GSD 不是脚手架，而是一套给 AI 编程工具用的规格驱动工作流。它的目标很明确：把长任务拆成多个短上下文，降低 context rot，让规划、执行、验证都可追踪。

GSD 解决什么问题

典型 AI 编程失效路径是：

• 一个会话里同时做需求澄清、方案设计、编码、验收
• 上下文越滚越大，后半段质量下降
• 计划过大，执行不可验证
• 写完代码，但没有可靠验收闭环

GSD 的做法是把流程拆成阶段，并把状态落盘到 .planning/。核心文件包括：

• PROJECT.md
• REQUIREMENTS.md
• ROADMAP.md
• STATE.md
• config.json
• phases/

适合需要跨会话推进、分阶段交付、保留验收记录的项目。

支持的运行时

• Claude Code
• Codex
• Gemini CLI
• OpenCode

命令前缀不同：

• Claude Code / Gemini: /gsd:help
• OpenCode: /gsd-help
• Codex: $gsd-help

安装

最简单的方式：

npx get-shit-done-cc@latest

非交互安装：

npx get-shit-done-cc --claude --global
npx get-shit-done-cc --codex --global
npx get-shit-done-cc --gemini --global
npx get-shit-done-cc --opencode --global

只装当前项目，把 --global 换成 --local。

安装完成后验证：

# Claude Code / Gemini
/gsd:help

# OpenCode
/gsd-help

# Codex
$gsd-help

标准工作流

完整链路如下：

/gsd:new-project
/clear
/gsd:discuss-phase 1
/gsd:ui-phase 1
/gsd:plan-phase 1
/gsd:execute-phase 1
/gsd:verify-work 1
/gsd:ui-review 1

非前端阶段可跳过 ui-phase 和 ui-review。

工作流流程图

flowchart TD
    A["/gsd:new-project
初始化项目上下文"] --> B["/gsd:discuss-phase N
锁定实现偏好"]
    B --> C{"是否包含前端/UI?"}
    C -->|是| D["/gsd:ui-phase N
生成 UI-SPEC"]
    C -->|否| E["/gsd:plan-phase N
研究 + 规划 + 校验"]
    D --> E
    E --> F["/gsd:execute-phase N
按 wave 执行计划"]
    F --> G["/gsd:verify-work N
人工验收"]
    G --> H{"验收是否通过?"}
    H -->|否| I["生成修复计划"]
    I --> F
    H -->|是| J{"是否还有下一阶段?"}
    J -->|是| B
    J -->|否| K["/gsd:audit-milestone"]
    K --> L["/gsd:complete-milestone"]

核心命令表

补充命令表

阶段职责表

Demo 1：新建 Todo Web App

目标：

• Next.js + TypeScript + SQLite
• 单用户
• 支持新增、完成、删除

执行顺序：

/gsd:new-project
/gsd:discuss-phase 1
/gsd:ui-phase 1
/gsd:plan-phase 1
/gsd:execute-phase 1
/gsd:verify-work 1

new-project 输入示例：

做一个 Todo Web App。
技术栈是 Next.js + TypeScript + SQLite。
第一版不做登录，只做单用户。
目标是完成增删改查闭环，移动端可用。

discuss-phase 1 输入示例：

页面保持高信息密度，不做营销风格设计。
列表项支持快速完成和删除。
空状态必须给明确操作提示。
移动端点击区域要足够大。

plan-phase 1 之后检查：

• 每个 plan 范围足够小
• 每个 plan 都有明确 verify 步骤

verify-work 1 检查项：

1. 新建待办是否成功
2. 状态切换是否即时生效
3. 删除是否可恢复或至少行为一致
4. 刷新后数据是否存在
5. 移动端交互是否误触

Demo 2：在现有项目中追加功能

/gsd:map-codebase
/gsd:new-project
/gsd:discuss-phase 1
/gsd:plan-phase 1
/gsd:execute-phase 1
/gsd:verify-work 1

map-codebase 会生成：

• STACK.md
• ARCHITECTURE.md
• STRUCTURE.md
• CONVENTIONS.md
• TESTING.md
• INTEGRATIONS.md
• CONCERNS.md

后续规划会直接基于现有结构。

小需求可直接用：

/gsd:quick

例如：

为博客新增文章搜索页，支持标题和摘要匹配，保持现有站点风格。

适用场景：

• 小功能
• bug 修复
• 配置改动
• 一次性维护任务

最值得先掌握的命令

• /gsd:help
• /gsd:new-project
• /gsd:discuss-phase
• /gsd:plan-phase
• /gsd:execute-phase
• /gsd:verify-work
• /gsd:map-codebase
• /gsd:quick

命令体系思维导图

mindmap
  root((GSD))
    初始化
      /gsd:new-project
      /gsd:map-codebase
    阶段推进
      /gsd:discuss-phase
      /gsd:ui-phase
      /gsd:plan-phase
      /gsd:execute-phase
      /gsd:verify-work
      /gsd:ui-review
    导航恢复
      /gsd:progress
      /gsd:resume-work
      /gsd:pause-work
    快速任务
      /gsd:quick
    路线图调整
      /gsd:add-phase
      /gsd:insert-phase
      /gsd:remove-phase
    配置
      /gsd:settings
      /gsd:set-profile
    收尾发布
      /gsd:audit-milestone
      /gsd:complete-milestone

配置建议

配置文件是 .planning/config.json。

mode

• interactive: 默认，适合大多数项目
• yolo: 自动化更强，适合熟练用户

granularity

• coarse
• standard
• fine

阶段越复杂，越适合 fine。

model_profile

• quality
• balanced
• budget
• inherit

建议：

• 原型期：budget
• 常规开发：balanced
• 关键阶段：quality

workflow 开关

• workflow.research
• workflow.plan_check
• workflow.verifier
• workflow.nyquist_validation
• workflow.ui_phase
• workflow.ui_safety_gate

不熟悉领域时，建议保持默认；只做快速原型时再酌情关闭。

典型误区

跳过 discuss-phase

常见结果不是功能错误，而是实现风格偏离预期。AI 会用默认判断填满灰区。

phase 切太大

如果一个阶段同时覆盖数据库、API、前端、权限、测试、部署，plan 往往会失真。GSD 不是拿来吞掉模糊范围的。

不做 verify-work

测试通过不等于功能完成。尤其是交互、空状态、错误流程、移动端兼容这类问题，必须人工验收。

老项目不跑 map-codebase

这会增加“风格不一致”和“破坏现有结构”的概率。

结论

GSD 的价值在于把 AI 编程从单轮 prompt 提升为阶段化工作流，更适合多阶段任务和持续交付。

如果你的项目已经开始出现需求拆分、阶段推进、跨会话恢复、验收闭环这些问题，GSD 值得直接上手。

AI 与机器学习

1. 高盛称人工智能去年对美国经济增长贡献“基本为零”

📰 Hacker News

摘要：报道称高盛的分析认为，尽管 AI 技术进展显著，但其对美国经济增长的现实贡献仍然有限，市场对 AI 经济效应的预期可能偏高，相关投资的兑现仍需时间。

核心要点：
• 高盛分析显示 AI 对美国经济增长贡献接近于零
• 市场对 AI 经济效应的预期可能过高，需要重新审视相关投资
• AI 技术发展迅速，但价值变现仍处于早期阶段

🔗 阅读原文

2. Lobsters 提议新增“AI 生成内容”标记理由

📰 Lobsters

摘要：Lobsters 社区出现一篇 meta 提案，建议新增“AI generated/AI slop”旗标，用于明确标记大模型生成的低价值内容。作者认为现有的 spam 或 vibecoding 标签容易引起混淆，新增独立旗标可以减少争议、提升辨识度，并帮助社区更好维护阅读质量。

核心要点：
• 认为使用 spam 或 vibecoding 标记会导致语义混乱，建议新增专门旗标识别低质量 LLM 内容
• 提案尝试定义“AI 生成内容”，强调这类内容会稀释社区注意力
• 社区意见分化：支持者希望提高可见度与可过滤性，反对者主张只看内容质量

🔗 阅读原文

3. all-MiniLM-L6-v2 句子嵌入模型

📰 Hugging Face

摘要：all-MiniLM-L6-v2 是 sentence-transformers 库中的一款轻量级句子嵌入模型，基于 6 层 MiniLM 架构设计。该模型能够将句子和段落高效编码为 384 维的稠密向量，广泛应用于语义相似度计算、文本聚类和语义搜索等自然语言处理任务。

核心要点：
• 轻量高效：6 层 MiniLM 架构，参数量小，推理速度快，适合资源受限环境部署
• 通用性强：支持多种语言任务，包括语义相似度、文本聚类和语义搜索等应用场景
• 标准化输出：生成固定维度（384维）的稠密向量表示，便于下游任务处理和向量数据库存储

🔗 阅读原文

4. BERT基础模型（bert-base-uncased）

📰 Hugging Face

摘要：bert-base-uncased 是由 Google 发布的基础版 BERT 预训练语言模型，采用 12 层 Transformer 编码器架构，在 BooksCorpus 和英文 Wikipedia 数据集上进行预训练。该模型支持小写字母输入，适用于各类自然语言处理任务。

核心要点：
• 基于 Transformer 架构，包含 12 个编码器层、768 维隐藏层和 12 个注意力头
• 预训练采用掩码语言模型（MLM）和下一句预测（NSP）任务
• 可直接应用于文本分类、问答、命名实体识别等多种 NLP 下游任务

🔗 阅读原文

开发工具与开源

1. Lobsters 从 MariaDB 迁移到 SQLite

📰 Lobsters

摘要：知名技术链接分享社区 Lobsters 宣布完成从 MariaDB 到 SQLite 的数据库迁移。这一迁移旨在简化系统架构、降低运维复杂度，并利用 SQLite 的轻量级特性提升性能。迁移过程中团队解决了多项技术挑战，最终实现了更高效的资源利用。

核心要点：
• 迁移背景：原 MariaDB 架构维护成本高、资源消耗大，团队选择 SQLite 作为更轻量的替代方案
• 技术实现：迁移中需要处理数据转换、查询优化与并发访问，确保稳定性
• 性能收益：嵌入式特性减少网络开销，提升响应速度并降低服务器资源需求

🔗 阅读原文

产品与设计

1. 通过亲手重构掌握编程技术

📰 GitHub Trending

摘要：build-your-own-x 是一个综合性编程学习资源库，汇集了各类技术从零实现的教程和指南。该项目鼓励开发者通过亲手重建自己喜爱的技术（如数据库、操作系统、Web 服务器等）来深入理解其底层原理，从而达到精通编程的目的。

核心要点：
• 涵盖数据库、操作系统、Web 服务器、编程语言等多领域的从零构建教程
• 提供分步骤实践指导，帮助开发者系统理解复杂技术的内部机制
• 适合不同水平学习者，用于提升编程技能与系统设计能力

🔗 阅读原文

趣闻与观点

1. 你不应该在自己的电脑上安装 OpenClaw

📰 Hacker News

摘要：该链接讨论在本机安装 OpenClaw（经典游戏 Claw 的开源复刻）可能存在的不确定性，建议在隔离环境或专用机器上体验，以降低潜在风险。

核心要点：
• OpenClaw 是经典游戏的开源复刻版本，吸引了不少怀旧玩家关注
• 文章提醒在本机直接安装可能存在未知风险或兼容性问题
• 建议在虚拟机或隔离环境中尝试，减少对主机环境的影响

🔗 阅读原文

2. sindresorhus/awesome：关于各种有趣主题的精选资源列表合集

📰 GitHub Trending

摘要：这个仓库是一个汇集了各种有趣主题优秀资源列表的合集，由知名开源贡献者 sindresorhus 创建和维护。它收录了编程、设计、艺术、科学等众多领域的精选资源，是开发者和技术爱好者探索新知识的绝佳起点。

核心要点：
• 收录编程、开发、设计、艺术、科学等数十个领域的精选资源列表
• 由活跃的开源社区持续维护更新，保证资源时效性
• 为开发者与技术爱好者提供系统化学习新技术的路径指南

🔗 阅读原文

3. 新篇章：DEV 社区与 Major League Hacking (MLH) 携手合作

📰 Dev.to

摘要：DEV 社区宣布与 Major League Hacking (MLH) 达成合作，共同为开发者社区带来更多资源和机会。这一合作旨在推动开发者生态的发展，为全球程序员提供更丰富的学习和交流平台。

核心要点：
• DEV 社区与 MLH 正式建立合作关系，开启发展新阶段
• 双方将整合资源，为开发者提供更多 Hackathon 和学习机会
• 此合作将进一步促进开发者社区的成长与交流

🔗 阅读原文

4. Web开发不仅仅是前端和后端（这才是真正重要的）

📰 Dev.to

摘要：作者认为 Web 开发不只是前端和后端两部分，还涉及数据库、设计、用户体验、部署等关键环节。文章结合自身经验，强调软技能与持续学习在职业成长中的重要性。

核心要点：
• Web 开发涉及数据库、设计、用户体验、部署等多个方面
• 软技能（沟通、协作、问题解决）对项目成功同样重要
• 持续学习和适应新技术是成为优秀开发者的关键

🔗 阅读原文

AI 与机器学习

1.

📰 Dev.to

核心要点：
• 细节待补充
• 细节待补充
• 细节待补充

🔗 阅读原文

2. 从怀疑到依赖：我的AI采用之旅

📰 Lobsters

摘要：本文作者分享了过去一年多时间里逐步采用AI工具的心路历程。从最初的抵触和怀疑，到逐渐将AI融入日常工作流，作者总结了不同阶段的关键经验和教训。文章强调了建立正确的AI使用心态、掌握提示词技巧以及平衡AI辅助与独立思考的重要性。

核心要点：
• 从拒绝到尝试：作者最初对AI工具持怀疑态度，认为它们被过度炒作，直到在特定场景下亲身体验后才改变看法，强调了亲自尝试比阅读评论更有说服力
• 提示词是核心技能：作者发现有效使用AI的关键在于学习如何编写清晰、具体的提示词，这需要像学习编程一样不断练习和优化，而非简单地提出模糊需求
• AI是助手而非替代品：作者强调应将AI定位为提高效率的辅助工具，保持独立思考和判断能力，盲目依赖AI输出而不加验证可能导致比不使用AI更糟糕的结果

🔗 阅读原文

3. AI辅助编程时代：维护者正在成为"不知不觉的氛围编码者"

📰 Lobsters

摘要：技术社区近期热议AI辅助编程对开源项目维护者的影响。当维护者开始依赖AI工具生成代码时，他们可能逐渐变成"vibe coder"——即在不完全理解代码原理的情况下，凭借AI的"氛围"和直觉进行编码。这种趋势对开源软件的长期维护和质量保障提出了新的挑战。

核心要点：
• AI编程工具的普及正在改变软件维护的工作方式，维护者可能逐渐丧失对代码细节的深入理解
• "vibe coding"现象反映出技术社区对AI辅助开发工具依赖性的担忧
• 开源项目需要重新思考如何平衡开发效率与代码质量控制的关系

🔗 阅读原文

4. 基于Fairface数据集的年龄图像检测模型

📰 Hugging Face

摘要：该模型由dima806开发，基于Fairface数据集进行图像中人物的年龄预测。模型能够识别包括儿童、青年、中年、老年等多个年龄段，在保持较高准确率的同时，注重数据多样性与公平性。

核心要点：
• 数据平衡性：Fairface数据集通过优化不同种族、性别、年龄群体的分布，减少模型偏见，提升预测公平性
• 多类别分类：支持9个年龄段划分（如0-2岁、3-9岁等），满足精细化年龄检测需求
• 实用应用场景：适用于人脸分析、内容审核、教育等需要年龄信息核验的领域

🔗 阅读原文

5. MobileNetV3 Small轻量级图像分类模型（ImageNet-1k预训练）

📰 Hugging Face

摘要：这是一个基于MobileNetV3架构的轻量级图像分类模型，在ImageNet-1k数据集上使用LAMB优化器预训练。模型参数量小、推理速度快，适合部署在移动端或嵌入式设备上。可直接用于图像分类或迁移学习任务。

核心要点：
• 基于MobileNetV3 Small架构设计，优化了计算效率
• 使用LAMB优化器在ImageNet-1k上预训练，具有良好的分类性能
• 适合资源受限环境，可快速部署到边缘设备

🔗 阅读原文

产品与设计

1. 开发者成长路线图 | 交互式学习指南与职业发展资源

📰 GitHub Trending

摘要：这是一个专为开发者打造的开源学习资源项目，提供多条技术方向的交互式学习路线图，包括前端、后端、DevOps、React、Vue等热门领域。项目通过可视化的知识图谱和系统化的学习指南，帮助开发者明确学习路径，规划职业发展方向。作为GitHub上最受好评的开发者学习资源之一，它已被数十万开发者用于技能提升和求职准备。

核心要点：
• 交互式路线图：提供多条技术方向的可视化学习路径，知识结构清晰，覆盖前端、后端、移动端、DevOps等热门领域
• 系统化学习资源：包含详细的知识点指南、实践建议和最佳实践，帮助开发者高效掌握核心技术栈
• 职业发展指导：提供职业规划建议和成长路径，让开发者能够明确目标，有针对性地提升专业能力

🔗 阅读原文

趣闻与观点

1. 逆向工程SGI O2工作站的PROM固件

📰 Hacker News

摘要：本文深入探讨了如何对Silicon Graphics O2工作站的可编程只读存储器(PROM)进行逆向工程，涵盖了固件提取、代码分析以及底层硬件交互机制的技术细节，为硬件安全研究提供了宝贵的实践案例。

核心要点：
• 详细解析了SGI O2工作站PROM的结构组成，包括引导程序、硬件初始化代码和固件接口规范
• 介绍了针对嵌入式系统固件的专业逆向工程工具和方法，包括芯片读取、代码反汇编和功能分析流程
• 探讨了逆向工程过程中的技术挑战，如固件加密、硬件依赖性和文档缺失等问题，并提供了相应的解决方案

🔗 阅读原文

2. 停止生成，开始思考

📰 Hacker News

摘要：这篇文章探讨了当前AI工具普及带来的思考能力退化问题，呼吁开发者和创作者在使用AI辅助工具时保持独立思考，避免过度依赖自动生成的内容。

核心要点：
• AI生成工具虽然能快速产出内容，但长期依赖会导致批判性思维能力下降
• 真正有价值的产出需要深度的思考过程，而非仅仅依赖AI的快速生成
• 建议在使用AI工具时保持主动思考，将AI作为辅助而非替代思考的工具

🔗 阅读原文

3. 软件工程师面试完整学习指南

📰 GitHub Trending

摘要：这个开源项目为想要成为软件工程师的人提供了完整的计算机科学学习计划，涵盖数据结构、算法、操作系统、计算机网络等核心领域。项目创始人John Washam曾通过这个计划在短时间内成功获得多家科技公司的offer，现在他将这个经过验证的学习方法分享给所有人。

核心要点：
• 系统化学习路径：从基础到高级，包含视频课程、书籍推荐、编程练习等资源，按天/周规划学习进度
• 全面覆盖技术面试所需知识：包括算法时间空间复杂度、大O表示法、系统设计等核心概念
• 实践导向：包含大量编程练习题、模拟面试指南和简历优化建议，帮助学习者将理论知识转化为实际能力

🔗 阅读原文

4. 从《海盗之海》到代码世界：游戏挫败我，编程不会

📰 Dev.to

摘要：作者在《海盗之海》这款游戏中经历了无数次挫败后决定放弃，但他发现编程世界给予了他前所未有的掌控感和成就感。这篇文章分享了他如何从游戏的失败中汲取力量，转而在开发领域找到属于自己的舞台。

核心要点：
• 在《海盗之海》中反复遭遇挫败让作者意识到游戏带来的负面情绪开始影响生活品质
• 通过转向编程开发，作者重新获得了对结果的掌控感，每一次代码的运行都是可预测的进步
• 作者将游戏中的失败重新定义为学习机会，用开发中的小胜利治愈游戏中的挫败感

🔗 阅读原文

本次汇总于 2026-02-09 13:51 生成

AI 与机器学习

1. FDA计划对未经批准的GLP-1类药物采取执法行动

📰 Hacker News

摘要：美国食品药品监督管理局（FDA）近日宣布将加强对未经批准的GLP-1类药物的监管执法力度。此类药物包括司美格鲁肽和替尔泊肽等热门糖尿病和减肥药物，FDA警告称市面上存在大量未经批准或假冒产品，可能对患者健康构成严重威胁。当局将重点打击非法生产、销售和分销这些药物的行为。

核心要点：
• FDA此次行动主要针对未经批准或假冒的GLP-1类药物，这类药物近年来因其在糖尿病治疗和减肥方面的显著效果而需求激增
• 当局强调未经批准的药物可能存在剂量不准、含有有害杂质或完全无效等问题，患者使用后可能面临低血糖、胰腺炎等健康风险
• FDA呼吁医疗保健提供者和患者通过正规渠道获取药物，并建议报告任何可疑的非法药物销售行为

🔗 阅读原文

2. CommCP：基于大语言模型通信与共形预测的高效多智能体协调

📰 arXiv AI

摘要：本文提出了CommCP框架，通过结合大语言模型与共形预测技术，实现异构机器人之间的高效多智能体协调。该方法使机器人能够理解自然语言指令、生成并回答相关问题以增强场景理解能力，从而完成复杂的协作操作任务。实验结果表明，该框架在通信效率和任务完成成功率方面均优于现有基线方法。

核心要点：
• 提出了基于大语言模型的通信协议，使不同能力的异构机器人能够通过自然语言进行任务分解、信息共享和协调决策
• 引入共形预测技术来量化通信内容的不确定性，确保机器人决策的可靠性和安全性
• 在多种机器人协作场景中验证了方法的有效性，展示了在真实世界部署中的实用价值和扩展潜力

🔗 阅读原文

3. 面向运行时代理内存的学习查询感知预算分层路由方法

📰 arXiv AI

摘要：随着大型语言模型代理在单上下文窗口之外运行的需求日益增长，内存管理变得愈发关键。本文提出了一种查询感知的预算分层路由方法，能够在运行时动态评估内存价值并根据查询需求智能分配存储资源，从而克服传统离线、查询无关内存构建方法的低效性问题，实现更高的内存利用效率和查询响应质量。

核心要点：
• 提出查询感知的运行时内存路由机制，通过动态评估查询与内存内容的关联性来优化内存分配决策
• 设计预算分层架构，在有限资源约束下平衡内存存储成本与信息保留价值，避免关键查询信息的丢失
• 实验表明该方法在多轮对话和复杂任务场景中显著优于传统静态内存管理策略，提升了代理系统的整体性能与资源效率

🔗 阅读原文

4. 从虚拟现实实验中学习基于事件的枪手模型

📰 arXiv AI

摘要：虚拟现实已成为评估校园枪击事件等高风险场景下安全措施的有力工具，能够提供严格的实验控制和高行为保真度。然而，当前评估方法在测试每项新干预措施时都需要重新招募参与者群体，这不仅带来高昂的研究成本，还存在伦理争议。本研究提出从VR实验数据中学习事件驱动的枪手模型，旨在减少对重复参与者招募的依赖，为大规模安全干预评估提供可扩展的解决方案。

核心要点：
• 虚拟现实技术为高风险校园安全场景提供了可控且具有高行为保真度的实验评估环境
• 传统方法在评估各项新干预措施时需重复招募参与者，导致研究成本居高不下并引发伦理挑战
• 本研究提出通过学习事件驱动的枪手模型来解决上述问题，为安全干预措施的大规模评估提供可行路径

🔗 阅读原文

开发工具与开源

1. 微型C编译器

📰 Hacker News

摘要：Tiny C Compiler（TCC）是一个高度轻量化的C语言编译器，以极小的体积和极快的编译速度著称。它专为资源受限环境设计，支持标准C语言，并可直接生成可执行文件，适合嵌入式开发或快速原型构建。

核心要点：
• 体积小（约1MB），无需安装即可运行，编译速度比GCC快数倍
• 支持直接执行（无需链接）、内存安全检查及C语言扩展
• 开源免费（LGPL许可证），由Fabrice Bellard开发，活跃维护中

🔗 阅读原文

2. Maple Mono：开源等宽字体

📰 Lobsters

摘要：Maple Mono 是一款专为程序员和开发者设计的开源等宽字体项目。该字体在设计上注重代码的可读性和美观性，提供清晰的字形区分，适合长时间编码使用。作为开源项目，用户可以自由使用、修改和分发这款字体。

核心要点：
• 专为编程场景优化的开源等宽字体
• 注重代码可读性与视觉美观
• 支持自由使用、修改和分发

🔗 阅读原文

产品与设计

1. Microsoft账户Bug锁定Notepad访问——瘦客户端正在毁掉传统PC吗？

📰 Hacker News

摘要：一位用户分享了自己因Microsoft账户认证问题而无法正常使用Notepad的经历，引发了关于现代计算趋势的讨论。文章探讨了瘦客户端和云端化趋势如何改变传统PC使用体验，以及这些问题对用户自由度和控制权的影响。

核心要点：
• 用户报告Microsoft账户认证Bug导致Notepad等基础应用无法访问，暴露了依赖在线账户系统的潜在风险
• 文章质疑瘦客户端和全面云端化趋势是否正在削弱用户对本地设备的控制权和自由度
• 讨论了传统PC与瘦客户端的优劣对比，强调本地应用和离线功能的重要性

🔗 阅读原文

趣闻与观点

1. 使用快速模式加快响应速度

📰 Hacker News

摘要：本文介绍了在系统中启用"快速模式"来优化性能的方法。通过简化处理流程和减少开销，快速模式能够在保持功能完整性的前提下显著提升响应速度。本文将详细解释其实现原理和适用场景。

核心要点：
• 快速模式通过减少中间环节和优化算法来降低延迟
• 该模式适用于对响应时间敏感的高频请求场景
• 启用快速模式时需要权衡功能完整性和性能之间的平衡

🔗 阅读原文

2. CORAL：正确性优化的残差激活透镜与可迁移的校准感知推理时引导

📰 arXiv AI

摘要：本文提出CORAL框架，通过正确性优化的残差激活透镜解决大语言模型在指令微调和对齐后的校准失衡问题。该方法无需昂贵重训练即可实现推理时的轻量级引导，且具有良好的可迁移性。实验表明，CORAL在多个基准任务上显著提升了模型的概率校准质量。

核心要点：
• 提出残差激活透镜机制，通过计算中间层激活与正确输出之间的对齐程度来引导模型生成更可靠的回答
• 设计校准感知的目标函数，确保模型输出的置信度与实际准确率之间保持一致
• 验证了方法在不同模型规模和任务类型上的可迁移性，为部署高效的后训练校准方案提供了新思路

🔗 阅读原文

3. 展示HN：我看到了一个很酷的导航展开效果，于是我用简单的HTML+CSS做了一个版本

📰 Hacker News

摘要：一位开发者分享了他受到启发而制作的一个简单导航栏展开效果。通过使用纯HTML和CSS，这位开发者成功复现了一个原本可能更复杂的导航交互效果。这个项目展示了如何用最基础的前端技术实现吸引人的用户界面效果。

核心要点：
• 用户受到了一个酷炫导航展开效果的启发，决定自己动手实现
• 使用了简单的HTML和CSS代码，无需JavaScript即可实现动画效果
• 这个实现简单易学，适合作为前端新手的学习案例

🔗 阅读原文

OpenClaw 社区先做到了多会话协作，Anthropic 直接把它做成了官方功能。 这不是一个小更新，而是 Claude Code 的工作方式从“单兵作战”升级为“团队协作”。这篇文章带你快速上手 Agent Teams：什么时候值得用、怎么开、怎么配、怎么管、哪里会踩坑。

先说结论：这不是“更强的 Sub-agent”，而是“真正的团队”

以前你只有一个会话，所有事情顺序完成：先研究、再改代码、再写测试。Agent Teams 出现后，一个 lead 负责拆解任务，多个 teammate 并行协作，还能互相交流、共享任务列表。

更直观的对比：

• Sub-agents：像派一个助理去拿答案，回来报告。
• Agent Teams：像把一群专家放进同一个项目里协作。

如果任务需要互相沟通、互相校验，Agent Teams 才真正发挥价值。

什么时候该用？什么时候是过度设计？

适合用的场景（并行能带来明显收益）：

• 研究/评审：不同队友分别看代码、查资料、提风险点。
• 跨层开发：一个队友做前端，一个队友做后端，一个队友写测试。
• 调试：多条假设并行验证，避免单一路径走歪。

不适合用的场景：

• 强顺序依赖（第二步必须等第一步完成）。
• 同文件高频编辑（容易覆盖冲突）。
• 很小的任务（协调成本比收益更高）。

一句话：能拆成独立任务的，用团队；必须串行的，用单人或 sub-agent。

如何启用 Agent Teams（30 秒完成）

Agent Teams 目前是实验功能，默认关闭。你有两种方式开启：

方式 1：修改 settings.json（推荐，持久化）

{
  "env": {
    "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1"
  }
}

方式 2：环境变量（临时）

export CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1

启用后，Claude Code 会识别团队指令。官方文档可参考：
Agent Teams 文档

启动团队：最重要的是“清晰的角色分工”

你不需要特殊语法，只要给 lead 一个清晰任务和分工提示。

示例（高质量提示）：

我在设计一个 CLI 工具，扫描代码里的 TODO 并生成报告。创建一个 agent team：

• teammate A：从用户体验角度给出功能优先级
• teammate B：提出技术架构与实现路径
• teammate C：以“反对者”视角挑出风险与替代方案

好的 prompt = 明确角色 + 独立任务 + 预期输出。这一步越清楚，成本越低。

运行中如何控制团队

当团队跑起来后，必须知道 3 个关键操作：

1. 直接和任意队友对话

• In-process 模式：Shift + 上/下 切换队友
• Split-pane 模式：点击对应 pane（需要 tmux 或 iTerm2）

2. Delegate mode（防止 lead 抢活）
   有时候 lead 会“忍不住自己干”。开启 delegate mode 后，lead 只能协调：分配任务、发消息、管理列表。

• 切换快捷键：Shift + Tab

3. 任务分配与回收

• 可由 lead 指派，也可被队友自动领取
• 队友完成后建议主动“汇报 + 标记完成”

Agent Teams vs Sub-agents：如何选？

决策问题就一个：是否需要队友之间的沟通？

• 不需要互相沟通，只要结果 → Sub-agents（便宜、快、适合单点任务）
• 需要协作、互相对齐 → Agent Teams（贵、但能处理复杂系统）

成本提醒：Agent Teams 可能是 sub-agent 成本的数倍，请在“收益明显”时使用。

最佳实践：少走弯路的 7 条经验

1. Spawn prompt 要细：不要假设队友知道你的历史上下文。清楚写清目标、范围、输入/输出。
2. 任务粒度适中：能在 15–40 分钟内完成并交付。
3. 避免同文件编辑：同一文件交给一个队友，减少合并冲突。
4. 定期 check-in：每 15–20 分钟主动询问进展，避免跑偏太久。
5. 先做“研究/评审”试水：最容易看到并行价值。
6. 任务列表清晰：拆成可验收的子任务，完成后立刻标记。
7. 用角色命名：如 frontend, backend, test, review，便于协作。

当前已知限制（避免误踩）

• 会话恢复不支持：/resume 或 /rewind 不会恢复队友。
• 任务状态偶尔延迟：完成了但未标记，需手动更新或提醒。
• 一个会话只能有一个团队：不能创建多个团队或转移 lead。
• Split-pane 有终端限制：仅支持 tmux 或 iTerm2。

Key Takeaways

• Agent Teams 适合并行协作，不适合顺序强依赖任务。
• 清晰的角色与任务拆解是效率与成本的关键。
• Delegate mode 可以让 lead 专注管理，不再自己动手。

📋 文章速览

AI 与机器学习：3 篇

1. Moltbook 并非 AI 社会
2. [模型] dima806/fairface_age_image_detectio…
3. MobileNetV3 Small 100 LAMB ImageNet预训练模型

开发工具与开源：1 篇

1. GitHub Actions 正在悄然削弱你的工程团队效能

产品与设计：2 篇

1. BreezyBox：在ESP32-S3上无需Linux运行Shell、Vi编辑器…
2. kamranahmedse/developer-roadmap：开发者职业成长必…

趣闻与观点：3 篇

1. OpenCiv3：开源跨平台文明III重制版
2. 编码面试大学：成为软件工程师的完整计算机科学学习计划
3. 初级开发者正在灭绝（而且我们正在制造一场灾难）

AI 与机器学习

1. Moltbook 并非 AI 社会

📰 Dev.to

摘要：本文旨在澄清关于 Moltbook 的误解，阐明其并非如外界所传的"纯 AI 社交网络"。作者解释了 Moltbook 的实际定位、功能设计以及它如何区分于完全由自主智能体运营的平台，同时探讨了人机交互在该平台上的真实形态。

核心要点：
• Moltbook 被误传为"纯 AI 社交网络"，但实际定位是支持人机协作的混合型社交平台，并非完全由自主智能体构成
• 平台上的内容创作、互动和讨论仍以人类用户为主导，AI 角色更多是辅助工具而非主体
• 作者认为这种误解源于对 AI 社交产品发展趋势的过度解读，并呼吁公众以更理性的视角看待新兴技术平台

🔗 阅读原文

2. [模型] dima806/fairface_age_image_detection

📰 Hugging Face

摘要：dima806/fairface_age_image_detection 是一个基于FairFace数据集训练的深度学习模型，专门用于从图像中检测和预测人物的年龄。该模型采用ResNet架构，能够识别包括儿童、青年、中年和老年在内的多个年龄阶段。FairFace数据集的构建特别注重种族多样性，有助于减少模型在不同种族间的预测偏差。

核心要点：
• 基于FairFace数据集训练，该数据集包含约10万张经过标注的人脸图像，覆盖7个种族群体
• 采用ResNet深度卷积神经网络架构，能够高效准确地提取人脸特征进行年龄预测
• 模型支持多年龄段分类，可应用于人脸识别系统、内容审核、用户画像分析等场景

🔗 阅读原文

3. MobileNetV3 Small 100 LAMB ImageNet预训练模型

📰 Hugging Face

摘要：MobileNetV3 Small 100 LAMB是一个轻量级图像分类模型，基于MobileNetV3架构设计，使用LAMB优化器在ImageNet-1K数据集上进行预训练。该模型在保持高效率的同时提供了优秀的分类性能，特别适合资源受限的部署场景。

核心要点：
• 基于MobileNetV3 Small架构，针对移动端和嵌入式设备优化
• 使用LAMB优化器在ImageNet-1K上预训练，具有良好的特征提取能力
• 参数量小、推理速度快，适合实时应用和边缘计算场景

🔗 阅读原文

开发工具与开源

1. GitHub Actions 正在悄然削弱你的工程团队效能

📰 Lobsters

摘要：本文深入探讨了 GitHub Actions 在提升 CI/CD 效率的同时，如何在长期运行中逐渐侵蚀工程团队的生产力。文章指出，随着项目规模扩大，复杂的 Action 工作流、缺乏优化配置的流水线以及日益增长的计算成本，正在成为团队发展的隐性负担。

核心要点：
• 复杂的 GitHub Actions 配置容易形成"配置债务"，随着项目演进，理解和维护这些工作流所需的时间成本呈指数级增长
• 缺乏精细化资源管理的工作流会导致计算资源浪费和 CI/CD 成本失控，尤其在团队规模扩大后问题更加突出
• 过度依赖预置 Action 和未经优化的流水线会降低开发者对基础设施的理解深度，从长远看削弱了团队解决复杂工程问题的能力

🔗 阅读原文

产品与设计

1. BreezyBox：在ESP32-S3上无需Linux运行Shell、Vi编辑器和C编译器

📰 Hacker News

摘要：BreezyBox是一个创新项目，展示了在ESP32-S3微控制器上运行完整的Unix工具链而无需Linux操作系统的可能性。该项目实现了Shell、应用程序安装器、Vi编辑器以及C编译器等工具，为嵌入式系统开发开辟了新的技术路径。这是一个令人印象深刻的技术展示，证明了在资源受限的设备上也能实现复杂的开发环境。

核心要点：
• 在ESP32-S3芯片上实现完整的命令行环境，无需传统Linux操作系统支持
• 包含Shell、Vi编辑器、C编译器等核心Unix工具，展示了嵌入式系统的强大潜力
• 代表了物联网设备开发的重要突破，为资源受限环境下的应用开发提供了新思路

🔗 阅读原文

2. kamranahmedse/developer-roadmap：开发者职业成长必备的交互式学习路线图

📰 GitHub Trending

摘要：kamranahmedse/developer-roadmap 是一个开源项目，为前端、后端、DevOps、全栈等不同方向的开发者提供系统化的学习路径。该项目通过可视化的路线图和详细的指南，帮助开发者明确技能要求和学习方向，是规划技术成长路线的重要参考资源。

核心要点：
• 提供多条技术学习路径，包括前端、后端、DevOps、全栈等多个方向
• 以交互式路线图的形式展示技能树和学习顺序，帮助开发者明确学习目标
• 内容由社区维护和持续更新，保持与行业最新技术需求同步

🔗 阅读原文

趣闻与观点

1. OpenCiv3：开源跨平台文明III重制版

📰 Hacker News

摘要：OpenCiv3是一个开源项目，致力于重新构建经典策略游戏《文明III》。该项目支持跨平台运行，体现了开源社区对经典游戏遗产的延续和现代化改进。

核心要点：
• 完全开源的项目，任何人都可以参与贡献代码和改进
• 跨平台兼容设计，支持多个操作系统运行
• 重制经典《文明III》游戏，保留原作核心玩法的同时进行现代化优化

🔗 阅读原文

2. 编码面试大学：成为软件工程师的完整计算机科学学习计划

📰 GitHub Trending

摘要：jwasham/coding-interview-university 是一个 GitHub 上广受欢迎的开源项目，提供了系统化的计算机科学学习路径，涵盖数据结构、算法、系统设计等核心知识，帮助开发者为技术面试做好充分准备。该项目已被数十万开发者收藏，成为转行和进阶软件工程师的宝贵资源。

核心要点：
• 提供完整的学习路线图，从基础到高级逐步涵盖计算机科学核心领域，包括编程语言基础、数据结构与算法、操作系统、网络等
• 包含大量推荐学习资源，如在线课程、书籍、编程练习网站等，并提供详细的时间规划建议
• 强调实践导向，提供编码练习、项目经验和面试技巧指导，注重理论知识的实际应用

🔗 阅读原文

3. 初级开发者正在灭绝（而且我们正在制造一场灾难）

📰 Dev.to

摘要：作者在文章中忏悔过去依赖初级开发者完成重复性任务的做法，如今这些任务正被自动化工具取代，导致初级开发者角色逐渐消失。这种现象不仅中断了技术技能的传承，还可能引发行业知识和创新能力的灾难性衰退。

核心要点：
• 初级开发者的传统角色正因技术自动化而面临灭绝风险。
• 过度依赖工具如AI和外包服务削弱了经验传递和人才培养。
• 这最终可能造成行业整体技能下降和可持续性危机。

🔗 阅读原文

这是一位名为 Boris 的作者在推文中整理的使用心得。他表示这些技巧来自 Claude Code 团队的内部实践，同时也强调：没有唯一正确的用法，每个人都应该根据自己的工作流不断试验与调整。

原文地址：https://x.com/bcherny/status/2017742741636321619

1) 并行：3–5 个 worktree 同时跑

团队的 No.1 技巧：同时开 3–5 个 git worktree，每个 worktree 对应一个 Claude 会话。上下文更干净、并行更高效。

实践建议：

• 给 worktree 起名并设 alias（如 za/zb/zc）
• 单独开一个“分析 worktree”用于日志/查询

2) 复杂任务先进入 Plan Mode

先把计划做扎实，再执行才容易一枪到位。

一些团队成员会：

• 让一个 Claude 写计划
• 再让另一个 Claude 以“资深工程师视角”审核

一旦走偏就回到 Plan Mode 重规划，不要硬推。

3) 把 CLAUDE.md 当成自我修正系统

每次纠正 Claude 后，都补一句：

“更新 CLAUDE.md，避免下次再犯。”

持续迭代后，Claude 的错误率会明显下降。

4) 把重复劳动写成 Skill / Slash Command

做超过一天的事，就值得自动化。

团队建议：

• /techdebt：会话末尾清理重复代码
• 自动同步 Slack / Asana / GDrive / GitHub 上下文
• 构建“数据工程师风格”的 agent 写 dbt / review / 测试

5) 让 Claude 自己修 Bug

不要过度指导，把问题喂给它即可：

• 贴 Slack bug 线程说 “fix”
• 或直接说 “修复 failing CI tests”
• 把 Docker logs 直接贴进去

6) Prompt 进阶技巧

• 让 Claude 审你：
  “Grill me on these changes, don’t PR until I pass.”
• 不满意就推翻：
  “Knowing everything you know now, scrap this and implement the elegant solution.”
• 先写清楚 spec：越具体越少返工

7) 终端与环境配置

团队喜欢 Ghostty（同步渲染、24-bit 色彩、完整 Unicode）。

提升效率的小习惯：

• /statusline 显示上下文与分支
• 终端 tab 颜色区分任务
• tmux 一任务一 tab
• 语音输入（Mac 双击 fn）提示词更完整

8) Use Subagents

在需求结尾加一句 “use subagents”，Claude 会开多个子任务并行。

优点：主上下文更干净、并行探索更快。

9) 用 Claude 做数据分析

团队把 BigQuery CLI 直接接到 Claude Code，6 个月没写 SQL。

只要有 CLI / MCP / API 的数据库都能用同样方法接入。

10) 用 Claude 学习新知识

• 在 /config 开启 Learning / Explanatory 模式
• 让 Claude 生成 HTML 讲义
• 让 Claude 画 ASCII 架构图
• 做“间隔复习”学习 skill：你讲理解，Claude 追问补全

总结：Claude Code 的价值不在单次对话，而在于工作流的长期迭代。并行化、计划驱动、规则沉淀与技能化工具，是提升效率的核心。

AI 与机器学习

1. 电子书基金会免费编程书籍

📰 GitHub Trending

摘要：该项目是一个在GitHub Trending上广受关注的开源仓库，汇集了大量免费可用的编程书籍资源，涵盖多种编程语言和领域。它旨在为全球开发者提供便捷的学习材料，通过社区协作确保内容的时效性和质量。这个仓库已成为编程学习社区的重要资源库。

核心要点：
• 项目提供免费且多样化的编程书籍，包括电子书和在线资源。
• 在GitHub Trending上获得高人气，体现了其在开发者社区中的影响力和价值。
• 通过开源协作，鼓励社区贡献和持续更新，确保内容的全面性和准确性。

🔗 阅读原文

2. Google ELECTRA-base 判别器模型

📰 Hugging Face

摘要：Google ELECTRA-base 判别器是一种基于替换标记检测的预训练语言模型，相比传统掩码语言模型具有更高的训练效率和更强的上下文理解能力，可广泛应用于下游自然语言处理任务。

核心要点：
• 创新训练方法：采用替换标记检测（RTD）技术，通过判别器识别生成器替换的虚假标记，相比BERT等模型提升计算效率
• 核心功能设计：专门用于区分原始文本与生成器伪造的替换标记，通过二分类任务学习深层语义表示
• 实际应用价值：适用于问答系统、文本分类、命名实体识别等NLP任务，平衡了模型性能与资源消耗

🔗 阅读原文

3. BERT基础模型（bert-base-uncased）

📰 Hugging Face

摘要：bert-base-uncased是由Google发布的基础版BERT预训练语言模型，采用12层Transformer编码器架构，在BooksCorpus和英文Wikipedia数据集上进行预训练。该模型支持小写字母输入，适用于各类自然语言处理任务。

核心要点：
• 基于Transformer架构，包含12个编码器层、768维隐藏层和12个注意力头
• 预训练采用掩码语言模型（MLM）和下一句预测（NSP）任务
• 可直接应用于文本分类、问答、命名实体识别等多种NLP下游任务

🔗 阅读原文

趣闻与观点

1. AMD不会修复的远程代码执行漏洞

📰 Hacker News

摘要：安全研究人员发现了一个影响AMD处理器的远程代码执行漏洞，但AMD公司表示不会修复该漏洞。这一决定引发了安全社区对用户潜在风险的担忧。该漏洞可能允许攻击者在受影响的系统上执行任意代码，对用户数据安全构成严重威胁。

核心要点：
• 安全研究人员在AMD处理器中发现严重的远程代码执行漏洞
• AMD公司经过评估后决定不为该漏洞发布安全补丁
• 专家建议用户采取临时防护措施，并关注后续安全公告

🔗 阅读原文

2. 阿西莫夫1980年书评《1984》

📰 Hacker News

摘要：基于Hacker News的来源信息，这可能是指著名科幻作家艾萨克·阿西莫夫在1980年对乔治·奥威尔经典作品《1984》的书评。作为20世纪最具影响力的反乌托邦小说之一，《1984》经常被学者和作家重新评价和讨论。

核心要点：
• 阿西莫夫作为科幻文学巨匠，其对《1984》的评价具有特殊的文学和思想价值
• 1980年的书评可能结合了当时的社会背景对奥威尔作品中预言论的重新审视
• 书评可能涉及对极权主义、人工智能控制等主题的深入分析

🔗 阅读原文

3. public-apis/public-apis：免费公共API资源集合

📰 GitHub Trending

摘要：这是一个广受欢迎的开源项目，汇集了各类免费的公共API资源，涵盖天气、社交、机器学习、金融等多个领域。开发者可以通过该项目快速找到适合自己应用的API服务，无需从零开始寻找和验证。每个API都附带详细的使用说明、认证要求等关键信息，极大简化了集成流程。

核心要点：
• 汇集上千个经过分类和测试的免费公共API资源
• 提供完整的API文档、使用示例和认证要求
• 支持按类别、授权类型等多维度筛选和搜索

🔗 阅读原文

4. 在线社区的衰落与DEV的独特之处（至少希望如此）

📰 Dev.to

摘要：本文探讨了近年来在线社区面临的普遍困境，质疑我们是否正在见证2010年代和2020年代初这一黄金时代的终结。作者分析了社区衰落的多重原因，并阐述了在这样的大环境下，DEV.to如何努力保持其独特价值，试图成为少数能够幸免于难的平台之一。

核心要点：
• 互联网社区从繁荣走向衰落的原因包括平台商业化、算法主导的内容分发、用户注意力碎片化以及社交媒体功能的过度泛化
• 许多曾经充满活力的技术社区逐渐沦为单向内容输出平台，失去了真正的互动性和归属感
• DEV.to通过强调写作与阅读的价值、保持开放的社区氛围以及抵制算法至上的设计理念，试图成为在线社区中的一股清流

🔗 阅读原文

5. 停止安装第三方库：10个已经解决你问题的浏览器原生API

📰 Dev.to

摘要：Web平台远比大多数开发者意识到的要强大——每年它都在悄悄进化。本文介绍了10个实用的原生浏览器API，这些API可以替代常见的第三方库功能，帮助开发者编写更轻量、更高效的代码。

核心要点：
• 现代浏览器提供了丰富的原生API，涵盖数据存储、文件处理、剪贴板操作、媒体录制等常见开发需求
• 使用原生API可以减少项目依赖、降低包体积大小，并提升应用的整体性能表现
• 许多开发者仍然习惯性地为简单功能引入外部库，实际上浏览器已经内置了更轻量的解决方案

🔗 阅读原文

6. 能力即悲剧

📰 Lobsters

摘要：本文探讨了一个悖论现象：在某些环境和系统中，真正具备专业能力的人反而可能遭遇更多困境和挫折。作者认为，这种现象源于系统设计、激励机制和组织文化的深层问题，导致能力成为一种"诅咒"而非优势。文章通过多个案例分析，揭示了为什么有时候"不称职"反而比"有能力"更容易获得成功和满足感。

核心要点：
• 在许多组织中，能力强的人往往承担更多责任，却获得不成比例的回报，而能力平庸者反而能轻松度日
• 系统的激励机制往往惩罚那些指出问题的人，而非制造问题的人，形成逆向淘汰
• 这种现象的根源在于组织设计中的系统性缺陷，使得真正改变现状的努力变得徒劳

🔗 阅读原文

7. 从原始编码附件重建PDF文件的技术实践

📰 Lobsters

摘要：本文介绍了如何从原始编码的附件数据中重建PDF文件的技术方法，涵盖了数据解码、格式识别和文件恢复的完整流程，为处理损坏或编码的PDF附件提供了实用的技术参考。

核心要点：
• 详细解析了PDF文件格式的底层结构和编码原理
• 提供了从原始二进制数据中提取和重建PDF的步骤方法
• 讨论了常见编码问题的解决方案和最佳实践建议

🔗 阅读原文

AI 与机器学习

1. all-MiniLM-L6-v2 句子嵌入模型

📰 Hugging Face

摘要：all-MiniLM-L6-v2 是 sentence-transformers 库中的一款轻量级句子嵌入模型，基于 6 层 MiniLM 架构设计。该模型能够将句子和段落高效编码为 384 维的稠密向量，广泛应用于语义相似度计算、文本聚类和语义搜索等自然语言处理任务。

核心要点：
• 轻量高效：6 层 MiniLM 架构，参数量小，推理速度快，适合资源受限环境部署
• 通用性强：支持多种语言任务，包括语义相似度、文本聚类和语义搜索等应用场景
• 标准化输出：生成固定维度（384维）的稠密向量表示，便于下游任务处理和向量数据库存储

🔗 阅读原文

2. Falconsai NSFW图片检测模型

📰 Hugging Face

摘要：这是一个基于深度学习的NSFW（Not Safe For Work，不适合工作场所）图片内容检测模型，能够自动识别和分类图像中的成人或不当内容，适用于内容审核、平台安全过滤等应用场景。

核心要点：
• 采用深度学习技术实现图片内容的自动检测与分类
• 可识别成人、暴力、敏感等不当图像内容
• 主要应用于社交平台、内容审核系统等需要过滤不当图片的场景

🔗 阅读原文

3. 基于多尺度结构生成的蛋白质自回归建模

📰 arXiv AI

摘要：本文提出了蛋白质自回归建模（PAR），这是首个用于蛋白质主链生成的多尺度自回归框架。该方法利用蛋白质的层级结构特性，采用从粗到精的跨尺度预测策略，模拟雕刻雕像般的生成过程，先形成粗略拓扑再逐步精细化。实验表明，PAR能够生成具有真实全局拓扑和局部几何特征的高质量蛋白质结构。

核心要点：
• 首创多尺度自回归框架，实现蛋白质主链的层级化生成
• 采用从粗到精的预测策略，模拟雕塑雕刻式的结构构建过程
• 生成的蛋白质结构兼具真实的全局拓扑和局部几何特征

🔗 阅读原文

4. 面向物联网模型适应性的对比持续学习方法

📰 arXiv AI

摘要：本文针对物联网部署环境中存在的非平稳动态特性，提出了一种基于对比学习的持续学习框架。在传感器漂移、用户行为演化以及隐私需求异构性等多重挑战下，该方法能够实现模型随时间持续适应，同时有效避免灾难性遗忘问题。实验表明，该方法在保持模型性能的同时，显著提升了物联网应用在动态环境中的鲁棒性和适应性。

核心要点：
• 针对物联网环境的非平稳特性，提出创新性的对比持续学习架构，有效应对传感器漂移和用户行为演化带来的模型性能衰退问题
• 设计了兼顾异构用户隐私需求的适应机制，在保护用户隐私的前提下实现模型的持续优化与更新
• 通过在多个物联网应用场景下的实验验证，证明了该方法在避免灾难性遗忘和维持模型效用方面的优越性能

🔗 阅读原文

开发工具与开源

1. 初级开发者是否仍应该用"硬核"方式学习JavaScript？

📰 Dev.to

摘要：本文探讨了初级开发者是否仍需要通过"困难模式"学习JavaScript。作者指出，"困难模式"并非指观看倍速教程或复制粘贴代码，而是指主动思考、反复调试、独立解决问题的学习方式。文章认为，尽管学习资源日益丰富，但这种看似低效的艰难学习过程实际上能培养更深层次的理解和解决问题的能力，是成为优秀开发者的必经之路。

核心要点：
• "困难模式"强调主动学习而非被动消费，开发者需要亲手编码、遭遇错误并自行调试，而非依赖现成代码
• 跳过困难的学习过程虽然短期内看似高效，但长期会导致基础知识薄弱，难以应对复杂问题和技术债
• 面对挑战并克服困难的过程能培养程序员的思维方式和问题解决能力，这些软技能比单纯掌握语法更为重要

🔗 阅读原文

基础设施与云原生

1. 别租用云服务了，自建基础设施吧

📰 Hacker News

摘要：本文讨论了企业在云计算成本方面的误区，指出长期来看租用云服务的总体拥有成本（TCO）可能远高于自建基础设施。作者通过分析资本支出与运营支出的转换、闲置资源浪费、以及云服务商的价格上涨趋势，建议对于大规模、长期稳定的工作负载，企业应考虑回归自建或托管数据中心的方式。

核心要点：
• 云计算虽然提供了灵活性，但按需付费的模式对于稳定工作负载来说并不经济，长期运行成本可能比自建基础设施高出3-5倍
• 企业往往低估了云资源的闲置浪费，包括未充分利用的实例、过度的冗余配置以及预留实例的沉没成本
• 对于日均利用率超过30-40%、运行周期超过2-3年的工作负载，自建或托管服务器通常是更明智的选择

🔗 阅读原文

产品与设计

1. 通过亲手重构掌握编程技术

📰 GitHub Trending

摘要：build-your-own-x 是一个综合性编程学习资源库，汇集了各类技术从零实现的教程和指南。该项目鼓励开发者通过亲手重建自己喜爱的技术（如数据库、操作系统、Web服务器等）来深入理解其底层原理，从而达到精通编程的目的。无论你是初学者还是资深开发者，都能在这里找到适合自己的挑战项目。

核心要点：
• 涵盖多种技术领域的从零构建教程，包括但不限于数据库、操作系统、Web服务器、编程语言、Git版本控制系统等核心技术的实现指南
• 提供分步骤的实践指导，帮助开发者系统性地理解复杂技术的内部工作原理，通过动手实践加深对理论知识的理解
• 适合不同水平的学习者，从基础入门到高级进阶均有覆盖，是提升编程技能和系统设计能力的理想学习资源

🔗 阅读原文

趣闻与观点

1. 内部主机名泄露的安全风险分析

📰 Hacker News

摘要：本文讨论了企业网络中内部主机名意外泄露的安全隐患，攻击者可能利用这些泄露的信息进行更精准的网络侦察和针对性攻击。主机名通常包含组织内部结构、服务器用途等敏感信息，一旦外泄将显著增加系统被入侵的风险。

核心要点：
• 内部主机名可能暴露网络拓扑结构和系统部署信息
• 攻击者可通过泄露的主机名进行定向侦察和社会工程学攻击
• 建议加强网络边界防护，避免内部信息通过DNS或HTTP请求外泄

🔗 阅读原文

2. freeCodeCamp/freeCodeCamp：免费开源编程学习平台

📰 GitHub Trending

摘要：freeCodeCamp是一个全球知名的免费编程学习平台，其开源代码库包含了完整的课程内容和学习资源。该项目致力于帮助学习者免费掌握编程、数学和计算机科学知识，拥有数百万活跃用户，是GitHub上最受欢迎的教育类开源项目之一。

核心要点：
• 提供从基础到高级的完整编程学习路径，涵盖前端开发、后端开发、数据科学等多个领域
• 课程内容完全开源透明，任何人都可以参与贡献、改进或本地化
• 配套在线编程环境和学习社区，支持学习者通过实践项目巩固知识

🔗 阅读原文

3. 2026年学习CSS是浪费时间吗？

📰 Dev.to

摘要：随着现代框架、组件库和原子化CSS的兴起，许多开发者开始质疑学习传统CSS的必要性。本文探讨了在技术快速迭代的当下，CSS核心知识是否仍然重要，以及如何在新工具与基础技能之间找到平衡。

核心要点：
• 现代工具如Tailwind CSS和组件库虽然提高了效率，但理解CSS核心原理仍然是解决复杂布局问题和优化性能的基础
• 纯CSS知识在SEO、无障碍访问和跨浏览器兼容性方面仍然具有不可替代的价值
• 建议采用"掌握基础+工具补充"的学习策略，既不盲目排斥新工具，也不忽视传统CSS的重要性

🔗 阅读原文

4. Zig libc

📰 Lobsters

摘要：Zig语言提供了对C标准库（libc）的原生支持，允许开发者无缝集成和使用现有C库。这增强了Zig的生态系统，使其能够利用C语言的丰富资源，同时保持自身的现代特性。

核心要点：
• Zig支持直接调用C函数，实现高效的C互操作性。
• 提供跨平台和架构的libc支持，简化跨平台开发。
• 集成方式简化了C库的依赖管理和编译过程。

🔗 阅读原文

5. Notepad++ 疑似被国家级黑客组织劫持

📰 Lobsters

摘要：据安全研究人员披露，知名文本编辑器Notepad++可能已被国家级黑客组织入侵，攻击者通过供应链攻击等方式在该软件中植入后门程序。初步分析表明此次攻击具有高度复杂性和针对性，受影响版本可能涉及大量企业用户。目前开发团队已介入调查，并建议用户立即检查系统是否存在异常行为。

核心要点：
• 安全研究人员发现Notepad++更新服务器存在异常流量，部分安装包可能被植入恶意代码，攻击者疑似利用供应链攻击方式入侵
• 此次攻击具有国家级黑客组织特征，攻击手法隐蔽且持续时间长，主要针对使用该软件的企业和政府机构
• 开发团队建议用户暂停自动更新功能，使用离线安装包或切换至其他文本编辑器，并检查系统是否存在可疑网络连接

🔗 阅读原文

6. 美国移民与海关执法局就广告技术位置数据用于调查用途征求行业意见

📰 Hacker News

摘要：美国移民与海关执法局（ICE）近日向科技行业征询意见，探讨如何利用广告技术收集的位置数据支持执法调查。此举引发了关于数据隐私、监管框架以及政府获取商业数据边界的讨论。行业利益相关者需在规定期限内提交反馈意见。

核心要点：
• ICE寻求行业对广告技术位置数据用于执法调查的意见征询
• 议题涉及数据隐私保护与执法需求之间的平衡问题
• 行业利益相关者需在规定期限内提交书面反馈意见

🔗 阅读原文

7. sindresorhus/awesome：关于各种有趣主题的精选资源列表合集

📰 GitHub Trending

摘要：这个仓库是一个汇集了各种有趣主题优秀资源列表的合集，由知名开源贡献者 sindresorhus 创建和维护。它收录了编程、设计、艺术、科学等众多领域的精选资源，是开发者和技术爱好者探索新知识的绝佳起点。该项目采用社区驱动的方式，持续更新和补充新的主题列表，涵盖了从人工智能到烹饪技巧的广泛内容。

核心要点：
• 收录了编程、开发、设计、艺术、科学等数十个领域的精选资源列表
• 由活跃的开源社区维护，持续更新确保资源的时效性和准确性
• 为开发者和技术爱好者提供了系统化学习新技术的路径指南

🔗 阅读原文

8. 互联网上瘾般的「唱反调」文化

📰 Dev.to

摘要：本文探讨了当代网络讨论中普遍存在的对抗性现象。作者观察到，许多在线对话已不再具有真正的讨论意义，而是沦为纯粹的反驳和否定。这种「为反对而反对」的趋势正在侵蚀健康的网络交流环境。

核心要点：
• 网络讨论逐渐演变为「战斗模式」，参与者更关注如何驳斥他人而非表达建设性观点
• contrarianism（唱反调）已成为一种网络身份认同，人们通过反驳来建立自我价值感
• 这种趋势导致理性讨论空间被压缩，观点交流让位于情绪化的对立对抗

🔗 阅读原文

一、Cursor

Cursor 官方文档

Cursor 是在 IDE 中深度集成的 AI 编程助手，适合日常开发场景。

1.1 Modes：四种工作模式

1.2 Rules：让 AI 真正理解你的项目

由于 LLM 在不同补全之间不会保留记忆，Rules 在提示级别提供持久、可重用的上下文。

四种规则类型：

项目规则示例（Linus Torvalds 风格）：

文件：.cursor/rules/codereview.mdc

---
alwaysApply: true
---

## 角色定义
你是 Linus Torvalds，Linux 内核创造者和首席架构师。

## 核心哲学
1. **好品味** - 消除边界情况优于增加条件判断
2. **Never break userspace** - 向后兼容性神圣不可侵犯
3. **实用主义** - 解决实际问题，不是假想威胁
4. **简洁执念** - 超过3层缩进就该重构

## Linus式问题分解（五层分析）
- **数据结构**：核心数据是什么？关系如何？
- **特殊情况**：找出 if/else，能否用数据结构消除？
- **复杂度审查**：功能本质是什么？概念能否减半？
- **破坏性分析**：会 break 什么？如何零破坏改进？
- **实用性验证**：生产环境真有问题吗？

## 代码审查输出
【品味评分】🟢 好品味 / 🟡 凑合 / 🔴 垃圾
【致命问题】[直接指出最糟糕的部分]
【改进方向】"把这个特殊情况消除掉"

最佳实践：

• ✅ 规则控制在 500 行以内，大规则拆分
• ✅ 用 @file.ts 引用文件而非复制内容
• ❌ 避免照搬风格指南（用 linter）
• ❌ 不记录常见命令（Agent 已了解 npm/git）

AGENTS.md 示例（简化版）：

文件：AGENTS.md（项目根目录）

# 灵播资金管理系统 - AI 编码指南

## 项目概述
Spring Boot 多模块 Maven 项目，管理会员资金、优惠券、积分、红包等业务。

技术栈：Java 11, Spring Boot 2.6, MyBatis Plus, 支付宝/微信支付 SDK

## 项目结构
lingbo-funds/
├── api/          # Feign 接口
├── bussiness/    # 业务逻辑（Service）
├── repository/   # 数据访问（DAO/Mapper）
└── web/          # Controller

## 关键规范

### 命名
- Controller: *Controller
- Service: *Service / *ServiceImpl
- DAO: *Dao / *DaoImpl
- Mapper: *MapperExt

### 注解（必须）
- @Slf4j - 日志
- @RequiredArgsConstructor - 构造器注入
- @Service / @RestController

### 日志
log.info("操作: {}, 参数: {}", operation, params);
// 不要字符串拼接

二、Claude Code / Codex

Claude Code 文档 | Codex 文档

命令行环境下的 AI 助手，适合 SSH 服务器、批量处理、自动化脚本等无 GUI 场景。

2.1 常用技巧

2.2 安全红线

• ⚠️ 危险操作（rm、DROP TABLE）必须二次确认
• ⚠️ 敏感文件（.env、密钥）加入忽略列表
• ⚠️ 不在生产环境直接 auto-edit

2.3 Commands：快捷指令

把常用操作流程封装成 /command-name 一键执行。

示例：创建合并请求

~/.claude/commands/yunxiao/merge-to-develop.md：

---
allowed-tools: Bash(git status:*), MCP(get_current_user)
description: 创建代码合并请求到 develop 分支
---

帮我在 yunxiao 中基于当前分支创建 MR 到 develop

使用：/merge-to-develop

2.4 Skills：能力扩展包

把特定领域的工具、知识打包成可复用模块。

目录结构：

my-skill/
├── SKILL.md          # 核心定义：描述、约束、用法
├── scripts/          # 可执行脚本
└── references/       # 参考资料（schema、文档）

示例：SQL Expert Skill

• SKILL.md：定义允许查询的表、参数化规范、脱敏规则
• scripts/query.py：封装数据库连接，内置只读限制
• references/schema.md：表结构文档

使用：直接说「查浦江区的租户」，AI 自动查 schema → 生成 SQL → 执行 → 脱敏返回。

Command vs Skill：

2.5 Agent：自主执行任务的智能体

什么是 Agent
Agent 是能够自主规划和执行任务的 AI 实体。与单次对话不同，Agent 可以：

• 拆解复杂任务为多个步骤
• 自主调用 Tools/Skills 完成子任务
• 根据执行反馈调整策略
• 持续运行直到目标达成

典型 Agent 工作流：

用户目标 → Agent 规划 → 步骤1 → 步骤2 → 步骤3 → 结果验证 → 完成
                ↑         ↓       ↓       ↓
                └──── 遇到异常时调整策略 ──┘

示例：自动化数据分析 Agent

目标：分析本月销售数据并生成报告

执行过程：
1. 连接数据库（调用 SQL Skill）
2. 提取销售数据（执行查询脚本）
3. 数据清洗和处理（调用 Python Tool）
4. 生成图表（调用可视化 Tool）
5. 撰写分析报告（LLM 生成）
6. 发送邮件（调用邮件 Tool）

2.6 SubAgent：分而治之的协作模式

什么是 SubAgent
当任务过于复杂时，主 Agent 可以创建多个 SubAgent 并行处理子任务，最后整合结果。

使用场景：

• 大型代码库重构（按模块分配）
• 多源数据分析（各 SubAgent 处理不同数据源）
• 批量任务处理（并行加速）

工作模式：

主 Agent（协调者）
    ├─ SubAgent A → 处理模块 A → 返回结果
    ├─ SubAgent B → 处理模块 B → 返回结果
    └─ SubAgent C → 处理模块 C → 返回结果
         ↓
    整合所有结果 → 最终输出

能力对比：

三、N8N

官方文档

• Workflow：把重复劳动固化（总结、通知、发布）
• 结构化：输入输出字段化，避免自由文本猜意图
• Chat：把 workflow 包装成一句话入口

四、Kiro

Kiro 官方文档

Kiro 是专为 AI 编程设计的 IDE，核心是两个互补的工作模式。

4.1 VibeCoding 模式

定位：快速原型、灵感验证、小工具开发

特点是「边想边做」，适合：

• 验证一个想法是否可行
• 写一次性脚本或内部工具
• 探索性编程，不确定最终形态

流程：描述需求 → AI 生成代码 → 试运行 → 调整描述 → 迭代

4.2 Spec 模式（SDD）

定位：复杂功能、团队协作、需要长期维护的代码

Spec-Driven Development（规格驱动开发）：先写清楚「做什么」，再让 AI 生成「怎么做」。

SDD 流程：

graph LR
    A[需求描述] --> B[编写 Spec]
    B --> C{Spec 评审}
    C -->|不通过| B
    C -->|通过| D[AI 生成实现]
    D --> E[测试验证]
    E -->|失败| F[调整 Spec]
    F --> B
    E -->|通过| G[代码入库]

Spec 包含什么：

## 功能名称

### 输入
- 参数1：类型，约束条件
- 参数2：类型，约束条件

### 输出
- 返回值：类型
- 错误情况：错误码 + 说明

### 边界情况
1. 空输入如何处理
2. 超大输入如何处理
3. 并发场景如何处理

### 验收标准
- [ ] 单元测试覆盖率 > 80%
- [ ] 边界情况都有测试用例
- [ ] 性能指标满足 XXX

4.3 两种模式对比

建议：用 VibeCoding 探索思路，确定可行后切换到 Spec 模式落地。

五、Clawdbot / OpenClaw

官方文档

5.1 解决了什么问题

现有 AI 工具大多是「黑盒」或「单机版」：

• ChatGPT/Claude：网页对话，无法连接你的系统
• Cursor/Codex：个人开发工具，不能服务团队
• N8N： Workflow 工具，但 AI 能力弱

Clawdbot 定位：可配置的智能体框架，让你自建 AI 助手：

• 多渠道接入：同时连接 Telegram、Slack、钉钉、飞书等，一处配置多端可用
• Tools 生态：Skills 模块化，按需加载（数据库查询、文件操作、API 调用等）
• Cron 定时：自动执行定时任务（日报、监控、提醒）
• 权限边界：细粒度控制谁可以用什么功能

5.2 核心架构

WhatsApp / Telegram / Discord / iMessage (+ plugins)
 │
 ▼
┌───────────────────────────┐
│         Gateway           │  ws://127.0.0.1:18789
│      (single source)      │
│                           │  http://host:18793/__claw__/canvas/
└───────────┬───────────────┘
            │
            ├─ Agent (RPC)
            ├─ CLI (claw …)
            ├─ WebChat UI
            ├─ macOS app
            ├─ iOS/Android node (WebSocket + pairing)
            └─ Cron 定时任务

架构特点：

• Gateway 为核心：单一长连接进程管理所有渠道和 WebSocket 控制面
• 多渠道接入：WhatsApp、Telegram、Discord、iMessage 等统一处理
• 多终端支持：Web、桌面、移动端均可接入
• 本地优先：默认监听 ws://127.0.0.1:18789，支持 Tailscale 远程访问

5.3 适用场景

• 团队内部助手：部署在公司服务器，连接内部系统（Git、DB、监控）
• 客户服务机器人：接入钉钉/飞书/Slack，自动回答常见问题
• 自动化运维：定时检查服务状态，异常时告警
• 个人知识库：私有化部署，连接本地文件和笔记

总结：没有最好，只有最顺手

上面列的这些工具，没有绝对的优劣之分。每个人的工作流不同，适合的也不一样：

• 有人离不开 Cursor 的沉浸式编码体验
• 有人更喜欢 Claude Code 的终端快感
• 有人用 N8N 搭了个自动化全家桶
• 也有人自己折腾 Clawdbot 搞私有化部署

建议：

1. 先挑一个最顺眼的试试，用顺手了再考虑其他的
2. 不要贪多，工具越多切换成本越高
3. 遇到瓶颈时，再回头来看看有没有更合适的替代方案

最终，工具是为人服务的。选那个让你 coding 时最爽的就行。