全部 AI 动态 · AI 热点

6月29日

06:46

06:46官方账号Simon Willison’s Weblog（博客/媒体）

Jon Udell 反对“人类在环中”的说法，认为这拱手交出了主动权。他主张“人类代理在环中”，即由人类主导流程，邀请 LLM 代理加入团队。他以“Doctor, it hurts when agents create unreviewable PRs”为例，强调代理不该成为产生不可审查代码的黑箱。核心是让代理辅助而非替代人类的判断与工作流。

技巧 Jon Udell 智能体编程助手

推荐理由：Jon Udell 换了个角度聊 AI 工作流：别让代理做黑箱，让它们当团队助手，人类还是舵手。

原文

01:45

AI产品黄叔@PMbackttfuture

用户使用Hermes生成手机壁纸，并将微信Agent入口交回Hermes，同时接入flomo MCP实现记忆同步。每次手动触发“保存到flomo”时，内容会同步到flomo，并立即触发即时增强功能，从flomo/Hermes记忆中检索相关知识点推送笔记。这为知识工作者提供了利用AI助手整理灵感和长期记忆的工作流。

技巧 Hermes flomo MCP/工具

推荐理由：教你给AI设个微信入口，用Hermes做壁纸，还能自动同步到flomo，随时调取记忆，挺实用的。

原文

01:42

OpenRouter@OpenRouterAI

OpenRouter 持续对大多数开源权重模型运行 GPQA 与 TAU-Bench 两个基准，并将结果公开。这些成绩被用于其 AutoExacto 元基准，后者是路由工具调用的默认依据。当前 Parasail 和 Zai 在排行榜上位列第一。

技巧 OpenRouter GPQA TAU-Bench

推荐理由：选模型路由工具前，看看 OpenRouter 定期跑的 GPQA 和 TAU-Bench 排名，现在 Parasail 和 Zai 排第一，挺有参考价值。

原文

00:54

官方一手marktechpost@Sana Hassan

精选

本教程使用 Python 构建完整的 OCRmyPDF 流水线。先生成合成图像 PDF 以测试 OCR，再将其转换为可搜索 PDF 和 PDF/A 格式。通过提取侧边文本、计算单词召回率（word-recall）并比较文件大小来验证效果。还能调整 Tesseract 参数、清理噪点、纠正方向、在内存中运行 OCR 以及批量处理整个文件夹。

技巧 OCRmyPDF PDF/A Tesseract

推荐理由：手把手教你用 Python 调 OCRmyPDF，从生成测试图片到批量转 PDF/A，还带召回率比较，适合文档处理需求的人。

原文

00:01

官方账号Clement Delangue@ClementDelangue

Brian Armstrong在推文中分享了Coinbase控制AI成本的实践。他提到，通过将默认模型切换到开源模型如GLM 5.2和Kimi 2.7，91%的员工从未触及使用上限。通过改进缓存，LibreChat的缓存命中率从5%提升到60%。这些措施使AI支出减少近一半，同时token用量仍在增长。他还强调路由优化和精简上下文的重要性。

技巧 Hugging Face GLM 5.2 Kimi 2.7

推荐理由：Coinbase创始人Brian Armstrong分享了一套实际操作方案：用更便宜的默认模型、优化缓存和路由，能把AI成本砍半。开源模型GLM 5.2和Kimi 2.7是主角，缓存命中率从5%跳到60%。

原文

6月28日

16:18

Geek@geekbb

精选

网友分享的 Gentle-AI 配置串联 11 个不同职能的智能体，使用低成本 Flash 模型处理大部分上下文，仅在设计（Qwen）和编码（Kimi Code）等关键环节调用高性能模型。每日成本控制在 4~7 美元，并通过多智能体对齐审查显著降低幻觉率。该 per-phase model routing 策略可适配 15 种 AI 编程工具。

技巧 Gentle-AI Qwen Kimi Code

推荐理由：挺实用的配置：11个智能体分工，Flash模型省成本，Qwen和Kimi Code干重活，每天才4-7美元，还降幻觉。

原文

15:15

官方一手marktechpost@Sana Hassan

精选

本教程基于 Hugging Face 的 Fable 5 Traces 数据集，在 Colab 中构建稳定工作流。手动解析合并的 JSONL 文件避免依赖问题，检查仓库文件并标准化工具调用。通过审计结构、脱敏密钥和可视化分布，导出安全的无 CoT 聊天数据集。最后使用纯 Python 的朴素贝叶斯模型在 traces 上训练基线，无需复杂框架。

技巧 Fable 5 Traces Colab 工具调用

推荐理由：手把手教你用 Colab 搞定 Fable 5 Traces 数据，从解析到审计再到训练基线，全流程避坑实战。

原文

11:19

AI产品黄叔@PMbackttfuture

精选

黄叔分享了flomo Agent的10点使用心得，核心是降低记录前0.5秒的摩擦。他通过微信入口和Hermes Agent，并接入flomo MCP，将Hermes长期记忆同步到flomo。同时手动触发“保存到flomo”的内容，即时使用增强功能从flomo/Hermes记忆里检索相关笔记以帮助思考。他认为DeepSeek V4和王登科推动了flomo的发展，且Agent功能少反而更可信。最后提出flomo Agent+Codex/Hermes可形成“记忆-行动”双系统。

技巧 flomo Agent 知识管理

推荐理由：黄叔总结了flomo Agent的10条理解，比如用微信入口降低摩擦、打通记忆和行动，还提到了DeepSeek V4的作用。想用好flomo的可以看看。

原文

11:19

AI产品黄叔@PMbackttfuture

黄叔总结了自己重度使用flomo Agent的10点理解，核心是降低记录前0.5秒的摩擦。他认为flomo Agent对手不是Notion或Obsidian，而是微信文件传输助手。该工具通过接入flomo MCP与Hermes，将对话长期记忆同步保存到flomo，并即时触发增强功能，从记忆中提取相关笔记辅助思考。黄叔还指出，DeepSeek V4和王登科推动了flomo发展，Agent功能少反而更可信，付费理由是“一个可信的记忆容器”。

技巧 flomo 智能体 Hermes

推荐理由：黄叔分享了10条实际使用flomo Agent的心得，比如对手是微信文件传输助手、AI洞察是卡片结构的迟到红利，挺有启发。

原文

11:10

Yangyi@Yangyixxxx

宝玉分享 Codex/Claude Code 的实用工作流：fork 功能可从某节点创建分支，保留历史让上下文更纯粹。/btw 或 /side 命令可在当前会话中提问与主任务无关的问题，不污染上下文。上下文压缩配合 Prompt Caching 降低持续对话成本，一个 Session 内连续完成任务更可行。plan 模式中可用 /btw 请求详细解释选项含义。

技巧 Codex Claude Code fork

推荐理由：宝玉分享了两个超实用的技巧：fork分支对话和/btw侧边提问，让Codex和Claude Code用得更顺，强烈建议试试。

原文

07:19

Suhail@Suhail

Suhail分享了在过去一周中，使用某个工具或方法快速验证新建立的训练后基础设施的经验。该方法不仅超越了简单的Hello World强化学习运行，还能帮助发现并修复rollout过程中的瓶颈。这是一个实用的快速配方，确保各组件正常运转。

技巧训练基础设施强化学习 rollout

推荐理由：Suhail分享了一个实用方法，能快速验证RL训练基础设施，避开常见瓶颈。

原文

04:31

Harrison Chase@hwchase17

社区成员推出3小时深度课程，系统讲解Deep Agents构建。课程覆盖任务规划模块、文件系统用于上下文管理、子代理生成机制以及长期记忆实现。适合想深入掌握Agent开发流程的学习者。

技巧 Deep Agents 智能体任务规划

推荐理由：想学Deep Agents实战吗？3小时从任务规划讲到长期记忆，社区大神亲自带，比硬啃文档快多了。

原文

04:19

elvis@omarsar0

该推文指出，循环工程（loop engineering）本质上是提示工程（prompt engineering）与良好系统设计的结合。这条观点来自社交媒体，获得了8条评论、1次转发和21个点赞。它强调在构建AI应用时，需要把提示工程与系统架构整合，而非单独优化提示词。

技巧 loop engineering 提示词工程系统设计

推荐理由：有人一句话点醒我：循环工程其实就是提示工程搭上系统设计，做AI应用的朋友可以想想你的架构对不对。

原文

03:19

Suhail@Suhail

用户Suhail分享了两个提示词版本："read-quick-dont-validate"用于快速阅读论文，要求AI一步步拆解并一次性输出章节式解释；"validate-my-understanding-and-teach-me"则需提供5-10个参考链接，要求AI逐步教学并验证理解。第二个版本可耗时数周但学习更深入。两条提示词分别适用于不同学习场景。

技巧提示词工程论文阅读学习技巧

推荐理由：想用AI读论文又怕浅尝辄止？试试这两个具体写法，一个快速扫读，一个深度教学，亲测有效。

原文

03:19

Suhail@Suhail

该指令用于自动启动并监控AI模型训练运行。它在4个节点上运行完整训练，持续记录实验文档、超参数、配置以及定期评估结果。系统还会分析训练稳定性和性能，并在训练崩溃时从最新可靠检查点恢复。整个流程大幅减少了人工监视和干预的需求。

技巧训练自动化多节点训练实验记录

推荐理由：这个指令能自动帮你记实验日志、处理崩溃恢复，省去一直盯着的麻烦。

原文

03:19

Suhail@Suhail

博主分享了一种异步学习工作流：将博客、推文、arxiv论文等全部用特定提示词让AI生成教学版，不立刻读而是排队等待。等到有空时（乘车、睡前等）再去阅读AI生成的易读版本，并追问问题。这样比直接存链接好，因为AI能适应读者的经验水平并重写内容。作者称这种学习速度远超以往。

技巧学习工作流异步学习 AI教学

推荐理由：把想读的文章丢给AI，让它先教你一遍，等你回头读的时候效率翻倍，还能追问。

原文

02:10

berryxia@berryxia

一位老师通过生动的例子讲解大语言模型的原理，涵盖Transformer架构和注意力机制。适合AI初学者快速理解核心概念。

技巧大语言模型教程入门

推荐理由：这个老师的讲解很接地气，没基础也能听懂，推荐给想入门LLM的朋友。

原文

01:49

Jerry Liu@jerryjliu0

Jerry Liu（LlamaIndex创始人）在推文中指出，手动构建工作流（代码、拖拽或提示）的需求正在减少，更优方式是指定目标让模型智能规划步骤。对于重复性任务，可收集带真实标签的数据集进行爬山优化，以平衡成本与准确率。他认为行业正从提示工程迈向目标和评估工程。拥有642次浏览、5个点赞。

技巧 Jerry Liu LlamaIndex 工作流

推荐理由：Jerry Liu说的这个趋势很实在：别再手动搭工作流了，直接给目标让模型自己想办法。重复任务还能录数据集优化，省心省钱。

原文

01:25

宝玉@dotey

精选

Codex 和 Claude Code 的上下文压缩功能结合 Prompt Caching，使得在单个 Session 内持续对话的成本压力显著降低。用户可以通过 fork 功能从对话的某个位置创建分支，只保留之前的历史记录，使上下文更纯粹。/btw 或 /side 命令允许在不影响当前任务上下文的情况下提问，例如在 plan 模式下用 /btw 详细解释选项含义。VB 提到自 GPT 5.3 Codex 以来，他不再担心上下文问题，且 Codex 的支线线程功能非常出色。

技巧 Codex Claude Code Prompt Caching

推荐理由：如果你用 Codex 或 Claude Code 做长任务，这个技巧能省下不少 token 费用，fork 和 /btw 命令特别实用。

原文

01:19

AI产品黄叔@PMbackttfuture

一位博主分享经历：一名大三学生在完成初稿后，收稿费仍继续优化方案。学生清晰解释如何用多个Agent各自发挥特长协同完成任务。博主称赞其思路，并表示学生希望暑假来实习。

技巧 Agent 协作案例分享

推荐理由：看一个大三学生怎么用多个Agent分工协作，还主动给你优化方案，这思路值得学。

原文

00:56

berryxia@berryxia

76°

Anthropic的Lamis在2026年AI DevCon上分享了上下文工程实践，从Claude MD文件起步，发现其效果出奇地好（unreasonably effective）。第二步引入记忆工具，让Agent自主读写，效果优于人类。第三步Skills采用渐进式披露，类似书架取书。第四步文件系统用bash和grep搜索，不需要向量数据库。生产环境面临多Agent并发写入等问题，Anthropic提出版本控制、并发控制等四个原则。最后介绍“做梦”机制：异步批量分析会话记录，识别模式并调整上下文，已在生产中运行，降低token成本。

技巧 Anthropic Claude 上下文工程

事件专题

推荐理由：Anthropic工程师手把手教你上下文管理套路，从最基础的文件到高级的“做梦”架构，半小时就能上手实操。

原文

00:56

berryxia@berryxia

精选

Anthropic应用AI负责人Lamis在2026年AI DevCon上分享了Agent记忆系统的四层架构。起点是CLAUDE.md文件，效果超过复杂Prompt工程。第二层是记忆工具，让Agent自主读写更新，判断力比人强。第三层Skills实现渐进式披露，类似从书架抽词典。第四层把记忆建模为文件系统，用bash/grep，无需向量数据库。还引入"做梦"（带外异步处理）分析跨会话模式，已在生产中提升任务效率并降低成本。

技巧 Claude Code 记忆管理智能体

事件专题

推荐理由：Anthropic官方分享了他们怎么让Agent记住东西：从Markdown文件到做梦机制，很实用的四层方法论，看完可以少走弯路。

原文

00:01

官方账号MIT CSAIL@MIT_CSAIL

一份由Anatoli Kopadze整理的18步Claude使用教程发布。教程涵盖从基础提示到高级工作流的技巧，共18个步骤。每个步骤针对Claude交互中的具体场景提供指导。用户可系统提升与Claude的协作效率。

技巧 Claude Anthropic 提示词工程

事件专题

推荐理由：想用好Claude？这有18个实用步骤，从提示词到工作流全涵盖，练完你就是高手。

原文

6月27日

22:24

techcrunch@Connie Loizos

Connor Christou确诊癌症后，将血检结果、扫描数据、穿戴设备输出和日记全部输入Claude来辅助决策。Claude帮助他整合多模态健康数据，识别出传统医疗流程中易被忽略的模式。他通过AI对比不同治疗方案的临床试验数据，最终选择了定制化疗法。整个过程强调数据驱动而非猜测，并公开了具体操作流程。

技巧 Claude 创始人癌症

推荐理由：有人把血检、扫描、手表数据全喂给Claude来治癌症，不是科幻，是他真这么干了。

原文

19:36

官方一手Sebastian Raschka: Ahead of AI@Sebastian Raschka, PhD

精选

本文介绍如何用aider和Continue等本地编码代理工具替代Claude Code与GitHub Codex订阅。这些工具可搭配Ollama部署的Llama 3和DeepSeek Coder等开源模型。本地运行能保护代码隐私，并节省每月订阅费用。作者给出了从安装Ollama到连接模型的完整配置步骤。

技巧 Claude Code Codex aider

推荐理由：想省掉Claude Code的月费？Sebastian手把手教你用本地开源模型加aider和Continue自己搭编码代理，便宜又安全。

原文

19:24

idoubi@idoubicc

idoubicc 在广州南沙客运港举办了 codefree.cafe 第一期 AI 编程小桌课，5 位学员在 6 小时结对编程中用 ShipAny 和 FastClaw 构建了 Agent 产品。课程涵盖 Claude Code 和 Codex 的网络配置、Vibe Coding 技巧、ShipAny 快速上站演示，以及从 idea 到上线的全流程拆解。费用 ¥4096/人次，赠送价值 ¥3072 的 ShipAny 会员、1024 社群会员和《这就是 MCP》一书。

技巧 ShipAny FastClaw Claude Code

推荐理由：idoubi 搞了个咖啡馆里的小桌课，一天时间教你用 Claude Code 和 Codex 落地 Agent 产品，还包学会 ShipAny 上站，广州朋友别错过。

原文

16:54

向阳乔木@vista8

用户vista8分享了安装@wey_gu开发的nowledge mem应用，并配置MCP（Model Context Protocol）的体验。该应用支持AI对话记忆功能，同时集成个人知识库，提升AI交互的连续性。评论区提供下载链接，目前已有852次浏览和2次互动。

技巧 nowledge mem MCP AI对话记忆

推荐理由：想给AI加上长期记忆？试试这个nowledge mem配MCP，能记对话还能建个人知识库，实用又简单。

原文

13:25

Philipp Schmid@_philschmid

精选

Interactions API 引入了 background=True 参数，用于处理超过标准 HTTP 超时限制的长时间运行异步代理任务。官方发布使用指南，说明如何配置请求、在任务完成后重新连接以及流式传输结果。该参数允许客户端在提交任务后立即返回，而无需保持连接直到任务完成。

技巧 Interactions API background=True 异步任务

推荐理由：写异步 agent 任务总超时？试试 Interactions API 新加的 background=True，可以断开等结果再重连，还支持流式。

原文

13:21

官方账号LangChain@LangChainAI

LangChain与Chime合作发布指南，指导金融服务团队如何利用更强的监督机制构建生产级AI智能体。该指南涵盖LangChain框架的使用，强调可观测性、合规性和风险控制。指南提供具体步骤，帮助团队实现更可靠的AI部署。

技巧 LangChain Chime 智能体

推荐理由：LangChain出了个新指南，专门讲金融服务怎么搞生产级智能体，还加了更强监督。做金融AI的可以看看，省了自己踩坑。

原文

13:20

官方账号LangChain@LangChainAI

Alex Olsen 加入 LangChain 团队后发表首篇文章，详解 Deep Agents 如何利用 prompt caching 技术减少 API 调用次数。该方案通过缓存重复提示词，最高可降低 50% 的 API 成本。文章提供了具体实现步骤和代码示例，帮助开发者快速集成。

技巧 LangChain Deep Agents prompt caching

推荐理由：LangChain 新成员 Alex 手把手教你给 Deep Agents 加缓存，省下一半 API 钱，实用技巧别错过。

原文

13:14

OpenRouter@OpenRouterAI

推文展示了如何使用OpenRouter的MCP功能构建一个模型委员会（Model Council），并针对用户的代码库和用例进行调优。该工作流由用户Lennox Saint验证，确认效果出色。示例提供了可操作的步骤，帮助开发者利用多个模型协作解决问题。

技巧 OpenRouter MCP 模型委员会

推荐理由：OpenRouter官方示范，手把手教你用MCP搭模型委员会，实测好用。

原文

12:57

OpenRouter@OpenRouterAI

精选

OpenRouter发布了一个MCP演示，展示agent如何通过MCP从DesignArena拉取实时设计模型排行。演示中，agent同时启动GLM-5.2、Opus 4.7和Kimi 2.6三个子模型，各自生成自画像网页并排展示。用户可以直接对比三个模型的输出，选择最喜欢的设计。这种方式省去了手动注册多个平台、重复输入提示词的繁琐流程。

技巧 OpenRouter MCP/工具 GLM-5.2

推荐理由：OpenRouter演示了怎么用MCP让agent自动调用GLM-5.2、Opus 4.7、Kimi 2.6三个模型并排出设计图，再也不用一个个手动试了。

原文

12:45

elvis@omarsar0

作者认为开源模型与前沿闭源模型同等重要，并提出了一个结合使用的框架：租用前沿模型的推理和智能能力，同时通过开源模型掌握上下文和知识，并利用开源模型作为验证器和评判器。这一策略让用户既能享受前沿模型的强大推理，又能保持对上下文和信息的控制权。该框架提供了一种实用的模型组合思路。

技巧开源模型推理模型模型集成

推荐理由：一个实用的使用策略：把前沿模型当脑子，开源模型当知识库，自己掌握上下文。

原文

12:36

elvis@omarsar0

作者通过创建私人ChatGPT会话，记录饮食、药物和感受，利用AI作为第二意见和提醒工具，配合医生指导，在6个月内成功减重100磅。这个过程包括减少工作时间、改善睡眠和饮食、增加运动。作者认为个人健康是AI最有价值的应用之一，同时也在开发AI个人导师项目@dair_ai。他强调详细的每日日志和AI的持续提醒是成功的关键，最终ChatGPT和医生共同帮助他改善了生活质量。

技巧 ChatGPT 个人健康 AI助手

推荐理由：作者亲身经历：用ChatGPT记日志、当健康教练，6个月减了100磅。不是广告，是真实可复用的AI辅助健康管理方法。

原文

12:34

Geek@geekbb

1. 开发者 @tamanekokoro 分享一键配置方法：登录 Cloudflare 后进入 Workers AI → REST API → 创建 API Token，无需信用卡即可获取 API 密钥与账户 ID。2. 在 Chatbox 中以 OpenAI API 兼容模式配置自定义端点，将模型名填为 @cf/zai-org/glm-5.2 即可调用 GLM-5.2 模型。3. 该免费方案每日有使用限制，不适合无限制畅用场景。4. 设置过程仅需几分钟，适合快速体验 GLM-5.2 的轻量需求。

技巧 Cloudflare GLM-5.2 Workers AI

事件专题

推荐理由：想白嫖 GLM-5.2？Cloudflare Workers AI 一键免费接入，不用绑卡，Chatbox 里改个模型名就能跑，但每天有次数限制，轻度玩玩够用。

原文

12:26

AI Engineer@aiDotEngineer

精选

Paul Bakaus 将在 AI Engineer World's Fair 发表两场演讲，涵盖智能体技能工程与设计工具控制。他基于构建 24+ 技能、跨越 9 种 harness/模型组合的实战经验，揭示平行子智能体、混合专家路由、技能记忆、自动钩子与环境变量等技巧。此外还介绍开源设计工具 Impeccable AI 的 24 个形容词级命令（如 /bolder、/quieter、/distill）。两场演讲分别聚焦如何突破模型默认安全输出，以及从形容词层面控制设计风格。

技巧 Paul Bakaus ai-engineer 智能体

推荐理由：想突破 agent 平庸输出？Paul Bakaus 分享 24+ 技能实战干货，还有形容词级设计控制，很实用。

原文

12:25

Fireworks AI@FireworksAI_HQ

FactoryAI 将模型管理平台标准化为 Fireworks，实现部署扩展。此举带来开放模型增长 2-3 倍，每美元工作量提升 5-15 倍，并能第一时间获取新开放权重模型。团队负责人 Leo Tchourakov 在视频中详解了具体实现。

技巧 Fireworks FactoryAI 开放模型

推荐理由：想提升AI模型部署效率？看看FactoryAI怎么用Fireworks实现5-15倍成本效益，还能第一时间用上新模型。

原文

12:17

Harrison Chase@hwchase17

Coinbase CEO Brian Armstrong在推文中介绍了公司通过更优默认设置、智能路由和缓存来控制AI支出增长。他们默认使用开源模型如GLM 5.2和Kimi 2.7，使91%员工未触发使用上限。缓存命中率在LibreChat中从5%提升至60%。这些措施使AI支出降低近一半，同时token使用量持续增长。

技巧成本优化缓存 Coinbase

推荐理由：Coinbase用缓存和默认模型省了一半钱，还让token随便用，想省成本的团队可以照抄作业。

原文

12:06

官方账号LangChain@LangChainAI

LangChain的Brace Sproul和Jake Broekhuizen在视频中比较了构建agent时使用MCP（Model Context Protocol）与CLI（命令行接口）的优缺点。MCP提供了标准化上下文传递，适合多步骤复杂agent任务；CLI更轻量直接，适合简单工具调用。视频通过实际案例演示了两种方式的适用场景和取舍。

技巧智能体 MCP CLI

推荐理由：LangChain的两位专家亲讲MCP和CLI在agent开发中的实战对比，帮你选对工具写代码。

原文

11:57

官方账号Simon Willison@simonw

Simon Willison在推文中指出，当前LLM（如GPT-4、Claude等）在构建前端时默认选择React的倾向较去年明显降低。他过去几乎每次前端提示都要加入“不要用React”，但近几个月来多数模型已不再需要这一约束。这一变化减少了提示词的必要修改，反映出LLM默认行为的演进。

技巧 Simon Willison LLM React

推荐理由：Simon Willison分享了一个省事小发现：现在LLM写前端默认React少了，你少写一句提示词。

原文