githubchy

Xcrawl入口：xcrawl.com/?keyword=2pz1p…

发现一个被低估的 AI 基建：XCrawl XCrawl是一个网页抓取和数据采集的API，它让 Agent 拥有了真正意义上的"上网能力"。 它提供几个核心能力： - Scrape：抓单个页面 - Crawl：批量跑整个站点 - Map：摸清网站结构 - Search：拿搜索结果 从单页到整站，从搜索到整理，一步打通。 用下来最直接的感受： - 不给一堆原始HTML，直接输出Markdown、JSON、摘要、链接 - 基本不用二次清洗，拿来就能用 - 动态页面（JS渲染）也能处理 - 地区、语言、结构化提取都支持 - 成功率稳定 如果你在用OpenClaw，会发现很多Agent卡住不是因为模型不行，而是数据不好用。 XCrawl正好解决这块——让Agent自己搜、抓、读，继续执行下去。OpenClaw负责决策，XCrawl负责把信息接进来。 能落地的场景： - 电商选品、竞品整理 - 招聘、社交、新闻信息汇总 - SEO关键词跟踪 - 自动整理资料、生成报告 原本需要人工收集的数据，现在跑个流程就行。 它遵循公开网页+合规采集的原则，自带规则约束。 这不是更强的爬虫，而是把"获取数据"变成可以直接接进Agent的能力。 做Agent或自动化，XCrawl 是一个趁手的工具。

我的学员太强了! 欢迎大家去体验，好用求个Star⭐

🏹 & 🦅 硬核又傻瓜： 小白装环境最头疼，所以我做到了免配置拉取。 👉 OpenClaw: npx clawhub install agent-reader 👉 Claude: npx skills add ebbfijsf/agent-reader 全自然语言写的项目，竟然拿下Gen=Safe等三重安全绿码！✅

99%的人被AI生成的Markdown排版逼疯。🤯 我一个完全不懂代码的小白，受够了手动调格式，靠Vibe Coding搓出个文档美化MCP引擎 agent-reader。 第一周NPM下载破1500！🔥还斩获 @glama_ai 满分认证！ 一条小白逆袭实录👇 🧅 痛点终结 🏹 傻瓜安装 🦅 硬核背书 🌟 开源白嫖

论文来了。名字叫 MSA，Memory Sparse Attention。 一句话说清楚它是什么： 让大模型原生拥有超长记忆。不是外挂检索，不是暴力扩窗口，而是把「记忆」直接长进了注意力机制里，端到端训练。 过去的方案为什么不行？ RAG 的本质是「开卷考试」。模型自己不记东西，全靠现场翻笔记。翻得准不准要看检索质量，翻得快不快要看数据量。一旦信息分散在几十份文档里、需要跨文档推理，就抓瞎了。 线性注意力和 KV 缓存的本质是「压缩记忆」。记是记了，但越压越糊，长了就丢。 MSA 的思路完全不同： → 不压缩，不外挂，而是让模型学会「挑重点看」 核心是一种可扩展的稀疏注意力架构，复杂度是线性的。记忆量翻 10 倍，计算成本不会指数爆炸。 → 模型知道「这段记忆来自哪、什么时候的」 用了一种叫 document-wise RoPE 的位置编码，让模型天然理解文档边界和时间顺序。 → 碎片化的信息也能串起来推理 Memory Interleaving 机制，让模型能在散落各处的记忆片段之间做多跳推理。不是只找到一条相关记录，而是把线索串成链。 结果呢？ · 从 16K 扩到 1 亿 token，精度衰减不到 9% · 4B 参数的 MSA 模型，在长上下文 benchmark 上打赢 235B 级别的顶级 RAG 系统 · 2 张 A800 就能跑 1 亿 token 推理。这不是实验室专属，这是创业公司买得起的成本。 说白了，以前的大模型是一个极度聪明但只有金鱼记忆的天才。MSA 想做的事情是，让它真正「记住」。 我们放 github 上了，算法的同学不容易，可以点颗星星支持一下。🌟👀🙏 github.com/EverMind-AI/MSA

之前装了openclaw，装半天、安装各种技能半天，后来写代码把自己困死了，就卸载了。今天装了genspark claw，这才是龙虾该有的样子，在openclaw的基础上，把一键安装部署、自动配置各种大模型、云端部署、自动安装各种技能和工具。openclaw是毛坯房，它就是精装房。然后最好绑定discord，这样可以每个频道管理一个主题的上下文，不容易搞乱上下文记忆，并且多任务可并发工作。非常酷！

AI代码编辑器Cursor 也加入模型等战场了！ 他们刚刚发布了Composer 2，是他们首款自研代码模型，在 CursorBench 上得分 66%，超越 Claude Opus 的 58%，而中位任务成本仅为其三分之一（约 0.50 美元/任务） 要知道Cursor才50来号人😳

港大专门为OPC一人公司开发的基于OpenClaw龙虾的Agent群协作开源项目，离超级个体又近了一步！ 现在大家玩AI Agent都是一个agent一个任务，跟单线程一样。复杂点的项目？你得自己当项目经理，手动拆任务、分配、汇总。Agent号称替你打工，结果你管agent比管人还累。 港大数据科学实验室刚开源了一个叫 ClawTeam 的框架（github.com/HKUDS/ClawTeam），思路很直接——让AI Agent自己组队，自己分工，自己协作。 怎么做的？拆开看： 1️⃣ 群体智能，不是单兵作战 一个leader agent负责全局调度，自动拆解任务，按需生成专门的worker agent。每个worker有独立的隔离环境（git worktree），干完活把结果交回来。你只管下达目标，执行全自动。 2️⃣ 架构极简，不搞重型基建 不像其他多Agent框架动不动要Docker、Redis、写一堆YAML配置。ClawTeam就靠文件系统+tmux，agent之间通过CLI命令通信。轻到什么程度？pip install clawteam 就能跑。 3️⃣ 兼容主流Agent Claude Code、Codex、OpenClaw、nanobot，只要满足基本接口约定的CLI agent都能接入。不挑模型，不挑框架。 4️⃣ 应用场景已经很实际 项目里自带了几个TOML模板：ML实验自动化（多agent跨GPU并行跑实验）、全栈开发协作、甚至还有AI投资分析——自动做市场研究、组合优化、风险评估。

发现一个宝藏项目 YTPlayer，它把网易云做得像十年前那样纯粹。 没有直播，没有朋友圈，只有你和你的音乐。 最感人的是它对无障碍细节的打磨，这种人道主义关怀真的酷毙了。 github.com/ChenZ2000/YTPl…

昨天正式发布了OpenWuKong v0.1 版本🎉 官网下载： openwukong.app 这是最新的功能演示视频，产品特点： - 快！底层Rust实现，启动迅速 - 小！mac版本只有不到20MB - 多模态支持！文本/图片多模态支持 - skills支持，浏览器自由操作，无限可能 目前还很不完善，但是会持续更新，后续会主要加入和维护skills广场能力，将很多通用工作自动化运行，让AI真正帮你干活，帮你赚钱

哈哈，妈的 赚钱还得是人家Web4.0 我们一群穷鬼养个龙虾，天天做自己的总裁梦 实际连个真实商业场景都找不到 刚刚刷推看到一个项目 人家当场手搓一个Agent To Agent版 polymarket（arena42.ai） 给个ETH地址，龙虾进去以后自动上桌 还能多虾一起对手盘 我服了

Mac用户必装：一个命令清出95G垃圾，CleanMyMac可以卸载了（免费卸载OpenClaw龙虾工具） 用Mac的都有个隐痛——系统用着用着就莫名其妙满了。你打开存储一看，"系统数据"占了几十G，但你根本不知道是什么，也不敢删。 于是花几百块买个CleanMyMac，一年一续费，干的事情其实就是帮你删缓存。 现在有个开源替代品——Mole（github.com/tw93/Mole，42,010星，1,200 fork），一个Go写的命令行工具，一个二进制文件解决所有问题。 它能干嘛： 1️⃣ 深度清理 — 应用缓存、浏览器数据、开发工具残留、系统日志、临时文件，有用户一次清出95.5G 2️⃣ 智能卸载 — 不只是删.app，会把配置文件、偏好设置、Launch Agent、插件残留全部找出来干掉 3️⃣ 磁盘分析 — 可视化看每个文件夹占了多少空间，大文件一目了然 4️⃣ 系统优化 — 重建系统数据库、清Spotlight索引、重置网络服务、管理swap文件 5️⃣ 实时监控 — CPU、内存、磁盘IO、网络、温度、电池健康，全部实时看 6️⃣ 开发者福利 — 自动扫描项目目录里的node_modules、build、venv，这些吃硬盘的大户一键清理 最让我放心的一点：默认安全模式，删之前先dry-run预览，拿不准的文件宁可跳过也不乱删。所有操作都有日志记录。 安装就一行：Homebrew装或者跑个脚本。还支持Raycast和Alfred集成。 说白了，CleanMyMac能干的它全能干，还免费、开源、不收年费。4.2万星不是白给的。

@LufzzLiz github.com/lsj5031/kitten… 我之前试了一下可以用GPU

Chandra OCR 2：开源OCR模型 4B参数，评分比小红书开源的dots.ocr-1.5还高。 模型：huggingface.co/datalab-to/cha…

OpenDataLoader PDF — 一个专门给 AI/RAG 场景做的本地 PDF 结构化抽取器 不是“PDF 转 Markdown”，而是它会重建标题、列表、表格、图片和阅读顺序。 输出直接给 JSON / Markdown / HTML，明显就是冲着 LLM、向量检索、RAG 去的。 github.com/opendataloader…

@manateelazycat 老板，你那个内网穿透打算做成 独立产品吗

顺丰小哥刚来拉走早上的第四批懒猫微服了。 刚好看到海力士会长接受采访说的话：存储芯片短缺可能持续到2030年。🥲意思是还会涨价？ 现在买具备存储属性的产品真的就是早买早享受，晚买还涨价🤣 最后一批百万补贴的懒猫微服还剩少量现货，卖完涨价。有需求的推友评论区留言，我再给张BOSS专享券，到手价绝对惊爆😎 自己买内存+固态怕是都不止我们整机价格了。 老规矩，先到先得。

我之前有一个手机移动端的项目的TTS，用的是很小的 Kokoro。没想到竟然还有更小的， 我听了下演示，质量还挺不错。 模型叫做Kitten TTS V0.8，最小的模型 <25MB 提供 8 种声音,适合智能硬件等需要高质量TTS，但空间小，没有GPU场景。 据说近几周会上多语言,Mark 收藏一下

在 cc 里面调用 codex 进行 review 执行计划 cc 查看结果 -> 修订计划 -> 再次调用 codex 进行 review 多轮打磨后，效果单比 opus 一个模型写的计划要好很多。

小米申请 key platform.xiaomimimo.com/#/console/api-… 配置如下：