23:19Yangyi@Yangyixxxx用户分享让 coding agent 通读 openclaw 前端代码的经验。通过深度学习 openclaw 的前端设计,agent 能避免生成 AI slop。这是用户从 openclaw 项目中获得的最大收获之一。技巧coding agentopenclawAI slop2 个信源在谈事件专题推荐理由:想知道怎么让 AI 写代码不产生垃圾?这位开发者分享了一个很实际的工作流:让你的 coding agent 去读 openclaw 的前端代码学习一下。原文稍后读已读值得跟进有用关注 coding agent
21:47Harrison Chase@hwchase17hwchase17在推特中分享了如何优雅地显示动态子代理(subagents)的CLI加载动画。他们通过自定义spinner实现动态更新,并对齐了UI设计。该方案专注于提升终端交互的视觉反馈效果。技巧CLI子代理loading spinner推荐理由:看看大佬们怎么在CLI里优雅展示子代理的加载动画,代码细节和设计决策都有。原文稍后读已读值得跟进有用关注 CLI
18:47AI Will@FinanceYF5Seedance 2.0 又一次引发热潮,用户构建了多种多样的AI视频工作流,包括电影感动作片、K-pop MV、广告、动画以及4K恐怖片。该推文展示了10个极端案例,并介绍了制作方法。这些案例覆盖了从短视频到电影级场景的各种不可能实现的效果。教程部分详细说明了如何使用Seedance 2.0工具链实现这些创意。技巧Seedance 2.0视频生成工作流推荐理由:Seedance 2.0 又火了,这次分享了10个超野的视频工作流案例,从动作片到K-pop MV都有,还附带了制作方法,想学AI视频的话可以看看。原文稍后读已读值得跟进有用关注 Seedance 2.0
18:17IT之家(博客/媒体)谷歌前工程负责人休·威廉姆斯借助Anthropic的Claude Code开发出可正常运行的搜索引擎Zettair,索引了150万个维基百科条目。该引擎支持搜索自动补全、关键词摘要片段、相关搜索推荐、热门话题榜单及AI生成摘要。威廉姆斯表示全程没有手动编写一行代码,但底层检索框架来自其21世纪初参与研发的系统。他认为只有搭配深厚专业技术功底,Claude Code才能发挥最佳效果。技巧Claude CodeZettair维基百科10 个信源在谈事件专题推荐理由:前谷歌高管用Claude Code零代码造了一个维基百科搜索引擎,索引150万条,功能齐全,比你自己手写快多了。原文稍后读已读值得跟进有用关注 Claude Code
17:17Geek@geekbbGitHub 用户 kageroumado 发布了一个工具,它能监控 AI Agent 的进程状态。当 Agent 运行时,阻止 Mac 进入休眠;Agent 退出后,自动恢复原有的电源管理策略。这个方案避免了因整机持续唤醒造成的电能浪费,适合需要长时间运行 Agent 任务的用户。技巧Mac智能体开源工具推荐理由:跑 Agent 时再也不用手动关屏保了,跑完自动休眠省电,超实用。原文稍后读已读值得跟进有用关注 Mac
15:01Jerry Liu@jerryjliu0精选Cognition 的 Devin Fusion 采用混合模型架构,引入“sidekick” 小模型与前沿模型并行运行。前沿模型负责任务规划、进度监控和最终审查,小模型处理具体工作。这种设计在保证智能的同时避免不必要的 frontier 模型开销,并确保所有子代理能利用累积上下文缓存。该方法能提升缓存命中率,降低推理成本。技巧Devin FusionCognition模型路由推荐理由:Cognition 的 Devin Fusion 用一个小模型当副手,让主力模型专心做决策,省资源还提高缓存效率,做多代理系统的人值得看。原文稍后读已读值得跟进有用关注 Devin Fusion
14:55AI Will@FinanceYF5该解码流程分为三步:Conformer先识别字符,Aligner将字符分组对齐成词向量,LLM根据语义重构句子。整个链路不依赖人工规则,而是通过端到端训练实现。这种方法能提升解码准确性和语义一致性。技巧ConformerAlignerLLM推荐理由:看看这个解码思路:Conformer干识别,Aligner对齐,LLM重构,全端到端,比人工规则强。原文稍后读已读值得跟进有用关注 Conformer
14:52Paul Couvert@itsPaulAi精选Paul推荐了5款可在笔记本上运行的本地模型,无需$10k Mac Studio。Qwen3.6-27B被认为是最佳编程智能体模型,Qwen3.6-35B-A3B是更快选项。Gemma 4 12B适合日常问答,Parakeet 0.6B v3是语音转文本最佳模型。Gemma 4 E4B可离线在手机运行,Gemma 4 26B diffusion在本地模型中Token/秒最高。建议使用Unsloth量化版搭配LM Studio或llama.cpp运行。技巧Qwen3.6-27BGemma 4Parakeet1 个信源在谈事件专题推荐理由:Paul整理了5款能塞进笔记本的本地模型,从编程到语音全覆盖,帮你省掉高价工作站的钱。原文稍后读已读值得跟进有用关注 Qwen3.6-27B
14:37Lenny Rachitsky@lennysan精选OpenAI Codex负责人Andrew Ambrosino总结了7条经验。产品工作已从'是否该做'转向'哪个原型最好'。角色由时间分配而非头衔定义,Codex团队采用'区域防守'策略覆盖全公司。AI设计差有实用与结构两原因,实用层面可能解决。最初的Codex Web发布过于野心勃勃,而Claude Code本地启动更契合模型能力。他认为2026年2月发布的Codex应用若在2025年11月推出会失败。品味不仅是美学,更是决定构建什么。技巧OpenAICodexClaude Code10 个信源在谈事件专题推荐理由:Andrew Ambrosino分享Codex团队真实经验:产品策略、模型发布时机和设计缺陷,做AI产品的都该看看。原文稍后读已读值得跟进有用关注 OpenAI
14:21AI Will@FinanceYF5用户将Opus 4.8替换为Kimi K2.7进行推理任务,基准差距约8%,价格便宜11倍。代码生成从GPT-5.5替换为Qwen 3.7 Max,基准差距约18%,价格便宜7倍。智能体循环与工具调用从Sonnet 4.7替换为GLM 5.2,基准差距约3%,输入价格便宜5倍。图像生成从GPT-Image-2替换为Wan 2.5,基准差距约5%,价格便宜8倍;视频生成从Sora 2替换为Kling 3.0,差距大致相等,价格便宜6倍。30天后运营成本下降87%,输出质量平均下降4%,收入不变,且模型可本地运行、保障数据安全。技巧Kimi K2.7Qwen 3.7 MaxGLM 5.21 个信源在谈事件专题推荐理由:他把Opus、GPT、Sonnet全换成中国模型:成本降87%,性能只降4%,收入不变。附完整迁移方法。原文稍后读已读值得跟进有用关注 Kimi K2.7
14:17AI Will@FinanceYF5一位开发者将其产品使用的AI模型全部替换为中国系模型,涉及6类任务逐一对比。替换后成本下降87%,收入未受影响,而模型输出质量平均仅下滑4%。该案例展示了中国模型在性价比上的显著优势。技巧中国模型成本优化质量对比推荐理由:有人实测把模型全换成中国的,成本省了87%,质量只差4%,收入没掉,这性价比太香了。原文稍后读已读值得跟进有用关注 中国模型
13:22AI产品黄叔@PMbackttfuture作者分享了一个使用Codex的Agentic工作流:通过一个Skill实现Codex自动抓取、改写内容并提交到多维表格。另一个Skill基于多维表格内容生成小红书图文笔记。再用Codex的Replay复刻Skill,基于爱贝壳插件将图文笔记发布到小红书。目前Codex不允许直接对外公开发布内容,存在限制。技巧Codex多维表格小红书推荐理由:作者用Codex串联了抓取、改写、生成、发布整个流程,虽然有限制但思路很实用,想搭建内容自动化工作流的可以看看。原文稍后读已读值得跟进有用关注 Codex
13:19官方一手歸藏(guizang.ai)@op7418精选71°Twitter(X)现已推出 MCP 接口,允许 AI 工具直接访问实时信息。配置需在 Twitter 开发者后台创建 APP 并充值,调用费用为 0.01 美元/次(1 美元 1000 次)。作者拉取近三天书签仅花费 0.1 美元。配置步骤包括创建 APP、获取配置 ID、在 MCP 配置文件中替换 ID,以及授权启动。配置过程可借助 Codex 或 Claude 辅助。技巧TwitterMCPX API推荐理由:想用 AI 分析你自己的 Twitter 数据吗?MCP 接口花几分钱就能让 AI 帮你整理书签和信息流,跟着这个教程一步步配置就行。原文稍后读已读值得跟进有用关注 Twitter
13:02宝玉@dotey精选该项目用约4300行代码(TypeScript和Python两个版本)复现了Claude Code的核心架构。涵盖Agent Loop、13个工具(含并行执行+流式早期启动)、4层上下文压缩、语义记忆召回、技能系统、多Agent、MCP集成等模块。全书共13章,每章均为分步教程,对照真实源码讲解简化实现思路。技巧Claude Code开源教程Agent推荐理由:想搞懂Claude Code怎么工作的?这个教程用4300行代码讲清楚了,还有TypeScript和Python两个版本可以跟着写。原文稍后读已读值得跟进有用关注 Claude Code
12:37官方账号LangChain@LangChainAILangChain 的 LangSmith Fleet 允许用户在 General Purpose Chat 中处理临时任务,系统自动记录工作流。当任务重复出现时,Fleet 可将其转化为带有指令、工具、触发器和记忆的 Specialized Agent,无需从头配置。这简化了从临时任务到永久 Agent 的迁移过程。技巧LangSmithFleetLangChain推荐理由:临时任务做多了?LangSmith Fleet 能帮你自动转成专用Agent,省掉空白配置的麻烦。原文稍后读已读值得跟进有用关注 LangSmith
11:49官方一手marktechpost@Michal Sutter精选本文介绍了6款无代码工具,支持构建企业级RAG系统、多智能体工作流以及微调数百个LLM。这些工具无需编程经验即可快速部署智能应用,显著缩短开发周期。文章逐一解析每款工具的核心功能和适用场景。技巧无代码工具RAG多智能体推荐理由:想不写代码就搞定AI应用?这6个工具能帮你快速搭RAG、调模型,省时又省力。原文稍后读已读值得跟进有用关注 无代码工具
10:43Ate-a-Pi@svpino精选建议用“value per token dollar”指标评估智能体:将智能体产生的价值除以消耗的token成本。比值低于1表示成本大于回报;等于1表示收支平衡;高于1则可用该智能体构建业务。不同智能体即使使用相同模型和token数,创造的价值也可能完全不同。@matrix_build 团队首次采用这一指标。技巧value per token dollarmatrix_build智能体推荐理由:别再纠结智能体能不能干了,试试用“值多少token”来算账,看投入产出比高不高。原文稍后读已读值得跟进有用关注 value per token dollar
02:47官方一手AWS Machine Learning Blog@Enrique Salgado Hernández精选本文介绍了Amazon QuickSight中BI资产的备份最佳实践。首先讲解如何选择需要备份的资产(如仪表板、数据集等)。然后说明可用的API(如ListDashboards、CreateDashboard)用于备份操作。最后提供示例代码帮助快速实现备份流程。技巧Amazon QuickSightAWS备份策略推荐理由:AWS教你备份QuickSight资产,有代码示例,照着做就能避免数据丢失。原文稍后读已读值得跟进有用关注 Amazon QuickSight
01:58官方一手AWS Machine Learning Blog@Anuranjan Mondal精选PAR 在 AWS 上构建了一个生产级多租户 LLM 分析系统,通过三层架构强制执行行级安全:使用 AWS SigV4 进行加密请求签名、在 Amazon Bedrock 上进行语义验证、以及通过 Split-Plane SQL 实现程序化数据隔离。每层独立运行以降低跨租户数据暴露风险,即使 LLM 本身被攻破或操纵也能保护数据。技巧AWSAmazon Bedrock多租户推荐理由:AWS 这篇教程手把手教你用 Bedrock 和 Split-Plane SQL 搭建多租户 LLM 分析系统,三层隔离防止数据泄露,值得做企业级 AI 安全的开发者看看。原文稍后读已读值得跟进有用关注 AWS
01:57官方一手AWS Machine Learning Blog@Sanghwa Na精选AWS 博客展示如何用 Amazon Nova 2 Lite 和 Claude Sonnet 4.6 构建两模型管道,用于扫描文档的数字化。Nova 2 Lite 在单次调用中完成多模态提取(检测照片、提取姓名坐标、返回页面元数据)。Claude Sonnet 4.6 根据版面布局进行空间推理,将姓名和面孔匹配。该管道在 Amazon Bedrock 上运行,通过分工降低总处理成本。技巧Amazon Nova 2 LiteClaude Sonnet 4.6Amazon Bedrock1 个信源在谈事件专题推荐理由:用 Nova 2 Lite 做粗提取,Claude Sonnet 4.6 做精准匹配,文档数字化省心又省钱。原文稍后读已读值得跟进有用关注 Amazon Nova 2 Lite
01:56官方一手AWS Machine Learning Blog@Troy Parrett精选本教程展示如何结合Amazon Bedrock Data Automation自动提取医疗理赔表单数据,再通过Amazon Bedrock AgentCore托管AI代理进行验证并转换为FHIR资源存入AWS HealthLake。该端到端工作流可减少人工处理流程,同时通过自动化校验保持数据准确性。文中逐步讲解每个组件的配置与集成方法。技巧Amazon BedrockAWS HealthLakeFHIR推荐理由:AWS官方手把手教你搭医疗理赔流水线,用Bedrock自动抽数据、转FHIR格式存HealthLake,能省不少人工核对时间。原文稍后读已读值得跟进有用关注 Amazon Bedrock
01:33官方一手AWS Machine Learning Blog@Joshua Lacy精选本文介绍如何使用Amazon Bedrock AgentCore的内置可观测性功能调试生产环境中的智能体故障。文章涵盖常见的故障模式,如无限循环和工具调用失败。通过追踪和指标分析智能体行为,并提供结构化工作流来解决问题。本文是两部分系列的第一部分,第二部分将讨论性能优化和内存管理。技巧Amazon BedrockAgentCore可观测性推荐理由:AWS博客教你用Bedrock AgentCore内置观察功能排查生产智能体故障,比如无限循环和工具调用失败,省去自己搭建监控的麻烦。原文稍后读已读值得跟进有用关注 Amazon Bedrock
23:12berryxia@berryxiaMargot Van Laar在Code with Claude大会上分享提示词工程实战,核心观点是生产提示词调试维护比从零写更重要。她展示客服机器人场景:团队发现旧模型遗留的'禁止列表'指令导致新模型过度拟合,以及'请仔细计算'无效需提供计算器工具。在零售排班Agent场景中,她将复杂提示词拆成三个简单提示词(生成、评估、修复)组成循环,比单一大提示词更稳定。她强调可用Opus等更强推理模型加自适应思考来简化提示词,并务必建立量化评估基准验证改动效果。技巧AnthropicClaude提示词工程10 个信源在谈事件专题推荐理由:Anthropic工程师手把手教你维护生产提示词,从客服机器人到排班Agent,拆成小提示词更靠谱,还有评估妙招。原文稍后读已读值得跟进有用关注 Anthropic
23:10berryxia@berryxia精选Anthropic工程师Margot Van Laar在Code with Claude分享提示词工程最佳实践,强调通过评估(Eval)而非直接修改提示词来优化。她用客服机器人和零售排班两个案例演示:使用XML标签结构化提示词、移除旧模型遗留的禁止列表(如Claude 3 Opus)、用工具替代指令处理计算任务。拆解复杂任务为生成-评估-修复循环,并建议用更强推理模型(如Opus)加自适应思考替代小模型复杂提示词。技巧提示词工程Claude评估10 个信源在谈事件专题推荐理由:Anthropic工程师手把手教你怎么调客服提示词和搭Agent,用Opus加循环拆解比堆复杂指令更管用,核心就一句话:先搞评估原文稍后读已读值得跟进有用关注 提示词工程
20:05@zarazhangrui@zarazhangrui一位创业者分享经验:每花1小时构建产品,应投入2小时用于解释、演示、销售和教学。这一比例强调产品需要持续向外界传达并基于用户反馈迭代。指出将时间优先花在传播和沟通上,是产品成功的关键。该观点源自与现实的接触和不断打磨。技巧产品开发推广技巧创业经验推荐理由:别只顾码代码,花两倍时间去推销和教学,这才是让产品落地的硬道理。原文稍后读已读值得跟进有用关注 产品开发
18:57官方账号vLLM@vllm_project精选NVIDIA 与 vLLM 合作发布 step-by-step 指南,教你用四台 DGX Spark 盒子组建私有集群,自托管 550B 参数的 Nemotron-3-Ultra 模型。指南基于 vLLM 官方容器,可提供兼容 OpenAI 的端点。无需数据中心,适合构建私有 agent 工作流。技巧Nemotron-3-UltraNVIDIADGX Spark10 个信源在谈事件专题推荐理由:想不依赖数据中心自己跑 550B 模型?NVIDIA 出了详细教程,四台 DGX Spark 就能拼出 OpenAI 兼容的端点。原文稍后读已读值得跟进有用关注 Nemotron-3-Ultra
14:55宝玉@dotey有用户发现,在 Codex 应用中将模型选为 GPT-5.5 并设置推理为 xhigh 后,运行 Juice 测试 Prompt 若返回 128 则实际使用的是 GPT 5.6 Sol,否则返回 768 就是 GPT 5.5。该 Prompt 要求模型输出 Juice 数除以2乘10再除以5的结果。目前测试仍返回 768,说明多数用户尚未灰度到 GPT 5.6 Sol。技巧GPT 5.6 SolGPT 5.5提示词工程推荐理由:想提前知道自己的 GPT 5.5 是不是偷偷升级了?用这个 Juice 测试 Prompt 一试便知,很简单。原文稍后读已读值得跟进有用关注 GPT 5.6 Sol
13:58Ate-a-Pi@svpino这个开源项目允许你录制浏览器操作,系统会自动清理录制内容,移除重试、死路和页面特定细节。然后它只保留任务逻辑而非具体点击,将其转化为可复用的技能。最后这些技能被组织成技能图谱,智能体可检索用于相关新任务。整个过程完全开源。技巧开源浏览器自动化智能体推荐理由:有个开源项目能录制你在浏览器里做的事,自动变成可复用的技能,还能让智能体直接调用,省去重复劳动。原文稍后读已读值得跟进有用关注 开源
13:52官方账号EleutherAI@AiEleutherEleutherAI在ICML 2024会议上发布了参会指南。指南包含了他们在会议期间的展位和演讲安排。参会者可通过链接获取详细位置信息。技巧EleutherAIICML开源模型推荐理由:EleutherAI发了他们在ICML的定位指南,想去现场找他们的可以看看,免得错过。原文稍后读已读值得跟进有用关注 EleutherAI
13:51官方账号Together AI@togethercomputeTogether AI 工程师将在 AI Engineer World’s Fair 举办 hands-on workshop,讨论 Agentic Coding 如何改变推理引擎需求。workshop 将讲解推理引擎的工作原理及服务生产级 agentic workloads 的要点。活动时间为6月29日上午9-11点,地点在 Room 2020。技巧Together AIAI Engineer World’s Fairagentic coding推荐理由:想了解 agentic coding 对推理引擎的新要求?Together AI 的这个实操 workshop 直接带你上手,时间是6月29日上午。原文稍后读已读值得跟进有用关注 Together AI
13:51官方账号Jasper AI@heyjasperaiJasper将Hugging Face基础设施用于其MONET系统的数据创建和存储。该方法针对随时间更新的大型训练数据集进行了优化。Jasper团队通过HF实现了更高效的数据管道管理。这一案例展示了HF在训练数据工作流中的实际应用。技巧JasperHugging FaceMONET推荐理由:看看Jasper怎么用Hugging Face当MONET的数据后台,对做大模型训练数据管道的团队很有启发。原文稍后读已读值得跟进有用关注 Jasper
13:50官方账号François Chollet@fcholletFrançois Chollet(Keras创建者)在推文中指出编程不是关于代码,而是通过抽象层管理复杂性的艺术。他认为编程的核心在于构建函数、类等抽象层来降低认知负荷。AI在这一框架下仅是一种新的抽象工具,不应被过度神化。这一观点提醒程序员更关注架构设计而非语法细节。技巧François CholletKeras抽象层推荐理由:Chollet一句话点醒你:编程不是写代码,是搭抽象层。别把AI太当回事。原文稍后读已读值得跟进有用关注 François Chollet
13:50官方账号François Chollet@fchollet精选François Chollet 指出,智能体编程(Agentic coding)迫使开发者设计清晰的 API 接口并编写完整的文档字符串。AI 代理无法阅读团队内部的隐式心理模型,只能依赖显式的 API 合约和 docstring。这要求接口规范必须精确、无歧义,文档覆盖所有输入/输出场景。对工程团队而言,这意味着需要投入更多时间在接口形式化设计上。技巧Agentic codingAPI设计文档字符串推荐理由:François Chollet 说得很实在:想用AI代笔写代码,接口就得干净、文档得详细,别指望它懂你没写出来的默契。原文稍后读已读值得跟进有用关注 Agentic coding
13:50官方账号阿里云 Alibaba Cloud@alibaba_cloud阿里巴巴云Qwen团队将于2026年6月30日举办Qwen Live第一集直播,主题为Agent-First。Qwen云负责人Linlin Kong与产品经理Pan Gu、Xijue将分享从零构建智能体云平台的经验。直播将重新定义面向非人类用户的开发者体验,并探讨大规模人机协作的新范式。技巧Qwen阿里云智能体推荐理由:想搞智能体云平台?Qwen这期直播讲从零搭建、非人类用户开发体验,做agent的开发者别错过。原文稍后读已读值得跟进有用关注 Qwen
13:50官方账号阶跃星辰 Stepfun@Stepfun_AIStep Plan 专为 Agent 工作流设计,用户只需连接一次即可持续构建和实验。它在 Claude Code 中集成了 Step 3.7 Flash 模型,大幅降低每次 API 调用的管理成本。开发者 @codedailyML 用 Step Plan 制作了 Tarot 生成器 demo,验证了工作流的便捷性。技巧Step PlanStepFunClaude Code推荐理由:StepFun 的 Step Plan 让你在 Claude Code 里连一次就能持续调模型,不用反复写 API,看那个 Tarot 生成器 demo 就知道了。原文稍后读已读值得跟进有用关注 Step Plan
13:49Ethan Mollick@emollickEthan Mollick 指出,所有模型路由器(model routers)在处理非数学/编程任务时,普遍低估任务难度并分配过少的智能资源。他建议,对于不可验证的任务(如创新、营销、定性分析),使用更智能的模型往往能带来更大收益。这一观点源于他对多种路由器实际表现的经验观察。技巧model routers任务分配推理模型推荐理由:Ethan Mollick 分享了一个容易被忽视的问题:模型路由器的任务分配不够智能,尤其对创意和分析类任务。如果你也发现一些任务结果不好,可能不是模型不行,是路由器给它派了太弱的模型。原文稍后读已读值得跟进有用关注 model routers
13:48岚叔@lufzzliz文章指出长期依赖AI生成代码会削弱工程师的沉浸式创造能力和职业满足感。作者用历史小说家批量生产而非亲自研究写书的类比,说明类似问题。他自述使用Claude和Codex几个月后,写代码变得懒散迟钝,遇到复杂问题第一反应是让AI找bug或写修复。文章警告AI批量产生的代码如同“数字塑料垃圾”,便宜但长期污染软件生态。技巧ClaudeCodex编程助手推荐理由:这篇很真实,说透了AI用得越多,自己越容易变懒,得先自己思考再让AI动手。原文稍后读已读值得跟进有用关注 Claude
13:48Ethan Mollick@emollick这个提示词让AI模型推荐两首适合当前GenAI状态的诗,并要求认真思考而非后验合理化。作者建议在GLM-5.2或Opus 4.8上尝试,观察模型如何选题和论证。它提供了窥探模型内部推理过程的视角,适合想了解模型思考方式的人。该技巧无需额外工具,直接复制提示词即可使用。技巧GLM-5.2Opus 4.8提示词工程6 个信源在谈事件专题推荐理由:想看看AI怎么思考?让GLM-5.2或Opus 4.8帮你选诗,能看到它的推理过程,挺有意思的。原文稍后读已读值得跟进有用关注 GLM-5.2
13:48岚叔@lufzzliz在世界杯小组赛预测中,GLM-5.2在比分榜综合最强,GPT-5.5在胜负榜综合最强且命中率达70%。淘汰赛阶段取消24小时限制,可一次性预测16场比赛。作者分享了提示词示例:"继续预测,可以提交淘汰赛16场的比赛,你需要仔细分析给出你的答案、并提交"。同时附带了opus-4.8和deepseekv4-pro的预测结果。技巧GLM-5.2GPT-5.5提示词工程推荐理由:作者用GLM-5.2和GPT-5.5预测世界杯,GPT-5.5命中率70%,还给了淘汰赛提示词,试试用自己的agent玩。原文稍后读已读值得跟进有用关注 GLM-5.2
13:48岚叔@lufzzliz精选LufzzLiz基于Andrej Karpathy的LLM Wiki gist衍生出两套模板:个人知识库schema(五层目录)和代码仓库wiki schema(三层目录+双层导览)。附带实践案例Hermes-wiki和wiki-web,后者支持关系图和脑图。模板可直接用于构建结构化个人知识库或项目文档。技巧Karpathy知识库模板推荐理由:如果你嫌搭建知识库太麻烦,试试这套基于Karpathy思路的模板,五层目录帮你把笔记理得清清楚楚,还有实际案例参考。原文稍后读已读值得跟进有用关注 Karpathy