Chinese content按任务分配模型：Agent 跑任务别全程用最贵的模型
跑 Agent 最费钱的就是全程顶配模型。这篇讲了按任务分流的实操：规划用 Kimi K3.1 Pro 这类强模型，读文件改格式丢给 0.01x 倍率的豆包 2.1 Lite，同样额度能多干好几倍活。经常跑自动化任务的人照着配一遍就能省不少。
Latest
Every published item, in order · 5279 items
Nov 13
Chinese contentn8n 模板：一条提示词自动生成并发布 YouTube Short
n8n 出了个免费模板，输入一句话提示词，就自动写脚本、配 AI 旁白、找素材、发到 YouTube 频道，全程不用动手剪辑。做短视频批量生产的创作者可以直接导入改造，比自己拼 API 省事得多。
Chinese contentBoxBridge 0.4.4 开源使用方法：稳定接入 Claude Code 两个月
作者把自用的 BoxBridge 0.4.4 接入方法放出来了，靠 Grok 通道连 Orca 和 Claude Code，不用自己搭 Tailscale。断线重连、故障恢复这些细节都做了，已经稳定跑了两个月。想找稳定接入方案的人可以看看入群方式。
Chinese contentGrok Bot 支持 Tailscale 连接私有 MCP 和工具
Grok Bot 现在能走 Tailscale 直连你内网的 MCP 和私有工具，不用把服务暴露到公网。而且反向调用也能玩出花样，本地客户端可以反过来用它当节点。经常折腾 MCP 的开发者可以试试。
Chinese content给编码智能体接入云电脑：用 MCP 远程操作浏览器、桌面和终端
用 MCP 把云电脑接到 Claude 和 Codex 上，一个做表格、一个写分析脚本，全在远端跑。平时让智能体操作网页、Excel 的开发者可以试试这个组合，比在本地折腾环境省事。
Nov 12
A2A protocol multi-agent systems guide on AWS
The notable part is framework independence: an orchestrator and a worker agent can live in different SDKs, accounts and even organisations, which changes how enterprises decompose agent workloads across teams. Platform engineers and AI architects evaluating agent interoperability standards, alongside alternatives like MCP, will find a concrete, deployable pattern here. The walkthrough is hands-on and can be reproduced on any AWS account using ECS and Bedrock AgentCore.
Amazon Bedrock adds per-user access control for knowledge base MCP tools
The non-obvious part is that authorization is enforced outside the agent, by gateway policy plus a resource-based policy on the knowledge base, so a compromised or careless agent cannot leak documents. Teams deploying multi-tenant RAG agents on AWS should replicate this three-layer pattern rather than trusting agent-level filtering. Compared with self-built MCP gateways, it reuses AgentCore's identity injection, cutting custom auth plumbing.
Chinese contentAWS 推出 Agent DLC：一套把智能体从原型推进到生产的工程方法
做智能体开发的话可以看看这篇：AWS 讲了为什么传统 CI/CD 管不住 agent，还举了个聚合指标掩盖覆盖率缺口的实测案例，给出了一套可复用的评估流程。
Chinese contentMartin Fowler 介绍用 LLM 生成术语表提升领域问答准确性
Martin Fowler 写了个实用小技巧：先让 LLM 把专业术语整理成术语表，再塞进上下文给别的 LLM 用。做医疗、法律、金融这类行话多的文档处理时能明显少出幻觉，动手成本低。
Home-Repo Pattern: Centralised Agent Steering Across Multiple Repos
The practical shift is from per-repo agent configuration to a single control plane, which means global rule changes land instantly across every project an agent touches. Teams juggling several related codebases — especially small startups without platform engineers — can adopt it by copying the article's prompt set and running the grill-me Q&A to tune it. The start-repo setup also pairs naturally with skills-based agents like Claude Code or Cursor, since both already read markdown steering files.
Tomorrow 08:00, the daily lands in your inboxTelegram channel or email. Same screening as this page, no ads.
Chinese content用 AI 算多站点路线：调基础 Routes API 而非车队排班接口
让 AI 写路线规划的代码时，它可能顺手给你换成企业级车队排班接口，免费 Key 一调就报错。这篇提醒你在提示词里写死基础 Routes API 的名字，能少走弯路，做物流或配送类应用的开发者可以直接记下来。
Chinese contentSiri AI 体验实测：距离真正的 AI Phone，苹果还有多远？（附开通指南）
如果你是 iPhone 用户，这篇有现成的开通指南，照着做就能用上新版 Siri。作者实测后说得很直白：界面和语音理解确实变好了，但让它跨应用干复杂活儿还是会翻车，想清楚这点再决定要不要折腾。
Chinese contentyetone 的 magpie 展示 Agent 自主合并 PR 的 build in public 工作流
作者对比了两种自动修复路线：NewMax 靠定时 Loop 错误日志加人工审核，yetone 的 magpie 则让 Agent 自主合并 PR、自动 CI 发版，用户还能直接参与构建。做 Agent 工作流或社区运营的人都值得看看这个思路。
Chinese content越南玩家把低价日版 PS5 改造成本地 AI 计算站
越南玩家用便宜的日版锁区 PS5 跑本地 AI，比买一张 AI 显卡便宜不少。如果你想低成本折腾本地推理，或者单纯好奇主机改服务器的玩法，这篇可以直接抄作业。
Chinese content企业AI落地路线：从培训切入到微信数据打通的8步路径
这篇把企业AI落地顺序讲得很实在：先培训建信任，再用OpenCLI逆向SaaS给Agent配工具，最后靠微信和SCRM打通数据。对比那些上来就砍生产环节人力的做法，这套路径落地阻力小得多，适合在企业里推动AI的团队照着排优先级。
Chinese content体验一款有活人感的 Personal Agent：边干活边对话还会打电话汇报
博主试了一款拟人感很强的 Personal Agent：能边干活边跟你聊，还会主动打电话汇报进度，他拿它和 Muse 对比。想把 Agent 当同事而不是工具用的人可以看看这篇使用感受。
Chinese content用户用一行反向提示词测试 Fable5.2 视频生成能力
有个日本博主拿 Fable5.2 玩了个邪门测试：让它用最强实力做「最烂」视频，结果成片质量还是没崩。比起官方 demo，这种用户单行提示词实测更能看出真实水平，做视频生成的可以拿同样玩法去测自己手上的模型。
Chinese contentClaude Code 新技巧：用 /claude-api prompt-audit 清理过时指令
Lydia Hallie 在 AIECode 上分享的这个小命令，我天天在用。跑一下 /claude-api prompt-audit，它会检查你的 CLAUDE.md 和 skills，把对新一代 Claude 模型没用的旧指令删掉。维护 Claude Code 项目的开发者都该试试。
Chinese contentGrokBot 团队单月合入 11000 个 PR，回退率约 0.5%
GrokBot 团队一个月往生产合了 11000 个 PR，回退才 0.5%。她的秘诀是把每次纠正智能体的错误都变成确定性检查，而不是往 agents.md 堆字。正在用 Claude Code 或 Cursor 跑智能体工作流的人可以直接抄这个做法。
Chinese content用好 Coding Agent 的关键：把协作当管理来做，附 12 条实践
这篇把和 Claude Code、Cursor 这类编程 Agent 的日常协作拆成了管理流程：选任务、写要求、跟进度、验收上线。里面 12 条实践都偏可操作，不是空谈。每天让 Agent 写代码的人照着做，能少走不少弯路。
Chinese content工程师新定位：用好 Coding Agent 关键是学会管理而非写 Prompt
这条帖子把用 Coding Agent 的日常拆成了一套管理动作：选任务、写要求、验收、决定上线，还给了12条具体实践。如果你每天和 Cursor、Claude Code 打交道但总觉得产出不稳，可以对照着检查自己缺了哪一步。
Chinese content用 YouArt Desktop 自动生成开源打字游戏「键盘小岛」的演示视频
老程序员用 YouArt Desktop 给自己的开源打字游戏「键盘小岛」做演示视频：把 GitHub 链接丢给它，Agent 自己打开游戏、操作录屏、连 PR 历史都自动提取，连中文字体缺字问题都顺手修了。自己做过项目的开发者可以试试这种创作 Agent 加 Coding Agent 的分工。
Chinese content20个开源Skill把Claude Opus 5.5配成创意工作室
有人把20个开源Skill打包成Claude Opus 5.5的创意工作室，从视频到游戏开发都有现成配置，GitHub星数超77万。做内容或独立开发的可以直接抄清单，比自己调提示词省事，想扩展Skill用法的也值得看看别人怎么拆角色。
Chinese content单条提示词生成 83 秒手绘风机甲动画短片，代码已开源
有人把完整提示词和代码都贴出来了，一条 prompt 就能在浏览器里跑出一部 83 秒、39 个镜头的手绘风机甲打海怪短片，还自带配乐、离线可播。想研究 AI 视频生成怎么写长分镜提示词的，这份拆解值得直接抄作业。
Chinese content用 Fable 5.5 以纯代码生成83秒动画短片，8组Agent并行3小时内完成
有人拿 Fable 5.5 不用视频模型，纯靠8组Agent写 Three.js 代码渲染出一部83秒短片，39个镜头1992帧，最后就一个HTML文件。比 Sora 按帧生成省钱得多，想精确控制画面的开发者可以照这个流程试试。
Chinese content20个开源Skill把Claude配成一人创意工作室
把 Claude Opus 5.5 当调度中心，接上20个开源 Skill，视频、3D、动效这些活儿一个人就能跑通整条流程。做内容的独立开发者直接照清单挑几个接进去试试。
Chinese content财务团队把数据贴进 ChatGPT，等于一次跨境数据传输
作者见了东南亚一家金融公司高管，发现团队天天把客户记录和财务报表贴进 ChatGPT。做合规、管数据的人应该看看，员工随手一贴可能就是一次违规的跨境数据传输。
Chinese content一位 VC 投资人分享如何在投资流程中使用 AI
一位投资人亲述把 AI 塞进 VC 投资全流程的做法，从筛 BP 到尽调都讲了。和泛泛的 AI 工具清单不同，他按投资流程逐环节拆。做早期投资、FA 或者要处理大量文档的人可以抄作业。
Chinese content开发者用 48 个 AI 代理扫描 1200 平方公里激光雷达数据寻找玛雅遗址，后更正为重新识别
一个人带着 48 个 AI 代理 72 小时扫完 1200 平方公里激光雷达数据报给 INAH，结果发现 2025 年论文早画过这个点。流程写得挺细，怎么让 Gemini、Claude 这些模型分工看地形图都有，想跑类似排查项目的可以看看翻车部分。
SuperTechFansSource
Chinese contentClaude 200美元 Ultra 套餐额度实测：Opus 5.5 对比 Fable 消耗速度
这条把 Claude Ultra 套餐的账算得很细：同样 200 美元月费，用 Opus 5.5 相当于 1.5 万美元额度，换 Fable 只剩约 3000 美元，还有每周 50% 额度上限。如果你在纠结订阅哪个档位，先看这条再决定。
Chinese contentJev 主创 Diogo Almeida 在 aiDotEngineer Code Summit 倡导自动化一切工作流
如果你每天在重复劳动上花时间，这场 Jev 创作者的演讲值得看。现场还有 Glean 讲真实用法，不是纯理论。想入门自动化工作流的开发者可以直接参考.
Chinese content开发者逆向 Anker 录音豆蓝牙协议并自建录音管理软件
这位开发者自己逆向了 Anker 录音豆的蓝牙协议，还给它做了 MCP，录音能直接在 Claude Code、Codex 这些工具里被调用，不用翻设备。自己接千问 ASR 本地转录，绕开了原厂绑定。喜欢折腾硬件和想复用录音数据的人可以等他开源。
Chinese content用 Claude Fable 5.2 把 2D 户型图转成可漫游 3D 样板间，单份报价 5000 至 10000 美元
这篇把一个具体的赚钱路子拆得很细：Fable 5.2 能把户型图变成能走动的 3D 房子，一套卖 5000 到 10000 美元。从找客户、免费出样品到 Blender 加 three.js 建模的流程和提示词全给了，做设计外包或想接单的朋友可以直接照着跑。
Chinese content从22年底算起：MCP、memory、agents 都会被大模型本身淘汰
这篇推文只用了几句话就给了一个判断：等模型能 RSI，MCP、memory、agents 这些外挂都会被模型自己吃掉，agent 只是模型的一个实例。作者建议把精力放在定义目标、约束和评估上，而不是搭框架。适合正在纠结要不要深耕 agent 工程的开发者对照思考。
Chinese contentAI agents 交接代码时容易丢失背后的设计决策
多 agent 接力写代码的场景越来越常见，这篇文章点出了一个容易被忽视的坑：代码能跑不代表决策被传承。如果你在用 agent 搭自动化开发流程，或者在团队里跑多步 agent 工作流，这篇能帮你重新想想交接时该传什么信息。
Stanford CS329Z publishes agent engineering course materials
The signal here is that agent harness internals, normally proprietary engineering inside Claude Code and Codex, are now teachable with a US$5 budget and MIT-licensed test suites. Self-learners get a concrete path: clone the repo, make the failing tests pass, and only pay for the model-scored portion. Practitioners and educators across ASEAN and China can reuse the material freely with attribution, making it a direct alternative to paid agent frameworks and bootcamp courses.
Chinese contentMiniMax H3 Image 搭配 ComfyUI 实测：140 秒生成四百万像素图片
博主用 Mac Studio M2 Ultra 实测了 minimax-h3-image：6 step 出图，四百万像素只要 140 秒，QwenImage2.1 要 15 分钟。做海报卡通选它，画人像还是 FLUX.2 更稳。
Chinese contentFable 5.2 一句话提示词 41 分钟生成单文件 FPS 游戏
这个案例最有价值的是那套自检提示词：用 OfflineAudioContext 让 AI 自己听音频、用 agent-browser 截图看报错，等于给盲盒式生成加了质检。第 ④ 步缓存命中率 90.9% 才把成本从 $60.57 压到 $15.96，做 agentic 生成的人一定要算这笔账。建议从 $5 以内的音效台步骤开始跑。
Chinese content一篇Claude Code实操笔记：用skill系统从vibe coding走向正规工程
写代码的人看这个：作者把Claude Code的skill系统玩明白了，连安装、创建自定义skill的命令都给出来了，还顺手写了测试、部署相关的模板。附赠的省钱配置也挺实在，每天3美元跑agent，比很多人烧几十美元省多了。
Together AI: Match Inference Bottlenecks to Your Traffic Shape
The practical shift here is treating provider benchmarks as workload-specific rather than universal — a provider that wins on decode speed can lose badly on prefill-heavy or agent workloads. Engineering teams evaluating inference vendors or deciding between self-hosting and APIs should benchmark with traces from their own traffic before committing. Concrete comparison: run the same prompt set against at least two providers and measure the metric matching your traffic shape, not aggregate throughput.
Only the latest 2000 items are listed; for older ones see the daily archive