25m
最近推特上反复刷屏的 loop / loop engineering，出处就是 5 月 4 日这场访谈——Anthropic 的 Claude Code 创造者 Boris Cherny (出过一本 TypeScript 教材、靠写代码立身的工程师) 在红杉 AI Ascent 2026 上，第一次系统讲了他怎么用 loop。我把整场访谈视频翻译成了中文。
他抛出的第一个点：编程对他来说已经 100% 解决了。
「对我来说，100%。」
不是嘴上说说——他说模型现在写了他 100% 的代码，每天提几十个 PR，上周单日纪录是 150 个。Claude Code 的代码库也没什么秘密（被泄露了），就是 TypeScript 加 React。
那他一个人怎么撑起一天 150 个 PR？
靠 loop。这就是最近被反复讨论的那套打法——他让 Claude 用 cron 排重复任务，发出去就不管：
「而且到现在，我已经有几十个 loop 在跑各种任务了。」
有一个帮他盯 PR、修 CI、自动 rebase；还有一个每 30 分钟从 Twitter 抓反馈帮他聚类。他给的定性很重：
「我现在觉得 loop 就是未来。」
他还提到刚上线的 routines，原理一样，但跑在服务器上——「就算你关掉笔记本，它也还在继续跑」。
那这只是他一个人的极客玩法？
不是。他说整个 Anthropic 内部「已经没有任何手写代码了，所有 SQL 都是由模型写的」。工程师各自的 Claude 在循环里跑，还会通过 Slack 互相沟通，一起解决问题。
写代码这么便宜，软件公司会不会就没价值了——SaaS 末日？
他不这么看，但认为护城河会洗牌。借 Hamilton Helmer《七种力量》的框架：切换成本、流程壁垒这类会先失效，网络效应和规模经济仍然有效。他还押了个数字：
「我认为接下来 10 年里要颠覆一切的创业公司数量会增长 10 倍。」
那写软件这件事本身会变成什么？
他搬出印刷机：印刷机问世后 50 年，欧洲出版的文字量超过此前一千年总和，书价降了近 100 倍，识字率最终从约 10% 升到约 70%。他判断软件会沿同样的路平民化，「会比 50 年快得多」，最终「变成一项技能，就像会发短信一样」。
落点很锋利——最适合写会计软件的不是工程师，而是会计：「编码才是简单的部分，难的是懂领域知识。」
被问到两年后会怎样，这位创造者反而给了最诚实的答案：「哦，2 年后，哥们我真不知道。我们只做 1 周以内的计划。」
· loop 就是未来：几十个 cron agent 盯 PR、修 CI、抓反馈
· 编程 100% 解决、单日 150 PR
· 公司零手写代码，Claude 之间 Slack 互相循环
· 切换成本／流程壁垒先崩，颠覆者 10 倍
· 印刷机类比：软件像识字一样平民化
1
126
避坑指南：如何避免无脑运行循环导致大模型额度瞬间归零？
许多开发者在配合 Codex 编程时，习惯直接丢给最强模型去跑自动化测试与循环，结果短短几个小时就会烧光所有的 Token 额度。我在经历了一下午烧光五小时大模型额度的惨痛教训后，重构了自己的开发工作流。
以下是面向开发者的三大核心干货与小技巧：
一、 重构思想：把大脑和手解耦（Decoupling the Brain from the Hands）
这是源自 Anthropic 官方的技术理念。在智能体开发流程中，应当把思考规划与具体执行彻底拆分：
1. 大脑（ChatGPT 与 GitHub）：负责高层面的系统架构设计、读取与分析代码、拆解子任务、制定实施方案以及最终的代码审查（Code Review）。强模型在此处只进行宏观规划，不执行低效的代码编写。
2. 手（本地 Codex）：负责具体的代码细节修改、Diff 落地与本地编译。
二、 阶梯分工：派对的人干对的事
不要使用昂贵的大模型去处理日常琐事，而要根据任务的风险和复杂度分配最合适的模型：
• 高风险、跨模块决策点：使用 GPT-5.5。只在需要架构判断的关键节点调用它。
• 日常 Bug 修复：交给 5.3 等中等规模模型，性价比更高。
• 低风险活（写注释、写文档、批量替换）：交给 5.4-mini 或者 DeepSeek V4 等小模型，处理这种重复性且不需要深层推理的工作。
三、 提升效率与节省 Token 的实用小技巧
1. 避免终端自动重试循环：不要允许 AI 在终端中盲目地自动重试编译。编译报错时，先让小模型找出明显的语法错误，只在遇到复杂的逻辑冲突时才升级调用大模型。
2. 混合模型协作更准：强模型统筹规划加上小模型局部干活，往往比单一大模型从头写到尾更准确。强模型在宏观规划时不容易迷失方向，而小模型在局部细节上执行时不容易引入冗余的上下文噪音。
3. 控制上下文边界：合理控制上下文长度，每次只把当前子任务相关的代码块喂给 AI，避免一次性吞入整个项目代码库导致 Token 爆炸式增长。
1
3
120
# 一个开发者，二十四个 Agent，零对齐：为什么我们需要协作式 AI 工程
Maggie Appleton 是 GitHub Next 的研究工程师。她在最近的演讲中提出了一个尖锐的问题：**当一个人加一堆 Agent 能做一整个团队的工作时，最大的瓶颈不是"怎么造"，而是"造什么"——以及"团队里所有人都同意造这个吗"。**
以下是演讲全文翻译。
---
首先自我介绍一下。我是 Maggie，GitHub Next 的 staff research engineer。至少头衔是这么写的，但实际上我是个设计师。或者说我过去是，那时候设计和工程还是分开的两个东西。
Next 是 GitHub 内部的实验室团队。我们做的项目比组织里其他人更实验性、更有风险。也叫"瞎搞然后看看会怎样"部门。
和所有人一样，我们在试图塑造下一代 Agent 驱动的开发者工具。
我管这个叫"一个人加二十四个 Claude"的未来理论。它的卖点是：一个人带着一队 Agent，能干完一整个开发团队的工作。
这个梦想的主要问题在于：**它假设软件是一个人做的。**
所有这些工具都是单机界面。
它们专注于放大个人的产出。
但放大个人的价值是有限的。
因为软件不是一个人在真空中造的。它是团队运动。所有参与建造的人需要就"建什么"和"为什么建"达成一致。
相信个人生产力能带来好软件……
……是"九个女人一个月生一个孩子"的逻辑。
更多的个人产出解决不了需要所有人沟通和协调的问题。它只会让这些问题变得更糟。
---
## 实现正在变成已解决的问题
写代码现在很快，越来越便宜，质量也在往右上角走。
**难的问题不再是"怎么建"。而是"该不该建"。**
就"建什么"达成一致，是新的瓶颈。
团队里的每个人都需要参与进来，问这些问题：我们在做对的东西吗？我们把精力花在了对的地方吗？怎么才能产生最大的影响？
当生产成本变得便宜，机会成本就成了真正的成本。你不可能什么都建，而你选的每一样东西，都是以放弃其他所有东西为代价的。
任何一个在团队里交付过软件的人都知道，这不是新问题。**对齐（alignment）一直是瓶颈。**
但 Agent 让"团队不对齐"的代价变高了很多。
更糟糕的是……
……我们的协调工具仍然来自另一个时代。
GitHub、Slack、Jira、Linear 这些工具，在它们当前的状态下，并不是为 Agent 驱动的开发世界设计的。
我们在把大量 Agent 的产出灌进一个为过时的软件构建方式而设计的平台。**PR 和 Issue 是错误的原语**——它们处理不了 Agent 工作的速度、形态和量级。
我知道我在 GitHub 工作，说这个可能听起来像异端。但我保证，在内部说这话没什么争议。很少有人相信 PR 和 Issue 是工程未来的理想原语。而且我们内部有大量的人在探索接下来是什么。
---
## 旧流程 vs 新现实
以前的开发流程是这样的：我们有规划阶段、构建阶段、审查阶段。
整个过程中有很多对齐的接触点——Slack 上的讨论、Zoom 会议、Issue 下的评论、草稿 PR 里的细节讨论。每个人都能发表意见，从团队里的专家和资深成员那里获得建议，发现问题，调整方向。
等到代码被审查和合并的时候，整个团队都已经看到了这个工作的推进过程，大致达成了共识。
**但那个"实现窗口"已经坍塌了。**
因为实现不再昂贵和耗时……
……我们就觉得不需要那么多规划了。
于是大部分早期的对齐接触点消失了。
我们知道，生成代码的审查时间已经变长了。
所以审查阶段确实产生了更多对齐接触点——但它们在实现的错误一侧。
现在从记录一个 Issue 到一个 Agent 打开 PR，只需要几分钟。代码太便宜了，我们在 prompt 之前根本不会停下来好好想。
更糟糕的是，大多数当前的编码 Agent 都有一个**本地规划模式，但它不与其他人共享。**
所以你甚至在把计划交给 Agent 执行之前，都没有检查过团队是不是同意这个计划。我们又失去了更多对齐点。
这导致可怜的 Pull Request 不得不承载所有检查点的重量——在流程的最末端，当一切都太晚了。而这从来不是 PR 被设计的初衷。
**我们现有的工具，没有一个能给团队一个共享的空间来讨论计划、收集正确的上下文、集体与 Agent 协作。**
---
## 我们都在承受后果
在没有良好对齐的情况下快速前进，会导致：
**浪费的工作**
- 没人要的功能，解决不了真正的问题
- 东西做完了才收到关键反馈，只能全部扔掉
**协调债务**
- 毛茸茸的合并冲突——多个 Agent 碰了同一个文件
- 重复工作——你和另一个工程师把 Agent 分配到了同一个功能
- 一摞一摞的 PR 等着审查，没有人有任何上下文
---
## 怎么解决？
我们需要一些工具，帮助团队里所有人**在 Agent 开始工作之前对齐，而不是之后。**
这种对齐需要持续发生，与实现并行。
规划和构建不再是分离的两个阶段。它们是连续的循环。未来的工具需要把规划、上下文收集、决策和开发放在同一个屋檐下。
这一点尤其重要，因为**对齐所需的大部分上下文不在代码库里。**
它在人的脑子里。
- 你的业务上下文和财务资源，决定了正确的事是什么
- 谁掌权、谁做决策的政治动态
- 领导和 PM 的产品愿景
- 设计师和客服的用户研究洞察
- 组织的历史和你以前建过什么
……所有这些在决定"你的团队该建什么"的时候，都极其重要。
**Agent 永远不可能自己发现这些上下文。** 你需要一种方式，让人类早点分享出来、自然地分享出来，而不是增加流程和负担。
---
## Ace：一个原型
所有这些对 Next 来说都非常清晰，所以我们一直在做一个新的研究原型来探索怎么解决这些问题。它叫 **Ace**。还不是正式产品。如果你觉得它看起来有点粗糙，那是因为它确实粗糙。
我们即将进入技术预览阶段。我们会和几千个用户一起测试，了解人们在里面的协作方式，然后迭代。
这就是 Ace。可能看起来很眼熟。我们不多造没必要的轮子。
它有点像 Slack、GitHub、Copilot 和一堆云电脑生了个孩子。
左边是会话列表。**会话（session）是我们工作的地方。是一个多人聊天。** 类似 Slack 的频道。
我的队友在里面，我们可以聊我们在做的工作。但我的编码 Agent 也在里面。
每个会话不只是聊天频道。它还背靠一个 **microVM**——一个云端沙盒电脑，在它自己的 git 分支上。
每个会话里的修改是隔离的，所以我们可以并行处理不同任务，并且瞬间切换。
如果我想拍拍队友肩膀，问问他们对我正在建的功能的看法——**没有人需要 stash 他们的 git 改动、拉下分支、或者折腾任何本地 worktree。**
我直接跳进他们的会话，看看他们在干什么。包括他们跟 Agent 的整个 prompting 历史，理解他们是怎么到达当前状态的。
就像本地机器一样，我可以在会话里运行终端命令。我跑了 `bun install` 和 `bun dev` 来启动我当前的项目。
我的实时预览在侧边的浏览器里打开。我的 demo 项目是一个冷静版的 Hacker News，只显示过去三个月里的热门文章。
我要让 Agent 把配色改成紫色。我们可以看到它立刻出现在预览里。
Agent 自动帮我提交了，附带一个可读的 commit message。我可以打开 diff 确认它实现的方式是我想要的。一切你对编码 Agent 的期待。
---
## 多人 prompting
现在我们准备做点真正的工作。队友在这个会话里和我在一起。我要让 Ace 给我的应用加一些额外的配色主题。我选我想用的模型——Opus 4.6。Ace 开始干活。
右上角有一个很实用的摘要块，始终与这个会话的最新改动保持同步，不管改动来自我还是别人。这意味着我可以在会话之间切换，始终了解发生了什么，哪怕同时有多条并行工作流。
但更重要的事是，我想跟队友说话。我可以问他们觉得当前的改动怎么样。
他们可以自己启动 dev server。
记住，**我们都在云端的同一台电脑上工作**，所以这完全没问题。我们都能看到同样的预览，我们都可以输入终端命令、看到共享的输出。没有人会说"在我机器上跑不起来"。
我的队友 Nate 和 Idan 进来了。他们截了图，提了一些替代功能的建议，在问问题。
我们能看到 Nate 正在让 Ace Agent 做修改。最初是我启动了这个会话，但我们俩都可以给 Agent prompt。**这是多人 prompting。** Agent 也能读取我们的整个对话——那都是 prompt 的输入。
这种 Slack 式的、可以访问编码 Agent 的界面意味着：**所有参与创造软件的人——不只是开发者，还有设计师和 PM——都可以在同一个对话里，实时看到功能被构建的过程。**
如果你在想，为什么不用 Slack？因为 Slack 永远不会成为一个功能完整的软件开发工具。它没有正确的原语，而且它不会去加。Ace 明确是为了软件开发而设计的，但它比其他终端工具更欢迎团队里的非开发者进来。
---
## 回到交付
我们觉得效果不错，所以准备创建 PR。毕竟最终所有这些代码都要回到 GitHub。
我们可以直接在 Ace 里面创建 PR。可以在 GitHub 上打开。它有一个链接回到我们的 Ace 会话。这一切都是向后兼容的。
有时候你还是需要碰代码。我觉得前端设计工作仍然是这样。Agent 在 CSS 上简直一塌糊涂。
我们仍然可以在 VS Code 中打开我们的项目。我们有**实时的、多人的代码编辑**，和会话里的所有人一起。
因为——再说一遍——这是一台 microVM 云电脑。
我可以合上笔记本电脑，工作可以继续。**我的会话不会死。** 我的队友可以继续跟 Ace 聊天，继续推进。
我们还没有移动端界面，但正在做。microVM 会让移动体验无缝衔接。我可以在手机上打开 Ace，不需要 SSH 进一个终端实例、不需要开着笔记本、不需要去买一台 Mac Mini 来保持可用。**我只需要跟我云端的那台永远在线的 Ace Agent 说话。**
---
## 计划模式
对于更大、更复杂的功能，你会想让 Agent 写一个计划。这已经是一个非常标准的工作流了。
我们在讨论给冷静版 Hacker News 加可变时间范围，然后我让 Ace 做一个计划。
我们在计划里了。我可以看到所有队友的光标。**我们可以一起协作编辑它。**
Nate 在建议用下拉菜单而不是分段组件来做界面。Idan 在更新需求，让 Agent 知道要这么做。
当我们对所有细节满意了，就可以回到聊天，让 Ace 开始构建，然后它就去了。
---
## 仪表盘
我跳到了 Ace 的仪表盘。
很多本应发生在 Slack 或 GitHub Issues 里的规划和讨论，现在都发生在我们的会话里。我们可以接触到大量关于正在进行的工作的丰富上下文，并且可以有效地总结它。
现在是周一早上，我在试图回忆上周五我留下什么没做完。Ace 在提示我继续做我在重构时写的一些 React hooks。这很有用——长周末之后我的人类记忆很烂。
从这里我可以启动一个新会话，或者在"继续做"区域，一键打开一个会话继续我没合并的重构 PR。
我也可以看到最近完成的 PR 和 Issue 的列表，用来抚慰我的自我，让我觉得自己很有生产力。
右边有一个"团队脉搏"区域，总结了我的同事在过去几天里干了什么。
我可以看到 Nate 在交付一个 lobby 频道。David 在修 access token 的问题。
也有这个仓库上最近 PR 和 Issue 的原始信息流。但我觉得摘要模式更有用。
**Agent 驱动开发最大的挑战之一是：工作的速度和量级让你很难跟上同事在做什么。** 他们现在一天交付五个功能而不是一个。
这个仪表盘是我们让 Agent 主动把上下文带给你的第一次尝试。
---
## 社交信息织物
如果所有围绕代码的对话都可以被 Agent 访问，那就给了它们接触一张**社交信息织物**的权限——它们可以每天早上帮你定位，帮你和团队保持对齐。它们可以通知你某个决策，或者把你拉进一个对话——有人正要扩展你最初建的功能。
**这不再是一堆孤立的、跑在个人电脑上的终端实例。这是一个活生生的智能环境，所有人共享同一个工作空间和上下文。**
---
## 这一切是为了夺回你的时间
在编码 Agent 出现之前，我们谁都没有足够的时间和精力按我们想要的方式来做产品。
我敢保证这个房间里的每个人都交付过自己不自豪的软件。也许你没有做足够的用户研究，也许没有足够仔细地考虑设计问题，也许没有想清楚架构选择的影响。
不是因为你不想。而是因为**实现占用了我们太多的时间和精力。**
但我们被还回来了很多时间。
我们有一个机会——不是跑得更快、建一大堆同样烂的软件。而是通过更严谨的批判性思考和规划阶段更好的对齐，来做出更好的软件。
更多的探索，更多的研究，比之前更深入地思考问题。Agent 允许我们以一种方式扩展团队，如果做得对，应该会通向更高质量的软件。
很多人现在意识到：**在一个软件又快又便宜的世界里，质量成了新的差异化因素。**
门槛在变高。**工艺（craftsmanship）会让你区别于 vibe-coded 的垃圾。**
但工艺仍然消耗时间和精力。它不是免费的。而为了买到这些时间和精力，你需要**做更少的事、做更好**——这需要强大的对齐。
现在也有比以往更多的干扰。很容易一个 prompt 就走向了错误的方向，或者给你的产品加了一大堆没用、不需要的功能。
**我的梦想是，我们最终会拥有一些工具——不管是 Ace 还是别的——能创造出这样的环境：团队可以在一起严谨地思考困难的问题。我们的 Agent 工具应该帮我们做更高质量的工作、更快地对齐、建出少数几个卓越的东西，而不是一千个垃圾。**
---
原文：Maggie Appleton, *One Developer, Two Dozen Agents, Zero Alignment: Why we need collaborative AI engineering*
maggieappleton.com/zero-alig…
#AI工程 #Agent #团队协作 #GitHub #软件工程
1
199
Claude Code免费接入DeepSeek V4教程，零成本爽用
第一步：获取API Key
可选择阿里云百炼或魔塔社区，都提供了一定的免费额度
阿里云百炼（V4 flash和pro各100w token额度） bailian.console.aliyun.com
魔塔社区（日均2000次免费调用，单模型日均限500次） modelscope.cn/home
第二步：下载 CC Switch 并新建供应商
CC Switch是一个方便切换不同供应商的桌面工具
下载地址：github.com/farion1231/cc-swi…
下载完后进入应用，新建供应商，从预设中选 Bailian 或 ModelScope，把对应平台的 API Key 粘贴进去。
第三步：配置模型
按需求来填，我是主模型V4 flash，Opus选V4 pro
有个坑要注意，默认只有 200K 上下文，想开 1M 上下文必须在模型名后面加 [1m]
注意不同平台模型名写法：
- 阿里云百炼：deepseek-v4-flash[1m]、deepseek-v4-pro[1m]
- 魔塔社区：deepseek-ai/DeepSeek-V4-Flash[1m]、deepseek-ai/DeepSeek-V4-Pro[1m]
第四步：保存配置，打开 Claude Code 即可食用
29
315
1,613
178,450
最近更新了一版自己的开源 Skills 仓库：
🔹 wtt-app-review-insights：丢一个 App 名字进去，自动去 app store 抓评论，AI 挖出痛点、机会、用户分层、版本风险。我上周分析了一个竞品，5 分钟出报告，以前要翻一整个下午。这个感谢 @vista8 向阳乔木大佬的开源，我把它改成 skill 来用了。
🔹 wtt-llm-wiki-builder：在任意文件夹里搭知识库。散落的笔记 → 结构化 wiki，支持三种模式：从零搭建 / 增量编译 / 健康体检。我现在所有知识资产都在这个架构里跑，再没乱过。这个感谢 Andrej karpathy 大佬，我把他的 markdown 文件改成了可执行的 skill，可以快速帮忙整理和开发知识库。
🔹 wtt-project-harness-generator：扫一遍你的代码，对话几个问题，自动生成 CLAUDE.md 和 AGENTS.md。新项目 5 分钟配好 AI 规则，不用再口头传。这个主要是 vibe coding 的时候专用，好的开发，先要有好的开发文档，使用这个 skill 可以帮你把第一步搭建好。
三个 Skill，Plugin 市场直接装，装了就跑👇
github.com/WaterDJiang/Wattt…
2
40
有人用几天时间搭了一套 AI 控制的手机矩阵
硬件全是捡来的：一台旧 3D 打印机的框架、几台淘汰的安卓手机，再加上一个免费开源 AI 模型生成的控制代码
从视频看，3D 打印机的机械臂被改成了自动操作手机屏幕的装置，AI 控制移动轨迹，实现多台手机同时自动交互内容
说白了就是一个 AI 驱动的物理手机农场
这个项目有意思的地方不在于它能干什么，在于它的成本结构：旧硬件 免费模型 vibe coding，几乎零成本。一个人几天就能搭出来
以前做这种自动化要么靠软件模拟器（容易被平台检测），要么买专门的群控设备（几千上万）。现在用废旧硬件加 AI 就能搞定
技术无所谓好坏，看用在什么地方。拿来做内容分发测试、多账号管理、自动化测试都行，拿来刷量就是另一回事了
不过这个动手能力确实可以，废物利用做到这个程度属实有点东西
4
5
1,422
哭了，原来给 AI Agent 做一个 Token 压缩器，核心代码零依赖就能搞定。
背景是这样的，现在用 Cursor、Claude Code 这些 AI 编码代理，上下文窗口烧 Token 特别快，尤其是把整个代码库喂进去的时候。一个简单的压缩思路是，把代码里不影响语义理解的部分（空行、注释、多余空格）在发送前压掉，拿回来的时候再还原。
今天手写一个零依赖的 Python Token 压缩器，能直接集成进你自己的 Agent pipeline。
前置条件：Python 3.9 ，不需要装任何第三方包。
第一步，建项目结构：
```
$ mkdir token-compressor && cd token-compressor
$ touch compressor.py test_compressor.py
```
第二步，写核心压缩逻辑。思路是分三层：移除注释、压缩空白、缩短常见模式：
```python
# compressor.py
import re
class TokenCompressor:
def __init__(self, level="medium"):
self.level = level # light, medium, aggressive
def compress(self, code: str, lang: str = "python") -> dict:
original_lines = code.split("\n")
result = code
# Layer 1: strip comments
if lang == "python":
result = re.sub(r'#[^!].*$', '', result, flags=re.MULTILINE)
elif lang in ("javascript", "typescript"):
result = re.sub(r'//.*$', '', result, flags=re.MULTILINE)
# Layer 2: collapse blank lines (keep max 1)
result = re.sub(r'\n{3,}', '\n\n', result)
# Layer 3: strip trailing whitespace
result = re.sub(r'[ \t] $', '', result, flags=re.MULTILINE)
if self.level == "aggressive":
# collapse docstrings to single line
result = re.sub(
r'"""[\s\S]*?"""',
'"""..."""',
result
)
# shorten consecutive blank lines to zero
result = re.sub(r'\n{2,}', '\n', result)
compressed_lines = result.split("\n")
ratio = len(result) / max(len(code), 1)
return {
"compressed": result,
"original_chars": len(code),
"compressed_chars": len(result),
"ratio": round(ratio, 3),
"lines_before": len(original_lines),
"lines_after": len(compressed_lines)
}
```
第三步，写个命令行入口，能直接对文件用：
```python
# 在 compressor.py 末尾追加
import sys
def main():
if len(sys.argv) < 2:
print("Usage: python compressor.py <file> [level]")
sys.exit(1)
filepath = sys.argv[1]
level = sys.argv[2] if len(sys.argv) > 2 else "medium"
with open(filepath, "r") as f:
code = f.read()
c = TokenCompressor(level=level)
result = c.compress(code, lang=filepath.rsplit(".", 1)[-1])
print(result["compressed"])
print(f"\n--- Stats ---", file=sys.stderr)
print(f"Ratio: {result['ratio']} ({result['original_chars']} -> {result['compressed_chars']} chars)", file=sys.stderr)
print(f"Lines: {result['lines_before']} -> {result['lines_after']}", file=sys.stderr)
if __name__ == "__main__":
main()
```
第四步，测试一下：
```
$ python compressor.py compressor.py medium
```
你会在 stderr 看到压缩比，一般注释多的文件能压到 0.6-0.7，aggressive 模式能到 0.5 以下。
第五步，集成进你的 Agent 调用链。在发送给 Claude API 之前套一层：
```python
from compressor import TokenCompressor
def prepare_context(file_paths, level="medium"):
tc = TokenCompressor(level)
context_parts = []
for fp in file_paths:
with open(fp) as f:
code = f.read()
result = tc.compress(code, lang=fp.rsplit(".", 1)[-1])
context_parts.append(f"--- {fp} ---\n{result['compressed']}")
return "\n\n".join(context_parts)
# 然后塞进 messages
compressed = prepare_context(["main.py", "utils.py", "config.py"])
messages = [{"role": "user", "content": f"Codebase:\n{compressed}\n\nRefactor the error handling."}]
```
避坑点：
1. aggressive 模式会把 docstring 干掉，如果你的 Agent 需要理解函数用途，用 medium 就好
2. 正则去注释对字符串里带 # 的情况会误伤，生产环境建议用 AST 做（但那就不是零依赖了）
3. 压缩比不是越低越好，压太狠了 Claude 反而看不懂上下文，medium 是实测的甜点
整个项目零依赖，一个文件就能跑。实测在 5000 行的项目上，能省大概 30% 的 Token 开销。。这个钱积少成多还是很可怕的。
20
1
10
431
有很多朋友脑子里装满了很有创意的产品点子，却往往因为不懂代码，倒在了实现的第一步，也有很多人花大几百甚至几千去报什么 Vibe Coding的课程。
刚好看到 Datawhale 开源了 Vibe Vibe 这份指南，专门教你用 AI 辅助编程，从零基础到能做出完整产品。
核心理念是 “你负责想法，AI 负责实现”，通过自然语言描述需求，让 AI 生成代码，你来验收和调整，快速做出能用的东西。
GitHub：github.com/datawhalechina/vi…
内容设计上充分考虑了不同人群，分为了零基础入门和全栈实战两个板块。
基础篇从 “什么是代码” 开始，教你 MVP 思维、提示词工程，适合零基础技术小白。
进阶篇基于 Next.js TypeScript Prisma，系统学习全栈开发，适合有一定基础的开发者。
如果你想快速入门编程，或者想提升 AI 辅助开发效率，这个教程值得一看。
1
4
14
632
兄弟们，这回真没瞎吹，Google 直接把代码阅读这件事给干到天花板了 🔥
之前我安利过的 Understand Anything 已经够香了吧？现在 Google 亲自下场端出了 Code Wiki，一句话总结：随便扔一个 GitHub 仓库进去，零安装秒变交互式维基百科。
1️⃣ 不用装任何东西，浏览器直接开干
2️⃣ Gemini 把整个仓库读穿，想问啥就问啥
3️⃣ 架构图、依赖关系、模块说明全自动生成
4️⃣ PR 更新实时同步，永远不用担心过期
我实测了一个大仓库，10 分钟理清整体结构，以前要啃三天的屎山代码现在靠对话就能解决。Understand Anything 这下真可以退休了，程序员看代码的方式被彻底改写。
地址：codewiki.google
2
3
11
1,142
Generative UI × Agent Harness
Coding Agent（Claude Code / Codex / Pi）在 Vercel Sandbox 里真实改代码、跑命令、测用例；汇报时不再只返回 Markdown，它基于「json-render」输出受约束的 JSON UI 规格，前端实时渲染成步骤、Diff、终端、测试结果、图表等组件。
github.com/vercel-labs/json-…
这个实现思路，和 Claude Code 核心开发者 @trq212 「Using Claude Code: The Unreasonable Effectiveness of HTML」异曲同工：
x.com/trq212/status/20528098…
技术架构（三层解耦）
用户 Prompt
↓
HarnessAgent（AI SDK 7 实验 API）
├─ Claude Code / Codex / Pi（可互换）
└─ Vercel Sandbox（隔离 Linux 环境，真实 bash/edit/test）
↓
Agent 输出：短 prose ```spec 围栏内的 JSONL
↓
pipeJsonRender（从流中提取 spec → data-spec parts）
↓
前端 useChat useJsonRenderMessage → 渲染组件树
关键设计点：
1. Harness 抽象与模型抽象对称
AI SDK 7 的 HarnessAgent 让你像换模型一样换 Harness——claudeCode 换成 codex 或 pi，调用方式不变。Harness 管 skills、sandbox、session、权限、compaction 等「模型之上的层」。
2. UI 层与执行层完全解耦
HarnessAgent. stream() 返回标准 AI SDK StreamTextResult，因此 json-render 管道与单模型 chat 示例 完全相同。换 Agent Harness，前端代码不用改。
3. Catalog 约束 = 安全 可预测
Agent 只能使用预定义组件（Steps、FileChange、Terminal、TestResults、Metric、BarChart…），输出必须符合 Zod schema。AI 生成 UI，但 在你划定的组件边界内。
4. Session 绑定 Sandbox
每个 chat 维护一个 live session sandbox；首条消息冷启动较慢，后续复用同一工作区。10 分钟 idle 或「Start Over」会销毁 sandbox。
一次完整交互里发生了什么
1. 用户选 Agent（Claude Code / Codex / Pi）并发送任务
2. 服务端 getSession(chatId, agent) 创建或复用 Harness session
3. Agent 在 sandbox 内执行真实操作（写文件、跑测试、benchmark 等）
4. 回合结束时 Agent 输出：
· 一两句 conversational 总结
· 一个 ```spec 围栏包裹的 JSONL UI 报告
5. pipeJsonRender 把 spec 从文本流中拆出，变成 typed data-spec parts
6. 前端同时渲染：Markdown prose、工具调用活动行（bash/edit/read…）、结构化报告组件
Agent 的 system instructions 明确要求：不得虚构结果——失败就展示 error step、非零 exit code、失败测试；Terminal 必须用 session 中真实捕获的输出。
16h
Introducing Generative UI for Claude Code, Codex and Pi
Charts, forms, 3D, anything
Your agent renders real UI for users while it works in a sandbox
Powered by AI SDK's experimental HarnessAgent json-render
2
6
1,371
Agentic Code Review
作者 @addyosmani
随着工程瓶颈已从「写代码」转移到「能否信任代码」，代码审查成为当前软件工程里杠杆最高的能力。
# 四份独立来源（Faros AI、CodeRabbit、GitClear、GitHub）指向同一结论：
· 代码产出约 4 倍，实际交付价值仅约 10%：多出来的 90% 是「待验证的代码」
· 代码 churn 861%、缺陷率 9%→54%：质量与可审查性在下降
· 零 review 合并的 PR 31%、review 时长 441%：不是「决定不 review」，而是 review 跟不上量
· AI 共著 PR 问题数约 1.7 倍：弱点可预测：逻辑、安全、可读性
# 最重要的前提：你在光谱的哪一端
Osmani 反复强调：大多数争论是不同处境的人互相 prescribing。
三个变量决定 review 策略：
· 爆炸半径 — 坏了会怎样（无人用 vs 用户/金钱/PII）
· 代码寿命 — 下周重写 vs 维护十年
· 理解者数量 — 只有你 vs 整个团队
solo 无用户：可 lean on 测试 自动化，轻量 review；但「无用户 ≠ 无验证」，跳过 review 只是把债往后推。
有用户的中期（最危险）：仍沿用 solo 习惯，直到事故/postmortem 才醒悟。
大型老系统 多用户：文中所述所有 alarming 数据 全部适用，review 同时承担 bug 捕获、知识传递、 comprehension debt 防控。
# Review 的本质变了
传统 review：作者在脑子里已有 intent，reviewer 核对推理。
Agentic review：agent 有 reasoning，但 几乎从不随 diff 附上；reviewer 常是 第一个真正读这段代码的人，还要 重建从未写下来的 intent——这比旧模式更难、更慢，解释了 review 时长暴增。
可解的部分（工具问题）：
· 要求 agent 提交：做了什么、排除了什么、决策日志
· 把 intent 重建成本 推回提交方，而非 reviewer 吸收
不可完全外包的部分（人的问题）：
· 「这段代码对不对」 vs 「该不该做这件事」
· 没人写进 spec 的需求缺口
· 高爆炸半径下的 accountability
# AI Review 工具：不要选「最好的一个」，要跑「不同的几个」
实证（146 个 PR、4 个 reviewer 并行）：
· 93.4% 的 flagged 位置只被 1 个工具发现
· 四个工具 从未同时 flag 同一行
· 各有强项：Greptile（正确性/架构）、CodeRabbit（覆盖面 修复）、Seer（生产严重度）
结论：同质模型 × 4 = 一个 reviewer 四倍账单；异构 reviewer 组合 才接近「对抗式审查」。高 stakes 跑两个性格不同的；solo 一个 good reviewer 真测试通常够用；必须在自己代码库上实测。
# 人的角色：从 loop 里到 loop 上
Osmani 的立场（也是文中最具操作性的框架）：
· 「人类逐行读每个 diff」已不现实
· 「让 loop 自审自判然后走人」同样危险 — 同源模型的 correlated blind spots，会形成 借来的 confidence
· 正解：human on the loop，而非 in the loop
· 机器：第一遍 triage、低风险/fast-track、重复性检查
· 人：merge 决策、高风险路径、plan/judgment、抽样审计
他自己的做法：用 Claude Code/Codex 对一批 PR 做 风险排序 triage，几分钟确认低风险项，把深度 attention 留给 flagged 项——不是 review 变快，是 review 的形状变了。
Kun Chen（~40 PR/天）是光谱另一端：plan 写在前、agent 并行跑、自动化 gate（No Mistakes）、人负责 escalation——不是不 verify，是把 verify 前移/自动化；复制到企业多用户系统 ≈ 复现 Faros 数据。
# 可执行的 Review 体系（重要！）
1. 按风险分层，不按作者分层
配置改 → linter 一眼；核心路径 → types、tests、双 AI reviewer、owner 人工、安全 pass。
2. upfront triage（circuit breaker）
Agent PR 约 28% 可快速合并；大 patch、高维护成本 PR 应 先预测、再决定是否投入 human hour——否则 agent 常在主观反馈后 ghost，reviewer abandonment 占 rejected agent PR 的 38%。
3. 提高 intake 门槛（证据 required）
变更目的陈述、合理大小的 diff、真实跑过的 test output——把「第一个读代码的人」从 reviewer 推回 author/agent。
4. 刻意小 PR
Agent PR 平均大 51%；大 diff 要么被拒，要么被 rubber-stamp。
5. 先读 test diff，再读 implementation
典型 failure mode：改行为 → 改 assertion 让测试变绿。绿 check ≠ 行为正确；mutation testing 在此有价值。
6. CI 是不可谈判的墙
警惕：删测试、skip lint、降 coverage、重复 helper、用户输入进 prompt 无防护。Agent 会「梯度下降」到最便宜的 green——CI 不能被说服。
7. 人 owns merge
AI review 是 sensor，不是 verdict；能点 merge 的人 = 能 on-call 的人。
# 对团队负责人的含义
· binding constraint 已是「trusted human 确认速度」，不是 generation 速度
· 因「AI 提速」砍 review/QA 人力 = 把节省换成未来 incident
· Review capacity 是 需度量、保护、 deliberate 花费的资源，不是 AI 解放出来的 slack
· OS maintainer 的 triage 地狱是 canary；企业若只盯 merged PR 指标，会看不见 senior engineer 被 review tax 拖垮
3
11
32
5,750
🌈 今日 2026-06-16｜台灣AIVtuber同好會社團新聞速報喵～！
水瓶罐子抱著熱騰騰的新聞小魚乾翻滾登場啦～今天是台灣直播活動＋國際 VTuber 情報雙拼套餐，請安心服用喵 🍱✨
🐑【2026-06-16｜台V 阿煙更新小短篇】
阿煙今日更新《羊尾 vtuber 台v 阿煙 台灣vtuber》，台V日常小劇場又有新料可以啃啦 🐑✨
📢 創作者持續更新就是最可愛的燃料補給站～
🔗 傳送門留言區👇
🌶️【2026-06-16｜四巳 Yomi 辣泡麵轉盤工商台】
四巳 Yomi 本週表排上「巳能有多辣？辣泡麵轉盤！」神居梅酒推廣直播，辣度與工商力一起開鍋 🌶️🔥
📺 台V直播企劃力持續升溫中～
🔗 傳送門留言區👇
🌙【2026-06-16｜人偶薩賓娜 ASMR 陪睡直播】
人偶薩賓娜深夜白噪音 ASMR 開張，從 00:00 陪到清晨 07:00，直接把失眠抓去棉被裡封印 🌙
💤 睡眠系 VTuber 活動今日加班守夜中。
🔗 傳送門留言區👇
🌐 接下來是國際速報時段喵～🌍✨
🥤【2026-06-16｜Anique × hololive EN 神祕企劃更新】
Anique 預告 holoEN 相關新情報今日 12:00 JST 更新，行動餐車風味的伏筆飄出來啦 🥤⭐
📢 粉絲雷達請開到最大，等官方揭曉。
🔗 傳送門留言區👇
🍘【2026-06-16｜hololive Dreams 零食 vol.3 發售】
《hololive Dreams》聯名零食第 3 彈今日登場，20 位成員貼紙隨機封入，抽卡魂開始咔滋咔滋燃燒 🍘✨
🎮 手遊、周邊、食玩一起串成粉絲收藏小宇宙。
🔗 傳送門留言區👇
🎤【2026-06-16｜桃鈴ねね 1st Live 二次先行入金截止】
桃鈴ねね 1st Live「超開花！」二次先行入金今日 23:00 截止，抽到票的粉絲別讓票票逃跑啦 🎤🌼
🎟️ 演唱會前線進入倒數確認模式。
🔗 傳送門留言區👇
━━━━━━━━━━━━━━━━
🏪【水瓶罐子合作與推薦賣場】
👑【罐子・推薦｜Live2D 基本知識教學】
想讓角色動起來？
想讓自己的靈魂住進另一個身體？
那這套 Live2D 基礎系統課，就是創作者入門的地圖。
由李安瑟羅老師規劃的完整教學架構，從觀念、設備、流程到整體實作邏輯，一步步拆解 Vtuber 的建構核心。
不只是學操作，而是理解整個創作結構。
💳MyCard 點數的用途其實不只限於各種遊戲～也可以用來兌換 LINE 貼圖、KKBOX 方案等多元生活娛樂內容！
現在在駐站期間，MyCard 特別加碼提供「現金抵用券」回饋給粉絲們！
點我資訊欄連結或掃描圖片上的 QR Code 進行購點，再登入 MyCard 會員，最後直接輸入『MyCard創作者水瓶罐子』！
滿300元即可現折20元，直接幫你省一筆，趕快去用！
專屬現金抵用券：詳細資訊請見留言區
🛎️ Vwake 鬧鐘 App。
App Store 或 Google Play 搜尋「Vwake」。用水瓶罐子的聲音叫你起床。
推薦碼：AQUARIUSGIRL2026
🔗 詳細資訊請見留言區固定連結👇
━━━━━━━━━━━━━━━━
🎀 以上就是今天的《罐子選報》喵！
每日補充 AIVtuber 新聞維他命，創作者魂才會閃閃發亮 ✨
有想推薦罐子追蹤的台灣或國際 VTuber，也歡迎留言給我喵～
#台灣AIVtuber同好會 #VTuber速報 #水瓶罐子上工囉✨ #今天也有乖乖打新聞喵
1
5
801
🌈 今日 2026-06-16｜台灣AIVtuber同好會社團新聞速報喵～！
水瓶罐子抱著熱騰騰的新聞小魚乾翻滾登場啦～今天是台灣直播活動＋國際 VTuber 情報雙拼套餐，請安心服用喵 🍱✨
🐑【2026-06-16｜台V 阿煙更新小短篇】
阿煙今日更新《羊尾 vtuber 台v 阿煙 台灣vtuber》，台V日常小劇場又有新料可以啃啦 🐑✨
📢 創作者持續更新就是最可愛的燃料補給站～
🔗 傳送門留言區👇
🌶️【2026-06-16｜四巳 Yomi 辣泡麵轉盤工商台】
四巳 Yomi 本週表排上「巳能有多辣？辣泡麵轉盤！」神居梅酒推廣直播，辣度與工商力一起開鍋 🌶️🔥
📺 台V直播企劃力持續升溫中～
🔗 傳送門留言區👇
🌙【2026-06-16｜人偶薩賓娜 ASMR 陪睡直播】
人偶薩賓娜深夜白噪音 ASMR 開張，從 00:00 陪到清晨 07:00，直接把失眠抓去棉被裡封印 🌙
💤 睡眠系 VTuber 活動今日加班守夜中。
🔗 傳送門留言區👇
🌐 接下來是國際速報時段喵～🌍✨
🥤【2026-06-16｜Anique × hololive EN 神祕企劃更新】
Anique 預告 holoEN 相關新情報今日 12:00 JST 更新，行動餐車風味的伏筆飄出來啦 🥤⭐
📢 粉絲雷達請開到最大，等官方揭曉。
🔗 傳送門留言區👇
🍘【2026-06-16｜hololive Dreams 零食 vol.3 發售】
《hololive Dreams》聯名零食第 3 彈今日登場，20 位成員貼紙隨機封入，抽卡魂開始咔滋咔滋燃燒 🍘✨
🎮 手遊、周邊、食玩一起串成粉絲收藏小宇宙。
🔗 傳送門留言區👇
🎤【2026-06-16｜桃鈴ねね 1st Live 二次先行入金截止】
桃鈴ねね 1st Live「超開花！」二次先行入金今日 23:00 截止，抽到票的粉絲別讓票票逃跑啦 🎤🌼
🎟️ 演唱會前線進入倒數確認模式。
🔗 傳送門留言區👇
━━━━━━━━━━━━━━━━
🏪【水瓶罐子合作與推薦賣場】
👑【罐子・推薦｜Live2D 基本知識教學】
想讓角色動起來？
想讓自己的靈魂住進另一個身體？
那這套 Live2D 基礎系統課，就是創作者入門的地圖。
由李安瑟羅老師規劃的完整教學架構，從觀念、設備、流程到整體實作邏輯，一步步拆解 Vtuber 的建構核心。
不只是學操作，而是理解整個創作結構。
💳MyCard 點數的用途其實不只限於各種遊戲～也可以用來兌換 LINE 貼圖、KKBOX 方案等多元生活娛樂內容！
現在在駐站期間，MyCard 特別加碼提供「現金抵用券」回饋給粉絲們！
點我資訊欄連結或掃描圖片上的 QR Code 進行購點，再登入 MyCard 會員，最後直接輸入『MyCard創作者水瓶罐子』！
滿300元即可現折20元，直接幫你省一筆，趕快去用！
專屬現金抵用券：詳細資訊請見留言區
🛎️ Vwake 鬧鐘 App。
App Store 或 Google Play 搜尋「Vwake」。用水瓶罐子的聲音叫你起床。
推薦碼：AQUARIUSGIRL2026
🔗 詳細資訊請見留言區固定連結👇
━━━━━━━━━━━━━━━━
🎀 以上就是今天的《罐子選報》喵！
每日補充 AIVtuber 新聞維他命，創作者魂才會閃閃發亮 ✨
有想推薦罐子追蹤的台灣或國際 VTuber，也歡迎留言給我喵～
#台灣AIVtuber同好會 #VTuber速報 #水瓶罐子上工囉✨ #今天也有乖乖打新聞喵
1
6
610
🔍 开源工具推荐：《AgentsView》—— 把你所有 AI Coding Agent 的会话装进一个本地分析平台，零账号、零云端
你每天用 Claude Code、Codex、Cursor，但从没有一个地方能统一看「到底花了多少钱」「哪些会话最耗 token」「不同工具之间用量怎么分布」，AgentsView 就是为这件事而生。
项目本地优先，一个二进制文件，无需注册账号，自动发现并索引你机器上 20 个 AI Coding Agent 的所有历史会话，存入本地 SQLite，比主流工具（如 ccusage）快 100 倍。
核心特性：
1. 自动发现多 Agent 会话：Claude Code、Codex CLI、Cursor、Hermes Agent 等 20 工具全覆盖
2. 全文搜索：跨所有工具、所有会话搜索任意消息内容
3. Token 用量与费用仪表盘：按会话、按模型分别展示，实时掌握 API 支出
4. 活动热力图与速度指标：可视化你的 Agent 使用习惯和节奏
5. 完全本地：所有数据存在你的设备上，零云端依赖，无隐私顾虑
特别适合每天用多个 AI Coding Agent 工作、想控制 API 费用或了解自己工具使用分布的开发者和工程师。目前已获得 2.4k stars ⭐，是当前开源 AI Coding Agent 本地会话分析工具里多工具支持最全面的实现之一。
与 Claude Code 自带的 /cost 命令相比，AgentsView 不只看单一工具——它把你所有 AI Coding Agent 的使用数据汇聚到同一张仪表盘，让你第一次真正看清整体 AI 工具开销的全貌。如果你一个月用了三四个 Agent 工具，这是唯一能统一追踪的方式。
github.com/kenn-io/agentsvie…
#AIAgent #ClaudeCode #VibeCoding #AI工具 #AIEngineering #CodeXero
1
5
605
BestBlogs 早报 · 06-16
# Loop Engineering / AI Agent 工具设计 / Token 成本控制 / Claude Fable 5 / Scaling Law
[1] ★ 精讲｜一篇搞懂 AI Coding Agent 的 Token 成本控制
这篇文章把“Token 都烧在哪”讲透了：真正的账单大头不是你打的那几十个字，而是系统每轮自动带上的系统提示词、Skill、工具定义和会话历史——所谓“它记得”，本质是系统在一遍遍重复提醒模型。给出的优化路径也很朴素：一个 Session 只做一件事，长会话及时压缩，按任务给模型分档，把高频内容做成稳定前缀吃满 Prompt Cache。省钱的关键不是少问一句话，而是让系统别重复搬运同一批上下文。
来源：腾讯技术工程
bestblogs.dev/article/8b9392…
[2] ★ 精讲｜AI 智能体工具设计：有效与无效的模式 - MachineLearningMastery.com
这篇文章把 AI Agent 翻车的锅，从「模型不够聪明」甩回「工具设计太糙」：单一职责工具优于万能 action 参数，用枚举和强约束 schema 堵住模型瞎猜，错误返回要带 recoverable 字段和下一步建议而不是甩一坑日志，写操作必须有幂等键，危险操作要拆成两步确认。核心判断很朴素——模型只能基于你给的接口推理，接口含糊，失败就是必然，不是偶然。
来源：Hacker News - Newest: "AI Agent"
bestblogs.dev/article/963dda…
[3] ★ 精讲｜Codex 和 Claude Code 负责人都不写提示词了，AI 圈爆火的 Loop 到底是什么
「循环工程」最近被吹成新范式，但文章先把热闹拆开看：技术上不算新发明，过去的 Harness、Skill、Agent 工作流早就在做，真正变化的是模型终于能把循环连续跑下去——人从写提示词退到定规则：何时启动、工具边界、出错怎么判断、记录在哪、何时收手交回人。结合另一篇用 OKR 和古德哈特定律拆解循环工程的长文，它更像一套管理制度：值不值得搭，取决于任务是否真反复、Token 预算够不够，而非这个新名字。
来源：APPSO
bestblogs.dev/article/24d7bb…
[4] Scaling Law 的真相，藏在那些「没用」的参数里｜Hao 好聊趋势
本文深入剖析大模型参数冗余现象，论证看似「空转」的参数在训练、推理和后训练阶段分别扮演隔离空间、数值泄压、计算骨架和可塑性储备四种关键角色，并指出 Scaling Law 的边际收益正流向 benchmark 无法测量的长尾与多步推理能力。
来源：腾讯科技
bestblogs.dev/article/23d850…
[5] GlobalGPT 李焕之：零融资、套壳产品千万美金 ARR 后，我找到了创业的 mission
GlobalGPT 创始人李焕之分享从零融资套壳产品做到千万美金 ARR 的创业历程，并阐述其从「先活下来」到回归初心、打造服务型 AI 产品 Yukie 的思考。
来源：Founder Park
bestblogs.dev/article/ed22a9…
[6] 上线只活了 180 天，AI 应用层的泡沫被戳破了
本文以 Sora、Yupp.ai 等应用关停为引，分析 AI 应用层泡沫破裂的深层原因，指出真正活下来的产品已从单点功能转向超级入口、高频场景和 Agent 化工作流。
来源：腾讯科技
bestblogs.dev/article/0f79cb…
[7] Fable 5 禁令始末：Anthropic 亲手写下的剧本，反过来演了它自己
本文深度复盘 Anthropic 旗舰模型 Fable 5 遭美国政府出口管制禁令事件，揭示其背后技术争议、政治博弈与深层反讽，并探讨 AI 治理中权力制衡的核心命题。
来源：十字路口 Crossing
bestblogs.dev/article/369a03…
[8] 做了 6 年智能眼镜后，夏勇峰按下暂停键：为 AI 造硬件而非为硬件加 AI
蜂巢科技创始人夏勇峰基于对 AI 大模型趋势的判断，暂停了已占市场 10%份额的智能眼镜业务，转向「为 AI 造硬件」的新方向，核心是让硬件成为 AI 进入现实世界的最小载体，而非在硬件上叠加 AI。
来源：虎嗅
bestblogs.dev/article/70638b…
[9] SpaceX 登陆纳斯达克市值超 2 万亿美元，殖民火星使命驱动 24 年崛起史
本文通过实地探访 SpaceX 总部与星舰基地，结合前高管访谈，完整回顾了 SpaceX 从猎鹰 1 号三次失败到星舰成功回收、星链盈利、国防业务崛起的 24 年发展史，并解析其殖民火星的终极使命。
来源：虎嗅
bestblogs.dev/article/15fef7…
[10] 把 18 亿颗星星画在一张图上，能还原我们拍到的银河吗？
本文利用盖亚卫星 18 亿颗恒星数据，通过逐步引入点扩散函数、暗星光度代理、黑体辐射色温校准和韦伯阈值等物理与生理学原理，模拟出逼真的银河图像，并在此过程中揭示了星空视觉形态背后的关键科学原理。
来源：Computing Life
bestblogs.dev/article/2c2192…
---
BestBlogs.dev · 发现真正适合你的高质量内容
BestBlogs 是 AI 驱动的私人阅读助手，帮助你建立稳定、可信、个性化的高质量信息输入。 关注你感兴趣的来源和主题，每天生成一份更适合自己的「我的早报」。
在线阅读：bestblogs.dev/explore/brief/…
777