全部 AI 动态 · AI 热点

7月3日

10:04

Viking@vikingmute

精选

Mitchell Hashimoto分享了使用Fable xhigh作为规划/架构师、GPT 5.5 xhigh作为编码员、再让Fable xhigh审查的工作流。每次规划和审查成本仅需几美元，远低于通常的50美元以上。另有用户尝试廉价方案：GPT5.5规划+DeepSeek V4 Pro编码+composer2.5/GPT5.5交叉审查。GPT 5.5 xhigh收费比Fable便宜且速度很快。

技巧 Fable GPT 5.5 DeepSeek V4 Pro

事件专题

推荐理由：Mitchell Hashimoto分享的核心方案：Fable xhigh规划+GPT 5.5 xhigh编码+Fable xhigh审查，成本低至几美元。想省钱的可以用DeepSeek V4 Pro代替编码步骤。

原文

09:31

shao__meng@shao__meng

精选

Every 团队分享了五位成员使用 Codex 的差异化工作流：Natalia 作为非技术用户让 Codex 自行架构，夜间自动 enrich 数百条 CRM 记录；Dan 创建长线程处理邮件和 Slack 摘要，通过路由线程分发任务；Katie 构建本地上下文文件夹（含 AGENTS.md、identity 等），让 Codex 按风格评分选题；Austin 只给结果目标，让 Codex 搜索 Notion 和 Slack 后直接执行；Kieran 将上下文文件夹跨设备同步，Codex 作为执行层处理申请者邀请流程。文章提炼出四条共性模式：上下文比提示更重要、让 Codex 自建系统、委托重复任务为后台、建立审计反馈循环。

技巧 Codex Claude Code 工作流

事件专题

推荐理由：如果你想让 Codex 真正干活而不是闲聊，这篇给出了五位真实用户的完整工作流，从架构到执行都有具体案例，直接能抄作业。

原文

07:15

官方账号Simon Willison@simonw

Simon Willison分享了他在Fable上的实验，使用Fable一次性生成了一个基于LLM Python库的CLI编程代理。该代理能够通过命令行执行多种编码任务。实验展示了Fable在构建智能体方面的潜力。相关博客记录在simonwillison.net上。

技巧 Fable LLM CLI

推荐理由：Simon用Fable一次就写出了个CLI编程助手，基于他写的LLM Python库，挺酷的。

原文

05:45

官方一手marktechpost@Sana Hassan

该教程使用RAG-Anything在Google Colab中搭建多模态检索工作流。用户输入OpenAI API密钥后，生成含图表和PDF的合成报告，转换为content_list格式并注入检索系统。配置OpenAI chat/vision/embedding函数后，测试naive、local、global和hybrid四种检索模式。全流程覆盖文本、表格、方程和图像四类内容。

技巧 RAG-Anything Colab OpenAI

事件专题

推荐理由：想搭多模态RAG？这个Colab教程带你用RAG-Anything处理文本、表格、方程和图像，还支持四种检索模式，上手超快。

原文

05:08

Notion@NotionHQ

Notion 在 X 平台发布演示，展示其 MCP 交互式解释器 (ntn.so/mcp-explained)。该解释器通过可视化方式帮助用户理解 MCP（Model Context Protocol）概念。演示页面包含互动示例和说明，无需注册即可直接体验。这条推文获得 2152 次浏览和 9 个点赞。

技巧 Notion MCP 交互式解释器

推荐理由：Notion 做了个 MCP 交互解释器，点开就能边玩边学，适合想了解 MCP 的人。

原文

04:39

Harrison Chase@hwchase17

精选

Elvis 展示了如何用 LLM 构建 PaperWiki，一个持续更新的论文知识库。他使用 Obsidian 作为存储库，通过自动化每天从多个来源摄取论文，并用 qmd 索引，支持全文与语义搜索。该项目结合了 frontier 模型（opus-4.8）和开放权重模型（deepseek-v4-flash），并加入人工审核以提升质量。Elvis 认为 K-LMS 可将低质量论文筛选效率提升，并计划开源部分内容。

技巧 PaperWiki Obsidian 自动化

推荐理由：Elvis 手把手教你用 LLM 和自动化搭建论文知识库 PaperWiki，每天自动更新，还能帮你过滤噪音论文。有具体的技术栈和心得，想提升科研效率可以看看。

原文

03:19

03:19官方账号Simon Willison’s Weblog（博客/媒体）

精选

Simon Willison用Claude Fable 5通过DSPy自动化优化Datasette Agent的SQL系统提示。测试使用GPT 4.1 mini和nano，发现基线提示中由于schema只列表名、缺少列名，导致模型猜测列名并触发错误重试循环。改进方向包括在提示的schema listing中加入列名、调整“不要重复调用describe_table”的措辞。该研究展示了DSPy在提示优化中的实际应用。

技巧 DSPy Datasette Agent Claude Fable 5

事件专题

推荐理由：Simon用DSPy自动调教Datasette Agent的SQL提示，发现了具体bug和优化方向，省去手动试错。

原文

03:12

官方账号LangChain@LangChainAI

LangChain 发布开源工具 OpenWiki，可在后台自动生成和更新代码库文档。它通过 deepagents 开放框架运行，支持 GLM 5.2、Kimi K2.7 等开源模型。你只需在 GitHub 仓库中配置一个夜间工作流，OpenWiki 就能自动更新自身和 AGENTS.md 文件，让 coding agent 自动读取最新文档。

技巧 OpenWiki LangChain deepagents

推荐理由：设一次 OpenWiki 就再也不用操心文档了，它自动跑在后台，还能用开源模型，适合想省心又提升 agent 表现的开发者。

原文

03:05

elvis@omarsar0

精选

PaperWiki是一个基于LLM的自动知识库，能生成并持续维护AI领域的综述论文。它使用Obsidian和qmd索引，每天通过自动化更新，整合前沿模型（如opus-4.8）和开源模型（deepseek-v4-flash）。作者Elvis用它来策展论文、支持研究Agent，并帮助筛选高质量论文。该系统强调人类在环和精细的提示词设计，以降低噪声。

技巧 PaperWiki LLM Wiki Obsidian

推荐理由：Elvis用PaperWiki自动生成最新的AI综述论文，每天更新，比手动整理快得多，还能和Agent配合研究，适合想高效追踪前沿的人。

原文

02:50

elvis@omarsar0

精选

Omar Sar分享了PaperWiki，一个用LLM和编码智能体构建的研究知识库。它存储在Obsidian中，通过qmd索引，并以HTML artifact呈现，支持全文搜索和语义搜索。自动化流程每日更新，结合了opus-4.8和deepseek-v4-flash等模型。作者认为LLM知识库能帮助过滤噪声、识别高质量论文。

技巧 PaperWiki Obsidian 知识库

推荐理由：Omar手把手教你用智能体和自动化搭建个人研究知识库，连模型组合和工具链都说了，适合想提升科研效率的人。

原文

02:48

官方账号Simon Willison@simonw

Simon Willison引用Geoffrey Litt提出的'理解以参与'（understand to participate）框架，解释与编码智能体协作时的认知债问题。该框架强调用户需要理解智能体的行为，以便在创作过程中成为主动参与者，而非被动接受者。Willison认为这对于有效使用AI编码工具至关重要。

技巧 Simon Willison Geoffrey Litt 编码智能体

推荐理由：Simon Willison分享了一个很实用的观点：和编码智能体一起工作时别只当甩手掌柜，得主动理解它在做什么才能更好地协作。

原文

01:58

官方一手AWS Machine Learning Blog@Radha Panchap

AI 生成的钓鱼邮件比传统邮件更逼真，对安全团队构成新威胁。Amazon Bedrock 利用基础模型分析邮件语言模式和上下文，识别异常。该方法结合 Amazon Comprehend 进行情感分析和 Amazon GuardDuty 威胁检测，相比规则引擎提高了检测率。文章详细介绍了 Bedrock 如何自动抽取邮件特征并判断是否为钓鱼。

技巧 Amazon Bedrock AI钓鱼网络安全

推荐理由：亚马逊用 Bedrock 的基础模型自动分析邮件内容，能精准识别 AI 写的钓鱼信，比传统规则引擎靠谱多了。

原文

01:57

官方一手AWS Machine Learning Blog@Sapana Chaudhary

精选

本教程介绍了在Amazon SageMaker AI上进行多轮强化学习（RL）训练的最佳实践。关键在于构建可信任的训练环境，并设置外部评估来验证模型表现。需要设计一个与最终任务对齐的奖励函数，同时管理好智能体在多轮运行中产生的变化。通过监控特定指标，可以判断何时需要迭代优化。

技巧 Amazon SageMaker AI 强化学习多轮RL

推荐理由：AWS手把手教你用SageMaker做多轮RL，从环境搭建到奖励设计都讲透了，适合想落地RL项目的朋友。

原文

01:47

Philipp Schmid@_philschmid

Google 更新了 Gemini API 的代码示例和文档，帮助开发者快速上手。新文档包含使用指南和具体代码片段。开发者可通过ai.google.dev/gemini-api/doc…访问。

技巧 Gemini Google API

推荐理由：想用 Gemini API 但不会写？官方新出了代码示例，直接抄。

原文

01:39

elvis@omarsar0

dair.ai academy 上线 Labs 项目，为 AI 构建者提供定向教育资源。该推文获得 707 次浏览和 3 个赞。项目链接为 academy.dair.ai/labs，目前评论数为 0。

技巧 dair.ai AI教育 Labs

推荐理由：dair.ai 搞了个教育项目 Labs，想学 AI 构建的可以去看看，比自学省时间。

原文

01:38

elvis@omarsar0

推文强调调优LLM验证器和评判器正成为高需求技能。作者在自身测试框架上应用这些工具，实现了市场上尚未出现的agentic编码工作流。Bridgewater利用金融领域知识并与@tinkerapi合作微调模型，帮助分析师聚焦重点。这表明专家改进AI能提升专家效率。

技巧 LLM verifiers LLM judges Agent工作流

推荐理由：想搞高级Agent工作流？试试自己调验证器和评判器，比现成方案更强。

原文

01:30

01:30官方账号Simon Willison’s Weblog（博客/媒体）

精选

Geoffrey Litt 在 AIE 会议上提出“理解才能参与”观点，强调与编码智能体协作时需深入理解代码，避免认知负债。他指出开发者要跟踪智能体生成的变更，保持对项目代码的掌控，才能主动参与创造过程。该演讲是 AIE 300+ 个录制演讲之一，将在三周内放出，Litt 也在推特发布了线程版。

技巧 geoffrey litt coding agents 认知负债

推荐理由：Geoffrey Litt 分享了一个超实用的认知框架，告诉你为什么理解代码比信任智能体更重要，能帮你避免认知负债，真正掌控项目。

原文

01:08

官方账号SiliconFlowAI@siliconflowai

SiliconFlow发布教程，展示如何使用GLM-5.2模型分析GitHub仓库。用户只需提供SiliconFlow API密钥，将GLM-5.2接入智能体，即可自动读取仓库并生成交互式walkthrough。同时启动“SiliconFlow Summer Rush”活动，前72小时有早鸟奖励池，按GLM-5.2使用量排榜。

技巧 GLM-5.2 SiliconFlow 代码分析

推荐理由：想快速搞懂一个开源项目？SiliconFlow教你把GLM-5.2接入智能体，直接生成互动教程，省去挨个读文件的功夫。还有活动可以冲榜拿奖励。

原文

01:00

Ethan Mollick@emollick

Fable 在 Claude Code 中能实现令人惊叹的自主任务，即使是非程序员也能使用。但该界面不擅长管理超过 5 小时的长时间自主运行。用户很难实时观察进展和干预，通常只能等待最终输出。这暴露了当前工具在长周期任务监控上的局限。

技巧 Claude Code Fable 自主任务

推荐理由：Ethan Mollick 发现 Claude Code 里的 Fable 很牛，但对 5 小时以上的任务没法实时干预，提醒你用它做长任务时要留个心眼。

原文

00:54

Ate-a-Pi@svpino

精选

作者Santiago演示了AI代理如何利用x402协议（Coinbase构建、Linux基金会治理）在Apify Store上搜索Actor。代理发送请求后，Actor返回HTTP 402“Payment Required”响应，代理自动从Base链上的USDC钱包授权支付。支付模式为按量付费，代理设置支出上限，剩余金额自动结算。整个过程无需API密钥、账户或信用卡，完全无人干预。

技巧智能体 x402 Apify

推荐理由：Santiago演示了你的AI代理如何自己掏钱买数据：用x402协议在Apify上搜索、支付并调用Actor，全自动，你只管收结果。

原文

00:48

LlamaIndex@llama_index

精选

LiteParse 是一个轻量级解析工具，可嵌入到 Agent 运行时中运行。LlamaIndex 团队使用 FlueAI 框架、Resend webhooks 和 Turso 数据库构建了一款邮件处理助手。该助手能自动读取邮件语料、下载附件、用 LiteParse 解析 PDF，然后总结邮件内容并草拟回复。这个示例展示了解析工具如何增强 Agent 对文档的理解深度，而不是仅仅处理文件。

技巧 LiteParse LlamaIndex FlueAI

推荐理由：LlamaIndex 发了 LiteParse 新玩法：能直接嵌入 Agent 里解析 PDF，自动帮你看邮件、回邮件，省力不少。

原文

00:32

Harrison Chase@hwchase17

Harrison Chase 与 Ben Tanny Hill 在 Max Agency 播客中详解一个月前发布的 LangSmith Engine，该代理能自动扫描其他代理的失败案例、按优先级排序并生成修复草案。团队分享了如何使用沙箱隔离子代理、创建多个子代理协作的架构设计，以及如何为永不停止运行的代理构建持续评估系统。这些方法直接解决了代理在生产环境中的可观察性与自愈难题。

技巧 LangSmith Engine 智能体评估

推荐理由：想了解怎么给跑不停的AI Agent做自动调试和评估？LangChain团队把内部架构和沙箱用法全讲透了，适合做代理工程的人听。

原文

7月2日

23:32

Harrison Chase@hwchase17

Harbor是一个用于运行长期、有状态智能体（agent）评估的框架。LangChain通过博客和视频教程展示了与Harbor的多种集成方式。博客地址为langchain.com/blog/unified-s…，视频教程演示了如何使用Harbor和LangSmith评估deepagents。

技巧 Harbor LangChain LangSmith

推荐理由：Harbor专门做长期agent评测，LangChain有博客和视频教你怎么集成，适合做复杂agent测试的人。

原文

23:06

shao__meng@shao__meng

精选

Shao Meng 将 LLM 交互分为三阶段：网页聊天机器人、独立 AI 应用、组织内嵌式 AI（如 Claude Tag 和 Glean Agents）。Claude Tag 让团队共享同一代理实例，实现从被动响应到持续参与的转变。Glean 提出生产级独立 Agent 的四个支柱：身份、记忆、主动性、问责制。以 OnCall Assistant 为例，Agent 可同时读取 PagerDuty、Jira、Confluence、GitHub、Slack，并行排查根因并起草修复。

技巧 Claude Tag Glean Agents Slack

事件专题

推荐理由：Shuo Meng 把 AI 协作分成了三个层次，Claude Tag 和 Glean Agents 的实战思路很清晰，适合想在企业里落地 AI 智能体的人参考。

原文

20:09

向阳乔木@vista8

作者用Raycast AI对话获得AI播客推荐列表。然后在Codex中调用Computer Use（中文名“电脑”），输入提示让工具自动打开YouTube并订阅这些播客。整个过程仅需几分钟，无需手动点击。这是利用Computer Use实现浏览器自动化的一个具体案例。

技巧 Raycast Codex Computer Use

推荐理由：折腾过手动订阅的人就知道这多爽——跟Raycast聊完，丢给Computer Use几分钟就全搞定了，省心。

原文

19:14

掘金本周最热@沉默王二

这篇文章记录了一场阿里面试中关于Agent开发的问答。作者介绍了LangChain的三层架构（基础抽象层、能力层、应用层）以及LangGraph与LangChain的关系。他总结了四种Agent开发方式：ReAct、Plan-and-Execute、Multi-Agent协作和状态图编排（LangGraph）。同时详细说明了LangChain的六个核心模块：Models、Prompts、Indexes、Memory、Chains、Agents。项目中使用LangGraph4j + Spring AI实现工作流编排，而非传统Multi-Agent。

技巧 LangChain Agent Multi-Agent

推荐理由：面试官问Agent开发看这篇就够了，从LangChain架构到四种开发方式、六个核心模块全有实例。

原文

16:37

berryxia@berryxia

用户@berryxia分享经验，对于数据整理等一般小任务，只需一句自然语言指令即可驱动Agent正确执行，无需复杂提示或多轮对话。他强调Agent的智能程度足以理解简单指令，大幅降低使用门槛。该发现适用于常见办公和编码辅助场景，可提升效率。

技巧智能体提示词工程一句话指令

推荐理由：有博主实测，一句话就能让Agent干活，简单任务不用再写长提示，省心省力。

原文

13:21

Ethan Mollick@emollick

Fable 通过一个简单的提示词，让用户感觉自己像国际象棋大师一样聪明。用户只需输入提示词“build an elaborate game that makes it feel like I'm a brilliant chess player without knowing anything at all about chess”，Fable 就能自动构建一个互动游戏。这个游戏无需任何国际象棋知识，却能营造出大师对弈的沉浸感。该示例展示了提示词工程在创意游戏生成中的潜力。

技巧 Fable 提示词工程创意编程

推荐理由：Fable 太会玩了，一个提示就能生成假装象棋大师的游戏，不用学规则直接装逼，试试看！

原文

13:19

AI Will@FinanceYF5

Dan McAteer实测显示Sonnet 5在几乎每个基准测试上都差于Opus 4.8。但他强调在Claude Code中使用Dynamic Workflows时，将/model设为Sonnet 5、/effort设为Ultracode，复杂任务会自动触发动态工作流。未来Fable 5回归后可充当超智能顾问，Sonnet 5则作为快速执行者。

技巧 Sonnet 5 Opus 4.8 Claude Code

事件专题

推荐理由：别只看跑分，Dan教你怎么用Sonnet 5配Claude Code动态工作流干复杂活。

原文

13:18

AI Will@FinanceYF5

在 Claude Code 中通过三步设置：/model 切换为 Sonnet 5，/effort 设为 Ultracode，并开启 Dynamic Workflow，可使复杂任务自动触发多模型协作。Dan McAteer 认为该配置下 Fable 5 作为超级智能顾问、Sonnet 5 作为执行层，两者分工大幅提升效果。原基准成绩逊于 Opus 4.8 的 Sonnet 5 由此实现性能 “起飞”。

技巧 Sonnet 5 Claude Code Opus 4.8

事件专题

推荐理由：想榨干 Sonnet 5？这个三步设置能把它变成执行高手，配上 Fable 5 当大脑，复杂任务直接起飞。

原文

12:37

小互@imxiaohu

用户小互开发了 Claude Code 副屏工具，解决 Claude Code 回答大段文字时阅读密集、难以理解的问题。该副屏能把 Claude Code 的回答直接转换为直观的页面进行展示，让用户瞬间理解和预览答案。用户还可以在副屏上交互并进行数据回传，提升编码体验。

技巧 Claude Code 副屏编程助手

推荐理由：小互搞了个 Claude Code 副屏，把长篇回复变成可视化页面，还能交互调数据，再也不用瞪着满屏代码头疼了。

原文

10:57

shao__meng@shao__meng

精选

@emilkowalski 发布了一组 Skills，包含三个文件：emil-design-eng（决策框架）、review-animations（评审标准，要求输出 Before/After/Why 表格）、animation-vocabulary（动效术语表，如将“弹一下”翻译为 Pop in）。其中动画时长建议按钮按下 100-160ms，tooltip 125-200ms，模态框 200-500ms，并强调只用 transform 和 opacity 做 GPU 动画。该仓库专为 Claude Code、Cursor 等 Coding Agents 设计，使其具备资深设计工程师的审美判断。

技巧 emilkowalski Claude Code Cursor

事件专题

推荐理由：emilkowalski 把自己多年 UI 动画经验做成了三个可直接喂给 AI 的 Skills，Curor、Claude Code 照着写代码就能出好东西。

原文

08:50

08:50IT之家（博客/媒体）

精选

微软在Windows 11的WSL中推出容器公共预览版，版本号2.9.3.0。用户通过wslc.exe命令行工具可直接拉取并运行Debian等Linux容器，无需Docker Desktop。容器支持通过Containerfile构建镜像，每个容器拥有独立Hyper-V虚拟机资源隔离。目前缺少Docker Compose多服务编排和图形化面板。Moonray渲染引擎演示了在Windows中无缝运行Linux应用。

技巧 WSL Windows 11 Linux容器

推荐理由：不想装Docker？微软在Win11 WSL里原生支持Linux容器了，命令行操作简单，还能直接跑Debian！

原文

08:36

官方账号Greg Brockman@gdb

Ryan Doyle使用Codex每天早晨自动生成一份个性化“报纸”，包含未读消息、日历、冲浪报告和新闻。这种方法帮助他减少手机使用时间，将注意力集中在一天中的重要信息上。该工作流通过Codex聚合多个数据源，实现每日自动推送。

技巧 Codex 智能体每日摘要

推荐理由：用Codex自动生成每日早报，省去手动刷手机，集中看未读消息、日历和新闻。

原文

07:51

elvis@omarsar0

一位AI专家指出，不同模型通过组织对齐、品味和流程优化而各有所长。他认为结合使用多个模型能发挥各自优势。这条帖子获得4个点赞和651次查看。

技巧模型组合多模型协作经验分享

推荐理由：博主分享了用不同模型搭配干活的经验，思路很实用，值得试试。

原文

06:28

elvis@omarsar0

该推文指出直接对比GPT-5.5与Opus-4.8、GLM-5.2等模型是错误方向，主张将模型组合使用。如果GPT-5.6达到Fable 5性能且无50%限制和7天限制，将给Anthropic带来压力。文中强调未来模型迭代只会提升组合效果。

技巧 GPT-5.5 Opus-4.8 GLM-5.2

事件专题

推荐理由：别纠结谁更强了！GPT-5.5、Opus-4.8、GLM-5.2组合用才是新玩法，学会这招直接降维打击。

原文

06:21

lmarena.ai@lmarena_ai

Evan在视频中讲解了Agent Arena平台的因果追踪方法论。该方法可分析模型决策背后的因果路径。视频面向对智能体评估和归因感兴趣的研究人员。

技巧 Agent Arena causal tracing 因果追溯

推荐理由：Evan手把手带你搞懂Agent Arena的因果追踪技巧，搞AI评测的别错过。

原文

06:17

Figma@figma

Figma 官方推文介绍了在 Figma agent 中调用 skills 的方法。该 agent 允许用户通过自然语言指令完成设计任务。教程演示了如何结合 skills 提升 Figma 自动化效率。目前推文获得 5 个赞和 1589 次浏览。

技巧 Figma 智能体技巧

事件专题

推荐理由：Figma 官方教你怎么用 agent 的 skills，设计自动化一步到位，很实用。

原文

05:11

官方一手marktechpost@Sana Hassan

精选

本教程基于Lift模型，在Colab GPU环境中以4-bit NF4量化加载，生成含干扰项的合成研究报告，运行模式引导的字段级提取，并对比每个字段与ground truth得分，最终组装为可查询知识库。该方法将Lift用于可重复的提取基准测试，而非一次性演示。

技巧 Lift JSON PDF提取

推荐理由：Lift能帮你把研究PDF变成带字段评分的JSON，还能对抗干扰，比直接用模型更靠谱。

原文

04:51

官方账号Latent Space (swyx)@Richard MacManus

Cursor组建了Forward Deployed Engineers团队，专门帮助企业在内部部署AI agent。Pauline Brunet介绍了该团队如何像建立软件工厂一样，为企业定制和集成agent。这种模式直接嵌入客户组织，解决代码生成、测试和部署等实际环节。

技巧 Cursor Forward Deployed Engineers agent

事件专题

推荐理由：Cursor团队亲述如何帮企业落地AI agent，从代码生成到部署，实战经验值得看。

原文