XXXSpade69

@LunaAI519 她觉得我天天说烦了都 😢

如果你的程序员老公 下班回家只会打游戏 全口不提 AI 听我一句劝 你要考虑一下你俩的未来了

The AI Layoff Trap (AI裁员陷阱) 康奈尔的这篇论文把AI裁员这件事说的很透， 这是康奈尔大学（Cornell University）和沃顿商学院harton Schoo的两位经济学教授联合写的论文，一些结论和我的想法分享给大家。 这篇论文最厉害的地方是它没站任何一边， 没骂资本家黑心，也没说打工人活该， 只是用数学证明了：这是一个所有人都会掉进去的陷阱，没人能独善其身。 道理其实特别简单， 你开公司，用AI裁掉一半人， 成本降了30%，产品卖得更便宜，抢了更多市场。 这绝对是最理性的商业决策， 但如果所有公司都这么做呢？ 所有工人都失业了，收入没了，没人买东西了， 最后你成本降得再低，东西也卖不出去。 打工人没饭吃，你也赚不到钱，双方一起输。 最扎心的是，哪怕所有老板都清楚地知道这个结局，他们也停不下来。 因为这是一场军备竞赛，你不裁人，你的竞争对手会裁。 你不自动化，你的竞争对手会自动化，最后死的是你。 所以哪怕所有人都知道终点是集体毁灭，也只能硬着头皮往前冲。 已经不是道德问题能解释的了，属于博弈论的必然结果。 论文最让人后背发凉的部分，是它把我们能想到的所有解决方案，全部算了一遍，然后一个一个划掉： UBI没用， 资本所得税没用， 打工人持股没用 再培训没用， 企业之间协商也没用， 这些最多只能缓解一点症状，根本解决不了问题。 因为它们都没有触及最核心的驱动因素：竞争本身。 唯一能破局的，只有一种东西。 庇古自动化税。 简单说就是，你每用AI取代一个工人，就要交一笔税。 这笔税用来补偿你给整个社会造成的需求损失。 只有这样，企业在做自动化决策的时候，才会把所有人的成本算进去，才能把这场注定双输的军备竞赛，拉回到集体最优的水平。 当然，肯定有人会说，历史上每一次技术革命都有人喊失业，最后都创造了更多我们当时想象不到的新工作。 这话没错，但这次有个最大的不同：速度。 AI太快了，快到经济可能根本来不及消化这么多失业人口，快到新工作还没长出来，旧的就已经全没了。 咱们看现在已经发生的事： Block裁了40%，说AI让这些岗位多余， Salesforce把客服从9000人砍到5000人， 高盛说一个高级工程师现在能顶以前五个人的团队🥹 以上这些不是啥预言，都是正在我们眼前发生的事。 论文没说经济一定会崩溃，只是在提醒我们： 这一次，不能再等着市场自己调节了，如果我们什么都不做，这个陷阱真的会变成现实。

@GracyBitget 甲骨文裁员跟 AI 有必然联系？

甲骨文一天内突击裁员3万人，股价不降反升大涨5.99%。 资本市场用最血腥的方式告诉你一个必然规律：开掉 3 万人看似残酷，但在这个时代，效率就是一切。 在 Bitget，今年组织建设最核心的事只有一件：用 AI 重塑组织架构和内部的管理流程。 我的态度很明确：所有人都要拥抱 AI，否则就会被淘汰。 我们会持续推进由 AI 主导的组织和流程优化，减员增效。 但大家也不需要为此感到焦虑。AI 是不可逆的必然趋势，我们能做的就是大力拥抱它，让 AI 为我们提效。对于真正的高绩效员工、有想法的伙伴，AI 的出现一定会让你“史无前例地强”，大幅提升你的产能。 但反过来，如果你的工作很容易就被 AI 替代了，你真的得好好思考一下自己的未来。 我自己每天都在深度使用 AI。我用 Manus 创建了几个工作和家庭事务的专属助理，真的极其好用： 它能帮我写深度报告、做PPT、从海量 Spam 邮件中精准捞出有价值的信息，这条社媒内容也是我的manus“社交媒体规划师”调整过的； 它也能帮我儿子报名国际象棋比赛、规划完美的暑期夏令营； 甚至，它还能指导我怎么谈恋爱😂。 AI 不是来抢饭碗的，它是来给你的人生开挂的。大家目前在工作中最依赖的 AI 工具是什么？欢迎安利。🚀 #AI #组织重塑 #Bitget #Manus

兄弟们，技术架构图终于有救了！ 🤯 以前画 Multi-Agent、RAG、Tool Call 这些架构，diagrams. net 里永远对不齐、颜色土、导出还模糊……画一次头秃一次 烟花直接放大招！开源了个超级神器 fireworks-tech-graph —— 专为 Claude Code 打造的技术图生成 Skill！ 一句话就能出图，效果直接起飞： ✅ 自动识别图类型
✅ 智能语义形状 + 颜色编码（流程蓝、控制橙、数据绿…）
✅ 支持玻璃态、Neon 等高级风格
✅ 高清 SVG + PNG 一键导出 8 种图类型 + 5 种视觉风格，AI/Agent 常见 Pattern 全覆盖！ 从此再也不用为画图焦虑了，太丝滑了 生产力直接拉满！
快去 star 支持烟花老师～ 开源链接我放评论区👇

说真的，用了一天的 Hermes Agent，越来越离谱了。 今天早上让它在 BOSS直聘上帮我搜岗位、筛选、主动给 HR 打招呼，一口气聊了 3 家公司，招呼语还是根据 JD 定制的。 下午又让它帮我配闲鱼客服机器人，从装环境、写 Cookie、定制 AI 回复 prompt 到后台跑起来，全程我基本就说了几句话。 我自己也做 OpenClaw 的远程部署，说实话 OpenClaw 也很好用，但稳定性这块跟 Hermes 没法比。Hermes 跑一天一夜不带崩的，cron 任务准点执行，多平台同时在线稳如老狗。OpenClaw 偶尔还得重启一下，Hermes 基本上启动了就不用管了。 @NousResearch #hermes #agent

我研究了市面上几十个加密货币相关AI Agent Skill，筛出这 8 个最值得装的： 1️⃣ SlowMist Agent Security（慢雾） 装任何 Skill 前先用它审计代码和地址，防后门防钓鱼 clawhub install slowmist-agent-security 2️⃣ OKX OnchainOS Skills（OKX官方） 13 个 Skill，钱包管理、DEX 交易、聪明钱追踪，链上操作一条龙 npx skills add github.com/okx/onchainos-… 3️⃣ OpenNews MCP（6551新闻源） 72+ 数据源实时抓取，每条新闻自动 AI 评分并给出交易信号 clawhub install opennews-mcp 4️⃣ OpenTwitter MCP（6551新闻源） 监控 KOL 动态、删推、关注变化，链上 Alpha 从推特来 clawhub install opentwitter-mcp 5️⃣ BlockBeats Skill（律动） 1500+ 信息源，资金流向 + 宏观数据 + 衍生品持仓一站查 npx skills add github.com/BlockBeatsOffi… 6️⃣ CoinMarketCap Skills（CMC官方） 60 个 API 端点，查价格、写研报、做代币尽调 npx skills add github.com/coinmarketcap-… 7️⃣ CoinAnk Skill（CoinAnk官方） 专注合约持仓、资金费率、爆仓数据，衍生品玩家必备 npx skills add github.com/coinank/coinan… 8️⃣ Dune MCP（Dune Analytics） 用自然语言查链上数据，免写 SQL 直接出图表 npx skills add dune-mcp 八个装齐 = 安全 + 交易 + 新闻 + 情报 + 研报 + 数据 覆盖加密投研交易全链路。 别再一个个找了，直接抄作业。

@RealYDT 200 了，有啥用

普通人，尽最大可能在35岁前存够100万，这是一个很现实的底线。 因为一旦过了35岁，很多人会面临被动局面：工作机会减少，收入不稳定，甚至随时可能失业，最终只能转向体力劳动，长期处在被动打工的状态。 而如果你在35岁前拥有100万，情况就会发生本质变化。 这笔钱不需要你冒险，只要通过基础投资，做到年化5%到6%，每年就能获得5万到6万的收益。这部分收入，足以覆盖一个人相对克制的日常开销。 也就是说，你不再完全依赖工作生存，而是拥有了最基本的选择权。 真正重要的，不是这笔收益，而是它带来的“时间”。 从35岁到65岁，你将拥有30年的可支配时间。在没有生存压力的前提下，你可以把精力集中在一件事情上，持续投入。 时间一旦拉长，很多事情会发生变化。你只需要选定一个方向，长期深耕，不断积累经验和能力。30年的持续投入，本身就是巨大的优势。 最终，你可能在某个领域形成足够深的能力，不仅可以持续创造价值，甚至在退休之后依然具备稳定的收入来源。 总结一下就是： 前期，用打工和克制消费完成原始积累； 中期，用资金收益覆盖基础生活； 后期，用时间深耕一件事，放大个人价值。 35岁攒到100万，不是终点，而是普通人摆脱被动人生的起点。

Anthropic 发布了新的 Harness 工程实践文章。 表面看是介绍他们的新产品，但从更宏观的角度看这篇文章，本质是在探讨一个问题：当模型能力持续变化时，Agent 系统到底该把什么做成“稳定接口”，把什么留给未来不断重写？ 看完文章，我觉得这篇文章隐藏了 Anthropic 对未来 Agent 基础设施的一个深度判断： Agent 基础设施会越来越像“微型操作系统 （Agent OS）”，这是我觉得最值得重视的地方。 Agent 框架最忌讳的是把“暂时性的模型缺陷”上升为“永久性的系统结构”。 harness（调度循环、上下文整理、工具路由等）本质上是在编码对模型能力边界的假设，但是这些假设会随着模型变强而迅速过时。 在我之前发布的《驾驭工程》（马书）里有句话：模型能力越强，harness 将会越简单。 但是现在很多人写 Agent ，包括我自己，很容易把模型缺陷写到 Agent 框架里。比如，模型不会规划，就强行把步骤拆成固定 DAG 。。等等。 这些其实都算是 harness 补丁，其实我们 agent 开发者也很难去判断哪些是模型缺陷。 Anthropic 的做法是设计一个 meta-harness：不去承诺具体 harness 长什么样，只承诺几类长期稳定的接口。 这样的话，我们就不必猜测模型缺陷是什么。 这其实和 OS 思路差不多，OS 从来不关心未来程序怎么写，它只是提供抽象接口。 那么 Anthropic 这个 meta-harness 是如何给 Agent 做抽象呢？ 文章里最重要的抽象是三件事： - session，可以理解为 事件日志 / durable state - harness， 推理-调度循环 / 脑干 - sandbox， 执行环境 / 手脚 它们的分离，才是这个架构的核心创新点。 1. The session is not Claude’s context window 文章里这句话代表了 meta-harness 如何抽象 session。它不是简单的聊天记录，它代表的是「可恢复事件流」。 Anthropic 想做的是，把 session 做成一个 append-only event log，不能把它当作一个直接喂给模型的 prompt，它应该是一个可查询、可回放、可恢复、可重组的真实执行历史。 如果你只是把 session 当作上下文窗口的镜像，那其实就表示它损失了可恢复性。 2. Harness：可替换的 orchestration layer 早期 Anthropic 把 harness、session、sandbox 都塞进一个容器里。但这样做遇到了很多问题，比如，harness 崩了，整个会话难恢复；容器挂了，状态可能丢失；调试困难，包含了用户数据无法轻易使用shell调试；VPC 接入困难。 所以，他们把 harness 从容器里拿出来，变成一个“调用工具的脑干”。 现在的 Harness : - 不再拥有状态 - 不再假设工具在哪里，你只能看到一个接口 execute(name, input) -> string （有种 nix 哲学了） Harness 这样抽象的意思是：AI 不需要知道它在哪台设备，哪个操作系统，手机还是电脑，容器还是虚拟机等等，它只知道“我可以使用哪些手”。 （想象一下千手观音。。） 3. Sandbox：“某种具体的手” 文章里说，decouple the brain from the hands 也就是说： - Claude + harness 是 brain - sandboxes / tools / MCP / custom infra 是 hands 一旦 sandbox 只是 hand，就意味着它们彼此独立，可以来自不同的基础设施，可以共享和传递，也不需要每个 session 都加载启动完整的 sandbox。 这直接引出后面的 “many brains, many hands”。 这次 Anthropic 的实践来自于现代分布式系统最核心的经验之一：不要试图保住某个进程，要保住可恢复的事实记录和重启协议。 这样设计，也从架构上增强了安全性。 文章里有句话， narrow scoping is an obvious mitigation, but this encodes an assumption about what Claude can't do with a limited token—and Claude is getting increasingly smart. 意思是说： - 当然你可以给模型一个“范围较小的 token” - 但这其实还是在赌模型做不到某些攻击路径 - 而模型在持续变强，这种“它应该不会想到吧”的安全假设会越来越脆弱 所以他们不要把 credentials 放在 sandbox 里。 比如 Git token 只在初始化 clone/push/pull 过程中以受控方式接入，不让模型直接读到 token。模型通过 MCP proxy 间接调用，proxy 拿 session token 去 vault 取真实凭证再执行。 不把安全建立在模型能力不足上。 这样设计，也把“可恢复历史”从“上下文窗口”中解放出来了。 它的理念是，不要把完整历史放在模型上下文里；把它放到 session 这个可查询对象里。 从系统角度看： - Claude 的 context window 是执行现场 - session log 是证据仓库 - harness 是检索与重组器 于是： - prompt 不再承担“永久记忆”职责 - trimming 不等于历史消失 - compaction 不等于事实不可恢复 恢复时可以重新取原始事件，这是比“纯摘要 memory”高一个层级的设计。 这样设计，也提升了性能。 降低了 TTFT（time to first token），不再让每个 session 预付全部容器成本。 现在，先让 brain 起跑，hand 只有在需要时才 provision。这是典型的 lazy materialization 思路。 文章里给出的数据也很漂亮： - p50 TTFT 降约 60% - p95 降超过 90% 这个数字说明一个问题：原来瓶颈并非模型推理本身，而是把整个执行环境预耦合到了请求入口。 最后，别忘记这样设计的初衷，就是为了增强未来 Agent 的可扩展性。 文章最后说：“Many brains, many hands” 这意味着，Anthropic 未来是要做一个 agent runtime substrate。多脑协作/ 多手编排 / 跨环境执行。 Agent 的本体不应绑定某个执行壳，而应绑定一组可恢复状态与可调用能力。 文章里也提到了这样设计的一些缺点，比如 让 brain 管 many hands，本身是更难的 cognitive task。 所以这个架构的前提是，模型智能已足够高，能承担更抽象的工具路由责任。 这其实就是在赌未来模型能力一定会提升，面向未来设计。 最后，这篇文章给我的启发有三条： - 启发 1：会话不是消息列表，而是“执行事实流”。 - 启发 2：工具环境不要内化为 agent 自身。 - 启发 3：上下文工程应该是 harness 可替换策略，要考虑未来一旦模型变强、或者检索策略变了不产生技术债。 这篇文章没明说，但我认为它真正代表的是 Anthropic 的一个产品哲学：我们不相信今天的 agent harness 会是最终形态，所以我们优先投资于稳定接口，而不是一次性最优实现。 Agent 系统的未来，在于一组长期稳定的系统抽象之上。

@bornanit ai 就是你的放大器

本职工作没有多优秀，但是沉迷AI工具应用，各种看法见解心得信手拈来的人，总给我一种感觉：差生文具多。 AI可以提高产能、效率、能力，这些有个前提基础： 你真的擅长自己的本职工作，你本身有能力有效率可言。 如果本身一般般，效率和能力为0，那么AI不论扩大多少倍，结果依旧是0。

Claude Mythos 发就发吧，干嘛给 Opus 降智呢 😓 贵 5 倍，还要又资质才能买，我看 A 公司太会玩了 期待 Sam 的 GPT 6 给力点吧

SOMEONE ACTUALLY MEASURED HOW MUCH DUMBER CLAUDE GOT. THE ANSWER IS 67%. the data shows Opus 4.6 is thinking 67% less than it used to. anthropic said nothing until the numbers went public. then suddenly Boris Cherny (creator of Claude Code) shows up on the GitHub issue. users are calling it "AI shrinkflation" (same price, less intelligence) we already know from the leaked source code that they have an internal switch that keeps the models working to their full extent for anthropic employees. in the last week Claude went from WOW to being a more restricted and expensive version of ChatGPT. people are saying Anthropic is deliberately downgrading Opus to save compute for training Mythos, their next model.

创业真是太有意思了，和打工最大的感受差异是： 创业后，你认识的都是想真正做事儿的人。这和公司那专注一亩三分地的人，是完完全全两类人。

有人实测了Claude 变笨了67% 这个不是瞎几把测的，是真跑了数据，Opus 4.6 thinking量直接砍了三分之二 然后Anthropic 装死😆 等数据在 GitHub 上炸了锅，Claude Code 创始人才出来回应 但这还不是最骚的 之前泄露的源码显示，Anthropic 内部员工用的模型有个开关：满血版，专供自己人 你花一样的钱，用的是阉割版 社区给这起了个名：AI shrinkflation，AI缩水通胀 现在大家猜测是 Anthropic 故意把 Opus 降级，省算力去训下一代模型 上周你还觉得 Claude 牛逼，这周发现自己在用更贵的 ChatGPT

这下好了，TradingView 都有 mcp 了😂 这哥们儿开源了一个项目，支持 Claude Code / OpenClaw 安装使用。 已实现： - AI 技术分析，可以对比多个股票、Crypto 的各种技术指标 - AI 跑回测 - 情绪面分析 - 市场扫描 - 更多功能持续增加中... 行情数据直接对接了 Yahoo Finance 也不需要任何付费 API 了 看 Demo 视频挺酷炫的。等我 Claude Code token 重置了试试😂 链接放到评论了👇

很值得看的一个帖子：Redis 作者分享的一个真实实验对比 过去一周，他用 Claude Code Opus 4.6 和 Codex GPT 5.4（max thinking）进行了长时间的自主运行，在独立的目录环境中反复测试。 任务非常复杂，从一个早期90年代的 Unix 磁盘镜像，反向工程早已消失的 SCSI 控制器及其集成 ROM。这是为了计算机历史和博物馆合作的项目，需要结合硬件知识、汇编/反汇编等深度工程能力。 实验结果： GPT 5.4 ：在多次长时间运行中取得了所有主要进展，能有效混合硬件知识、反汇编技巧等，完成复杂逆向工作。 Claude Opus 4.6：只取得了少量次要进展，在高难度任务上几乎一点用都没有。 他的结论：对于高难度的工程工作，两者差距非常残酷。GPT 5.4 明显更强，尤其在需要深度推理和长时程任务时。 原帖中还有对比图。

网友曝上海某地私影工作室，这颜值什么水平啊？

@AcboxLiu note 工具？

最近我们在招人，需要两位对AI Agent技术比较熟悉的后端/全栈工程师，技术栈主要是Golang，熟悉TypeScript，Base深圳，可远程（面试需要在线下） 团队全都是二次元，整体氛围比较活泼，有兴趣可以私信😉

@fankaishuoai 还不算过度吧

AI 时代最大的误区：用工程化扼杀创造力 最近观察到一个趋势：越来越多人用 AI Agent，特别强调流程化、工程化——给它配几十个 Skill，搞 Harness Engineering，把整个工作流设计得滴水不漏。 对于复杂 AI 工程项目，这当然有必要。 但对于绝大多数人来说，这条路走反了。 人类在 AI 时代真正稀缺的是什么？是创造力和想象力。 工具使用、流程搭建、工程化落地——这些事 AI 自己就能干，甚至干得比你好。你把全部精力投入在这上面，恰恰是在用自己最不稀缺的能力，去替代 AI 最擅长的事情。 我的实践心得：少即是多。 工具层面：只用少量必要的 Skill + 一两条最基础的约束，够用就行 基础设施：直接用最成熟的头部智能体（Claude Code、Codex 等），不要在底层反复折腾、企图搭建一套完备体系 心态层面：更随意一些、更自由一些，给自己留出想象的空间 过度工程化的本质，是用确定性对抗焦虑。但 AI 时代的红利，恰恰属于那些敢在不确定中创造的人。 把流程交给 AI，把创造力留给自己。

Claude Code 创始人 Boris Cherny 分享了一批团队内部真正在用的技巧，结合自己实战整理了一下，挑几个最值得知道的： 1/ 给 Claude 验证的机会。装个 Playwright MCP，让它自己写代码→打开浏览器看效果→发现问题→改代码，循环迭代。输出质量直接提升 2-3 倍。 2/ 并行才是真的快。同时开 3-5 个 worktree 各跑一个会话，或者直接说"拆解并并行跑子 agent"，不说它不会主动做。 3/ /remote-control 手机遥控电脑。生成链接，手机打开就能给电脑上的会话发指令，出门也能让电脑继续干活。 4/ Hooks > CLAUDE.md。CLAUDE.md 是建议性的，压力大会跳过；Hooks 是确定性的，绕不过去。核心验证逻辑一定放 Hooks。 5/ /btw 插队提问不中断任务，/branch 开平行宇宙试方案，/batch 拆成几十个任务并行执行。 这些功能藏得挺深，不主动找根本不知道有，但用了之后回不去。