Lichas

@twikejin 而且大概率是个中国人

这白毛天天这么吹票，没收钱我都不信...

@46ge5 不要影响人家IPO 小心别人👮‍♂️抓你

告诉大家一个小秘密，某家骗子机器人公司之所以不再投入大量科研经费，是因为机器人算法想要 scale 需要的数采和训练非常昂贵，他们已经很清楚自己没有希望做出机器人届的GPT（他们已经把各种 VLA 、world model 加 RL试遍了，没有用） 于是他们选择造大号变形金刚玩具来骗骗傻子

@xiaomustock 南方两倍海力士亏麻了

今天还得装死了，我的持仓全跌， 全方位亏钱。

@realzbc @real_kai42 大概率Opus 47

@real_kai42 花了几千刀的 token, 用的哪一家😅？

过去一个月是疯狂的一个月 大概一个月前，我下定决心重构 kimi-code，开始设计新的架构。 我大概抱着电脑和便携屏在汤泉卷了两整天，花了几千刀的 token 去做架构分析、设计和验证，最终得到了一份我认为最优的架构方案。 我觉得在 vibe 时代，架构变得更加重要了，一份好的架构能够在可控的范围内，让 Agent 肆意 coding，而不会打破东西 - 架构确定后，就开始冲刺实现。（过程中吵和推翻了无数次） - 迅速组建了一个强大的 team，感恩兄弟们无条件的信任🙇‍♂️ - 迅速 onboarding 整个 team，🙇‍♂️ 再次感恩兄弟们 - 封闭开发了一段时间（🤣年轻的时候，觉得是糟粕，真到时候，发现是人类工程效率奇迹。你无法想象随时可以拉着全部人在白板前吵架的架构迭代速度） - 虽然代码都是 vibe 的，但依旧逃不过 “代码质量正比于人类的注意力密度”。所以 agent 并不会替代所有程序员，只会让顶级的程序员生产力翻 20 倍，并淘汰其他程序员，且，集体主义 >>> 个人英雄主义。 - 一步一个坑的解决过程中遇到的问题。每一天都是最绝望的一天😭 - 开源后就病倒了，皮质醇分泌过度，影响免疫力 - 这一个月学的东西够我消化半年的 - 一周干了一整箱红牛，还得是生物燃料 - 🫥 也在 x 上消失了一个月 本来想写一些文章去总结过程中一些 insights 和 idea，但我本来就不擅长写长文，外加人脑自我保护让我迅速忘记了整个过程中的痛苦，并模糊了时间观念（冷知识，kimi-code 重构版开源其实才过了一周多，但在我的感性认知中，像是已经过了一个月） 等 kimi-code 陆续迭代到稳定，再去总结过程中的 lessons learned

@antiAIvo cheater？

腾讯的AI agent WorkBuddy、CodeBuddy 是我以前所在的团队做出来的 跟我天天玩的小伙伴 现在也成了负责人，晋升总监了 以前他经常说： 你看xxx清华毕业的 同年龄当时光芒耀眼 自己却黯淡无光 如今都在腾讯 但是职级确没有自己高 这叫殊路同归 而今天AI的红利 他已经是 大鹏一日同风起，扶摇直上九万里

@dexteryy 太强了… 这自由了吧

昨天是neocloud快乐日，今天是scale-up快乐日，今年「追高」的新资产（主要是硅光和NAND）都在英伟达的托举下贡献了超额收益。三年半12倍，七年半28倍，感谢詹森

@idoubicc 看起来是实战经验丰富的

聊一聊 Agent 的存算分离架构设计👇 一个有灵魂，有记忆的 Agent，一次任务的生命周期包括以下步骤 1. 用户输入 query（text + files） 2. Agent 读取提示词文件（soul.md，identify.md，user.md 等） 3. Agent 读取可用的工具和技能（tools，skills 等） 4. Agent 读取记忆（memory.md，memory_search 查询） 5. Agent 构建上下文（prompt + tools + memory + query） 6. Agent 进入 Loop（LLM 调用 → 工具调用 → 观测 → 再推理） 7. Agent 交付结果（Artifacts） 什么需要存：提示词文件，工具和技能，对话记录，交付产物 什么需要算：上下文拼接，LLM 调用，工具调用 简单表示这个过程 fn(query, agent runtime) = artifacts 我们可以把 agent 运行方式简单分为三类 1. 本地裸机运行 2. 本地带沙盒（sandbox）运行 3. 云端多副本运行 --- 1. 本地裸机运行，是 OpenClaw 之类 Agent 的常见模式。Agent 提示词文件、skills，对话记录（sessions）全部存在本地磁盘，Agent 执行任务时，会在固定 workspace 目录下运行，用户上传的文件、Agent 产出的文件全部落在同一个 workspace，Agent Loop 完全依赖本地文件构建上下文和执行工具调用，存跟算是一体的。 这种模式好处是足够简单，避免了额外的文件挂载开销，弊端在于安全性，比如 Agent Loop 执行了一个 exec(rm -rf /) 工具调用，很容易对宿主机产生破坏 2. 本地带沙盒运行，是 Codex 之类的 Agent 的常见模式。主要解决两个问题。一是防止 Agent 越权操作，提高安全性；二是解决宿主机的依赖缺失导致工具调用异常的问题。 Agent Loop 执行工具调用时，涉及到敏感操作或者有外部依赖时，把宿主机的 workspace 目录挂载到 sandbox，在 sandbox 执行工具调用，输出产物自动同步到宿主机的 workspace 目录 这种模式下的存算分离，只在工具调用环节引入 sandbox 来动态计算，存储主要靠宿主机的文件系统 3. 云端多副本运行，是 Manus 之类的工具型 Agent 的常见模式。主要特点是多租户，多任务，长时间运行 像 genspark claw，kimi claw，max claw 之类的托管版小龙虾，本质上是在云端多副本运行的助理型 Agent，每个用户有独立的提示词文件，动态安装的 skills，需要长期记忆 这类 claw 托管服务，最简单的实现方式是搭建一套 k8s 集群，在每个 pod 部署一套 Agent 框架（OpenClaw，harmes 等），通过 pvc 挂载云硬盘，实现对用户资料的持久化存储。通过负载均衡策略把每个用户的请求路由到固定的 pod，在同一个 pod 做 Agent Loop，存算是一体的，每个 Agent 有独立的运行空间。这种方案隔离性很好，不好的地方在于 pod 需要常驻，运行成本很高，难以规模化 --- 云端 Agent 需要规模化（scalable），必然要结合 serverless 架构做存算分离。计算层依赖 k8s 集群的调度机制动态扩缩容，水平扩展 Agent 网关的并发处理能力 存储层结合 Agent 的运行生命周期，不同阶段的产物用不同的存储方案，主要分为四种 1. 热状态。Agent Loop 的 step，plan，游标等状态，用 kv（redis）来存，高性能，低延迟，用于异常重启后的断点恢复 2. 对话和任务记录。在任务完成后用关系型数据库（postgres）来存 3. 长期记忆。基于对话/任务记录做摘要，提取成记忆，用向量数据库（pgvector，milvus）来存 4. 工作产物。包括用户上传的文件，Agent 输出的文件，系统内置的 tools，动态创建的 skills 等，用对象存储（s3，oss）来存 --- 以 FastClaw 为例，演示基于存算分离架构的云端 Agent 的运行过程👇 1. 一套 k8s 集群，日常 2 个 pod，部署 fastclaw gateway，接收用户请求 2. 负载均衡把用户请求路由到其中一个 pod，Agent 开始计算逻辑： 2.1 从 db 读取提示词文件（soul，identity，user） 2.2 初始化 pod 内一个临时目录作为 workspace 2.3 初始化 sandbox，挂载 workspace 2.4 从对象存储下载用户资料和系统 skills 到 workspace 2.5 调用 memory_search 工具，从向量数据库查询记忆 2.6 拼接上下文，调用 llm，解析工具 2.7 在 sandbox 执行工具调用，读写 workspace 内的文件 2.8 把 Agent Loop 过程中的状态设置为 checkpoint，保存到 kv 2.9 Agent 输出结果给用户 3. 通过惰性检查，把不活跃的 sandbox 关闭，关闭前把 sandbox 内 workspace 的文件上传到对象存储 以上的存算分离架构，计算层依赖 pod + sandbox，pod 水平扩容支持并发调用，sandbox 承接少量的工具调用，使用 e2b 作为 sandbox 可以做到秒级启动，构建 sandbox 池可以提高并发容错；存储层依赖 kv + db + vector db + oss 的组合使用，瓶颈在于 io 延迟 这套架构最大的挑战在于分布式多副本场景下的数据一致性，需要合理使用锁机制和负载均衡策略。 理解了这套架构，再去看 Manus，Claude managed agents 的实现，就很好理解了。 篇幅有限，不能详述细节，欢迎留言讨论。🤗

@lb377204209 这个是公开的秘密。阿里系高管进驻两年了吧快

立个flag：山姆超市中国业务2030年之前会被阿里（概率65）或则京东（概率35%）收购，这几年山姆井喷一样的到处开花，应该就是为全面退出中国做准备，把规模做大，把现金流做大，到时候卖个好价钱。

@ruanyf 这是什么工具可以看token量

上周，OpenClaw 创始人贴出了自己的 Token 使用量。（下图） 他一个月消耗的 Token 数量为6030亿。根据预设的费率，这些 Token 价值130万美元！ 这并不是真实支出，只是一个估计值。因为他是 OpenAI 员工，可以无限量免费使用公司的 Token。 但是，可以用这个金额衡量，如果放开使用顶级模型，公司要支付的费用。一个人一个月130万美元，相当于近900万人民币，一年下来超过1亿人民币！ 就算改用便宜的模型，国内的开源模型，价格大约是国外旗舰模型的1/30到1/50，那么一年也要200万～300万人民币。 我写了一点自己的想法。公司会发现，如果无限量使用，AI 编程比真人程序员昂贵多了。ruanyifeng.com/blog/2026/05/w…

@jassion767 Axti

磷化铟近期消息汇总: 1、2英寸衬底突破3000美元 2、6英寸破6500美元 3、英伟达被曝溢价300%锁单 4、AXT积压订单突破1.5亿美元 5、华w旗下的哈勃科技入股磷化铟基高速光芯片自主研发，产品可应用于最高至3.2T高速光模块 6、3.2T方案在800G基础上需求再翻5.6倍。 总结：供需缺口看不到天花板

国产 AI GPU 的真正瓶颈，可能不是“算力”，而是 HBM。 很多人讨论华为昇腾，只盯着制程、架构、CUDA 生态，但大模型训练真正吃的是： 参数读写、激活值读写、KV Cache、并行通信、吞吐稳定性。 这些东西最后都会打到一个核心问题上：内存带宽。 所以昇腾 910 / 910B / 910C 高度依赖 HBM，并不是简单“堆料”，而是高性能 AI 加速器的生死线。 没有 HBM，高算力芯片很容易变成： 算得快，喂不饱； 峰值高，利用率低； 芯片强，训练慢。 AI 时代的芯片竞争，表面看是 GPU，底层其实是： 先进封装 + HBM 供应链 + 软件生态 + 集群互联。 谁能持续拿到更强 HBM，谁才有机会撑起真正的大模型训练。 #华为 #昇腾 #Ascend #国产GPU #AI芯片 #HBM #大模型 #人工智能 #半导体 #先进封装 #GPU #NVIDIA #算力

@luoling8192 @MaxForAI 有。我的项目。以及腾讯、字节都是用go做agent，尤其是云agent

@MaxForAI 话说有用 go 做 Agent 的吗？

昨天见了一个非常牛逼的Agent团队，我敢说在国内绝对是T0的级别（之前DPSK还找他们搞了点Agent数据） 刚好聊到了这两天推上吵得非常热闹的AI产品（Agent）要不要用Python的话题 他们Founder说的很直接：SB才在Agent项目里用Python🤣 TS适合100%Agent项目，主要有几个原因： 第一，Agent最终大多时候会在产品里。 不管你做的是Chat界面、工作流面板、浏览器插件、Copilot，还是IDE扩展、Slack/Discord/网页工具，TS天然离这些更近。 前端是TS，后端也是TS，中间的tool schema、事件流、UI状态都能共用一套类型。 如果你用Python那就会变成： 模型服务在Py、后端在Node、前端在TS 一份schema要复制三份 如果某个字段名大小写错了，你的Agent马上就给死给你看。 第二，Agent很依赖异步和事件流。 Agent不是一次请求一次回答这么简单。 它要边想边输出，边调用工具，边等用户确认，边更新UI，边处理取消、重试、超时、恢复。 TS/Node在事件驱动、stream、WebSocket、server-sent events这些场景里很顺。 Python当然也能做，但你会更容易感受到「这东西本来不是为这类Web产品链路长出来的」。 第三，类型系统对Agent很重要。 Agent真正容易炸的地方不是「模型不会说话」，而是工具参数错、返回结构错、状态字段错、上下文对象变形。 TS可以把很多东西提前卡住： tool input/output、agent state、message format、UI事件、workflow node、permission object、external API response 这对Agent很关键，因为Agent系统里有大量JSON对象在飞来飞去。 第四，TS更适合做「Agent runtime」。 如果你做的是一个Agent框架、SDK、运行时、插件系统，TS优势更明显。 因为使用者往往要把它接进： 网页、后台服务、Electron、浏览器插件、VS Code插件、API route、serverless、edge runtime 这些地方TS生态更统一。 所以很多Agent infra选TS，不是因为Python不行，是因为它们要服务的使用场景更接近Web开发者和产品团队。 第五，AI应用现在其实是拼系统。 早期大家用Python，是因为AI=模型。 现在很多AI产品已经演化到包含LLM API、tool calling、database、vector store、browser automation、workflow、UI、billing、auth、analytics 这已经不是研究工程了，是产品工程。 互联网产品工程的主语长期就是JS/TS。 很无聊，但世界就是这么没品😮‍💨 但他也表示Python不会消失。 更合理的分工其实是： Python做模型层、数据层、eval、embedding pipeline、离线任务、实验脚本。 TS做产品层、Agent编排层、前端交互层、插件层、用户可见的runtime。 所以你如果做一个Agent产品，你最好： MVP前端+Agent orchestrator用TS。 涉及模型训练、数据处理、复杂检索、评测系统，再上Python。 聊了一下午，真的学了太多了 才知道自己之前对于Agent的认知到底有多浅薄🧎

如果存储巨头也有二次元代言人—— SK hynix 是橙色热情，Micron 是蓝色理性，SanDisk 是红黑速度感。 感觉半导体战争突然变成了夏日番外篇，美光，海力士，闪迪你最喜欢谁？

@hanking66 可惜里面藏了个腾讯和中海油什么玩意😲

买不了美股怎么？那就曲线救国，就看你有没有发现美的眼睛了，😂😂😂 比如港美互联网lof，我感觉应该改名美台半导体😂😂真他妈什么神仙组合 Buy the dip，长期持有，Discord在个人资料。

@berryxia 已下载。BYOK可以支持xiaomi mimo吗

卧槽… 兄弟们 我真的是后知后觉～ 今天还屁颠屁颠跑到Bloome 去问什么时候可以支持iOS端啊？ 结果告诉我说美区已经可以使用了… 因为我一直以为没有在iOS 添加到主屏幕在用，忍受着… 结果下载完使用起来太丝滑了…… 真特么好用…

@rollingtokens @yusan1776 PCG 都是 go 写的业务逻辑

@yusan1776 鹅厂也是，部分BG新项目以Go为主，少数BG因为历史原因坚守C++

字节至今为止做出的最好技术决策就是用 Go 作为主力语言，第二好的技术决策就是把 Infra 和技术中台的建设提升到战略级别。

@dannykkg @shao__meng Qclaw tencent 还在更新呀 05-20 V0.2.22

@shao__meng 所以有啥实际用处吗？除了这个动画😅，我给朋友推荐 QClaw，正用在呢，停更了，甚至他们自己停更的当天还在拉人开会推广。

腾讯的 Marvis 今天手痒我真的去试了试 怎么说呢？确实是我手痒了，这手得剁 😂 整个软件，就这个 Agent 模拟办公室的 dashboard 小动画也有些意思，Marvis 这个项目经理，收到任务后，会小跑到需要调用的 Agent 面前窃窃私语一番，这个 Agent 开始干活后，Marvis 继续回到工位假装很忙的盯着进度；更有意思的是，没活儿干的 Agent 会摸鱼玩游戏 😄 腾讯的产研部门，这是按照自己部门的工作状态做的吗？永远只有几个人真的在忙、项目经理永远假装在忙和在各种催进度、大家摸鱼的功夫百花齐放，公司眼中，最关注的永远是 Token（人力）成本。。 最后说回 Agent 执行结果，算了不说了，一言难尽

@Colin52v 点链接就行

@Syulichas 怎么开？

富途要清退了。投资美股，现在中国大陆能直接开户的港券商 新加坡盈立 Join me and experience the uSMART APP now! m.usmartsg66.com/promo/overseas…

@simonliu707 @btclaochen 需要锁多久。期间不能交易？

@btclaochen 证券公司转户不需要费用

如果你是在被封杀的证券开户，又你不想卖掉股票，现在有一个比较好的解决方法。 赶紧开个诸如第一证券的户，将股票全部转过去即可（账户里面的股票和现金皆可一起转户）。至于有什么政策风险，这个我就不清楚。

想投资美股，却被开户门槛卡住？ 现在大陆用户用身份证就能直接开户美国券商了！ 推荐 BBAE 必贝证券（Redbridge）： • ✅ 纯大陆身份证开户，无需护照、无需海外地址、无需港澳台证明 • ✅ 0佣金交易美股 + ETF（含零碎股） • ✅ 支持IPO打新、期权、盘前盘后交易 • ✅ 开户快，3分钟在线完成 • ✅ 新用户入金还有现金奖励（限时活动） 想稳稳配置苹果、英伟达、特斯拉等美股，现在最方便的渠道之一就是 BBAE。landing.bbae.com/m/h5/new-user-… 邀请码 stj2hhrh3