🐦 Twitter 日报

.NET 原生的 AI 代理框架，让每个项目拥有自己专属的智能助手。

https://t.co/UnjIQ0mUFP

DotCraft 是用 .NET 10 / C# 写的开源 AI 代理框架。每个项目独立一个工作空间，有自己的记忆、技能和配置。桌面、命令行、TUI 都能用，还支持 QQ、微信、飞书这些渠道接入。带多代理协作、后台记整理、持久化目标和审批流，直接连 ChatGPT 订阅就能跑，不用额外 API Key。

我这次用 Step 3.7 Flash 测了一个真实 Coding Agent 任务：
把一组 Agent Memory 的运行痕迹，做成本地可检查的 Memory Inspector。

输入不是干净需求文档，是一个已有 Local Agent Memory MVP：
· memory_events
· structured_facts
· memory_chunks
· 9 个场景测试
· 敏感信息过滤结果
· recall 命中结果
· 跨 session 记忆记录

Step 3.7 Flash 先读现有代码和测试输出。
然后它检索了 Letta、LangSmith、Mem0、Graphiti 这些工具如何展示 memory、trace、dashboard 和 agent state。
最后生成了一个单文件本地 HTML：
agent_memory_inspector.html

页面里能看到：
· 8 条 memory events
· 9 条 structured facts
· 8 个 memory chunks
· 9/9 场景测试通过
· 敏感信息过滤前后对比
· recall 命中内容、retrieval 类型和分数
· 跨 session 记忆连续性
· 哪些资料影响了 UI 和数据结构

我觉得这比让模型解释“Agent Memory 是什么”更有意义。
真实 Agent 工作里，模型不只是回答问题。
它要能读上下文、查资料、理解结构、写代码、整理证据，并产出一个能运行的东西。

这次 Step 3.7 Flash 做到的是：
把混乱的 Agent 运行痕迹，变成了一个可检查的小工具。
测试环境：
· Cursor Agent
· model: step-3.7-flash
· 本地 HTML 输出
· 数据来自 Local Agent Memory MVP
它还不是生产级观测平台。

但作为一次 first-pass Coding Agent 任务，它回答了一个更重要的问题：
模型能不能把真实 Agent traces 变成一个可用工具？

@StepFun_ai 平台
国内：https://t.co/WyoBf51GbO
海外：https://t.co/KbpHzpS1a9

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。

多个模型，一个看板！

将多达 11 个 CLI 代理并行分派（Claude Code、Codex、Gemini、Cursor…），每个代理隔离在其自己的 git worktree 中。

本地 SQLite 模式或 GitHub Issues 模式，配备一个 MCP 服务器以从外部控制整个系统。

https://t.co/GryYiZC97w https://t.co/bM5nMLLc5v

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

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

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。