 SwiGLU 或 GeGLU gated linear unit 几乎所有现代模型都用 Llama 系 / Qwen / Mistral 用 SwiGLU Google 系（Gemma / T5）用 GeGLU 区别极小 选哪个都行 5）位置编码用 RoPE 2024 年之后基本统一了 原理：把每对维度按位置旋转一个角度 让 inner product 只依赖相对位置 6）Transformer block 串联（不是并联） GPT-J / Palm 试过并联 现在基本被放弃 串联的实现优化得太好了 并联省的那点系统开销不值得损失表达力 7）Layer norm 可以「撒」 哪儿不稳就在哪儿加 LN attention 之前能加 之后能加 两边都加（double norm）也可以 现代模型很多这样做 【超参数 已经收敛的 5 个数】 1）feedforward 维度 / hidden 维度 - 非 GLU 模型：4 倍 - GLU 模型：8/3 ≈ 2.67 倍（因为 GLU 多一组矩阵 要保持总参数量） - Llama 系：3.5 倍 - T5 1.0 试过 64 倍 后来 T5 1.1 改回标准 别学 2）head 数 × head 维度 ≈ hidden 维度 几乎所有模型都遵守 T5 是为数不多的例外 3）模型纵横比（hidden / 层数）≈ 100 太深 pipeline parallel 难做 太宽 表达力受限 100 这个数字是系统约束 + 表达力的平衡点 4）vocab size 单语模型：30K 左右（早期 GPT-2 那种） 多语 / 通用模型：100K-200K（GPT-4 / Llama 3 / Gemma 都在这个范围） 现代基本都是后者 5）weight decay 仍然普遍使用 但研究发现它在 LLM 里干的事其实是优化器干预 让你最终能收敛到更深的最优点 跟你想的「防过拟合」没什么关系 所以别因为「单 epoch 不会过拟合」就把它关掉 【稳定性 三个救命 trick】 训练大模型最怕中途 loss 突然飙升 然后 NaN 全军覆没 现代模型用三个 trick 防这件事 1）Z-loss output softmax 的 normalizer 容易爆 加一个 (log Z)² 的正则项 让 Z 始终接近 1 DCLM / Olmo 都用 2）QK norm attention 的 Q 和 K 在矩阵乘之前各加一个 LN 让 softmax 的输入永远是单位尺度 multimodal 圈先用起来 现在所有大模型都加 3）Logit soft cap（仅 Google 系） attention logit 用 tanh 硬封顶 Gemma 2/3/4 都在用 但会损失一点点性能 慎用 【Attention 两个新趋势】 1）GQA（Grouped Query Attention）几乎统一 原版 multi-head 推理时 KV cache 会让算术强度崩到 1/h GQA 共享 K 和 V 但保留多个 Q 表达力几乎不损失 推理成本砍掉 80% 现在所有要做生产部署的大模型 没有不用 GQA 的 2）局部 + 全局 attention 交替 处理长上下文的新方式 Cohere Command A 起头 现在 Llama 4 / Gemma 4 / Olmo 3 全在用 比如每 4 层有 1 层 full attention 其他 3 层是 sliding window 只看附近的 token 比纯 SSM 更稳 比纯 full attention 便宜得多 （Qwen 3.5 做了变体 把 sliding window 那 3 层换成 SSM） 收尾一句 如果你正在训自己的 LLM，上面这一套就是 2026 年的「默认配置」 不需要重新发明，直接抄 如果你只是想看懂 GitHub 上那些 modeling_xxx.py 这一份足够你不再被术语吓住

兄弟们，都已经2026年了！ 强烈推荐了~ 但最荒谬的是-顶级AI公司里不少工程师，每天调提示词、刷benchmark。 却对LLM到底怎么从零构建出来的了解，远不如斯坦福这堂2小时公开课。 它把ChatGPT、Claude这类大模型的完整诞生过程，从Transformer架构到训练技巧、Scaling law、数据配比、甚至最底层的优化细节，全都拆得清清楚楚。 抖音快手短视频能让你放松2小时， 斯坦福这堂课却能让你在2小时内，真正看懂整个AI时代的底层核心要素。 免费、公开、含金量夯到爆啊！。 很多在OpenAI、Anthropic工作的人，都没系统学过这么多。 真正想懂AI的人，现在就把抖音关掉，打开这个视频开干。