🐦 Twitter 日报

海力士跌了，韩国人赌性大
海力士涨了，韩国人赌性真大…
反正啥都是韩国人的问题呗😅昨天说没必要恐慌，一堆空头找我辩论，他们不知道我根本不是多头，我甚至比他们还希望海力士暴跌，巴不得100万韩元接回自己之前卖掉的所有持仓，然后躺平，我还需要天天揣测川普个毛线。我只是因为知道自己的粉丝有不少都是因为买海力士关注的我，所以想提醒他们，不会那么容易发生去杠杆，没必要被X上讲鬼故事的吓到，即便是减仓，也可以慢慢减，完全出于善意提醒。

去年海力士三星暴涨，韩国政府会经常跳出来警告市场过热，然后我就会无辜吃闷头一棒，今年反而没了，可能他们环顾四周发现，咦，我们好像并没有很离谱。长鑫上市对韩国存储情绪上肯定有冲击，实质不一定有。我也在想那时候买回海力士，错过的爱情究竟能否破镜重圆，我也想知道。

看看老黄透露的AI PC用了多少统一内存，我一个装电脑不设预算的人也没搞过128G的内存…AI可能会崩，存储可能也会崩，但如果AI还爆炸增长，存储反而崩，我觉得没道理

Advice for AI engineers 💡

A small Visual Language Model fine-tuned on your custom dataset is as accurate as GPT-5...

... and costs 50 times less

For example, LFM2.5-VL-1.6B by @liquidai running locally at full speed with llama.cpp ↓ https://t.co/SVCdvGBSl3

@liquidai Wanna learn to build AI features, apps and systems that **work**?

Join the Liquid AI Discord Community ↓
https://t.co/pTwbAzzeQM

想让 AI 帮忙复刻某个网站的设计风格，光靠截图描述效果不是很好，像颜色、字体、间距这些细节很难精准复刻。

最近看到一个命令行工具 skillui，能逆向分析任意网站的前端设计，然后打包成 AI 可直接读取的文件。

一条命令指向目标网站，就能提取出完整的配色、字体、间距、组件结构，甚至动画和交互状态，全程纯静态分析，不依赖任何 AI 接口。

GitHub：https://t.co/qux0aOUp6x

还能自动截取页面从顶部到底部的滚动截图，检测动画库类型，捕捉悬停和聚焦状态的样式变化，输出非常完整。

除了分析线上网站，也支持扫描本地项目或直接克隆 Git 仓库进行分析，生成的文件放进 Claude Code 就能直接用来构建同风格的页面。

只需一行命令即可安装，适合需要参考其他网站的设计来搭建页面的朋友收藏使用。

大家都知道，目前AI数据中心建设面临很多瓶颈，比如GPU、光通信器件、存储、电力设备、变压器以及供电容量等。但CRWV联合创始人McBee提到了一个经常被市场忽视的问题——电工短缺。

他说，在北美，要成为一名能够参与大型数据中心建设的高级认证电工，通常需要超过五年的学徒培训和资格认证。与芯片、服务器或者变压器不同，电工无法通过扩大产能快速增加供给，这是一种高度依赖经验和技能积累的专业工种，因此很难实现大规模快速扩张。

事实上，随着AI数据中心规模越来越大，对专业技术人员的需求也在快速增长。一个现代化AI数据中心的建设，不仅需要大量电工，还需要高压输电工程师、HVAC空调工程师、管道工程师以及其他具备专业资质的施工人员。

原因在于，AI数据中心已经不再是传统意义上的机房。如今很多项目涉及数百兆瓦甚至接近吉瓦级别的电力接入，需要建设高压变电站、UPS不间断供电系统、柴油发电机备用系统以及复杂的液冷和能源管理系统。无论是高压配电、设备安装还是后期运维，都必须由持证专业人员完成，任何一个环节都无法简单用资本或设备替代。

Looking for a compact yet powerful conversational AI model? Qwen2-1.5B-Instruct is here, a text generation powerhouse with 1.5 billion parameters, designed for chat and instruction following. It's top on the community charts with over 4 million downloads and 162 likes. https://t.co/lVWGLjwY1T

🔗 Explore the full model details here:

https://t.co/cQizrhCMEX

暴富都要抓风口，做风口上的猪。

60后碰到改革开放：宗庆后、王石。
70后碰到房地产与早期互联网：许家印、张朝阳
80后碰到移动互联网：张一鸣、王兴、李想、黄峥
90后碰到币圈：孙宇晨、何一（颜值归类到90）
00后碰到AI：一堆20出头的亿万富翁

现在币圈“下坡路”，AI上坡路才开始，抓！

Agent 写代码的时候，准确详细的注释也是很重要的，这是 Claude Code 写的注释。

另外就是 Git commit message 也很重要，记录了整个项目的关键进展。

这两个有利于不同的 agent 接手干同一个项目。 https://t.co/3mWnFymR95

Can’t wait for M5 Ultra I will buy 2 immediately

昨晚苹果 WWDC 唯一的亮点就是这个灵动岛的新 Siri AI 了。

而且本地端侧模型居然只支持 17Pro 这一款设备，当然欧洲和中国还是不可用。 https://t.co/NYUuuadqNM

哦 还有 iPhone air https://t.co/OoH4BWCauF

Turned all #WWDC26 videos into Agent Skills

Injecting these into my app’s veins https://t.co/h9QRy8Skye

当前担心AI泡沫，而怀疑会不会重演互联网泡沫破裂的人，是因为不知道如下事实：

1、头部AI企业PE只有20、30多倍，温和甚至偏低；泡沫期龙头思科PE 150倍——而且不是卖供不应求的算力，而是卖路由器和网线的。

2、AI头部企业营收不断创新高，而且人类对AI的需求只会增长，一切刚开始，在改变行业提振生产力等方面普及率还很低——你能想象回到没有AI的日子？你不能。

3、AI出来才几年，硬件都还没铺完，软件爆发、应用爆发、生产力爆发都还在路上，未来还有机器人、太空探索、医药、量子计算都与AI发展相关。

2000 年那轮泡沫的典型问题，是大量公司没有盈利能力，电信基础设施又严重超前建设，光纤、交换机和网络容量跑在真实需求前面。

而今天的情况恰恰相反：算力、存储、带宽、推理成本、模型能力和应用场景都还在快速扩张，很多需求不是没有，而是基础设施还不够便宜、不够多、不够好。

无脑对比泡沫，或者只是因为涨了很多就看空，都是缺乏深入研究的踏空者，YY出来的有毒思维。

🔗 Explore the full model details here:

https://t.co/9U2KTgY6mi

holy crap! apple just beat google to the punch -- 3d gaussian splatting is coming to apple maps.

these 3d scenes are made from oblique aerial imagery. but unlike blobby photogrammetry -- no more broccoli trees, no more melted powerlines -- ground level detail that actually holds up.

here's hoping google maps/earth follows suite soon -- they have a significantly larger corpus of sensor data to work with. time to splat the world!

在美国读大学，然后毕业进入spaceX，然后在几年内成为亿万富翁。黄铮就是毕业后加入才几百人的GOOGLE直接财富自由了。

最神奇的是那个加入scale AI的中国女孩，20多岁就有数十亿美元的财富——获得财富时，甚至她都不在那家公司工作了…

环境改变人生啊。生在一些糟糕的地方，甚至吃饱都成问题。

If you're running OpenClaw or HermesAgent, what's your biggest issue atm?

Reply for help 👇🏻

Hey outsource_!

The new "Mimo fast mode" is Xiaomi's **MiMo-V2.5-Pro-UltraSpeed Beta** — a turbocharged inference mode for their 1T-param MoE model (42B active). It peaks at **~1000 tokens/sec** specifically to supercharge coding agents and kill the waiting game.

Perfect fix for that "fishbrain forgets what I was doing" problem while outputs load. It's still beta (limited spots, apply on their platform), but built for exactly the agent workflows in Hermes/OpenClaw.

Way faster flow state unlocked. You testing it yet? 🚀

扫描本地相册照片，调用视觉大模型生成结构化语义描述，让照片变得可检索。

https://t.co/ykf860Ib9j

Album Assetizer 是一个 Python CLI 工具，扫描本地相册中的照片，提取 EXIF 拍摄时间和 GPS 坐标，然后调用 OpenAI 兼容的视觉大模型为每张图生成中文结构化描述。 https://t.co/IENOrAc8Ap

Why Apple’s slow-and-steady AI bet is starting to look pretty smart https://t.co/Bc4GLKwLoo

《关于我使用codex删除claude账户这件事》

有两件事情一旦用上就回不去了：Claude Code，和 HoldSpeak 语音输入。

自托管的 ChatGPT 图片生成与管理平台，提供 OpenAI 兼容图片 API、画图工作台和账号池管理。

https://t.co/cguvdjiDlo

颜AI 是一个基于 ChatGPT gpt-image-2 接口逆向的自托管图片创作与管理系统。它提供 OpenAI 兼容的图片生成和编辑 API，内置在线画图工作台、图生图预设、账号池轮询、用户额度、渠道管理、模型管理、计费配置和图片归档。

Cognition 推出「FrontierCode」：把 Coding 评估标准，从可用，提升到高质量、可合并！
评估结果 Top2：Claude Opus 4.8、GPT-5.5
https://t.co/0ZMdezYkKD

FrontierCode 评估内容
规模与结构：
· 150 个任务，来自 36 个 flagship 开源仓库
· 20+ 维护者参与，每任务投入 40+ 小时
· 三层嵌套难度：Extended（150）→ Main（100 最难）→ Diamond（50 最难）

两个核心指标：
· Pass rate：通过全部 blocker 标准（维护者眼中的 hard stop）
· Score：rubric 加权得分；任一 blocker 失败则 score = 0

评测体系：不止 unit test
FrontierCode 沿六个维度评估 mergeability：
· 行为正确性 — 是否解决问题
· 回归安全 — 是否破坏现有功能
· 机械整洁 — build / lint / style 是否通过
· 测试质量 — agent 写的测试是否真测到行为
· Scope 纪律 — 是否只改该改的
· 代码质量 — 风格、设计模式、可读性、仓库惯例

三种较新的 grading 方法：
· Reverse-classical：把 agent 写的测试跑在未修复的base commit 上，必须 fail —— 证明测试有意义
· Scope：文件边界、diff 大小、语义局部性（如是否只改某个函数内）
· Adaptive classical grading（mutagent）：用 LLM 微调测试或应用代码，对齐 agent 的实现细节，在保持确定性的同时允许多种合法解法

Criteria 分 blocker（不通过就不能 merge）和 non-blocker（影响 score，但不一票否决）。

评估结果：前沿模型仍远未饱和
· Diamond 子集：Claude Opus 4.8：13.4% score；GPT-5.5：6.3%；Gemini 3.1 Pro：4.7%
· Main 子集：Opus 4.8：34.3%
· Extended 子集：Opus 4.8：51.8%

几个值得注意的点：
· Diamond 几乎未被“刷满” —— 最强模型也只有 13.4%，说明高难度子集仍有大量 headroom
· 闭源 vs 开源差距大：最佳开源 Kimi K2.6 在 Diamond 仅 3.8%
· 成本 vs 能力：GPT-5.5 分数低于 Opus，但 token 用量约为其 1/4，性价比更优

Claude Code 上线一周年：演进与方法论回顾

来自 Claude Code 负责人 Boris Cherny 与产品负责人 Cat Wu，从一年前首次内部 demo 只有两个 Slack 点赞，到现在绝对主流 Coding Agent，这一年 Claude Code 到底做对了什么？
https://t.co/sRYFDvpCIh

# 两条底层方法论

1. 错误即资产：写入规则，而非口头纠正
Boris 的核心习惯：每次 Claude 犯错，不直接说「下次别这样」，而是写入 CLAUDE.md、Skill 或类似持久化机制。

逻辑是：口头纠正只影响当前会话；规则沉淀后，agent 可长期、反复、自主执行。这是「让 agent 几乎无限运行」的前提。

2. Verification（验证）≠ 单元测试
多数人把 verification 理解成 lint、类型检查、单元测试——这些早已自动化，不是 agent 时代的重点。

真正的 verification 是：agent 能否亲自「跑起来」验证结果。
· 早期案例：让 Opus 4 写完功能后，在 bash 里启动另一个 Claude CLI 自测。
· 现在：iOS/Android 模拟器、桌面应用的 computer use 点击测试已成常态。
· Cat 的实践：桌面开发 Skill 教 Claude 启动本地 app、点 UI、测边界；若 staging 异常，先读 Slack 判断是否环境问题；修完后更新 Skill，形成闭环。

要点：验证能力往往需要针对具体产品定制，无法一键通用。

# Loops/Routines：从「人用工具」到「系统替人值守」

Routines 被定位为 Agent SDK 之后第一个「显而易见」的规模化应用。

典型案例：
· 某工程师为 Voice Mode 设 routine：监听所有相关 GitHub issue/bug → 自动提 PR → 通知本人。
· 另一 routine：5 小时未响应的 bug 自动修复，易验证的直接 merge。
· Cat 遇到自己功能的 edge case bug，还没动手，Claude 提示「另一个 Claude 已修好」。

组织影响：
· 代码评审、CI 修复、rebase 等琐事，团队成员已很久没亲手做。
· 多个人的 Claude 并行工作，形成「隐形协作网」。

重点：把工程运维流程产品化、自动化。

# Auto Mode：取代 Plan Mode 的默认选择

Boris 明确表示：Plan Mode 已基本不用，全面切到 Auto Mode。

原因：
· Opus 4 ~ 4.5 仍需显式规划；从 4.6、尤其 4.7 起，模型已能自主规划。
· Auto Mode 的价值是：启动 agent 后即可转向下一个任务，无需盯屏点确认。

安全设计的反直觉结论：
人工逐条审批 99% 都会点「是」的权限提示，反而更危险；Auto Mode 用独立分类模型筛风险，人只关注被拦截的少数异常，整体更安全。

上线前流程：
· 收集数千条 agent 轨迹 + 权限请求，训练分类器；
· 红队 prompt injection、渗透测试；
· 建 eval，确保已知攻击全部被拒；
· 内部团队继续攻击、迭代。

Boris 认为：「把 prompt 路由给另一个模型做安全检查」——他最初认为行不通，实测却效果很好。这反映基于大模型构建产品时，许多旧工程直觉需要重写。

# 组织变革：AI 必须成为流程中心

Boris 引用 90 年代 HBR 案例：PC 普及初期生产力未显现，因为企业只是把电脑「放在旁边」，流程仍是纸笔+文件柜。

真正释放价值，需要把电脑置于业务流程中心，淘汰旧媒介。

类比到 AI：
· Anthropic onboarding 不问人，问 Claude；
· 提问、写代码、CR、安全审查、填表，均经 Claude/Co-Work；
· 领先企业正在把 AI 放到同样位置。

与 PC 转型需 10–15 年不同，AI 转型更快，因为：
· 工作已高度数字化；
· Claude 能操作电脑、写代码、跑代码。

角色融合：
· 产品、设计、DevRel 都在写代码、提 PR；
· 工程师端到端负责：构思 → 实现 → 对接法务/市场/安全 → 发布；
· 设计、PM、财务、数据科学等「邻接角色」广泛采用 Claude Code。
· 未来不是「人人 PM」或「人人工程师」，而是两者合一——好奇心、产品品味、端到端 ownership 成为关键能力。

# 多 Agent 时代的工具形态

从「6 个终端 tab + 6 份 git checkout」→ 单 tab + Agent View + Desktop App（自动 worktree）。

意外变化：Boris 约一半工程工作已在手机上完成——Remote Control、Voice Mode，边走边看 agent，现场聊出新想法即开 agent 实现，无需回电脑。

这说明：工程师的主战场正从 IDE 转向 agent 编排界面。

# Context Minimalism（上下文极简主义）

技术话语的演进轨迹：
· Sonnet 3.5 时代 → Prompt Engineering
· Opus 4 时代 → Context Engineering
· 当前模型 → Context Minimalism

原则：
· 最小 system prompt、最少工具集；
· 只给模型「拉取上下文的能力」，不塞满上下文；
· 过多上下文 ≈ 微观管理，限制模型找更优路径；
· Harness 本身也在变瘦，把 token 空间留给用户意图。

这与一年前「精心构造 mega prompt」的做法形成鲜明对比。

# 对未来的判断

团队预判：
· Agent 运行更久、更自主；
· 很少只跑 1 个 agent，常见是数十、数百、数千；
· 一年后的产品形态很可能与今天完全不同；
· 创新将更多来自用户社区，而非官方闭门设计。

值得肯定的洞见：
· Verification 定义准确，切中 agent 工程要害；
· 「错误写入规则」是可复制的工程纪律；
· Auto Mode 安全思路有实证支撑，不是空喊；
· 组织变革类比有历史参照，不过于浪漫化。

需保持审慎之处：
· 发言者身处 Anthropic 内部，描述的是理想态实践，外部企业落地节奏未必相同；
· 「财务用 Claude Code 做预测」等案例缺少可验证细节；
· Routines 全自动 merge 依赖「易验证」边界，复杂系统风险需自行评估；
· 「角色融合」「手机写代码」更像前沿团队样本，非行业普遍现状。