全部 AI 动态 · AI 热点

8月3日

14:14

AI Will@FinanceYF5

Deedy在推文中演示了一个玩法：把湾区房屋平面图喂给LLM，要求改成京都风格，模型输出了3D室内效果。这条推文目前有487次浏览。整个演示说明LLM已经能理解空间布局并生成视觉设计。这种用LLM驱动户型改造的做法，给室内设计带来了新玩法。

技巧 LLM 3D生成户型图

推荐理由：Deedy晒了个玩法：湾区户型图丢给LLM，一句话改成京都风，直接出3D效果。你可以照着试试。

原文

13:38

Rowan Cheung@rowancheung

这套项目记忆系统由一份权威文档、版本化文件、决策日志和交接提示词组成，为长周期AI项目保留上下文。每次进入新聊天，交接提示词会把项目背景、历史决策和当前进度全部导入。系统来自Christian Denton在The Rundown社区的分享，适合多轮对话容易偏离主题的场景。

技巧提示词工程工作流上下文管理

推荐理由：长项目老跑偏？试试这套记忆系统，一个文档加决策日志，新聊天也能无缝接上上下文。

原文

05:24

官方一手marktechpost@Sana Hassan

精选

本教程基于NAIP高分辨率影像，完整演示建筑足迹提取的GeoAI工作流。流程包括配置深度学习环境、下载影像与矢量标签，并生成带地理参考的图像块和分割掩码。训练阶段采用ResNet-34编码器的U-Net模型，并涉及Grounding DINO、SAM和Mask R-CNN的集成应用。

技巧 U-Net Grounding DINO SAM

推荐理由：想用航拍图自动提取建筑轮廓？这篇教程教你从NAIP影像训练U-Net，还带上了SAM和Mask R-CNN的用法。

原文

02:46

Rowan Cheung@rowancheung

这个Claude Skill将Google Business Profile的垃圾信息追踪变成自动化流程。它用Claude逐项调查可疑商家，收集证据。然后生成一份可直接提交给Google的投诉报告。该Skill由Mike Blumenthal编写，经Rowan Cheung在X上分享。

技巧 Claude Skill Google Business Profile 垃圾信息

推荐理由：Mike Blumenthal把Google商家垃圾信息追踪做成了Claude Skill，自动调查生成投诉报告，省得你手动整理证据。

原文

02:41

Rowan Cheung@rowancheung

一位开发者用 Siri 打造了语音健康追踪器，通过说话就能记录情绪、精力、用药和活动。每天醒来时，他会得到一份整理好的健康仪表盘，全部基于免费套餐搭建。该项目由 Alex Smirnov 分享，发布在 The Rundown 社区。原推文已有 1164 次查看。

技巧 Siri 健康追踪语音记录

推荐理由：Alex Smirnov 用 Siri 做了个语音健康追踪器，说话就能记录，早上自动生成仪表盘，而且全靠免费套餐，可以参考着搭一个。

原文

02:40

Rowan Cheung@rowancheung

Jonathan Sharp把与老板的每次一对一会议记录变成了可搜索的知识库。现在他可以直接问AI，老板会对任何问题作何反应。这个工作流来自Ther Rundown社区分享，核心是让会议历史成为AI的参考上下文。

技巧 The Rundown RAG 知识库

推荐理由：Jonathan Sharp把跟老板的会议记录变成AI知识库，随时能问“老板会怎么回答”，相当于给自己配了个老板模拟器。

原文

02:37

Rowan Cheung@rowancheung

一位开发者构建了个人AI招聘助手，每天早晨自动搜索多个招聘板并对职位评分。系统会为评分最高的职位定制简历，并在用户醒来前通过邮件发送申请。该助手由Michael Ebner分享，原型来自The Rundown社区。

技巧智能体招聘助手求职自动化

推荐理由：Michael Ebner做了个AI招聘助手，每天早上自动搜职位、打分、改简历再发邮件，醒来就有申请发出，省心。

原文

00:20

官方账号Greg Brockman@gdb

开发者用GPT Image 2.0生成器官设计图，再用Tripo AI把每张图转成3D模型，最后用Codex写代码整合成Web应用。初始每个3D模型约120-150MB，页面性能仅16fps；经过Codex多轮优化，每个模型降到2-5.5MB，总资产从900MB减至28.6MB，并按需加载。Codex还自动生成了器官在人体中的位置插图，以及解释各器官结构的交互热点标记。

技巧 Codex GPT Image Tripo AI

推荐理由：有人用GPT Image+Tripo+Codex一步步撸了个3D人体解剖学网站，模型从900MB压到28.6MB，过程挺有启发。

原文

8月2日

23:08

Viking@vikingmute

vikingmute 分享了一套多模型协作调试流程：几轮搞不定的问题，用 /handoff 把会话压成交接文档，避免上下文被污染。他还会并行开 worktree 让多个模型改 bug，最后由主模型 reconcile。以 GPT 5.6 两次十分钟以上未完成的任务为例，Grok 4.5 三分钟就搞定了，所以别在一个模型上恋战。

技巧 GPT 5.6 Grok 4.5 /handoff

推荐理由：改 bug 别恋战：/handoff 交接 + 多模型并行，GPT 5.6 卡住的活 Grok 4.5 三分钟搞定。

原文

20:10

Hailuo AI@Hailuo_AI

Hailuo_AI转发了一条由用户aymiee创作的作品。该视频使用MiniMax H3模型，通过Pika MCP生成画面，并采用Google Flow生成音频，风格模仿自AIWarper。帖子目前获得6次点赞和802次观看。这个组合展示了MiniMax H3与第三方工具协作的潜力。

技巧 MiniMax H3 Pika MCP Google Flow

事件专题

推荐理由：这个视频用MiniMax H3加Pika MCP复刻了AIWarper那种风格，音频还是Google Flow做的，想试类似工作流可以学一手。

原文

19:09

Yangyi@Yangyixxxx

博主@yangyi分享，用好AI最快的方式是'拿来主义'：直接跑专家蒸馏好的skill。比如获取@aleabitoreddit的skill，让它研究Reddit上的美股股票，效果比普通AI的分析强不少。整体来看，专家skill与AI结合的效果，高于仅用AI或普通人平均水平。

技巧 skill aleabitoreddit Reddit

推荐理由：不想自己调prompt？去拿专家做好的skill直接跑，比如用@aleabitoreddit的skill分析Reddit美股，比普通AI强不少。

原文

13:47

官方一手marktechpost@Sana Hassan

精选

该教程基于TimesFM 2.5构建完整的时序预测工作流，覆盖配置运行时、安装依赖、硬件检测和生成多门店零售数据集。数据集包含趋势、季节性、价格、促销、节假日和温度效应等真实因素。流程中详细演示了回测、协变量处理和异常检测方法，并支持在Colab中直接部署可扩展的预测管线。

技巧 TimesFM 2.5 时间序列预测回测

推荐理由：这教程用TimesFM 2.5把预测全流程都走了一遍，回测、协变量、异常检测都有，跟着能直接在Colab跑起来。

原文

11:48

官方账号Greg Brockman@gdb

开发者 Brett Bauman 在推特上称 ChatGPT Work 是新的 cron job。他建议用 ChatGPT Work 执行任何重复性任务。其分享的 bbrett.com/movies 展示了 ChatGPT Work 的具体用例。

技巧 ChatGPT Work cron job 定时任务

推荐理由：Brett Bauman 说 ChatGPT Work 就是新 cron job，定时任务可以交给它了。

原文

11:32

shao__meng@shao__meng

精选

在 chatbot 阶段只需关注每个 token 的单价，而 agent 任务会进行多轮 loop、tool call 和代码执行，总 token 消耗与轮数影响更大。Cline 指出，仅比较 DeepSeek V4-Flash 与 Fable 的每 token 价格会误导，因为轮次增多可能导致单任务总成本更高。计算单个任务成本需综合 token 消耗总数、每 token 成本和缓存比例。ArtificialAnlys 的报告显示，DeepSeek 完成相同基准任务的总成本比 Fable 低 105 倍。

技巧 DeepSeek V4-Flash Cline Fable

事件专题

推荐理由：选 agent 模型别光看 token 单价，这帖讲了 task 成本公式，实测 DeepSeek 比 Fable 总成本低 105 倍。

原文

03:59

宝玉@dotey

精选

针对 gpt-5.6 sol max 在长任务中 auto compact 频繁突破 80% 的疑问，dotey 认为无需紧张。compact 执行过多会损害正在执行任务的上下文准确性，同时无法充分利用 Prompt Caching。目前模型长上下文处理能力已足够强，Harness 层会在 prompt 末尾补充提示，保障任务注意力。Handoff 只能缓解问题，新 session 会因补充上下文再次占满，更有效的是设置验证机制减少人工干预。

技巧 gpt-5.6 sol max compact Handoff

推荐理由：别盯着上下文进度条了，compact没那么可怕。Handoff治标不治本，多设验证才是真省心。

原文

03:17

宝玉@dotey

dotey 认为，为了省上下文而 handoff 新开 Session 的做法已过时，Codex 自身的上下文压缩或 /compact 已足够。他仍会在跨 Agent 场景用 handoff，例如把 Claude Code 未完成的 session 交给 Codex 继续。他习惯在 Claude Code 里用 Fable 5 写技术方案文档，配合 Codex 的 /goal 执行。他还强调要设严格验收标准，比如迁移任务要求 UI 像素级一致，否则 AI 会偷懒。他引用 Tz_2022 的两步 handoff 方法：任务后用提示词生成摘要，再在新 session 首条消息发给 AI，以省 token。

技巧 Codex Claude Code handoff

推荐理由：dotey 用实际经验讲清 handoff 和 /compact 怎么选，还给了防偷懒的验收标准，适合用 Codex 做连续任务的。

原文

02:39

andrew chen@andrewchen

精选

Bleys Goodson发布了面向DGX Spark的量化单节点版DeepSeek V4 Flash。该版本对应DeepSeek V4 Flash 07-31，参数规模284B。在单台DGX Spark上，prefill速度达1000 tok/s，多智能体服务速度59 tok/s。整个安装只需一条命令。

技巧 DeepSeek V4 Flash DGX Spark 量化部署

事件专题

推荐理由：DGX Spark用户别错过，一条命令跑284B的DeepSeek V4 Flash，prefill有1000 tok/s，多智能体也有59 tok/s。

原文

02:35

官方一手marktechpost@Sana Hassan

78°

教程演示如何在PyTorch中配置NVIDIA Transformer Engine的融合GPU内核。使用FP8延迟缩放和BF16混合精度训练GPT风格因果语言模型。文章提供了可运行的代码示例，并给出不同GPU上的基准测试对比。还解释了FP8延迟缩放的数值稳定性调参方法。

技巧 NVIDIA Transformer Engine PyTorch FP8

推荐理由：想让你自己训练的Transformer跑得更快？这篇手把手教你用NVIDIA Transformer Engine和FP8，还有代码和GPU跑分对比。

原文

8月1日

20:29

shao__meng@shao__meng

传统代码审查靠逐行阅读代码判断质量，但 Agent 生成的代码量远超人工可读范围。质量把关必须转移到 Agent 周围的测试、确定性检查、变异测试和质量度量等约束上。这些约束构成反向压力，在坏代码变成下游问题前拦截。工程师的核心能力变成搭建让低质量代码无法通过的约束系统。

技巧智能体软件质量约束系统

推荐理由：Addy Osmani 说，AI 写代码快过 review，质量得靠测试、变异检测这些约束来把关。

原文

18:09

Tw93@HiTw93

UU远程是一款免费的iPhone远程控制应用。它在远程速度、清晰度和延迟方面表现良好。开发者推荐配合Claude手机版或Codex手机版使用，作为AI编程时的辅助工具。

技巧 UU远程 Claude Codex

推荐理由：UU远程免费，iPhone上就能用，远程流畅，配合Claude或Codex手机版打辅助很顺手。

原文

17:17

AI Will@FinanceYF5

精选

Claude Code 创作者 Boris Cherny 建议每6个月删除一次 CLAUDE.md、Skills 和 Hooks 配置。他提醒用户，升级到 Opus 5 后，为旧模型写的规则可能从帮助变成限制。通过裸跑，用户能观察模型在没有历史规则时的真实表现。他建议升级后先做一次裸跑测试，结果或许让人意外。

技巧 Claude Code Opus 5 Boris Cherny

事件专题

推荐理由：Boris Cherny说每半年删掉Claude Code的配置和Skills，让Opus 5裸跑，你会发现旧规则反而碍事。

原文

17:16

AI Will@FinanceYF5

精选

Claude Code创建者Boris Cherny在Y Combinator Startup School 2026上建议，不开发Agentic产品的用户每6个月删除一次claude.md文件、skills和hooks。他强调删除后观察模型行为，结果可能出乎意料。Cherny特别指出，对于Opus 5，应彻底删除这些配置，因为新模型可能不再需要旧版本所需的详细指令。该建议来自Y Combinator官方YouTube频道的完整视频。

技巧 Claude Code Opus 5 Boris Cherny

事件专题

推荐理由：Claude Code作者说，每半年清空配置和技能，模型反而表现更好。Opus 5用户更该试试。

原文

17:12

AI Will@FinanceYF5

有人在 X 平台发布推文，分享了一条 Claude Code 提示词。据称，这条提示词的效果堪比时薪 300 美元的资深工程师。截至统计，该推文仅获得 1 条回复、0 次转发和 161 次浏览。

技巧 Claude Code 提示词工程编程助手

推荐理由：有人捡到一条 Claude Code 提示词，据说能顶时薪 300 美金的资深工程师。想看看这提示词什么来头，点进原推吧。

原文

15:20

Viking@vikingmute

精选

博主实测用SOL编写计划、DeepSeek-v4-flash执行任务，完成度不错，缓存命中率达97%。整套流程只花了几块钱，SOL review也没发现大问题，强调经济实惠。目前DeepSeek-v4-flash已支持codex，但还不能在codex中单独召唤为subagents。他还分享了herdr的方法：安装skills后，主agent可开多个pane分别启动不同模型，用agent wait/pane wait-output汇总结果。比如用GPT5.6 SOL做orchestrator，让多个模型agent并行分工再汇总。

技巧 DeepSeek-v4-flash SOL herdr

事件专题

推荐理由：博主实测SOL计划+DeepSeek-v4-flash执行，缓存97%只花几块钱；herdr还能跨模型并行调度不同agent。

原文

14:03

官方账号Greg Brockman@gdb

gdb在X平台分享ChatGPT使用体验，称其进行研究和事实核查非常彻底。该推文获得351次点赞、58条回复和69次收藏，浏览量超1.5万。gdb表示ChatGPT在核查事实细节方面表现出色，但未透露所用版本。

技巧 ChatGPT gdb 事实核查

推荐理由：OpenAI的gdb说用ChatGPT做研究查证特别爽，体验很赞，推文三百多赞，你也试试？

原文

13:10

AI产品黄叔@PMbackttfuture

一位自媒体人分享用Codex的Computer Use操作来写广告文案。配合/goal提示词和更详尽的工作流，可以接近完成从策划到成品的整个内容生产流程。他观察到身边越来越多自媒体人开始用Agent写广告，但他本人决定继续减少广告接单量。

技巧 Codex Computer Use /goal

推荐理由：看看有人怎么用Codex的Computer Use跑通广告文案全流程，还说配合/goal提示词能接近自动化。作者反而决定少接广告，观点挺有意思。

原文

06:51

官方账号Cohere@cohere

Cohere Labs的免费ML Summer School系列在Twitch直播中位列科技类频道第一。该系列已吸引来自20多个国家的观众。课程内容覆盖从NLP在大语言模型中的应用到科技行业职业发展等多个主题。下一期直播将于下周在twitch.tv/cohere_ai继续播出。

技巧 Cohere Twitch ML Summer School

推荐理由：Cohere官方免费ML夏校直播，在Twitch科技类排第一，覆盖20多国，内容从NLP到求职都有，想入门大模型可以跟。

原文

03:30

官方账号LangChain@LangChainAI

LangChain团队的Robert Xu用15分钟视频拆解了Deep Agents的核心定义。他解释了'harness'概念如何与模型协同，构成模型加harness的完整框架。视频还说明了Deep Agents与LangChain、LangGraph之间的关系。最后他概述了将Deep Agents部署到生产环境的具体路径。

技巧 Deep Agents LangChain LangGraph

推荐理由：LangChain官方工程师Robert Xu花15分钟讲清Deep Agents是什么，还说了怎么上生产，实用。

原文

02:56

官方账号Greg Brockman@gdb

精选

开发者Greg Kamradt用GPT-5.6 Luna的批处理模式完成了一个包含78K种分类的研究项目。整个任务产生了158K个请求，消耗143M输入token。借助每百万token 0.10美元的批量价格，总费用仅为60美元。这个案例展示了如何用夜间批处理大幅降低大规模分类任务的成本。

技巧 GPT-5.6 Luna 批处理 token成本

推荐理由：Greg用GPT-5.6 Luna跑了一夜，143M token只花了60刀，批量模式真的省。

原文

02:38

Harrison Chase@hwchase17

LangChain创始人Harrison Chase在X上分享了内部智能体评估的通用方法。他们以Harbor为统一评估基准，并通过专用skill将traces或原始数据转换为Harbor任务。该评估思路计划沿用到LangChain后续的基准测试中。相关帖子获得了1332次浏览。

技巧 LangChain Harbor 智能体

推荐理由：Harrison Chase讲了他们内部怎么测智能体，就是统一用Harbor，还能把日志变成评测任务。做智能体评测的可以参考这套流程。

原文

01:56

Fireworks AI@FireworksAI_HQ

精选

Fireworks AI 在博客中建议，LoRA 表现不佳时先别急着换成更贵的全参数微调。他们用数据覆盖、优化、秩三项低成本测试，看能否缩小 LoRA 与 FullFT 的差距。在 Fireworks 的测试中，有时能缩小差距，有时不能。

技巧 Fireworks AI LoRA 全参数微调

推荐理由：Fireworks 试了三个便宜测试，看 LoRA 能否追平全参数微调，有时行有时不行。看完就知道先调啥。

原文

01:40

Yangyi@Yangyixxxx

AI博主@yangyi发帖吐槽，现在的AI工作流被过度包装：Codex处理完接飞书CLI，再做多维表单，最后导出Excel，七八步下来只是完成一句话能搞定的事。他认为这种繁琐设计带有营销动机，末尾还要挂一个付费在线课程。该帖在X上已获9个赞、1714次浏览。

技巧 Codex 飞书CLI 飞书多维表单

推荐理由：杨沂吐槽那些博主的工作流：Codex、飞书CLI、多维表格、Excel全走一遍，纯属绕路。一句话能办的事，别学这套。

原文

00:03

Fireworks AI@FireworksAI_HQ

Fireworks 展示了如何用对比微调将 Qwen3-Embedding-8B 适配到特定领域，成本不到 10 美元。文章给出 3 个实验，其中最好成绩 nDCG 提升 36%。作者强调，检索不到文档的重排器无法生效，RAG 也会漏掉失败案例。完整步骤和结果见 Fireworks 官方博客。

技巧 Qwen3-Embedding-8B Fireworks 微调

推荐理由：Fireworks 用不到 10 美元教会你微调 Qwen3-Embedding-8B，三个实验最高 nDCG 涨 36%，做 RAG 的值得看。

原文

7月31日

23:59

Yangyi@Yangyixxxx

NewMax新增提示词优化功能，用户点击优化按钮即可获得AI生成的正式指令。该功能基于姚金刚升级的元提示词，新版已推送至GitHub。元提示词提供两项核心能力：对现有提示词做质量强化，以及从零创建初版提示词，流程涵盖意图识别、多维诊断、专业工程优化、质量评估、静态测试与模型实测等环节。姚金刚与@yangyi计划将这套元提示词接入NewMax AI。

技巧元提示词 NewMax GitHub

推荐理由：不会写提示词？NewMax点一下就能优化，这套元提示词已发到GitHub，还能帮改旧提示词。

原文

23:57

eric zakariasson@ericzakariasson

精选

作者分享了用PostHog收集用户反馈文本、会话回放和错误日志的工作流。Cursor Cloud Agent借助只读的PostHog MCP获取上下文，循环验证修复后自动创建带测试的GitHub PR。他建议用云代理分析会话回放和事件日志来发现UX问题，再用cron任务对高量反馈去重。

技巧 Cursor PostHog GitHub

事件专题

推荐理由：他跑通了“用户反馈→云代理修bug→自动开PR”的流程，你只用在手机审查。适合不想手动修bug的人。

原文

23:57

a16z@a16z

精选

DecagonAI联合创始人与a16z对谈，透露其客服智能体90%运行在开源模型上。他们主张智能与便宜不是取舍，新用例先用前沿模型，成熟后迁移到开源。DecagonAI在应用层做按用例微调，降低支持成本后企业会购买更多支持服务。他们希望用AI缩小年付10万美元与10美元客户之间的客服差距。

技巧 DecagonAI a16z 智能体

推荐理由：这期访谈挺实在，DecagonAI说90%客服智能体跑在开源模型上，新场景先用贵的再用便宜的，搞微调能省成本。适合做AI应用的人听。

原文

23:54

官方一手AWS Machine Learning Blog@Joshua Lacy

文章介绍如何使用 Amazon Bedrock AgentCore Observability 监控生产智能体。借助 Amazon CloudWatch 仪表盘，可以定位长时运行会话中的性能瓶颈。通过 CloudWatch 日志和指标，还能诊断内存异常并优化配置。

技巧 Amazon Bedrock AgentCore CloudWatch

推荐理由：如果你有智能体从demo上线后变慢，这篇AWS官方教程教你怎么用CloudWatch和AgentCore找瓶颈、查内存问题，实用。

原文

23:53

Qdrant@qdrant_engine

8月6日，Qdrant与FutureAGI将联合举办一场RAG-agent调试直播。活动中会现场构建并诊断一个RAG agent，定位质量下滑的环节。演示如何无停机迁移到新的embedding模型，并清理重复和碎片化的chunks。还会添加late interaction重排序，并对比每次优化前后的评估分数。

技巧 RAG Qdrant FutureAGI

推荐理由：Qdrant和FutureAGI要直播修一个RAG agent，现场看每一步改动对效果的影响，还会演示换embedding模型和加rerank。想学RAG调优可以直接围观。

原文

23:02

官方一手歸藏(guizang.ai)@op7418

MiniMax H3能根据分镜图或特效层参考生成复杂动态特效，支持全模态参考。用户用九宫格图片输入，总分辨率约1K，输出清晰度依然很高。文字和UI排版细节表现突出，适合广告片、MV、游戏宣传等场景。MiniMax官方确认该模型即将开源。

技巧 MiniMax H3 视频生成特效

事件专题

推荐理由：MiniMax H3能根据分镜图和参考图直接生成复杂动效，文字细节很清晰，做广告片MV都合适，而且快开源了。

原文

22:12

Viking@vikingmute

Herdr 的 agent-skills 功能让不同 harness 之间可以互相召唤和指挥。所有操作都在真实终端 pane 中进行，不是无头模式，随时可以点进去查看或打断。主 agent 能用 pane wait-output 读取其他 pane 的输出，再决定下一步协调。网友实测用 GPT-5.6 SOL、Kimi、Grok 4.5 等模型分别启动 agent 并行干活。Claude Code 里也能用 Fable5 拆好任务后拉起 Kimi K3 和 Grok 4.5 组队。

技巧 Herdr 智能体 Claude Code

事件专题

推荐理由：Herdr skills 可让不同模型 agent 互相召唤，在真实终端 pane 里协作，随时能接手。

原文