全部 AI 动态 · AI 热点

6月25日

17:28

berryxia@berryxia

这篇帖子介绍了构建AI智能体的6个核心架构支柱和1个人机协同机制。MCP由Anthropic提出，作为通用标准让智能体即插即用外部工具。智能体循环包括感知→思考→行动→观察→重复的流程。单体与多智能体架构两种模式可灵活选择。智能体驱动的RAG动态路由查询并验证上下文。人机协同机制（HITL）在关键操作前插入人工检查点。

技巧 MCP Anthropic 智能体

事件专题

推荐理由：想搭AI智能体但怕底层理论？这篇用7个点讲透架构，从MCP到记忆系统，普通开发者也能快速落地。

原文

17:07

官方账号腾讯混元 Tencent Hunyuan@TencentCloud

城市大学一名学生使用WorkBuddy，仅通过输入文字就将环保想法转化为一款名为“farmer saving chickens”的冒险游戏。WorkBuddy是一款AI工具，无需编程即可快速构建可玩应用。该案例展示了AI如何降低游戏开发门槛。

技巧 WorkBuddy 城市大学无代码游戏开发

推荐理由：看看CityU学生怎么用WorkBuddy一句话就做出个游戏，太有意思了！

原文

12:00

Yangyi@Yangyixxxx

用户分享使用AI学习《说文解字》的经验，指出AI能清晰解释“读若”和“反切”等音韵概念。AI从上古声、中古声到平上去入四声的演变，以及清浊声母导致阴阳平声的演化过程，都讲得十分清楚。用户建议通过多追问保持独立思考，可规避AI的幻觉。

技巧说文解字读若反切

推荐理由：有人试了用AI学《说文解字》的音韵，从反切到声调演变，讲得比百度清楚多了，还能追问防幻觉，值得试试。

原文

11:54

Geek@geekbb

ChatHub项目推出融合模式，允许一组模型并行作答，再由评审模型综合生成更优答案。该模式支持16家LLM提供商的免费额度，合计约每月17亿Token。用户需要逐个添加API key，项目暂不支持批量导入。

技巧融合模式多模型并行免费额度

推荐理由：这个项目能同时调用多个模型并行答题，再由评审模型挑最优，还能把各厂商免费额度凑一起用，每月17亿Token呢。

原文

10:55

Geek@geekbb

一个开源项目整合了16家LLM提供商的免费额度，合计每月约17亿Token。其中Google AI Studio提供Gemini 2.5 Flash和Pro的免费API，速率限制高达1M tokens/min，无需信用卡。该工具可避免支付高额API费用，适合批量测试和轻量级应用。

技巧 Gemini 2.5 Flash Gemini 2.5 Pro Google AI Studio

推荐理由：把各大厂的免费额度集中起来用，尤其Google那1M tokens/min的免费API太香了，零成本搞推理。

原文

10:54

宝玉@dotey

decode-codex 是一个开源项目，包含两个 Skills：codex-app-ref-refresh 用于解包已安装的 Codex.app（app.asar）到 ./ref 目录；deobfuscate-javascript 用于将 ref/webview/assets 中的 JS 反混淆为可读代码并输出到 ./restored。使用时需先确保本地安装 Codex App，然后依次执行两个 Skills，其中 deobfuscate-javascript 步骤需配合 /goal 参数才能还原大部分文件。项目地址在 GitHub，建议 fork 后自己测试。

技巧 Codex decode-codex 反编译

推荐理由：如果你 token 多到没处花，又想研究闭源 coding agent 的内部代码，这个项目让你亲自动手反编译 Codex App，把混淆的 JS 变成人能读懂的代码。

原文

10:25

shao__meng@shao__meng

精选

Matt Pocock 在开源 Skills 系列中增加了新技能「loop-me」，目前处于 in-progress 阶段。该技能在多轮会话中利用当前目录作为有状态工作区，通过「拷问」方式将想法转化为可落地的 workflows/*.md 规格文件。loop-me 与已有的 grill-me 共享拷问纪律，但产出不同：grill-me 对齐任意计划，loop-me 只产出 workflows/*.md。其核心是识别用户生活中可预测的重复模式（职业节奏、早晨例行等），并主动发现用户未意识到的任务，从而委托给 AI agent。项目在 GitHub 上已有 165K star。

技巧 loop-me Skills 智能体

推荐理由：如果你总在做重复的杂事，这个新技能 loop-me 能帮你把流程写成规格，然后让 AI 接手，省下大把时间。

原文

08:25

08:25官方账号Simon Willison’s Weblog（博客/媒体）

精选

Simon Willison 受 Mozilla 的 MDN MCP 服务启发，将 mdn/browser-compat-data 仓库中的浏览器兼容性数据转换为约 66MB 的 SQLite 数据库。他使用 Claude Code for Web (Opus 4.8) 生成了转换脚本，并用 Codex Desktop (GPT-5.5) 构建了一个 GitHub Actions 工作流，将数据库推送到独立的 db 分支。该数据库托管在 GitHub 上并设置了 CORS 头，用户可通过 Datasette Lite 在线浏览和查询。

技巧 Mozilla MDN Claude Code

事件专题

推荐理由：Simon 用 Claude 和 GPT 帮你把 MDN 浏览器数据转成了 SQLite，能直接用 Datasette Lite 在线查，超方便。

原文

08:24

AK@_akhaliq

用户使用 GLM 5.2 模型在 hf-claude 框架下，为图像生成模型 krea-2-turbo 构建了一个 Gradio 交互界面。该工作流允许通过 Gradio 直接调用 krea-2-turbo 进行图像生成，无需复杂命令行操作。演示视频显示界面支持实时参数调整，如步数、引导尺度等。目前该项目已在 GitHub 上开源，提供了完整的代码和部署说明。

技巧 GLM 5.2 hf-claude krea-2-turbo

推荐理由：教你用 GLM 5.2 + hf-claude 给 krea-2-turbo 搭个 Gradio 界面，省去命令行繁琐，上手即用。

原文

07:54

宝玉@dotey

作者分享处理播客访谈整理时细节遗漏的技巧：同时让AI生成2-3份稿子，挑选一份质量最好的作为底稿，再把其他稿子内容合并进来。这样既能避免遗漏，也能防止单次生成糟糕时追问无法补救。另外，对于长达3小时的播客，连续追问3次左右“还有什么细节需要补充”也能改善质量，但不如多稿合并方法高效。

技巧提示词工程工作流 AI写作

推荐理由：教你怎么用多稿合并法搞定AI整理长访谈，比单一追问更省心，写稿不漏细节。

原文

07:25

AK@_akhaliq

开发者将GLM-5.2模型集成到hf-claude环境，并基于Gradio框架创建了面向Krea-2-Turbo的工作流。该工作流提供交互界面，简化了从模型调用到结果展示的流程。项目代码已在社交媒体分享，获得初步关注。

技巧 GLM-5.2 hf-claude Krea-2-Turbo

推荐理由：有人把GLM-5.2塞进hf-claude，做了个给Krea-2-Turbo用的Gradio界面，挺实用的。

原文

06:22

Ate-a-Pi@svpino

精选

Lena开源了一个RAG助手，用于导航航空公司政策，包含完整源代码和视频讲解。该应用使用LangChain构建检索管道，LangGraph管理对话状态，通过pgvector在Postgres中存储嵌入。项目还使用Terraform部署基础设施，索引文档以将答案锚定在源文本上。开发者可以从中学习具体的工程决策和实现细节。

技巧 LangChain LangGraph pgvector

推荐理由：Lena把整个RAG应用的源码和讲解视频都开源了，用LangChain+LangGraph搭建，还用了pgvector和Terraform，想学RAG实战的可以直接拿走。

原文

04:54

Harrison Chase@hwchase17

hwchase17 在 X 上分享了一个巧妙思路：用 tracing（追踪）来作为 AI 系统的 memory（记忆）。该推文获得 1461 次查看、7 个喜欢和 3 条回复。Strata 和 ChainZenit 等用户也参与了讨论。这种方法无需额外数据库，仅利用追踪日志即可实现上下文记忆。

技巧 hwchase17 Strata ChainZenit

推荐理由：LangChain 创始人 hwchase17 分享了一个超聪明的做法——用 tracing 记录来当记忆用，省掉专门搭数据库的麻烦。

原文

03:54

Harrison Chase@hwchase17

LangSmith Engine 支持将智能体轨迹追踪到 LangSmith，通过后台分析轨迹自动生成记忆更新建议。更新后的记忆存储在 Context Hub 中，实现类似睡眠时间计算（sleep time compute）的离线记忆优化。该方法由 Harrison Chase 在教程中演示，视频地址附于推文。

技巧 LangSmith 智能体记忆

推荐理由：Harrison Chase 教你用 LangSmith Engine 让智能体在后台自动更新记忆，看完就能上手操作。

原文

03:42

Harrison Chase@hwchase17

文章介绍了智能体记忆管理的三步流程：首先运行智能体，然后分析其运行轨迹，最后基于分析结果更新记忆。该方法由Jake Broekhuizen分享，适用于提升智能体在多次交互中的表现。流程强调了对历史行为的自动化反思和记忆调整，是构建持久性智能体的实用技巧。

技巧智能体 Agent 记忆管理

推荐理由：Jake Broekhuizen分享了一个超实用的Agent记忆循环：跑Agent → 分析记录 → 更新记忆。简单三步，自己也能复现。

原文

03:15

官方一手marktechpost@Sana Hassan

本文手把手教你从零搭建一个OpenHarness风格的智能体运行时，包含工具调用、类型化工具模式、权限控制、生命周期钩子、记忆模块、技能系统、上下文压缩、重试逻辑、成本追踪以及多智能体协调共10个核心组件。所有代码均可直接运行，无需API密钥或额外基础设施。通过暴露完整控制流，你将理解框架内部机制而非将其当作黑盒。

技巧 OpenHarness 智能体工具使用

推荐理由：想自己搭一个能记东西、会用工具、还能多智能体协作的Agent框架？这篇教程从零拆开所有模块，代码直接跑，比看黑盒框架实在多了。

原文

02:44

Notion@NotionHQ

精选

Notion 宣布与 Cursor 集成，用户可在 Notion 中启动任务，然后跳转到 Cursor 继续。每个会话都会创建一个 Cursor Cloud Agent，保留用户的账户环境、权限和连接。Agent 可让用户在 Cursor 中从上次中断处无缝接续工作。该功能旨在提升跨工具协作效率。

技巧 Notion Cursor Cursor Cloud Agent

事件专题

推荐理由：Notion 和 Cursor 打通了，你可以先在 Notion 里写草稿，再跳到 Cursor 让 Agent 接着干活，环境权限都给你留着。

原文

02:42

Notion@NotionHQ

Notion团队将客户bug或功能请求分配给Cursor agent。agent读取任务简报，在代码库中工作并自动打开PR。该流程让非工程成员也能交接实际工程工作。Cursor作为AI编程助手，可理解上下文并生成代码变更。这展示了AI agent在协作中的实际应用。

技巧 Cursor Notion 编程助手

事件专题

推荐理由：Notion团队用Cursor自动处理bug和功能请求，连PR都自动开，省掉了手动交接的功夫，值得试试。

原文

02:41

DeepLearning.AI@DeepLearningAI

DeepLearning.AI 发起7天语音AI构建挑战，教你用编码代理自动提醒而不必盯着终端。活动截止日期为6月30日。参与者将学习如何让AI主动呼叫你，解放监控终端的负担。

技巧 DeepLearning.AI 语音AI 编码代理

推荐理由：DeepLearning.AI 搞了个7天挑战，教你用语音AI让编码代理自动呼叫你，不用死守终端。活动到6月30日截止，想学赶紧上车。

原文

02:26

官方一手AWS Machine Learning Blog@Ying Wang

精选

本文教程演示如何将Snowflake语义视图与Amazon Quick集成，实现自然语言BI查询。通过加载S3中的电影评论数据到Snowflake，使用SQL定义语义视图，再通过Cortex Analyst进行自然语言查询。最后自动化生成Amazon Quick数据集和仪表板，使得BI团队能用自然语言访问受治理的数据层。整个过程可手动或通过脚本完成，确保响应反映一致业务逻辑。

技巧 Snowflake Amazon Quick Cortex Analyst

推荐理由：这篇教程手把手教你搭一个能自然语言查数据的BI系统，从数据加载到仪表板生成全都有，还能用Cortex Analyst问问题。

原文

02:25

官方一手AWS Machine Learning Blog@Jimin Kim

精选

这篇教程展示了如何利用Amazon Nova 2 Sonic和Amazon Bedrock AgentCore构建一个语音预约提醒助手。该助手能够通过语音验证患者身份，处理确认、取消或改约操作，并收集就诊前健康信息。当需要时，助手会将问题升级给人工客服。教程包含一个浏览器界面用于测试，若要连接真实电话线路，需集成Amazon Connect等电话服务。

技巧 Amazon Nova 2 Sonic Amazon Bedrock AgentCore 智能体

推荐理由：想自己搭一个能打语音电话的预约助手？AWS用Nova 2 Sonic和Bedrock AgentCore给你写好了样板，带测试界面。

原文

01:31

官方账号LangChain@LangChainAI

精选

Jake Broekhuizen在12分钟视频中演示如何让智能体通过记忆更新来改进表现。他介绍使用LangSmith Engine发现运行问题，并将记忆写入Context Hub。这种方法能让智能体在多次运行之间持续优化，而非仅留下痕迹。适合需要在大规模部署中管理智能体记忆的开发者。

技巧 LangChain LangSmith 智能体

推荐理由：想知道怎么让智能体不反复犯同样的错？看LangChain这12分钟视频，教你用LangSmith Engine和Context Hub实现跨运行学习。

原文

01:28

Guillermo Rauch@rauchg

Vercel AI Gateway 的仪表盘自动显示了 tokens 和 uptime 的恢复数据，效果惊人。用户从 Anthropic API 切换到 Vercel AI Gateway 后，获得了更好的可靠性。这些数据无需手动分析，直接展示在界面上。

技巧 Vercel AI Gateway Anthropic API

推荐理由：Vercel AI Gateway 自动显示 tokens 和 uptime 数据，切换后可靠性更高，比你手动算省事多了。

原文

01:25

elvis@omarsar0

精选

作者完全改用语音而非文字输入与AI代理交互，发现音频描述越详细、越长，代理结果越好。他还开发了屏幕录制、截图、追踪鼠标动作和语音注释功能，帮助代理处理设计和精确开发任务。多模态提示（语音+屏幕+动作）显著提升了代理的可靠性，尽管消耗更多token。作者将这些经验制作为可复用的命令集，插入循环后效果显著改善。

技巧智能体多模态提示词工程

推荐理由：有人分享用语音+屏幕录制和多模态提示跟AI代理唠嗑，提示越啰嗦结果越靠谱，还教你怎么录屏加注释，值得试试

原文

01:09

官方一手AWS Machine Learning Blog@Bojan Jakimovski

Loka 利用 Amazon Nova 2 Sonic 模型打造了自然且低延迟的语音代理，解决了传统机器人式助手导致客户挂断的问题。该架构将响应延迟优化至接近人类对话水平，显著降低用户等待时长。Loka 的方案减少了客服流失率并提升了品牌口碑。

技巧 Loka Amazon Nova 2 Sonic 语音代理

推荐理由：Loka 用 Amazon Nova 2 Sonic 做出了几乎没延迟的语音代理，客户不挂电话，客服成本也降了。

原文

00:51

00:51官方一手Hugging Face: Blog（博客/媒体）

精选

NVIDIA 发布 NeMo AutoModel，通过自动化模型并行、混合精度训练和梯度检查点，简化 Transformer 模型微调流程。该工具可自动检测硬件配置，支持多 GPU 分布式训练，无需手动调整参数。在微调 BERT-base 模型时，相比标准 PyTorch 实现，NeMo AutoModel 将训练时间缩短约 40%，并保持相同精度。

技巧 NVIDIA NeMo AutoModel

事件专题

推荐理由：NVIDIA 搞了个 NeMo AutoModel，能自动帮你加速微调 Transformer 模型，省去手动调参的麻烦，速度还快很多，适合想快速出结果的人。

原文

00:48

官方账号LangChain@LangChainAI

精选

LangChain 创始人 Harrison Chase 将于6月24日举办网络研讨会“The Agent Development Lifecycle 101”，阐述构建可靠智能体的五步循环：构建、测试、部署、监控、改进。他强调了首次发布仅是开始，需要可重复的迭代流程来提升智能体性能。该研讨会面向所有构建智能体的团队，提供从工具、上下文、提示到评估的全流程指导。

技巧 LangChain Harrison Chase 智能体

推荐理由：Harrison Chase 亲自讲怎么从零搭出靠谱的AI智能体，5步循环+真实案例，做Agent的别错过。

原文

00:47

berryxia@berryxia

精选

Matt Pocock发布/loop-me技能，要求用户先彻底审视日常工作，找出值得委托给AI的重复循环。它采用“grilling”面试法，一次只问一个问题并附带推荐答案，直到模糊点消除。最终产出清晰的workflows/.md规范文件，使实施者无需额外提问即可执行。目的是降低认知负荷，聚焦高价值决策。

技巧 Matt Pocock /loop-me 工作流自动化

推荐理由：Matt Pocock做了个/loop-me，不是直接替干活，而是帮你把流程理得清清楚楚，AI照着做就行，省心省力。

原文

00:29

向阳乔木@vista8

精选

洪定坤提出用AI生成可交互原型替代PRD，提前暴露分歧。AI开发系统化流程包括AI写Spec、功能实现、Browser Use验证、自动提交上线。Harness基建通过上下文工程、架构约束、团队知识Memory和技术债梳理，将可交付性从40~60分提升至80分。

技巧字节火山引擎洪定坤原型驱动开发

推荐理由：字节火山引擎洪定坤分享了三个提升AI开发效率的方法，尤其Harness基建能帮你把交付质量从及格提到优秀。

原文

00:15

Milvus@milvusio

精选

Milvus团队指出LLM在RAG中频繁引用了不支持的来源。引文失败分为两类：忠实性错误（生成内容与检索文档不符，如模型声称150W功耗但文档只说低功耗）和引文准确性错误（元数据映射错误、缺失引用、幽灵引用、弱支持引用、过度引用）。其中幽灵引用常因索引重建后ID过期导致。修复方案因错误类型而异：忠实性问题调整生成层约束或基座模型，引文准确性问题需工程层修复元数据管理。

技巧 RAG 引文忠实性

推荐理由：别总怪模型了，很多引文错误出在工程层。这篇文章帮你分清五种引文故障，对症下药。

原文

6月24日

23:40

Geek@geekbb

精选

Pi Coding Agent 的 Web UI 采用双进程架构，会话守护进程与 Web 服务分离，确保 Agent 会话在服务器端持久运行。即使关闭浏览器或重启前端服务，会话也不会中断。该方案支持跨设备监督桌面和服务器上的 AI 编码 Agent，适合需要长期稳定运行编码任务的场景。

技巧 Pi Coding Agent Web UI 双进程架构

推荐理由：Pi Coding Agent 的 Web UI 让你关掉浏览器后编码任务还在服务器跑，跨设备也能接着监督，很实用。

原文

22:55

22:55IT之家（博客/媒体）

央视新闻介绍了高校毕业论文AIGC检测的技术原理。当前AI检测基于困惑度与突发性等概率特征，无法做到100%准确。学生试图通过AI降低AI率时，反可能从62%升至94%。专家建议建立以人工评议为主、AI检测为辅的“人机共判”模式。

技巧 AIGC检测论文查重困惑度

推荐理由：央视解释了为什么论文AI率越改越高，原来检测原理有bug。搞清楚误判原因，别瞎改。

原文

22:46

官方账号LangChain@LangChainAI

精选

Jeff Barg在Interrupt会议上透露，Clay每月运行3.5亿个GTM智能体。他指出，缓存可将LLM调用成本降低高达70%。限制工具调用范围不仅能节省成本，还能提升输出质量。在多租户负载下，引入公平队列机制至关重要。

技巧 Clay GTM agents LLM成本

推荐理由：做AI智能体上线的小伙伴必看，Clay的AI负责人亲自讲了怎么降本70%和优化队列，干货12分钟。

原文

18:32

AI Will@FinanceYF5

传统AI使用方式是一问一答、改完再问，效率低下。顶尖AI工程师设计自动化循环，让循环去提示AI。这种方法将用户从引擎角色解放出来，让AI自主迭代。通过循环设计，可以减少人工干预，大幅提升生产力。

技巧提示词工程工作流自动化

推荐理由：别再做人工提示苦力了，学学工程师怎么用循环驱动AI，效率翻倍。

原文

18:27

AI Will@FinanceYF5

Thariq 完全没碰视频剪辑软件，而是让 Claude 写代码并调用多个工具完成编辑。Claude 使用了转录服务、FFmpeg 做音视频处理、Figma MCP 做调色、Remotion UI 制作界面并完成渲染。整个过程由 AI 编程生成复杂脚本，替代传统剪辑工具。

技巧 Claude Figma MCP Remotion

事件专题

推荐理由：看看人家怎么用 Claude 写代码搞定视频剪辑，不用碰任何剪辑软件，全程 AI 自动化。

原文

17:54

官方一手marktechpost@Sana Hassan

精选

本教程演示如何用Graphify和NetworkX将多模块Python应用转为知识图谱。通过Graphify的tree-sitter解析器离线提取代码结构，生成graph.json。之后用NetworkX分析文件类型、关系类型、中心性分数、社区检测和最短路径。最终生成静态与交互式可视化，展示模块、类、函数和数据库对象的连接。

技巧 Graphify NetworkX Python

推荐理由：想可视化你Python项目的代码结构？这个教程教你用Graphify和NetworkX离线搞定，还能找出上帝节点和社区。

原文

17:29

shao__meng@shao__meng

精选

字节跳动发布豆包2.1系列模型，豆包2.1 Pro在Coding和Agent能力上有显著提升，VLM能力介于Claude Opus 4.6和4.8之间。作者使用TRAE Work测试其前端设计图还原能力，模型会先思考规划再分步骤实现，通过本地预览和视觉验证确保质量。最终输出包含自适应布局和实际配图，而非仅占位符，交互和细节还原到位。

技巧豆包2.1 Pro TRAE Work 字节跳动

推荐理由：有人拿TRAE Work测了豆包2.1 Pro，前端的视觉还原和配图能力很惊艳，做设计稿转代码可以试试。

原文

17:28

Viking@vikingmute

skills.sh 提供 CLI 工具，可统一安装、更新、卸载多个 coding agent 的 skills。它直接打通 GitHub，有交互界面，支持选择安装特定 agents 的 skills。用户分享用其作为 skills 唯一来源，解决 Cline、Codex、Claude 等 agent 的 skills 文件散落混乱的问题。

技巧 skills.sh Cline Codex

推荐理由：用 skills.sh 一个命令行搞定所有 coding agent 的 skills 管理，不用再写脚本软链接了。

原文

16:54

16:54IT之家（博客/媒体）

OpenAI 在 GitHub 公布了 Plant Talk 开源项目，让室内植物通过语音与 ChatGPT 交流。搭建需要安装 Codex Desktop 的电脑、麦克风、摄像头和扬声器。用户可向植物提问“需要浇水吗？”等，系统还能接入土壤湿度、光照等传感器。可创建不同植物人格，如高冷仙人掌、话痨绿萝等。

技巧 OpenAI ChatGPT Plant Talk

事件专题

推荐理由：OpenAI 出了个好玩的开源项目，教你用 ChatGPT 和家里的植物聊天，还能问它渴不渴、光照够不够，动手党快试试。

原文

16:09

berryxia@berryxia

精选

Anthropic内部工程师运行300多个自改进的agent swarm来提升系统可靠性。核心方法是给模型验证自身输出的机制，包括计划模式、动态工作流和自我检查，根据真实反馈迭代。这种闭环系统让agent从一次性工具变为能自我迭代的系统，可靠性大幅提升但token消耗更高。效果远超大多数300美元的agent课程。

技巧 Anthropic 智能体 agent

事件专题

推荐理由：Anthropic工程师自己怎么用agent？300个自改进swarm加闭环验证，比花300美元买课实用多了。

原文