23:25向阳乔木@vista8当AI模型能力逼近通用水平时,用户表达模糊想法的差距成为新瓶颈。学会把“大概想要什么”转化为“明确要什么、不要什么”是高效使用模型的关键。表达能力正取代模型本身的进步,成为人机协作的核心竞争力。技巧提示词工程表达能力人机协作推荐理由:这条推文点透了:别再只追新模型了,提升自己提需求的能力才是正经事。原文稍后读已读值得跟进有用关注 提示词工程
23:24向阳乔木@vista8Simon Willison提出在Claude系统提示词中加入规则,让模型自动根据编码任务复杂程度选择不同功耗的模型。主架构设计等复杂任务使用Claude Opus或Fable,而写代码、改代码等机械任务则调用Sonnet或Haiku子代理执行。该方法通过区分判断型与执行型任务来降低API调用成本,实测可节省大量费用。该思路同样适用于其他多模型平台。技巧ClaudeFableClaude Opus推荐理由:想省API预算又不想牺牲架构质量?试试这个:让Claude Opus/Fable做主设计,Sonnet/Haiku干苦力,自动分配任务,省心又省钱。原文稍后读已读值得跟进有用关注 Claude
23:18Martin Fowler@martinfowlerBirgitta Böckeler在martinfowler.com发表文章,分享了她使用本地LLM完成编程任务的实践。文章探讨了影响本地LLM可行性的因素,包括模型大小(如7B、13B参数)、硬件要求(如GPU内存)、任务类型(如代码生成、调试)。她对比了本地LLM与云端模型(如GPT-4)在延迟、隐私和准确率方面的差异。结论是,对于简单编程任务,本地LLM(如Code Llama 7B)足够使用,但复杂任务仍需云端模型。技巧LLM编程助手本地模型推荐理由:想知道本地跑LLM写代码靠不靠谱?看看这篇实测,从模型选型到硬件门槛都说了,还有和GPT-4的对比。原文稍后读已读值得跟进有用关注 LLM
22:28小互@imxiaohu精选Claude Code 团队成员 @trq212 在 AI Engineer World's Fair 大会分享《A Field Guide to Fable》演讲,给出 8 个可直接使用的提示模式,按动手前、动手中、动手后组织,每个模式附带中英文示例 prompt。演讲披露 Claude Code 系统提示词最近被删减 80%,因为对新模型而言示例反而会束缚其表现,方向从「给约束」转向「给上下文」。技巧Claude Fable 5Claude Code提示词工程9 个信源在谈事件专题推荐理由:Claude Code 内部人亲授 8 个现成提示模板,还爆出删了 80% 系统提示词的新思路,提示词党直接抄作业。原文稍后读已读值得跟进有用关注 Claude Fable 5
22:24shao__meng@shao__meng@EXM7777 总结出一套“可重做性测试”筛选标准:若明天可用更便宜模型重做则跳过,否则保留。该标准基于 Llama 时代用前沿模型蒸馏 5.2 万条答案训练小模型、成本不到 500 美元的历史案例。五个动作包括:重写 CLAUDE.md 植入判断力、做顾问式审计输出按预期回报排序的动作清单、在长链路研究上跑深度研究并原子化为 Obsidian 笔记、用 /goal 加动态工作流实现无人值守产出、安装“思考方式记录器”自动将每步推理留存为资产。其中记录器可自动复利,将剩余 Fable 时间转化为永久仓库笔记。技巧ClaudeClaude Fable 5工作流9 个信源在谈事件专题推荐理由:Fable 5 快没了,但你可以用这套方法把它的思考框架留下来。五个步骤,从写标准到造自动工作流,以后用便宜模型也能跑出高质量。原文稍后读已读值得跟进有用关注 Claude
16:29AI Will@FinanceYF5第三方服务商通过SGLang推理引擎、Prefill-Decode解耦架构、专家并行技术及AMD MI300 GPU,将DeepSeek模型的API调用成本降至官方价格的1/5。该技术栈组合显著降低了推理开销,使小型团队和企业能以更低成本使用高性能模型。方案中涉及的专家并行与Prefill-Decode分离是核心优化手段。技巧DeepSeekSGLangAMD MI300推荐理由:想低成本跑DeepSeek?有第三方用SGLang和AMD MI300把API成本压到官方的五分之一,技术方案公开,值得参考。原文稍后读已读值得跟进有用关注 DeepSeek
16:09AI Will@FinanceYF573°xAI SGLang负责人在23分钟演讲中详解如何在10万张GPU上部署Grok模型。他们通过拆分Prefill与Decode阶段,将MoE专家分片到不同GPU。采用按专家路由Token的方式让通信与计算重叠执行。最终以低于DeepSeek API的定价对外提供服务。技巧xAIGrokSGLang推荐理由:想了解超大规模GPU集群如何搞推理?xAI的SGLang负责人手把手教你拆分、分片和通信重叠,还比DeepSeek API更便宜。原文稍后读已读值得跟进有用关注 xAI
15:53宝玉@dotey76°Thariq Shihipar在AI Engineer World's Fair演讲中提出,模型能力存在“悬余”——例如问宝可梦名字以aw结尾,模型无法直接回答,但借助代码执行工具两秒内就能找出结果。他透露Claude Code砍掉了80%的系统提示词,因为Fable级别模型自身想象力比示例更丰富,应给上下文而非约束。他还建议让模型做“盲区扫描”、一口气生成四种不同原型,并通过提问挖掘用户未写明的细节。技巧Claude CodeAnthropic工具调用10 个信源在谈事件专题推荐理由:Thariq讲得实际:别死磕提示词,让模型用工具。Claude Code砍掉80%提示词后反而更强,还给了盲区扫描等具体玩法,值得一看。原文稍后读已读值得跟进有用关注 Claude Code
15:39AI Will@FinanceYF5有人制作了16分钟教程,讲解如何使用Claude Fable 5创建类似价值5万美元的电影级网站。教程展示了完全借助AI完成网站搭建的过程。任何人都能通过该教程掌握高水准网站制作技巧。技巧Claude Fable 5教程网站开发9 个信源在谈事件专题推荐理由:想用AI做惊艳网站?这个16分钟教程手把手教你用Claude Fable 5搞定,效果媲美专业级。原文稍后读已读值得跟进有用关注 Claude Fable 5
15:34AI Will@FinanceYF5精选该推文提供了一种将编排工作流配置放入项目文件中CLAUDE.md的方法,定义了Fable作为编排器,将推理密集型阶段交给deep-reasoner,机械执行任务交给fast-worker,并建议Codex作为同级协作者,对于高风险决策让Opus和Codex并行解决问题后综合最佳部分。技巧CLAUDE.mdFabledeep-reasoner推荐理由:教你如何配置CLAUDE.md来分工:Fable做编排,deep-reasoner处理推理,fast-worker干机械活,Codex当同级帮手。原文稍后读已读值得跟进有用关注 CLAUDE.md
15:33AI Will@FinanceYF5精选该技巧将 Fable 5(最高推理强度)设为编排器,Opus 作为深度推理子代理,Sonnet 作为机械执行子代理,Codex 作为同级资深工程师提供不同视角。配置方法是在 Claude Code 中输入 /model 将主模型设为 Fable 5,并将 reasoning / effort 调到最高。这种分工架构可减少 Fable 5 的直接调用次数,节省使用量。技巧Fable 5OpusCodex9 个信源在谈事件专题推荐理由:教你把 Fable 5 当总指挥,用 Opus 动脑、Sonnet 动手、Codex 补视角,能省 Fable 的额度。原文稍后读已读值得跟进有用关注 Fable 5
15:08AI Will@FinanceYF5精选该教程演示如何在Claude Code中使用/agents命令创建两个子代理。deep-reasoner固定使用Opus模型,负责推理密集型阶段、架构设计和复杂问题调试。fast-worker固定使用Sonnet模型,处理机械性任务、模板代码和测试。这种分工能提升开发效率,让Opus专注深度思考,Sonnet快速执行。技巧Claude CodeOpusSonnet推荐理由:教你用Claude Code的/agents创建两个子代理——一个用Opus深度推理,一个用Sonnet快速干活,配合起来效率很高。原文稍后读已读值得跟进有用关注 Claude Code
15:07AI Will@FinanceYF5精选Diego介绍了一个在Claude Code中创建多智能体编程工作流的配置方法:将Fable 5设为编排器(max reasoning),创建deep-reasoner子智能体(Opus)用于架构和复杂调试,fast-worker子智能体(Sonnet)处理机械任务,并安装OpenAI的Codex插件作为资深工程师视角。通过在CLAUDE.md中写入编排规则,用户可以用类似技术领导的提示词让Fable 5自动分派任务。该工作流能同时利用三个模型和Codex的并行协作,提升编码效率。技巧Fable 5OpusSonnet10 个信源在谈事件专题推荐理由:Diego教你在Claude Code里用Fable 5指挥Opus、Sonnet和Codex,像带团队一样写代码,省心又高效。原文稍后读已读值得跟进有用关注 Fable 5
15:06AI Will@FinanceYF5本教程介绍在 Claude Code 中安装 OpenAI 官方 Codex 插件的具体步骤。需要先在电脑上安装 Codex CLI,然后在 Claude Code 中执行 `/plugin marketplace add openai/codex-plugin-cc` 和 `/plugin install codex @openai -codex` 命令,最后运行 `/codex:setup` 完成配置。整个过程无需手动下载文件,通过命令行即可集成 Codex 功能。技巧Claude CodeCodexOpenAI8 个信源在谈事件专题推荐理由:教你快速在 Claude Code 里装 OpenAI 的 Codex 插件,三步命令行搞定,不用翻菜单。原文稍后读已读值得跟进有用关注 Claude Code
14:26AI Will@FinanceYF5一位中国20岁学生使用Claude AI模型,在9天内利用一台旧摄像头和20美元API调用费用,开发出一套AI测速雷达系统。该系统随后以31.7万美元的价格被当地城区收购,展示了低成本快速构建实用AI产品的可能性。技巧Claude测速雷达20美元API推荐理由:一个学生用Claude、旧摄像头和20美元API,9天就造出测速雷达,卖了31.7万美元,太会玩了。原文稍后读已读值得跟进有用关注 Claude
14:17官方一手歸藏(guizang.ai)@op7418Claude官方文章将Loop Engineer分为四种类型:单回合循环、目标导向循环、时间循环和主动循环。单回合循环是基础,每个提示词自动执行直到任务完成或需介入。目标导向循环如GOAL模式,支持多回合迭代达成复杂目标。时间循环通过Claude Code的loop命令在指定间隔自动触发任务。主动循环基于事件触发,如GitHub新Issue或PR时自动审核。优化建议包括保证代码库质量和管理Token消耗,避免无限制运行。技巧Claude CodeCodexLoop Engineer推荐理由:这篇文章把Claude Code的Loop工作流拆解得很清楚,四种模式从单轮到全自动,还有省Token的建议,适合想搭建自动化开发流程的人看。原文稍后读已读值得跟进有用关注 Claude Code
14:15官方一手歸藏(guizang.ai)@op7418精选Claude 官方将 Loop Engineering 分为四种类型:回合制循环(Single-turn Loop)、基于目标的循环(Goal-oriented Loop)、基于时间的循环(Time-based Loop)和主动循环(Active Loop)。回合制循环是 Claude Code 的基础工作方式,每次提示词为一个循环。Goal-oriented 模式(如 Codex、Claude Code)支持多轮迭代直到达成目标。Time-based Loop 使用 loop 命令按指定时间间隔自动触发提示词。Active Loop 通过事件(如 GitHub 新 Issue 或 PR)自动触发循环。官方建议优化代码库质量、管理 Token 消耗,并给循环设置明确启动和结束条件。技巧ClaudeLoop Engineer智能体推荐理由:Claude 官方手把手教你四种循环模式,从单轮到自动触发,还有 Token 管理建议,玩 Agent 工作流必看。原文稍后读已读值得跟进有用关注 Claude
10:12AI Will@FinanceYF5Karpathy Loop是一种让AI自主运行实验循环的工作流方法。用户只需设定初始目标,AI会自动执行、反馈并调整策略,实现无人值守迭代。该方案声称能带来10倍效率提升,核心在于搭建循环而非优化提示词。技巧Karpathy Loop智能体工作流推荐理由:想告别一问一答?试试Karpathy Loop,让AI自己跑实验,你只管睡觉,效率翻10倍。原文稍后读已读值得跟进有用关注 Karpathy Loop
09:49官方一手marktechpost@Sana Hassan精选本教程使用ChEMBL和UniProt获取EGFR C797S靶点信息,从IC50记录中提取pIC50数据集。利用RDKit标准化分子并计算Morgan指纹,训练基于scaffold-split的随机森林QSAR模型。通过SHAP解释效力驱动因素,并使用BRICS碎片重组生成并排名新候选分子。技巧ChEMBLRDKitSHAP推荐理由:用ChEMBL、RDKit、SHAP和BRICS手把手搭一个EGFR抑制剂预测模型,数据清理到模型解释全有,代码示例清晰。原文稍后读已读值得跟进有用关注 ChEMBL
09:34Tw93@HiTw93Waza 是一个 Claude Code 技能包,包含 think、review、debug、design、read、write、learn、health audit 共 8 个技能。作者用 Fable 5 深度优化后发布 V3.31,新增 11 个特性,包括更干净的安装流程、更严格的发布门控、修复前提供真实性能证明以及 Codex sandbox-aware 审计。该项目将一个月真实 AI 编码经验提炼成可直接使用的技能。技巧Claude CodeWaza编程助手推荐理由:作者用 Fable 5 优化了 Waza,推出了 8 个现成的 Claude Code 技能,覆盖思考、审查、调试、设计等,安装更干净,修复还带性能证明,实用。原文稍后读已读值得跟进有用关注 Claude Code
09:30shao__meng@shao__meng71°Claude Code 官方分享了 Loops 设计范式,将 Agent 工程从经验直觉转化为可复用的设计语言。范式定义四个变量:触发、停止、工件、适用场景。具体包括四种循环类型:Turn-based(默认回合制,用 SKILL.md 编码验证)、Goal-based(基于 /goal 与评估模型,设定可验证退出标准)、Time-based(基于 /loop 或 /schedule,事件驱动优于时间驱动)、Proactive(组合 /schedule、/goal、动态工作流、auto mode,模型分级路由控制成本)。关键工程实践强调自验证(量化检查如测试通过数、Lighthouse 分数),以及质量与成本的两条护栏。技巧Claude CodeLoops智能体推荐理由:Claude Code 官方给出了可操作的 Agent 循环设计模板,帮你把“该不该自动化”这种模糊判断变成选型表,少走弯路。原文稍后读已读值得跟进有用关注 Claude Code
08:31Ate-a-Pi@svpino作者维护了多个Claude Code上的技能,并让Fable读取后优化。优化后技能平均缩短40%,功能保持不变。其中一个通过MCP服务器写电子表格的技能,因Fable实现了并行写入多行,运行速度提升为原来的两倍。Fable可用于优化已有的任何技能。技巧FableClaude CodeMCP/工具推荐理由:作者用Fable优化了Claude Code的技能,平均砍掉40%内容,还让一个技能跑快了一倍。如果你有现成技能,可以试试让Fable帮你瘦身提速。原文稍后读已读值得跟进有用关注 Fable
07:45宝玉@doteyThariq Shihipar在AI Engineer World's Fair上分享了Fable 5模型的使用经验。他指出模型能力存在“能力悬余”,砍掉80%系统提示词后模型表现反而更好。他建议通过盲区扫描、四个风格原型对比、让模型提问等方法发现未知变量。Fable 5可在几小时内完成过去需要几周的工作,改变了对AI编程的认知。技巧Fable 5ClaudeAnthropic10 个信源在谈事件专题推荐理由:想用好Fable 5?听听Claude Code团队的内部演讲,教你如何不限制模型,反而让它更聪明。原文稍后读已读值得跟进有用关注 Fable 5
07:09Notion@NotionHQNotion的GTM数据科学团队负责人Jessica搭建了一个AI Chief of Staff,通过3个自动化工作流管理日程:每日简报(每天早8点前生成当日日程和优先级)、每周上下文更新(周一更新团队动态)、每周组织总结(周五扫描会议笔记和Slack渠道标记待办)。Jessica原本每天花30-60分钟手动处理通知,现在完全自动化。Notion提供了复制粘贴指令、连接集成即可使用的步骤指南。技巧Notion智能体工作流2 个信源在谈事件专题推荐理由:Notion官方分享了一个实际案例,用AI自动处理日程和待办,简单几步就能自己搭一个。适合想提高效率的Notion用户。原文稍后读已读值得跟进有用关注 Notion
05:27LlamaIndex@llama_index精选LlamaIndex 联合 LanceDB 推出基于 LiteParse 的混合检索方案,专门应对企业级格式混乱的 PDF。LiteParse 将 PDF 分解为页面(含文本+截图+嵌入)、文本块和提取的视觉资产三个层次,存入 LanceDB 的多模态存储中。相比传统仅依赖文本块检索的 RAG 系统,该管道允许智能体跨页面、文本块和视觉资产进行联合检索与推理。最终显著提升了 agent 检索质量与响应准确性,解锁了传统方法遗漏的信息。技巧LiteParseLanceDBLlamaIndex推荐理由:LlamaIndex 和 LanceDB 教你怎么用 LiteParse 搞定那些排版混乱的企业 PDF,表格、图片里的信息也能准确被 agent 找到。原文稍后读已读值得跟进有用关注 LiteParse
04:39官方账号LangChain@LangChainAILangChain官方推特介绍了关于LangSmith评估的新内容,指向langchain.com/evaluation页面。LangSmith是专为大语言模型应用设计的调试、评估与监控平台。新内容可能涉及评估流程、指标和最佳实践。技巧LangSmithLangChain评估推荐理由:想用LangChain做LLM评估?LangSmith这次更新了评估模块,看看有什么新方法。原文稍后读已读值得跟进有用关注 LangSmith
02:04Jerry Liu@jerryjliu0精选Jerry Liu在AI Engineer World Fair上演讲,探讨如何为AI Agent构建文档上下文层。他分析从2023到2026年代理检索方式的演变,强调文档OCR仍是解锁上下文的关键难题。他提出代理需要提取、搜索等配套工具,并展望标准化代理原生文档格式与专业工作流。内容涵盖基于Agent的RAG优化、智能体工具集成等具体技术路径。技巧Jerry LiuAI Agent文档上下文推荐理由:Jerry Liu讲透了Agent怎么处理非结构化文档,从OCR到检索到未来工作流,全是干活,搞Agent的同学必看。原文稍后读已读值得跟进有用关注 Jerry Liu
01:23官方一手AWS Machine Learning Blog@Caroline Des Rochers精选该方案利用 Amazon Nova 的视觉推理能力协调多个工具:Meta 的 SAM 3 进行像素级分割、Amazon Textract 进行 OCR。管道处理指纹、身份证、各种朝向的车牌等边缘案例。所有组件部署在 Amazon SageMaker AI 上。最终输出合规的 PII 编辑结果。技巧Amazon NovaSAM 3Amazon Textract推荐理由:AWS 教你用 Nova、SAM 3 和 Textract 搭一套能自动处理身份证和车牌的 PII 编辑管道,挺实用的。原文稍后读已读值得跟进有用关注 Amazon Nova
01:21官方一手AWS Machine Learning Blog@Maria Masood精选AWS发布教程,使用Amazon Nova Forge和Amazon SageMaker HyperPod构建两阶段多轮强化学习基础设施。该管道是事件驱动:上传训练数据到Amazon S3即可自动触发训练任务。示例训练模型玩Wordle游戏,作为用户自定义RL任务的占位符。技巧Amazon Nova ForgeAmazon SageMaker HyperPod强化学习推荐理由:AWS手把手教你用SageMaker HyperPod+Nova Forge搭RL训练管道,上传数据到S3就自动开练,还用Wordle做了例子。原文稍后读已读值得跟进有用关注 Amazon Nova Forge
01:04Harrison Chase@hwchase17LangChain 创始人 Harrison Chase 宣布举办一场关于 LLM Wikis 的紧急网络研讨会,聚焦如何为 AI 智能体添加记忆功能。OpenWiki 项目由 Brace Sproul 开发,在不到一周内获得近 7000 GitHub 星。研讨会将于周四在 events.langchain.com 举行,与 Brace 和 devstein64 共同探讨。技巧LLM WikisOpenWiki智能体1 个信源在谈事件专题推荐理由:想给智能体加上长期记忆?这场 LangChain 的紧急研讨会讲 OpenWiki,一周 7k 星的新项目,值得听。原文稍后读已读值得跟进有用关注 LLM Wikis
00:54官方一手AWS Machine Learning Blog@Mona MonaAmazon SageMaker AI发布了与MLflow的新集成,支持将优化推理推荐任务和基准任务的指标、参数和图表实时流式传输到无服务器MLflow App。用户无需手动导出数据,即可在统一界面跟踪实验。此集成简化了模型评估和部署流程,提升了A/B测试和模型比较的效率。技巧MLflowAmazon SageMaker AI基准测试推荐理由:用SageMaker跑基准和推荐任务,结果自动流到MLflow,省去手动导出的麻烦,做实验跟踪更省心了。原文稍后读已读值得跟进有用关注 MLflow
00:12官方账号LangChain@LangChainAILangChain 在 X 上分享了一个教程,演示如何结合 harborframework 与 LangSmith 的沙箱功能来运行智能体评估。评估过程会自动记录每次调用的完整痕迹,包括工具调用、中间输出等细节。该方法可帮助开发者快速验证 agent 在特定场景下的表现,并定位失败原因。技巧LangSmithharborframework智能体评估推荐理由:如果你在用 LangSmith 调试 agent,这个教程教你用 harborframework 一键跑评估,还带完整追踪,省去手动排查的麻烦。原文稍后读已读值得跟进有用关注 LangSmith
00:01elvis@omarsar0一条推文指出,AI奖励拥有最多领域知识的人。作者利用AI将自己的专业知识应用于投资、产品、营销等7个领域。他认为AI取代工作论是骗局,领域知识需数月或数年积累。引用Garry Tan观点:40岁以上创始人借助AI和智能体可实现100x到1000x效率提升。技巧领域知识AI应用效率提升推荐理由:别只追模型,深耕一个领域才是AI时代王道。看人家靠知识跨7个领域,效率还能放大1000倍。原文稍后读已读值得跟进有用关注 领域知识
23:04官方账号LangChain@LangChainAI精选LangSmith Engine 产品经理 Ben Tannyhill 解释了该平台通过 screener 和 verifier 两个子代理路由 trace 调查,而非让主代理读取全部数据。screener 子代理负责初步筛选相关 trace,verifier 子代理对关键信息进行验证。这种设计减少了主代理的处理负担,提高了 trace 分析的准确性和效率。技巧LangSmith EngineLangChain子代理推荐理由:LangChain 的 PM 亲自分享一个很巧妙的 trace 调查设计:用两个专用子代理分工协作,比主代理直接读所有数据更高效。原文稍后读已读值得跟进有用关注 LangSmith Engine
15:39Yangyi@Yangyixxxx用户使用NewMax模型生成了一份计算机软件著作权申请文件,并尝试让模型控制浏览器完成投递。该操作旨在测试软著申请系统是否能够检测出AI生成的内容。整个过程涉及提示词工程与浏览器自动化指令的组合。目前尚未公布投递结果。技巧NewMax提示词工程软著申请推荐理由:教你怎么用NewMax自动写软著申请文件,还能让它自己打开浏览器提交,省掉重复劳动。原文稍后读已读值得跟进有用关注 NewMax
15:33宝玉@dotey精选来自 Claude Code 团队的 Thariq 分享了使用 Claude Fable 5 的三个核心改变:将其视为思维伙伴、设定 /goal 目标指令和 workflows 工作流来验证、以及更有野心。他提出先写小规格(spec),让 Claude 面试提问来明确需求;再用 /goal 持续工作至完成,用 workflows 验证各部分并报告差异;最后鼓励用 Fable 剪辑视频等新尝试。技巧Claude Fable 5Claude Code编程助手9 个信源在谈事件专题推荐理由:Thariq 用亲身经验告诉你,别把 Fable 5 当监督对象,而是当思维伙伴,配合 /goal 和 workflows 能让它自己验证结果。想提升效率可以试试他的方法。原文稍后读已读值得跟进有用关注 Claude Fable 5
12:45shao__meng@shao__meng精选LandingAI 提出 Agentic Document Extraction (ADE) 范式,将传统文档解析的盲抽改为先分类后抽取。ADE Classify 阶段对 PDF 逐页并发评估,分配类别标签(如工资单、银行流水),outlier 页面标记兜底。ADE Extract 阶段按类别应用对应 Pydantic schema(工资单字段:雇员姓名、发薪周期、毛薪、净薪;银行流水:银行名、账号、余额)。每个抽取值附带 chunk reference 和 page-level bounding box,实现值到源图物理坐标的可溯源审计。该范式解决了税表里抽净薪资、身份证页抽账户号等字段错配问题。技巧LandingAI文档解析MCP/工具推荐理由:LandingAI 这个思路很实在:先让解析器看懂每一页是什么,再针对不同页面用不同字段模板抽。比一套模板通吃靠谱多了。原文稍后读已读值得跟进有用关注 LandingAI
12:36官方一手marktechpost@Sana Hassan精选该教程展示了如何用Tunix框架和GRPO算法微调Gemma-3模型在GSM8K数学数据集上。首先配置环境并通过Hugging Face加载Gemma-3,将样本包装为推理加答案格式。定义格式正确性和数值正确性的奖励函数,并附加LoRA适配器以降低训练成本。最终通过GRPO分组采样改进策略,并导出合并后的模型。技巧Gemma-3GSM8KGRPO1 个信源在谈事件专题推荐理由:手把手教你用Tunix GRPO和LoRA微调Gemma-3做GSM8K数学题,奖励函数设计得很清楚。原文稍后读已读值得跟进有用关注 Gemma-3
11:54Viking@vikingmute开发者逆向工程了 Claude Design 的设计系统提示词,公开了一份包含20个章节的主 prompt 和14个独立技能。该提示词还提供了针对 Codex 的适配版本,但原作者推测在 Claude 上效果最佳。用户可在其他模型上测试该提示词的效果,以验证其通用性。技巧Claude提示词工程设计系统推荐理由:有人把 Claude Design 的设计系统提示词拆出来了,整整20章和14个技能,还有给 Codex 用的版本。拿去别的模型上玩玩看,挺有意思的。原文稍后读已读值得跟进有用关注 Claude
11:43向阳乔木@vista8精选该自用前端设计Skill通过调用子智能体并行生成四个不同设计方向。生成后弹出本地服务器预览,用户选中后回传给Codex或Claude Code继续开发。内置58个知名网站的设计Markdown文档,能自动抽取排版和配色等元素。该Skill在Claude Code和Zcode中表现不错,预计本周开源。技巧Claude CodeZcodeCodex推荐理由:vista8分享的前端设计Skill,让AI并行生成四个设计方案,预览后回传继续开发,内置58个网站设计参考,比单线生成更全面。原文稍后读已读值得跟进有用关注 Claude Code