Hawkingrei

好多人不知道如何开启 Codex 的 /goal，步骤如下： 1. 升级 codex 至 0.128.0版本 2.编辑 config.toml 3. 在 [features] 字段处，添加 goals = true 示例： [features] goals = true 4. 重启 Codex 5. 输入 /goal

@_4ever00 看看

女朋友要给我买女装裤子，何意味 👿

@jakevin7 避免老登化，就要多build

最近感觉越活越年轻了。心态比以前时候还要更加愿意冒险，更加愿意做事了。 以前的观念里有一些很错误的想法，很典型的就是“攒够钱退休。”这种养老思想根深蒂固在很多人的心里。总是在20岁就开始担心以后养老&退休的事情。 但是却没有想过我们当下应该做什么有意义的事情，在我们60岁的时候回望以前的人生，我们做了哪些出彩、人生难以忘却的经历。

@_4ever00 GOOG ！

GOOG 😭

最近开发 Slocal 过程中，UI真是太折磨我了！ 找到了一个非常好用的UI Skill，分享给大家，里面收纳了非常多很强的设计相关的skill。 ui-skills.com/skills/

AI 魅力时刻：还是熟悉的下意识偷懒。 不过真的很开心，群里真的有人在实践我之前做的 LLM Wiki 方案。 并且他也发现这个 wiki 需要慢慢的养的，把 wiki 养得越来越丰富

deepseek V4 论文里关于 'Agent 能力' 的训练部分值得深入阅读和学习。 另外不得不赞叹的是deepseek 的工程能力还是依旧的如此扎实。包括自己设计DSL&实现DSec sandbox等等。 里面有一个很巧思的地方，DeepSeek-V4 的 post train 由两个阶段组成：先独立训练多个domain-specific experts，再通过 ODP 合并成统一模型。 下面是 V4 在 agent 能力训练上的一些思路： 1. 在 pre-train 中就注入了大量的 agentic data 来强化 agentic 能力。论文明确提到，为增强代码能力，DeepSeek-V4 在 mid-training 阶段加入了 agentic data - 让 base model 见过更长的任务过程。 - 让模型熟悉代码、命令、环境反馈、文件修改等模式。 - 给后续 Agent SFT/RL 提供更好的初始化，而不是从纯聊天模型开始硬训工具调用。 2. 训练多个“领域专家”，后训练的第一阶段叫 Specialist Training。论文说，对数学、代码、Agent、指令跟随等目标领域，分别训练独立专家模型 3. hard-to-verify 任务用 Generative Reward Model，传统 RLHF 往往需要训练一个 scalar reward model。DeepSeek-V4 论文说，他们在后训练中不再依赖传统 scalar reward model，而是针对 hard-to-verify 任务构造 rubric-guided RL data，并使用 Generative Reward Model，GRM 来评估 policy trajectory 4. 工具调用协议重新设计为 DSML/XML，V4 引入了新的 tool-call schema，自己设计的DSL格式，减少 escaping failure 和 tool-call errors 5. Interleaved Thinking，保留工具场景下的完整思考轨迹。在 tool-calling 场景中，整个对话过程的 reasoning content 都完整保留，包括跨 user message 边界。 6. Reasoning Effort 分模式训练，Agent 任务不是都需要最大推理。简单工具选择用 Non-think 更快；软件工程、搜索、长文档任务则可以用 High/Max，在成本和成功率之间权衡。 7. Quick Instruction 降低 Agent 前置决策成本 8. 最终用 OPD （multi-teacher On-Policy Distillation）把多个专家合并成统一模型 9. DSec：production-grade 沙箱支撑，V4为 Agentic AI post-training 和 evaluation 建的生产级沙盒平台，它运行在 3FS 分布式文件系统上，可以管理数十万并发 sandbox instances 10. RL/OPD rollout 也专门为长 Agent 轨迹优化 11. 构造自己的 Agent benchmark 集，构造了一个内部 R&D coding benchmark：从 50+ 内部工程师收集约 200 个真实任务，涵盖 feature development、bug fixing、refactoring、diagnostics，技术栈包括 PyTorch、CUDA、Rust、C++ 等。经过过滤后保留 30 个任务作为评测集

@alswl 确实，AI 能发挥多大作用，和人的知识、能力有很大关系

最近非常受不了别人说你用 AI 就可以怎么怎么怎么。 我现在就想提个问题，把公司所有的代码所有的资产把，银行卡全部塞在 Claude Code 里面，你每天帮我生成一个比特币。 你行么？

和 Nowledge Labs 的基础设施一样，我叫它 Infraless 哈哈，只用 PaaS 不用用任何需要维护的资源

最近在找语音输入工具，翻了一圈开源项目，我始终不相信商业公司会保管好用户数据。 终于找到一个产品感在线的👇✨ github.com/hehehai/voxt by @riverhohai 这是我目前用过最顺手的开源语音输入工具。 🎙️ 按住说 → 松开自动粘贴 ⚡ 实时转写 + 自动润色（去语气词 / 加标点） 👉 有审美的语音输入工具 我直接配合 🎤 DJI Mic Mini 用，基本可以一路说完一段完整表达。继续口喷代码，哦不，口喷 specs 😄 #AI #VoiceInput #Productivity

@alswl @QingQ77 确实，不过也可以当一个 init project 来用吧

@QingQ77 现在玩法是不是应该想要什么直接生成了？

这是一个基于 Python 和 Flask 的 CMS，用来搭网站后台，处理内容发布、媒体管理、主题定制和基础安全功能。 github.com/flexaflow/flex… 核心能力包括页面和文章管理、TinyMCE 编辑器、媒体库、主题系统，以及 2FA 这类基础安全功能。它支持 SQLite、MySQL 和 PostgreSQL，也给了本地启动和初始化方式。整体看下来，它更像一个通用 CMS 骨架，方便后续自己继续扩展。

😅我打了一段字，又删除了。自己知识不足，就多学习，而不是让人和你对齐

😅这班上得人累，还心累

@disksing 都找上00后女友了

00后女朋友太有屌丝气质了，不管去哪里都拎一瓶大水😅

@silsrc 🥹脱单有点难

@dinah_zhang @alswl github.com/hawkingrei/age… 上链接 昨天我发布了 v0.0.1-rc2

@suohawking @alswl 真人上你的 agenthub 链接

使用 Claude Code Team 或者其他 AI 协调工具需要角色。 比如 TL / Dev / QA / UI / Ops。 在我看来，最简化需要 3 种：协调者、实施者、防御者。

Bub is cloud native, runs in containers, and can be integrated with cloud-native databases and observability stacks

@dinah_zhang @_4ever00 我也想要快乐小狗女朋友

@_4ever00 快给真人介绍个🥺

真人新疆旅游坐车的时候包着电脑在卷🙈

现在这个时代，就是要多 build，有 idea 就立马动手写，万一成功了呢