登录社区云,与社区用户共同成长
邀请您加入社区
近期,诸多科研与知识工作者在处理长线项目时遭遇了“上下文知识断层”的异常现象。2026年8月25日,Anthropic 正式将 Claude chat 与 Claude Cowork 的记忆系统合并为统一的 Topic Memory(跨会话记忆),实现了从“会话结束后汇总”到“对话中实时更新”的无缝衔接,且默认覆盖 Free / Pro / Max 全计划。
判断力——能判断 AI 输出对不对、需求该不该做、架构怎么选实战案例——能讲清楚你用 AI 解决了什么具体问题、结果如何结构化思维——能把模糊需求拆解成清晰的 AI 指令不可替代性——AI 是放大器,你才是那个对结果负责的人AI 不会取代你,但会用 AI 的人会取代你。而天天 AI Coding 的你,要做的不是「会用」,而是「用得比别人好」。祝你面试顺利。
核心观点:这是协作范式的突破,不是模型智能的突破。真正的产品不是那个 358 年的定理,而是一条能把「十年人力验算」压成「十一天机器验算」的流水线。我判断,自动形式化不可逆,但「谁来审计机器生成的证明」会成为下一个硬问题。:[A] 官方/一手 [B] 2+可靠来源 [C] 单一来源 [D] 个人判断。
而 Claude Code、Codex 这类终端 Agent 的崛起,则让 AI 开始自己读代码、跑测试、改文件、提交——人只在关键节点说"对"或"不对"。:导入项目后自动识别可运行入口,覆盖 Spring Boot、Java、Maven、Gradle、npm、Cargo、Go、Python、Make、Docker Compose、Procfile 和 Shell。:双击 Shift 打开全局搜索
在长周期软件工程测试 DeepSWE v1.1 上,按谷歌公布的口径,3.8 Flash 拿到 73.7%,接近 Claude Opus 5 的 74.0%,高于 GPT-5.6 Sol 的 72.7%。普通版 3.8 Flash 定位是面向编程和智能体的主力工作模型,支持文本、图片、音频、视频、PDF 输入,上下文约 100 万 token,单次最多输出约 6.5 万 token,带代码执行、函
当工程、产品、设计在 AI 面前熔合成一种新角色,团队里真正存在的是什么角色?Claude Code 之父 Boris Cherny 给出的答案是五种工作原型:原型者、建造者、清扫者、增长者与守护者。本文从他的观察出发,聊聊 AI 原生团队中职称压缩及分工形态的重排现象。
<think>我们只需要把文章摘要控制在150字以内。内容是讲GPT-6 Astra后,作者收集X上针对Codex的提示词,总结出4个SOP来优化Agent环境。核心是评估和精简Skill/AGENTS.md,减少冗余,避免冲突。SOP1是环境审计与重构,SOP2是把重复工作沉淀为Skill等。需要简洁概括。</think>文章总结了GPT-6 Astra后社区针对Codex的提示词,提炼出4个S
<think>我们根据要求生成摘要,内容来自文章。摘要需≤150字,概括核心:不要把DeepSeek讨论直接复制给Codex,要整理成清晰任务单;列出转换步骤和模板要点;强调上下文传递关键。</think>摘要:不要把DeepSeek的讨论直接复制给Codex,需先筛选、删除暂缓想法,保留最终决定,补充约束与验收标准,整理成清晰任务单。上下文传递五步:找方案、删暂缓、写目标、补约束、定验收。提供C
<think>我们根据要求生成≤150字的文章摘要。摘要需涵盖文章核心:提示词结构、要素、模板、重要性。控制字数。</think>好的提示词不是技巧,而是清晰的任务说明。它应包含背景、目标、功能要求、约束和验收标准,让AI明确“做什么”和“不做什么”。提供可复用模板,强调功能要求、约束、验收标准三者缺一不可。清晰提示词能减少返工,是AI协作的基础。
最近几个做 AI 编程工具的项目上线,我发现一个现象挺有意思:团队里能单独跑通 Claude Code 或者自建 Agent 的人不少,但一旦接入协作流程,工具调用这块就开始掉链子。有人抱怨权限问题,有人说是日志没打清楚,也有人直接甩锅模型不行。我复盘了几个项目之后发现,问题出在更底层——很多人对 Agent 的核心组件理解本身就缺了一半。今天不聊套话,就按工具调用、记忆、规划这三个关键点,把我在
📊:前沿模型竞赛在安全风波后重启。Anthropic 的 Claude Fable 5.1 用「缓存降价 75% + 减少工作流中断」率先出牌,OpenAI 随后以 2.5× 定价的 GPT-6 Astra 回应;72 小时内四家实验室连发五大模型,竞争焦点从「谁的分数更高」悄然转向「谁更能顺滑地完成工作」。
深入学习大模型底层逻辑、Transformer核心机制、机器学习基础原理,理解模型训练、推理、迭代的核心逻辑。同时具备复杂AI系统架构设计能力,能够根据业务需求选型技术栈、拆解模块、优化流程,统筹AI项目从需求分析、开发落地到迭代优化的全流程,从“代码执行者”升级为“技术统筹者”。
在 Artificial Analysis 的智力榜上,3.8 Flash 排第八,59 分,和 Kimi K3、GLM-5.3 同一档,只比 GPT-5.6 Sol 低 2 分。回头看这四个月,谷歌把自家的 Flash 从 3.5 的 35% 通过率一路刷到了 3.8 的 74%,追到和 Opus 5 同分。这是谷歌六周里发的第三个 Flash,7月21日3.6,8月13日3.7,今天3.8,平
顺序本身也是上下文的一部分。两条输入一条没丢,只因保存顺序与接受顺序不同,重放结果就可能翻转。受 Codex 改动启发,我们用七组受控实验区分收到、接受、保存、恢复与授权;并未证实 CodeFlowMu 存在真实会话排序缺陷。
在使用一个软件之前,通常会先熟悉一下操作界面,以及都有哪些操作内容,正式使用的时候,就不会找不到操作选项了。同样,在正式学习Codex之前,我们先来熟悉一下Codex的操作界面。
一套从零搭建专属智能体的Codex实战课,覆盖软件安装、多模态模型配置、基础功能、自定义技能开发与技能拆解,包含Excel数据分析、自动生成汇总PPT、自动化剪辑、商品详情页流水线制作、故事板视频、HyperFrames特效、数字人口播视频生成,对接飞书支持手机远程操控,打通Obsidian知识库一键抓取飞书/小红书内容与图片自动复刻,帮你搭建适配自身业务的自动化智能体工作流。
改的返回值,助手不知道还有 40 多个调用方——改完才踩坑。(Akon Labs,2025 年 8 月开源)在本地把仓库索引成知识图谱,调用关系、执行流都落在 LadybugDB(.gitnexus/),再通过(Model Context Protocol,编辑器连外部工具的协议)接到 Cursor、Claude Code、Codex。代码不上传。analyze阶段就算好结构,MCP 查一次就够,
使用 ffuf 进行网页模糊测试。
很多技术背景的创业者最不缺的就是“创意”。然而,如果凭直觉或一时狂热草率启动项目,往往会在投入 6 个月研发后遭遇残酷现实:要么市场极其小众,全国只有 50 家潜在客户;要么痛点根本不痛,用户愿意免费试用但绝不付费;要么功能刚开发一半,底座大模型(如 GPT-4o / Claude 3.5)一个版本更新,直接把你的独立产品变成了一个系统内置功能(Feature Killer)。在写下第一行代码之前
本文系统讲解 DeepSeek Harness 这一 Agent 运行底座,涵盖其与传统 Agent 架构的区别、安装配置方法、Presets 创建技巧以及提示词工程的核心思路。文章从 Harness 的基本概念出发,对比其与 CodeX 的设计差异,随后给出官方命令行与桌面插件两种安装方式,并介绍初始配置、插件市场与专家 Preset 的创建流程。最后通过系统提示词与用户提示词的对比,以及多类提
Claude Code、Codex CLI 和 Gemini CLI 依赖不同协议。本文从路径、鉴权、最小请求、流式工具、实际路由和失败重试六项给出可复现的兼容性检查方法。
文章探讨如何将工作方法组织为按需加载的能力,而非常驻 Prompt。Skill 采用三级加载:描述负责路由召回,脚本提供确定性计算,说明指导模型判断。脚本是知识转化为能力的关键,但需独立测试防止代码与说明漂移。.claude/ 通过 command、agent、skill 配置任务入口并收缩权限。适合封装已稳定的重复性任务,入口描述需精确,否则详细内容也无法被召回。
本文通过一个 Agent 平台设计案例,探讨了 Tool 和 Skill 的区别。作者提出了三个关键问题,揭示了 Skill 在 AI 架构中的重要性。Skill 是由多个 Tool 组合而成,具备编排、领域知识、生命周期等功能,而 Tool 则是单个函数。Skill 的存在使得 AI 系统能够更好地处理复杂任务,同时也需要更高级的管理和设计能力。作者还讨论了 MCP 协议和 Claude Cod
近期大厂如水滴、百度、阿里、字节、腾讯、美团等纷纷扩招AI岗位,尤其是AI和智能体方向。文章分析了这些公司的招聘需求和面试难度,并给出建议:做RAG或Agent项目、掌握相关技术栈、夯实编程基础、学习AI编程工具和开源智能体。最后推荐了一门针对AI大模型应用开发的Python课程,帮助读者抓住AI发展红利期。网友爆料:今年水滴明确扩招,AI浓度极高!重点招聘AI、智能体这类核心方向的人才。
最近深扒了DeepSeek Harness的架构,给我最大的感触就是:这哥们儿是真敢玩。之前拆解Codex的时候,人家好歹还留了个特权内核当“定海神针”;到Harness这儿倒好,直接把“一切皆插件”卷到了天花板——连Agent主循环都能当插件随便换。今天就给大家盘盘这套架构到底是怎么搭的,里面有哪些神设计值得直接抄作业,又有哪些坑得提前避开。先明确两个概念,不然后面说的都对不上号:一个步骤 =
多 Agent 该不该拆,你可能见过两种截然相反的答案。2025 年 6 月 12 日,Cognition 公开劝人别在生产里搭;隔一天 Anthropic 却贴出评测,多 Agent 比单跑 Claude Opus 4 高 **90.2%**。
本文深入探讨了多Agent系统在编程领域的应用价值。文章指出,多Agent的优势并非简单的数量叠加,而是通过任务拆分、隔离、协调和验收机制,有效提升复杂工作的处理效率。内容涵盖了Subagent、并行会话和Agent Teams三种协作模式,分析了多Agent在时间、上下文和视角方面的优势,并对比了Codex、Claude Code和GitHub Copilot在多Agent协调机制上的不同侧重。
8月3日发布旗舰模型Qwen3.8-Max,总参数2.4万亿,在Arena榜单中仅次于Claude,在CodeArena编程竞技场排名全球第三,在Artificial Analysis Agentic智能体评测中排名全球第一。然而,受解禁等因素影响,公司股价曾从1330港元跌至297港元,跌幅高达77%,折射出二级市场对AI估值的剧烈分歧。本季度资本性支出676.78亿元,同比增长75%。新结构下
本文阐述了AI编程助手表现的关键因素在于其“工作环境”——Harness,而非模型本身。文章从Prompt Engineering到Harness Engineering的三次范式演进,详细介绍了Harness的三大支柱:上下文工程、架构约束和熵管理。同时,文章提供了CLAUDE.md/AGENTS.md的最佳实践、省Token的四大原则以及Subagent、Skill、Workflow的正确使用
文章主要介绍前端浮层组件图鉴,列举9种悬浮层级。摘要需简洁概括核心观点:浮层用得克制是体验,泛滥是灾难;介绍9种浮层的用法、边界、AI话术。注意字数限制。我们写一段摘要。</think>前端浮层组件有9种:遮罩层、模态框、确认框、抽屉、下拉菜单、轮播、跑马灯等。浮层临时接管注意力,用得好是体验,用滥则成打扰。每种浮层都有适用场景与边界,如确认框留给不可逆操作,抽屉适合保留上下文的详情展示。面向AI
它曾在 OpenRouter 上以"Ox Alpha"的匿名身份悄悄运行 12 天,处理超 20 万亿 Token,登顶调用量榜首,连 Patrick Collison 都赞叹"very impressive"。8 月 26 日身份揭晓——智谱 AI 的 GLM-5.3-Flash。320B 总参、18B 激活、原生多模态、1M 上下文,价格只有 Claude Opus 4.8 的四十分之一
我们需要理解请求:根据提供的内容生成≤150字的文章摘要。内容是关于Ponytail使用指南。需要概括要点。输出应该是中文摘要,不超过150字。我们需要简洁涵盖:Ponytail是什么、核心理念、效果、安装等。注意字数限制。我们写一个摘要。</think>Ponytail 是一款开源插件,通过“决策阶梯”规则让 AI 智能体只写最少必要代码,遏制过度工程。理念是“最好的代码是不写的代码”。实测代码
1-2句话明确项目定位、技术栈、核心架构,让 AI 快速建立项目认知。在 AI 编程全面普及的时代,写好 AGENTS.md 已经是开发者的基础工程能力。它解决的不是工具功能问题,而是多工具协同、代码规范统一、AI 输出可控的核心工程问题。放弃多文件混乱的旧式维护方案,用一份标准化的 AGENTS.md 统一所有 AI 编程工具行为,大幅减少代码返工、CR 冲突、规范对齐成本,让 AI 真正适配你
本文通过作者使用AI编程工具一年的真实经历,探讨了AI对程序员能力的双重影响。一方面,AI显著提升了代码产出速度、技术视野、代码质量和跨领域开发能力;另一方面,也带来了基础语法记忆、调试能力、底层原理理解和深度阅读能力的退化。作者结合实习生写出精妙SQL却不懂窗口函数、以及AI生成代码在生产环境翻车的真实案例,指出AI时代程序员的核心竞争力正在从语法记忆转向架构设计、需求理解和代码review能力
美国时间9月3日(北京时间9月4日凌晨),OpenAI正式发布新一代旗舰模型GPT-6 Astra,官方称这是"目前最聪明、与用户意图最一致"的模型,也是首个在公司内部《准备框架》评级中达到"重大"(Critical)网络安全能力门槛的模型。时间点也很微妙:就在一两天前,Anthropic刚发布Claude Fable 5.1,自称"全球最先进的编程与知识工作模型",OpenAI紧接着就发了新旗舰
本章系统讲解图像生成、图像识别(CV)、视频生成与处理、语音处理、编程辅助五类 AI 工具。图像侧覆盖 Midjourney v7、FLUX/Stable Diffusion、即梦/通义万相/豆包图像;CV 侧介绍百度智能云、Google Vision、阿里云视觉的 API 能力;视频侧涵盖 Sora、Veo 3、可灵、即梦与剪映;语音侧包括科大讯飞、Whisper、ElevenLabs;编程侧讲
我第一次整理的时候,手上有三份零散的东西:一份上午的产品评审会议记录(我自己打字的)、一个下午的技术方案讨论(语音转的文字)、还有一段随手记的产品想法。结果它给我返回来一段"优化版"的会议纪要,把原始内容改得面目全非——决策人变了、时间节点模糊了、关键技术细节被删了。原因很简单:会议纪要结构化程度最高,有明确的"谁、做了什么、什么时候完成",Codex 处理起来最准。你看,它把语音转文字里乱成一团
<think>好的,用户要求根据给定的文章内容生成一篇不超过150字的摘要。文章的核心事实是:2026年9月6日,BT成为首家加入Anthropic Project Glasswing的英国企业,获得Claude Mythos Preview访问权用于关键基础设施漏洞扫描。需要提炼出关键信息点:BT的加入、Mythos的能力(7周发现2000+零日漏洞)、安全飞地的数据隔离机制、以及对AI安全治理
<think>我们只需要根据内容生成≤150字的摘要。需要提炼核心:AI降低执行成本后,团队逻辑改变;两个案例:DeepSeek热爱驱动组织,Cursor小团队人×AI杠杆;方法论:筛热爱+学习斜率,人机协作重构,使命与所有权文化;行动清单。摘要要简短。</think>AI将执行成本降至地板价后,组队逻辑已变:DeepSeek以“热爱驱动”替代KPI,Cursor用20人实
开源协同平台 Grix 彻底重塑了与 Codex 的协作方式:将 Codex 升级为通讯录里的“全栈工程师联系人”,像使用微信一样,随时随地派发重构任务、在手机上审查代码,并在群聊中与团队高效协同。通过 Grix,开发者可以在手机端、平板与桌面端(iOS、Android、macOS、Windows、Linux、Web)随时随地连接 Codex。智能体交叉互检:让 Codex 负责编写核心算法与业务