watson999

再过1-2年，只会 prompt 和调包的人，可能会被真正懂 AI 的人按在地上摩擦。 现在大部分所谓的「AI Engineer」，其实只是会用框架拼积木的 glue coder。 而这个项目直接把 428 节课从零手写到生产级 agents 的 curriculum 扔了出来。 想继续当「会用的人」，还是想成为「懂的人」？

想学 Rust 但看完文档还是不知道怎么写的，不如直接上手练起来 有个 GitHub 项目叫 rust-by-practice，14,344 Stars，用「例子→练习→项目」三段路线带你真正动手，每道题都有难度评级和参考答案，线上直接跑代码不用配环境 评论区 GitHub 链接⬇️⬇️ 核心特点： 1. 三段结构 - 例子讲概念，练习验理解，最后用项目把知识串起来 2. 难度分级 - ⭐到⭐⭐⭐⭐标注，循序渐进，卡住了有答案可以对照 3. 覆盖面广 - async/await、多线程、同步原语、数据结构、算法都有专门章节 4. 双语内容 - 英文版和简体中文版同步维护，中文读者友好 5. 浏览器内运行 - 不用本地配 Rust 工具链，打开页面就能敲 cargo install mdbook 后 mdbook serve 可以本地运行 想把 Rust 从「看懂了但写不出来」推进到「能独立写」的阶段，这个练习册比反复啃书有效

@LotusDecoder 有具体点用例吗 computeruse做测试

codex desktop 真的不错， /goal + computer use + chrome 做前端测试或 bug 修复。 就是一把梭，然后等着收菜。

阿里算法岗一面 1-20是传统ML，21-30是Transformer和大模型微调，31-38是推荐系统工程落地，明显的ML老炮，外加LLM选手与推荐工程师三维画像。 美中不足的是，没有任何一题碰RLHF、DPO、强化学习、Agent、长上下文、推理时计算。对2026年算法岗来说，这有点保守。

动手搭了一个 ReAct agent 系统：围绕 LLM 做 agent 系统 傍晚散步时在想：如何训练 LLM 的 agentic 能力、数据准备、模型训练、agent 轨迹 action 构造 RL 训练，再想 Claude 在过去一年的进步来自于哪些 SFT RL 方面的进步； 晚饭后读 智谱 “GLM-5: from Vibe Coding to Agentic Engineering” 是真的技术报告、细节非常丰富了；和自己想的差不多，用了 9T Code 还是数据让我感到意外 👍 多个 推理框架 top-k 实现竟然还存在 random 🥲 arxiv.org/html/2602.1576…

最近读到一篇很有意思的文章，作者是腾讯云开发者，一位很早就开始拥抱 AI 的开发者，付费用过的产品超过十几款，前前后后花了上万块。他把自己这一年折腾 AI 的经历、工具和思考都写了出来，读完确实有不少启发。 先说工具层面。他围绕 Mac 搭了一套高效的工作环境，核心是 AeroSpace 做窗口管理、Raycast 做快捷启动和剪贴板管理，再加上 Ghostty 终端和一堆命令行工具。最有意思的是他自己开发了一个叫 Cockpit 的仪表盘，专门用来同时监控多台机器上跑着的 AI Agent 状态，防止某个 Agent 卡住了自己还不知道。 然后他聊到怎么把 Agent 用好。他梳理了一条演进路线：从最早的 Prompt Engineering（写好提示词），到 Context Engineering（管好 Agent 能看到的所有信息），再到 Spec-driven Development（先写清楚需求契约再让 Agent 动手），最后到 Harness Engineering（给 Agent 搭一整套约束体系）。OpenAI 有个团队就是用 3 个工程师、5 个月、完全零手写代码，靠搭建这套"缰绳"体系做出了百万行代码的产品。核心比喻特别形象：Agent 是马，Harness 是缰绳，马跑得再快，没有缰绳就只会横冲直撞。 最让我觉得有价值的是他关于"让 Agent 替我学习"的思路。他发现现在技术迭代太快，传统的手动收集、整理笔记的方式已经跟不上了。所以他搭了一套 Agent 工作流：AI 每天自动从十几个信息源抓取新闻、转录播客、提炼最佳实践，然后把这些知识沉淀到 Agent 自己的技能库里。等到真正干活的时候，这个 Agent 已经是一个吸收了最新方案的"武装版"了。他甚至让 Agent 帮他打 Kaggle 比赛，春节旅游期间远程托管，4000 支队伍里最高冲到过第六名。 文章最后他也很坦诚地说，写这篇文章本身就是最"不 AI Native"的事情，因为这些内容完全可以让 AI 来整理。他还引用了 Karpathy 的"Jagged Intelligence"概念，提醒大家 AI 的能力分布跟人类很不一样，最好的办法就是持续使用、慢慢建立直觉，把 AI 当成一个无话不谈的好朋友，越了解它，协作起来就越顺畅。 原文地址：bestblogs.dev/article/83fa2a…

@markfreezing111 @prismayyds 这个点还有客服吗 之前有个号还没充值就被禁用了

@prismayyds makerich点club 已经把全部商品下架了

这个bot渠道的plus pro看来是都死光了 今天看了看还有说要报警的 给晶哥都整笑了 都是成年人了自己又上tg付款又是U的不割你割谁 目前看来就chong的渠道还没拉闸

卧槽，真宝藏博主，这文章目前应该是全网最详细的搭建教程了 最近 vps 都卖断货了，我之前给大家推荐的 dmit 全部都售罄了，恭喜已经上车的朋友们，不过 1T 的流量应该很难用完吧，可以参考这个文章把家里的网络升级一波，手把手教学了属于是

中转站长圈子今天刷屏这篇报道，核心就4个爆点：渠道来源、低价原理、一鱼两吃、大量黄牛8手倒卖Token（最便宜仅官方1%）。直接上干货： 1. 中转站渠道来源（号池+逆向是核心） 号池（最底层资源）：靠Claude Code MAX（每月200美元高额度套餐，普通免费账号100倍额度）。一个站至少要囤10-20个这样的账号才能稳住。 逆向封装：绝大多数不是走官方API，而是把网页聊天窗口、客户端直接反代成API。最火的是IDE反代——Cursor、Kiro、Windsurf等程序员开发工具里本来就有Claude调用权限，被站长拆出来包装成接口卖。 早期还有“零元薅羊毛”：故意发敏感内容触发封号，Anthropic全额退款，现在政策收紧了，但批量注册+IDE反代依然是主流。 GitHub开源项目（New API）一键部署，普通人也能上手，技术门槛极低。 2. 低价原理：为什么能打到官方1%？ 官方Claude-Opus-4-6输出价≈170元/百万token。 中转站普遍10%-30%，最狠的一家只卖2元/百万token（1%官方价）。 价格战本质：多层分销压成本 + 灰色渠道。从大站拿批发额度，二道贩子、三道……一直到八手站，加价50%往下卖还能赚。 站长自己说：“没什么技术壁垒，就是信息差+规模效应”。小红书、抖音、闲鱼上全是推广，工厂工人、大学生都能0基础入场做“二道贩子”。 3. 一鱼两吃（业内公开暴利秘密） 这是站长自己都承认的“双赢”操作： 第一吃：掺假模型——用ChatGPT冒充Claude、DeepSeek冒充GPT-4o、豆包伪装DeepSeek……成本可能只有官方1/10，用户根本看不出（system prompt被污染，结果有偏差）。 第二吃：卖用户数据——中转站能看到全部请求/响应日志。高价值数据（30轮以上对话、多次工具调用）按0.1-0.2元/条卖给模型厂商做训练数据，或者打包10元1M数据。学术界都中招过，CISPA论文显示一半中转节点模型身份验证失败。 4. 大量黄牛倒卖Token：从圈内到全民狂欢 今年3月龙虾OpenClaw爆火后，非程序员也杀入。站长现在最烦“想做代理的人”，一天好几个大学生找上门要30%佣金分成。 结果就是二手站变八手站，还有“公益站”把价格卷到离谱。 客户画像：个人开发者、科研机构、AI漫剧公司、改论文大学生、企业外包……需求巨大，但很多人连正规AWS/Google Cloud渠道都不知道。 最后是风险提示：X上已经刷到上海中转站站长被抓37天取保候审、设备收入全没收的案例，提醒大家上游逆向渠道风险极高。

Andrej Karpathy：“Claude 的错误里，90% 来自上下文缺失，而不是模型能力弱。” 没有 `CLAUDE.md` 时，错误率是 41%。 有 4 条基础规则时，错误率降到 11%。 使用下面这套 12 条规则时，错误率降到 3%。 这是资深工程师最终沉淀出的 12 条规则： 1. 写代码前先思考 先说明假设，不要猜。模型不会读心，别指望它能自动知道你的意思。 2. 简单优先 最少代码，不做投机式抽象。一旦你让 Claude 为“未来灵活性”加东西，可能就多出 200 行下季度要删的代码。 3. 外科手术式修改 只改必须改的地方。别让它顺手优化旁边的代码，PR 就是这么膨胀的。 4. 目标驱动执行 先定义成功标准，然后循环直到验证通过。没有成功标准，Claude 要么无限循环，要么过早停止。 5. 只把模型用于判断型任务 比如分类、草稿、总结、抽取。不要让模型处理路由、重试、状态码处理、确定性转换。代码能回答的，就让代码回答。 6. Token 预算不是建议 单任务 4000，单会话 30000。长时间调试到第 40 条消息时，Claude 会重新建议你第 5 条消息已经否掉的修复方案。 7. 暴露冲突，不要折中平均 代码库里有两种模式？选一种。Claude 把两种混在一起，错误就会被吞两次。 8. 先读再写 先读 exports、调用方、共享工具。Claude 很可能在一个已有相同函数旁边，再加一个重复函数，只因为它没读到。 9. 测试要验证意图，而不只是行为 如果业务逻辑变了测试却不会失败，这个测试就是错的。Claude 写的 12 个测试都可能通过，即使函数实际只返回一个常量。 10. 每个重要步骤都要 checkpoint Claude 可能在第 4 步已经坏掉的状态上继续完成第 5、6 步，而没人发现，浪费一小时。 11. 匹配代码库约定 项目用 class components，就不要默默改成 hooks。测试模式可能依赖 `componentDidMount`，hooks 会破坏它，却不一定暴露问题。 12. 失败要大声暴露 “成功完成”，但 14% 的记录被静默跳过，这是最糟糕的一类 bug。要暴露不确定性，不要藏起来。 真正会复利增长的，不是下一个框架，而是： - 把 `CLAUDE.md` 当作跨会话的组织记忆 - 基于 eval 改进，而不是凭感觉改 - 重视 checkpoint，而不是一味追求速度 - 明确暴露冲突，而不是静默混合 - 纪律永远比框架重要 - 一个仓库，一个规则文件，没有例外 在这件事变成 AI Twitter 的大众共识之前，提前领先几条规则。 研究它👇

@sanada_oops 做完跟傻子一样 要来根事后烟

不知道大家有沒有感受到，用太多AI的結果之一，就是時間過得很快，事情做得很快，但是具體是怎麼做完的、怎麼實現的，記憶是真的很模糊，大腦裡很多事情都被折疊，一天下來彷彿自己只是一個訓練AI的另一台機器而已，空空如也。

@Miyu__Z @QuantumTransf 不敢想呀 一句话八十层意思怎么搜

需要压缩是因为上下文窗口不够容纳那么多原始信息 如果有高效检索原始信息的方式（我不认为基于向量的检索满足这种要求），那就可以完全在原始信息上进行检索，但我并不认为这个难度会低于将信息进行较好的分类并进行压缩，事实上，这两者的难度可能是等同的

求求你们别再用“AI时代，定义问题比技术更重要”来洗脑了 ​刷到太多这种所谓的金句了：“与其焦虑被AI淘汰，不如当自己是那千分之一的幸存者——技术是底牌，真正值钱的是你定义问题、拆解系统的能力。” ​乍一看好有道理，仔细一想，这不就是纯纯的逻辑盲区和话术包装吗？ ​有些“AI焦虑贩子”和“职场PPT大师”，非要在【技术问题】和【现实问题】之间画一道不可逾越的鸿沟，仿佛懂技术的都是只会敲键盘的“代码搬运工”，而那些不懂技术的人反而掌握了“定义世界”的财富密码。 ​我就想问一句：难道学习技术、精进架构的过程本身，不就是在疯狂定义问题、拆解系统、寻找最完美解决方案的过程吗？！ ​这两者不仅没有鸿沟，反而是一体两面的： ​1️⃣ 被窄化的“技术”： 很多人以为技术就是背 API、写语法。真正的技术大牛，在写第一行代码前，脑子里已经完成了现实业务到计算机模型的抽象、边界推演和风险评估。这不叫定义和拆解，叫什么？ 2️⃣ 没有技术支撑的“定义问题”，全是空中楼阁： 就像一个不懂材料力学和建筑学的人，天天嚷嚷着“我不会画图纸，但我擅长定义大楼的功能”。结果就是提一堆不切实际、根本无法落地的需求。只有带着工程约束条件（成本、算力、可扩展性）的拆解，才具备商业价值。 3️⃣ 计算机思维的底层通用性： 编程里的【拆解、模式识别、抽象、算法设计】，完美对应了现实世界的所有复杂问题。能把一个高并发分布式系统理顺的架构师，把他扔进一个混乱的组织里，他同样能用这套逻辑把业务流程理顺。 ​别再被那些看似高大上的“幸存者金句”给CPU了。他们之所以要造一道鸿沟，无非是想给不想深入钻研底层技术的人提供一种心理安慰，顺便显得自己认知深刻。 ​技术的本质，从来不是单纯的敲键盘，它就是用最严谨的逻辑去重构现实世界的能力。这种通用能力，AI拿不走，PPT大师们也学不来。 ​#AI时代 #程序员 #独立思考 #反焦虑 #技术本质 #职场吐槽

目前最新codex额度测试 Plus：5 小时 22.67 美元；周限 85.23 美元（大概4个5小时） Team：5 小时 18.36 美元；周限 138.43 美元（大概9个5小时） Pro 5x：5 小时 152.23 美元；周限 507.43 美元（官方现在翻倍变10x） 5小时用完了等刷新，叠加周限 总结：team额度比plus高

ai 生成的测试用例很多都是 “甜路径” ，100% 通过的质量经常比不上人自己写的用例 30% 通过率的质量，完全依赖 ai 生成的用例 100% 通过了，也是一堆 slop。

很多人在聊 AI 的时候，默认有一个前提：人负责目标，AI 负责执行。 但当 AI 开始进入工作、生活、娱乐、社交，甚至开始长期观察你的行为模式之后，事情会发生变化。 因为它不再只是工具，它开始变成一种“连续存在”。 它知道你最近在关注什么，知道你为什么焦虑，知道你哪些事情总拖延，知道你什么时候状态最好，甚至知道你真正想成为怎样的人。你给它的上下文越多，它对你的理解就越深。到了某个阶段，它对“你”的了解，甚至可能超过你自己。 那么，真正的问题就来了。 如果 AI 可以帮你完成大量执行、组织、搜索、分析、协调、创作，那人还剩下什么？ 我最近越来越强烈地感觉到，未来的人类价值，会逐渐收缩到几个非常核心的东西： 1）方向感。判断什么重要，什么值得投入一生。 2）审美。判断什么是好的，什么是有生命力的。 3）体验。真正去感受世界，而不是只处理信息。 4）意志。在无限可能和无限诱惑里，依旧选择长期主义。 AI 很强，但它没有活着的重量。它没有童年，没有遗憾，没有失去过重要的人，没有真正熬过一个漫长的夜晚。它能理解这些词，却无法真正经历这些东西。

程序员无脑 vibe 出一堆 slop 我也不说了，现在 QA 开始用 AI 写测试用例了，而且用例写出问题来他们搞不定，又把程序员叫过去帮他们看哪里出问题了，所以为啥做调查时个个都说 ai 帮自己写了 50% 乃至 100% 的代码，但最后拉通一看，总效率还是那个鬼样子。

前端工程师 == agent 工程师 写网页：用户交互层工程化建设 搓 event loop + setState：维护核心执行循环与状态流转 Redux 表单联动：多轮会话上下文管理 调 REST API：外部服务调用编排 接 WebSocket：流式输出增量渲染 try-catch 弹 toast：异常处理与降级链路 接埋点报 Sentry：全链路可观测性

研究了一个提高代码质量的提示词， 每次提交代码前我会说: “Review 一下未提交代码中有哪些走弯路的设计”。