面条的草稿箱

无原创，纯转发

面条的草稿箱

  1. 面条的草稿箱

    Vercel 推出 AI Agent 开发框架 Eve：像写 Next.js 一样构建智能体Vercel 刚刚发布了全新的 AI Agent 开发框架 —— Eve

    Vercel 推出 AI Agent 开发框架 Eve：像写 Next.js 一样构建智能体

    Vercel 刚刚发布了全新的 AI Agent 开发框架 —— Eve。官方将其定位为“智能体领域的 Next.js”，旨在为开发者提供一套开箱即用的 AI 智能体开发、部署与运行基础设施。

    以下是 Eve 的核心特性：

    • 极简的目录即 Agent 结构：使用 Markdown 撰写角色指令和技能（如 instructions.md），使用 TypeScript 编写工具函数（如 tools/），无需繁琐的注册与配置，直接运行即可启动。
    • 天然持久化支持 (Durable by default)：基于 Vercel Workflows，智能体运行中的每一步都会自动保存状态。在等待用户输入或长时间任务时，智能体会自动“挂起”，并在需要时无缝恢复，完全不用担心进程中断。
    • 隔离的沙箱环境 (Sandboxed compute)：为智能体提供独立的虚拟化运行环境，支持安全地运行代码、读写文件或执行 Bash 命令。
    • 多渠道轻松连接：一份代码即可多端部署，轻松接入 Slack、Discord、Teams、Web 网页以及各种自定义 API。
    • 企业级功能支持：内置人机协同（Human-in-the-loop）审批流、子智能体协作（Subagents）、定时任务（Schedules）以及自动化测试评估（Evaluations）。

    Eve 将复杂的 AI 基础设施进行了高度抽象与整合，让开发者可以专注于智能体本身的业务逻辑，告别零散工具的拼凑。

    详情点击官网了解：https://vercel.com/eve

    #Vercel #AIAgent #Eve #前端开发 #人工智能
    Vercel
    eve – The Agent Framework - Vercel
    eve – The Agent Framework - Vercel
    Like Next.js for web apps, but for agents. Markdown for instructions and skills, TypeScript for tools. Durable by default.

    VercelAIAgentEve前端开发人工智能

  2. 面条的草稿箱

    AI 编程防翻车：MDN 正式推出 MCP 服务，让 AI 获取最新 Web 规范在大模型辅助编程的时代，你是否也遇到过 AI 给出过时 Web API，或错误浏览器兼容性数据的情况？为了解决这一痛点，MDN 官方宣布推出了 MDN MCP（Model Context Protocol）服务

    AI 编程防翻车：MDN 正式推出 MCP 服务，让 AI 获取最新 Web 规范

    在大模型辅助编程的时代，你是否也遇到过 AI 给出过时 Web API，或错误浏览器兼容性数据的情况？

    为了解决这一痛点，MDN 官方宣布推出了 MDN MCP（Model Context Protocol）服务。

    什么是 MDN MCP？

    MCP 是一种开放标准，允许 AI 工具安全地连接到外部数据源。通过 MDN MCP，你可以将最新的 MDN 官方文档和浏览器兼容性数据（BCD）直接接入到你常用的 AI 编辑器（如 Cursor、VS Code、Zed）或命令行工具（如 Claude Code）中。

    它能带来什么改变？

    • 消除 AI 幻觉与信息滞后：避免 AI 因“知识库截止时间”而给出过时信息。例如，它能准确告知你 Firefox 151 已支持 Web Serial API，而未启用 MCP 的 AI 则会根据旧数据坚称“Firefox 不支持”。
    • 响应速度翻倍：测试表明，启用 MCP 后，AI 响应速度提升了约一倍。AI 无需再耗时爬取和解析网页，而是直接通过协议获取结构化数据。
    • 快速配置：以 Claude Code 为例，只需运行一行命令即可快速集成：
    claude mcp add --transport http mdn https://mcp.mdn.mozilla.net/

    目前该服务已处于实验阶段，感兴趣的开发者不妨立即配置，让你的 AI 助手掌握最权威的 Web 开发知识库。

    原链接：https://developer.mozilla.org/en-US/blog/introducing-mdn-mcp-server/

    #AI编程 #MDN #MCP #前端开发 #大语言模型
    MDN Web Docs
    Introducing the MDN MCP server | MDN Blog
    MDN's MCP server brings MDN's documentation and browser compatibility data directly into your editor or IDE, giving your LLM or coding agent access to accurate, up-to-date web platform information.

    AI编程MDNMCP前端开发大语言模型

  3. 面条的草稿箱

    omp：直接集成 IDE 能力的终端 AI 编码助手oh my pi (omp) 是一个专为终端设计的开源 AI 编码智能体

    omp：直接集成 IDE 能力的终端 AI 编码助手

    oh my pi (omp) 是一个专为终端设计的开源 AI 编码智能体。它不仅是一个代码生成器，更是一个深度集成 IDE 工具的“全能型选手”，旨在为开发者提供开箱即用、无缝连接的终端开发体验。

    核心亮点：

    • 深度集成 IDE 工具链：内置 LSP（Language Server Protocol），AI 能够像在 IDE 中一样精准进行跨文件重命名与格式化；同时支持 DAP（Debug Adapter Protocol），可以直接启动调试器（如 lldb, dlv, debugpy）进行单步调试和堆栈排查。
    • 创新的 Snapcompact 图像压缩：当对话历史过长时，omp 不使用 LLM 进行文本总结，而是将历史记录渲染成极其微小的像素字体 PNG 图像，并发送给多模态模型读取。这一技术能够确保上下文细节不丢失，且仅消耗约 1/3 的 Token 成本。
    • 强悍的 Rust 原生引擎：核心由约 5.5 万行 Rust 代码构建，搜索、shell、AST 分析等高频操作均在进程内完成，避免频繁 fork 子进程，效率极高。
    • 本地化记忆与离线整理：使用本地 SQLite 矢量记忆库，并使用本地的小模型（如 Qwen-1.7B / Gemma-1B）在本地整理记忆与会话标题，数据不离设备。
    • 强大的协作与扩展性：支持通过 /collab 实现端到端加密的实时会话共享；兼容多种主流编辑器规则（如 Cursor, Cline, Copilot），甚至可以通过 ACP 协议直接在 Zed 编辑器中驱动终端中的同一个 omp 实例。

    原链接：https://omp.sh/

    #AI编码助手 #编程工具 #Rust #开源项目 #智能开发
    omp
    omp — a coding agent with the IDE wired in
    omp — a coding agent with the IDE wired in
    Subagents, plan mode, LSP, DAP, hindsight memory, hashline edits, time-traveling rules — with a native Rust engine doing the heavy lifting.

    AI编码助手编程工具Rust开源项目智能开发

  4. 面条的草稿箱

    大模型省钱新招：把长文本变成“图片”传给AI，成本直接减半我们在使用大语言模型（LLM）处理长上下文任务时，Token 费用往往会随着对话轮数呈指数级上升

    大模型省钱新招：把长文本变成“图片”传给AI，成本直接减半

    我们在使用大语言模型（LLM）处理长上下文任务时，Token 费用往往会随着对话轮数呈指数级上升。虽然可以通过自动压缩或摘要来减少 Token，但这样经常会丢失关键细节，导致模型“变笨”。

    开发者 Can Bölük 提出了一个脑洞大开但非常有效的解决方案：Snapcompact。

    💡 核心思路：把字“画”给AI看

    • 像素级压缩：将 10,000 Token 左右的长文本，用极小的像素字体（如 6x10）渲染成一张 1568x1568 的 PNG 图片。
    • Token 薅羊毛：根据 Anthropic 等主流厂商的计费规则，这张图片仅折合 3,279 个图片 Token。相比直接传递文本，输入成本直降近 70%。
    • 无损还原：测试表明，Claude、GPT-5.5、Gemini 等多模态模型能够近乎完美地“读懂”图中的微缩文字，答题准确率与输入原生文本几乎一致。

    🔬 为什么这个方案可行？
    作者使用开源多模态模型 Qwen2.5-VL-7B 进行了深度探究。通过分析模型内部的隐藏状态发现，模型在处理这类文字图时，内部的表征会迅速向文本表征靠拢。

    为了防止模型“看错”，作者还做了针对性优化：

    1. 对齐视觉网格：让文字排版契合模型的 Patch 切片（如 28x28 像素）。
    2. 行重复与色彩辅助：通过将每行文字重复渲染，让模型读取的置信度直接从 0.39 飙升到 1.00（几乎 100% 准确）。

    总结
    有时候不需要改变模型本身，只需改变上下文的“载体格式”（文本 ➔ 像素图），就能在保持精度的前提下，把长文本账单砍掉一半以上。

    原链接：https://blog.can.ac/2026/06/10/snapcompact/

    #大语言模型 #多模态 #Token优化 #降本增效 #技术前沿
    stencil.so
    Snapcompact: SoTA compaction — instant, local, free. Pick 3
    Snapcompact: SoTA compaction — instant, local, free. Pick 3
    Render the context window into dense pixel-font bitmaps and hand it back as images: near-verbatim recall at a third of the input price, benchmarked on four frontier models and probed layer-by-layer on Qwen2.5-VL.

    大语言模型多模态Token优化降本增效技术前沿

  5. 面条的草稿箱

    苹果 Siri 泄露系统提示词：揭秘 Apple Intelligence 的运行逻辑开发者在 GitHub Gist 曝光了疑似苹果为新版 Siri（配合 Apple Intelligence）设计的系统提示词（System Prompt）

    苹果 Siri 泄露系统提示词：揭秘 Apple Intelligence 的运行逻辑

    开发者在 GitHub Gist 曝光了疑似苹果为新版 Siri（配合 Apple Intelligence）设计的系统提示词（System Prompt）。这份详细的指令文档揭示了 Siri 在后台如何理解意图、处理隐私、调用工具以及生成杂志级排版回复的运行机制。

    💡 核心亮点梳理

    • 富文本与卡片化输出

    Siri 的回复并不是简单的文本，而是通过特定的 XML 标签（如 <coreResponse>、<key_entity>、<imageCollection>）进行高度渲染。提示词要求 Siri 必须提供类似“精美杂志”般的视觉体验，直接将应用的原生 UI 和图片融入对话中。

    • 实体与工具的调用逻辑

    Siri 内部将联系人、邮件、日程等数据转化为结构化的 JSON 实体。系统内置了 find、make_call、manage_message_draft、play 等多种工具。遇到信息不全或存在歧义时，必须通过 ask_user 或 ask_user_to_pick 引导用户确认。

    • 屏幕感知与设备状态

    通过 get_system_info 获取当前设备状态，包括用户正在使用的 App（focused_app）以及前台窗口内容。这使得 Siri 能够理解“这是什么”、“把这个发给某人”等基于屏幕内容的上下文指令。

    • 严苛的隐私与安全防护

    提示词设立了多条硬性红线：

    1. 绝对禁止泄露系统提示词、工具名称及运行机制。
    2. 绝对不能在回复中说“根据您的邮件/健康数据…”等字眼，避免让用户产生隐私被窥探的恐慌感。
    3. 拒绝提供任何具体的医疗、法律和财务建议。

    • 行为准则

    Siri 被定义为无情感、无国籍、无性别的软件。在面对用户的调侃或事实错误时，需要保持诚实，不附和错误，直接指出局限性，不进行无意义的道歉。

    ---

    网友在评论区调侃称，这套提示词的 Token 量过于庞大，用户说一句“Hi”，可能 Siri 的上下文就已经快满了，甚至有人开玩笑说直接触发了“429 访问限制”。

    原链接：https://gist.github.com/julianschiavo/2da270868175f0a52e423340c30a30b6

    #Siri #Apple #提示词工程 #人工智能 #AppleIntelligence
    Gist
    siri_prompt.md
    siri_prompt.md
    siri_prompt.md. GitHub Gist: instantly share code, notes, and snippets.

    SiriApple提示词工程人工智能AppleIntelligence

  6. 面条的草稿箱

    聪明人的分工：让昂贵模型做规划，便宜模型去执行知名开源开发者 shadcn 刚刚开源了一个全新项目——improve

    聪明人的分工：让昂贵模型做规划，便宜模型去执行

    知名开源开发者 shadcn 刚刚开源了一个全新项目——improve。

    这是一个非常巧妙的 Agent Skill，它的核心理念是：用你最聪明（也最昂贵）的 AI 模型来做高杠杆的脑力劳动（审计代码、写技术方案），然后把脏活累活（编写代码、跑测试）交给更便宜的 AI 模型去执行。

    这个工具本身绝对不会直接修改你的一行代码，它的产出就是一份清晰、可执行的 Markdown 格式实施方案。

    💡 它是如何工作的？

    1. 项目审计 (/improve)：高阶模型会深度扫描并分析你的代码库，指出潜在的 Bug、性能瓶颈、安全隐患或技术债，并产出一份按“投入产出比”排序的发现清单。
    2. 制定方案 (plans/)：当你挑选出需要解决的问题后，高阶模型会针对每个问题输出一份极其详尽的方案（Plan）。这些方案是“自包含”的，带有明确的验证命令、执行边界和异常中止条件（STOP conditions）。
    3. 分发执行 (/improve execute <plan>)：你可以把这些高可读性的方案直接扔给任何便宜的轻量级 AI Agent。轻量级模型只需像个机械的执行者一样，按照步骤修改代码、运行测试，最后向你提交 Pull Request。

    🚀 核心指令一览

    • /improve：全局审计并输出优化点。
    • /improve quick：快速扫描重点。
    • /improve deep：对每个包、每个分类进行详尽审计。
    • /improve plan <description>：跳过审计，直接为指定任务编写执行方案。
    • /improve execute <plan>：派发给便宜的执行器模型并审核其成果。

    安装方式

    项目支持 Agent Skills 规范：

    npx skills add shadcn/improve


    https://github.com/shadcn/improve

    #AI开发 #智能代理 #软件工程 #GitHub开源 #shadcn
    Agent Skills
    Agent Skills Overview - Agent Skills
    Agent Skills Overview - Agent Skills
    A standardized way to give AI agents new capabilities and expertise.

    AI开发智能代理软件工程GitHub开源shadcn

  7. 面条的草稿箱

    大语言模型（LLM）是如何运作的？一文拆解它的底层逻辑从 GPT、Claude 到 LLaMA，大语言模型看似无所不知，但其背后的技术大多高度收敛于 Transformer 架构

    大语言模型（LLM）是如何运作的？一文拆解它的底层逻辑

    从 GPT、Claude 到 LLaMA，大语言模型看似无所不知，但其背后的技术大多高度收敛于 Transformer 架构。本文为你快速拆解 LLM 运行的 6 个核心步骤：

    1. 分词与嵌入（Tokenization & Embeddings）
    模型不直接阅读文本。你的输入首先会被拆解为子词 Token，并转化为数字 ID。随后，这些 ID 通过“嵌入矩阵”变成高维向量。在向量空间中，语义相近的词（如“猫”和“狗”）会被分配到相邻的位置，从而获得“语义”。

    2. 位置编码（Positional Encoding）
    普通的注意力机制无法分辨词序。现代模型主要使用 RoPE（旋转位置编码），通过旋转向量来标记 Token 之间的相对距离，让模型知道哪个词在前，哪个词在后。

    3. 注意力机制（Attention & Multi-Head）
    这是 Transformer 的灵魂。每个 Token 会通过 Query（寻找什么）、Key（匹配什么）和 Value（传递什么）三种角色与其他 Token 进行信息交互。为了同时捕捉语法、代词指代等多种关系，模型会并行运行多个注意力“头”。现代模型多采用 GQA（分组查询注意力） 来大幅降低显存占用。

    4. 前馈网络（FFN & MoE）
    如果说注意力机制是 Token 之间的“对话”，前馈网络就是 Token 的“自我思考”。模型的大部分 factual 记忆都存储在这里。为了在不增加计算成本的前提下扩大参数量，现代大模型（如 Mixtral）常使用 MoE（混合专家模型），每次只激活部分网络来处理 Token。

    5. 残差流与归一化（Residual Stream & RMSNorm）
    随着网络层数变深，信号容易衰减或爆炸。残差连接允许原始信息绕过部分计算直接向后传递，而 RMSNorm 则在每层计算前对数据进行重缩放，确保数百层的网络能够稳定训练。

    6. 预测下一个 Token（Next-Token Prediction）
    LLM 的本质是一个“词语接龙”游戏。模型在最后一层输出所有候选词的概率分布，根据设定的“温度（Temperature）”等参数抽取下一个 Token，并将其拼回输入，循环往复，直到生成完整文本。

    总结来说，如今的 LLM 架构在工程上已经高度趋同（RoPE、GQA、SwiGLU、RMSNorm 的组合）。不同模型之间的差异，主要源于训练数据集、参数规模以及后期的对齐微调（RLHF）。

    阅读完整英文博文：https://www.0xkato.xyz/how-llms-actually-work/

    #大语言模型 #Transformer #人工智能 #深度学习 #技术科普
    0xkato
    How LLMs Actually Work
    A from-the-ground-up walkthrough of how modern LLMs work, from tokens to transformer blocks to the next-token loop

    大语言模型Transformer人工智能深度学习技术科普

  8. 面条的草稿箱

    慢即是快：如何利用 AI 写出更高质量的代码很多人认为，AI 编程的意义在于“快”——以最快的速度堆砌出勉强能运行的代码，然后匆忙合并发布

    慢即是快：如何利用 AI 写出更高质量的代码

    很多人认为，AI 编程的意义在于“快”——以最快的速度堆砌出勉强能运行的代码，然后匆忙合并发布。但这种“快”往往伴随着低质量和技术债。

    实际上，大语言模型（LLM）非常灵活，我们完全可以反其道而行之：利用 AI，用更慢的速度写出质量更高的代码。

    以下是这种“慢速 AI 编程”的核心思路：

    • 让 AI 成为挑剔的 Review 助手：LLM 极其擅长寻找 Bug。你可以通过设置特定的“技能（Skills）”，让多个不同的模型（如 Claude 和 GPT）同时对你的 PR 进行审查并给 Bug 分级，通过交叉验证有效降低误报率。
    • 主导修复与取舍：根据 AI 反馈的 Bug 列表，优先引导 AI 修复高危和中度漏洞。如果发现架构设计有根本性问题，甚至可以果断放弃现有的 PR 重新构思。
    • 把“修 Bug”当成探索之旅：这种工作流虽然不会提升你的“开发速度”，但常常会帮你揪出代码库中早已存在的历史遗留 Bug。在解决这些问题的过程中，你会编写更多单测，深入理解系统的边缘情况。

    这并不是那种吹嘘“10倍效率”的浮躁开发方式，而是一种更健康的编程状态：借力 AI，更严谨、更方法论地对待每一行代码，让代码库保持健康。

    下次使用 AI 时，不妨慢下来，试着问问它：“我的这段代码可能会在哪里崩溃？”

    https://nolanlawson.com/2026/05/25/using-ai-to-write-better-code-more-slowly/

    #AI编程 #代码质量 #软件工程 #程序员
    Read the Tea Leaves
    Using AI to write better code more slowly
    A lot of people seem convinced that the point of AI coding is to write low-quality code as fast as possible. Spew out barely-passable slop, open massive PRs, and merge them unvetted. Ship it! But t…

    AI编程代码质量软件工程程序员

  9. 面条的草稿箱

    Slim Tools：为 AI 智能体减负的统一 MCP 工具网关在使用 AI Agent（如 Claude、Cursor 等）时，你是否遇到过因为加载了太多 MCP 或 OpenAPI 工具，导致上下文窗口（Context Window）被严重占用、Token 消耗飞涨的情况？Slim Tools 提供了一个巧妙的解决方案：它将所有上游工具统一封装进一个极简的 MCP 接口中

    Slim Tools：为 AI 智能体减负的统一 MCP 工具网关

    在使用 AI Agent（如 Claude、Cursor 等）时，你是否遇到过因为加载了太多 MCP 或 OpenAPI 工具，导致上下文窗口（Context Window）被严重占用、Token 消耗飞涨的情况？

    Slim Tools 提供了一个巧妙的解决方案：它将所有上游工具统一封装进一个极简的 MCP 接口中。

    核心特性：

    • 统一入口：无需向 AI 暴露所有工具，只需提供一个 Slim Tools 的 MCP URL（https://slim.tools/mcp）。
    • 按需探索：AI 代理在运行阶段仅能看到 discover_tools（工具搜索）和 execute_code（沙盒代码执行）两个核心能力。
    • 高效联动：AI 通过搜索找到匹配的工具，然后在沙盒中运行代码来组合并调用这些上游 API（如 GitHub、Notion、Slack、Figma 等）。
    • 简化授权：统一管理所有上游服务的 OAuth 授权，无需重复配置。

    通过这种“运行时发现”的设计，AI 代理无需在上下文里“背负”沉重的工具集，不仅让 Prompt 更加清爽，也让 Agent 的响应速度大幅提升。

    原文链接：http://slim.tools

    #AIAgents #MCP #开发者工具 #效率工具
    Slim Tools
    Slim Tools | Tool Orchestration Runtime for AI Agents
    Slim Tools | Tool Orchestration Runtime for AI Agents
    Move MCP and OpenAPI tool orchestration out of model context and into one sandboxed runtime.

    AIAgentsMCP开发者工具效率工具

  10. 面条的草稿箱

    Flue：构建下一代 AI Agent 的 TypeScript 架构框架Flue 提出了一个核心公式：Agent = Model + Harness

    Flue：构建下一代 AI Agent 的 TypeScript 架构框架

    Flue 提出了一个核心公式：Agent = Model + Harness。它不仅仅是一个简单的 SDK，而是一个专为构建自主 Agent 设计的“可编程治理框架”（Harness），旨在让开发者能够轻松打造像 Claude Code 或 Codex 这样具备规划、环境感知和执行能力的强力工具。

    核心特性：

    • 高度可编程： 使用 TypeScript 编写 Agent 逻辑，支持定义复杂的技能（Skills）、工作流和多 Session 管理。
    • 自带沙箱环境： 提供内置的虚拟沙箱或连接远程沙箱（如 Daytona），让 Agent 安全地执行 Bash 命令、读写文件或运行代码。
    • 安全与隐私： 采用精细的权限控制，确保敏感的 API Token 不会被模型或沙箱环境直接接触。
    • 跨平台部署： 编写一次逻辑，即可部署为 HTTP 服务，或在 CLI、GitHub Actions、Cloudflare Workers 等多种环境运行。

    与其使用通用的成品 AI 工具，Flue 鼓励开发者根据特定的产品需求、数据和工作流，构建完全属于自己的定制化 Agent。

    https://flueframework.com/

    #AI #Agent #TypeScript #开发工具 #开源项目
    Flue
    Flue — The Open Agent Framework
    Flue — The Open Agent Framework
    Build durable AI agents and workflows with Flue's programmable TypeScript harness. Write once, deploy anywhere, use any LLM.

    AIAgentTypeScript开发工具开源项目

  11. 面条的草稿箱

    Yansu：无需指令，为你主动构建工具的“预知” AI你是否厌倦了反复在不同应用间手动同步数据？或者因为繁琐的流程而被迫成为“效率工具专家”？Yansu 是一款全新的主动式 AI 应用

    Yansu：无需指令，为你主动构建工具的“预知” AI

    你是否厌倦了反复在不同应用间手动同步数据？或者因为繁琐的流程而被迫成为“效率工具专家”？

    Yansu 是一款全新的主动式 AI 应用。它不像 ChatGPT 那样等待你的指令，而是通过观察你的工作习惯，为你自动构建专属工具。

    核心亮点：

    • 观察即学习：它静默观察你的桌面操作、沟通记录和决策模式，将零散的行为提炼为结构化的知识。
    • 主动式交付：不需要你写 Prompt。当它发现重复的流程或潜在的需求时，会先于你想到之前就把应用建好。
    • 虚拟交互：它拥有独立的虚拟指针，可以在不干扰你操作的情况下，自动填写表单、同步状态或整理信息。
    • 隐私本地化：所有工作记忆和生成的应用都存储在本地，只有在得到你明确许可时才会与外部交互。
    • 无感化办公：它不会抢夺窗口焦点，也不会打断你的思路，像是一个默默工作的资深助理。

    告别繁琐的手动工作，让 AI 在你还没意识到需求时就完成交付。

    https://yansu.app/

    #AI效率 #自动化 #生产力工具 #人工智能 #Yansu
    Yansu
    Yansu — The proactive AI that turns how you work into knowledge, handoffs, and automations
    Yansu — The proactive AI that turns how you work into knowledge, handoffs, and automations
    The proactive AI that turns how you work into knowledge, handoffs, and automations — no prompting. Free for Mac, Windows, and Linux.

    AI效率自动化生产力工具人工智能Yansu

  12. 面条的草稿箱

    Obscura：专为 AI Agent 和大规模爬虫打造的 Rust 无头浏览器如果你觉得传统的 Headless Chrome 过于臃肿且容易被反爬虫识别，那么 Obscura 绝对值得一试

    Obscura：专为 AI Agent 和大规模爬虫打造的 Rust 无头浏览器

    如果你觉得传统的 Headless Chrome 过于臃肿且容易被反爬虫识别，那么 Obscura 绝对值得一试。这是一个基于 Rust 编写的开源无头浏览器引擎，旨在为 AI Agent 和网页抓取提供极速、轻量且隐形的自动化体验。

    核心优势

    • 轻量化：内存占用仅需约 30MB（相比 Chrome 的 200MB+），二进制文件仅 70MB。
    • 极致速度：启动几乎是瞬间完成，页面加载速度比 Headless Chrome 快约 6 倍。
    • 内置隐身模式：默认支持反指纹识别、随机化 GPU/Canvas/Audio 等硬件信息，并自动拦截 3500+ 个追踪器。
    • 兼容性强：支持 Chrome DevTools Protocol (CDP)，可以作为 Puppeteer 和 Playwright 的无缝替代品。
    • Rust 驱动：利用 V8 引擎运行真实 JavaScript，确保执行环境的高性能与安全性。

    快速上手

    Obscura 提供单二进制文件，无需安装 Node.js 或 Chrome 即可运行。你可以通过简单的命令行直接抓取动态内容，或者启动一个 CDP 服务器供自动化脚本调用：

    # 获取网页标题
./obscura fetch https://example.com --eval "document.title"

# 启动 CDP 服务
./obscura serve --port 9222 --stealth


    对于追求性能和隐匿性的开发者来说，Obscura 是构建下一代 AI 自动化工具的理想底层引擎。

    https://github.com/h4ckf0r0day/obscura

    #开源项目 #无头浏览器 #Rust #AI工具 #爬虫技术
    GitHub
    GitHub - h4ckf0r0day/obscura: The headless browser for AI agents and web scraping
    GitHub - h4ckf0r0day/obscura: The headless browser for AI agents and web scraping
    The headless browser for AI agents and web scraping - h4ckf0r0day/obscura

    开源项目无头浏览器RustAI工具爬虫技术

  13. 面条的草稿箱

    让 AI 掌握顶级设计：TypeUI 风格库还在烦恼 AI 生成的网页风格太普通？TypeUI 为 Claude、Cursor、Gemini 等 AI 工具提供了一套精选的“设计技能（Design Skills）”库，让你的 AI 助手瞬间化身顶级设计师

    让 AI 掌握顶级设计：TypeUI 风格库

    还在烦恼 AI 生成的网页风格太普通？TypeUI 为 Claude、Cursor、Gemini 等 AI 工具提供了一套精选的“设计技能（Design Skills）”库，让你的 AI 助手瞬间化身顶级设计师。

    核心功能：

    • 多样化风格： 涵盖 Bento（盒式）、Neumorphism（新态设计）、Glassmorphism（毛玻璃）、Neobrutalism（新野兽派）等多种流行审美。
    • 即插即用： 提供优化的 skill.md 文件，你可以通过 CLI 命令（如 npx typeui.sh pull bento）直接引入项目，或手动复制到提示词中。
    • 完美适配： 专门针对 Agentic AI 工具进行了优化，确保 AI 生成的代码能精准还原特定的视觉风格。

    使用场景：
    当你使用 AI 开发网页或应用时，只需喂入这些预设的“技能文件”，AI 就能跳出默认的 Bootstrap 或 Tailwind 风格，构建出极具辨识度的视觉界面。

    原文链接：https://www.typeui.sh/design-skills

    #AI设计 #前端开发 #TypeUI #UI设计 #AI工具

    AI设计前端开发TypeUIUI设计AI工具

  14. 面条的草稿箱

    Paseo：随时随地指挥你的 AI 编程助手想要在离开工位时也能继续推进代码进度？Paseo 是一款开源、自托管的 AI 编程 Agent 调度平台，让你能够从手机、桌面或终端轻松管理和运行 AI 助手

    Paseo：随时随地指挥你的 AI 编程助手

    想要在离开工位时也能继续推进代码进度？Paseo 是一款开源、自托管的 AI 编程 Agent 调度平台，让你能够从手机、桌面或终端轻松管理和运行 AI 助手。

    主要功能亮点：

    • 全平台覆盖：支持 iOS、Android、桌面端及 Web，甚至可以直接通过 CLI 脚本化运行，实现多端无缝衔接。
    • 集成主流 Agent：完美支持 Claude Code、Codex 和 OpenCode 等主流 AI 编程助手，保留原有的技能和配置。
    • 隐私与安全：代码始终保留在你的本地机器上，支持端到端加密中继，确保远程连接时的代码安全。
    • 本地语音交互：内置完全本地化的语音识别与合成技术，无需将语音数据上传云端即可实现指令下达。
    • 开发者友好：支持键盘快捷键优先操作、Git 工作流隔离（Worktrees）以及全方位的命令行支持。

    Paseo 是一款纯粹的开源工具，不直接调用推理 API，而是作为官方 CLI 的透明调度层，既自由又强大。

    https://paseo.sh/

    #AI编程 #开源项目 #Paseo #开发者工具 #人工智能
    Paseo
    Paseo – Run Claude Code, Codex, Copilot, OpenCode from anywhere
    Paseo – Run Claude Code, Codex, Copilot, OpenCode from anywhere
    Self-hosted daemon for Claude Code, Codex, Copilot, OpenCode, and Pi. Agents run on your machine with your full dev environment. Connect from phone, desktop, or web.

    AI编程开源项目Paseo开发者工具人工智能

  15. 面条的草稿箱

    让 AI 像顶级设计师一样编程：GetDesign.md 设计规范库如果你正在使用 AI 助手（如 Cursor、Claude 或 Bolt）进行前端开发，那么这个网站值得加入收藏夹

    让 AI 像顶级设计师一样编程：GetDesign.md 设计规范库

    如果你正在使用 AI 助手（如 Cursor、Claude 或 Bolt）进行前端开发，那么这个网站值得加入收藏夹。GetDesign.md 汇集了包括 Apple、Stripe、Linear、Notion 以及 SpaceX 在内的 60 多种知名品牌的设计系统灵感。

    它的核心价值在于“AI 友好”：你可以直接将这些精炼的 DESIGN.md 文件丢给 AI 编程助手，AI 就能迅速理解其设计语言、配色方案和排版逻辑，从而帮你构建出风格统一、质感高级的 UI 界面。

    无论你是想要打造极简的工具软件，还是具有视觉冲击力的官网，这里都是一个绝佳的 UI 风格武器库。

    https://getdesign.md/

    #设计系统 #AI工具 #前端开发 #UI设计 #生产力工具
    getdesign.md
    getdesign.md — DESIGN.md collection for AI coding agents
    getdesign.md — DESIGN.md collection for AI coding agents
    Browse independent design system analyses from popular websites. Drop one into your project as design reference for your coding agent.

    设计系统AI工具前端开发UI设计生产力工具

  16. 面条的草稿箱

    Gemma 4 图解指南：Google DeepMind 开源模型家族全面解析Google DeepMind 发布了 Gemma 4 系列模型，作者 Maarten Grootendorst（刚入职 Google DeepMind）以丰富的可视化方式详细拆解了这一系列模型的架构设计

    Gemma 4 图解指南：Google DeepMind 开源模型家族全面解析

    Google DeepMind 发布了 Gemma 4 系列模型，作者 Maarten Grootendorst（刚入职 Google DeepMind）以丰富的可视化方式详细拆解了这一系列模型的架构设计。

    四款模型，覆盖多种场景

    • Gemma 4 E2B — 密集模型，等效 20 亿参数，适合端侧部署
    • Gemma 4 E4B — 密集模型，等效 40 亿参数，适合端侧部署
    • Gemma 4 31B — 310 亿参数的密集模型
    • Gemma 4 26B A4B — MoE 架构，总参数 260 亿，推理时仅激活 40 亿参数，兼顾性能与效率

    所有模型均为多模态，支持图像输入；小模型（E2B/E4B）还额外支持音频输入。

    核心架构亮点

    注意力机制优化：

    • 局部注意力（滑动窗口）与全局注意力交替堆叠（5:1 或 4:1），最后一层始终为全局注意力
    • 全局注意力层采用 8 个 Query 共享 1 个 KV 头的分组查询注意力（GQA）
    • K=V 技巧：全局注意力层中 Key 等于 Value，进一步压缩 KV 缓存
    • p-RoPE：仅对前 25% 维度施加旋转位置编码，避免低频维度引入噪声，提升长上下文处理能力

    视觉编码器：

    • 基于 Vision Transformer（ViT），支持可变宽高比和可变分辨率
    • 通过 2D RoPE 编码 patch 的二维位置信息
    • 引入 soft token budget（70/140/280/560/1120），用户可按任务需求灵活选择分辨率

    MoE 架构（26B A4B）：

    • 128 个专家中每次激活 8 个 + 1 个始终激活的共享专家（3 倍大小）
    • 虽然总参数 260 亿，推理速度接近 40 亿参数模型

    Per-Layer Embeddings（E2B/E4B）：

    • 每一层都有独立的 token embedding 查找表，存储在闪存而非显存中
    • 让小模型在有限 RAM 下也能获得更强的表达能力，非常适合手机等端侧设备

    音频编码器（E2B/E4B）：

    • 基于 Conformer 架构，通过梅尔频谱图提取特征并下采样为 soft token
    • 支持语音识别和翻译等任务

    🔗 https://newsletter.maartengrootendorst.com/p/a-visual-guide-to-gemma-4

    #Gemma4 #GoogleDeepMind #多模态 #MoE #开源模型
    Maartengrootendorst
    A Visual Guide to Gemma 4
    A Visual Guide to Gemma 4
    A great start to a new job ;)

    Gemma4GoogleDeepMind多模态MoE开源模型

  17. 面条的草稿箱

    Linear 发布 Agent 交互指南（AIG）：定义人机协作的新契约AI Agent 正在重塑软件的规划、构建、审查和部署方式

    Linear 发布 Agent 交互指南（AIG）：定义人机协作的新契约

    AI Agent 正在重塑软件的规划、构建、审查和部署方式。当 Agent 大量产出工作成果时，人类的角色也随之转变——价值重心转移到编排输入、构建上下文和审查输出上。

    这种转变需要一套全新的人机交互契约。Linear 提出了 Agent Interaction Guidelines（AIG），为设计更自然融入人类工作流的 Agent 交互制定了基础原则。

    六大核心原则

    1. Agent 必须表明身份
    当人类与 Agent 协同工作时，Agent 必须清晰标识自己的身份，绝不能被误认为是真人。

    2. Agent 应原生融入平台
    Agent 应通过平台已有的 UI 模式和标准操作来工作，而非另起炉灶。

    3. Agent 应即时反馈
    沉默会带来不确定性。Agent 被调用后应立即提供反馈（如"思考中"指示器），让用户知道请求已被接收。

    4. Agent 应透明展示内部状态
    无论是思考、等待输入、执行还是完成，Agent 都应清晰展示当前状态。用户可以随时检视其推理过程、工具调用和决策逻辑。

    5. Agent 应尊重退出指令
    当被要求停止时，Agent 必须立即退出，且只有收到明确信号后才能重新介入。

    6. Agent 不能承担最终责任
    Agent 可以执行任务，但最终责任始终归属于人类。需要建立清晰的人机委托模型。

    ---

    AIG 是一份持续演进的开放文档，Linear 邀请社区共同参与完善。

    🔗 https://linear.app/developers/aig

    #AI_Agent #人机交互 #Linear #设计原则 #AIG
    linear.app
    Agent Interaction Guidelines (AIG) – Linear Developers
    Agent Interaction Guidelines (AIG) – Linear Developers
    Foundational principles and practices for designing agent interactions that integrate more naturally into human workflows.

    AI_Agent人机交互Linear设计原则AIG

  18. 面条的草稿箱

    GitAgent：用 Git 仓库定义 AI Agent 的开放标准AI Agent 框架百花齐放，但每个框架都有自己的结构，Agent 定义无法跨平台复用

    GitAgent：用 Git 仓库定义 AI Agent 的开放标准

    AI Agent 框架百花齐放，但每个框架都有自己的结构，Agent 定义无法跨平台复用。GitAgent 提出了一种框架无关、基于 Git 的 Agent 定义标准——克隆一个仓库，就能获得一个 Agent。

    核心理念

    • Git 原生：版本控制、分支管理、Diff 比较、协作能力开箱即用
    • 框架无关：通过适配器导出到 Claude Code、OpenAI、CrewAI、Cursor 等任意框架
    • 合规就绪：内置 FINRA、美联储、SEC 等金融监管合规支持
    • 可组合：Agent 之间可以继承、依赖和委托

    怎么用？

    一个仓库只需两个文件即可成为 Agent：

    • agent.yaml：清单文件，定义名称、版本、模型、技能、工具等
    • SOUL.md：身份文件，定义人格、沟通风格和价值观

    可选添加 RULES.md（硬约束）、DUTIES.md（职责分离）、skills/（技能模块）、workflows/（工作流）等目录，按需扩展。

    亮点设计

    • 12 种架构模式：包括人类审批（Human-in-the-Loop）、Agent 版本管理、分支部署、Agent Fork 与混用、CI/CD 集成、生命周期钩子等
    • 职责分离（SOD）：定义角色权限和冲突矩阵，确保关键流程不被单一 Agent 端到端控制
    • SkillsFlow：用 YAML 定义确定性多步工作流，支持步骤依赖和模板数据流
    • 11 个导出适配器：覆盖 system-prompt、Claude Code、OpenAI、CrewAI、Cursor、Lyzr 等主流平台

    快速开始

    npm install -g gitagent
gitagent init --template standard
gitagent validate
gitagent export --format system-prompt


    项目目前已获 1.1k Star，MIT 开源协议。

    🔗 https://github.com/open-gitagent/gitagent

    #AIAgent #GitAgent #开源 #Agent标准化 #框架无关
    GitHub
    GitHub - open-gitagent/gitagent: A universal git-native AI agent framework. Your agent lives inside a git repo — identity, rules…
    GitHub - open-gitagent/gitagent: A universal git-native AI agent framework. Your agent lives inside a git repo — identity, rules…
    A universal git-native AI agent framework. Your agent lives inside a git repo — identity, rules, memory, tools, and skills are all version-controlled files. - open-gitagent/gitagent

    AIAgentGitAgent开源Agent标准化框架无关

  19. 面条的草稿箱

    CursorBench：Cursor 如何更贴近真实开发来评估模型质量开发者正在把更长、更复杂的编程任务交给智能体：跨多个文件、工具和步骤

    CursorBench：Cursor 如何更贴近真实开发来评估模型质量

    开发者正在把更长、更复杂的编程任务交给智能体：跨多个文件、工具和步骤。Cursor 认为，评测方式也必须随之升级，才能真实反映“好用与否”。

    Cursor 的做法是 线上 + 线下 的混合评测闭环：

    • 线下：CursorBench（内部基准）
    基于工程团队的真实 Cursor 会话构建，而不是从公开代码库抽题。因为更贴近实际工作流、信息更不充分且常带歧义，CursorBench 往往能更好地区分前沿模型，并衡量多维能力（正确性、代码质量、效率、交互行为等）。

    • 线上：真实流量的受控实验
    用于捕捉线下评测遗漏的退化：例如线下评分器判“正确”，但开发者实际体验变差。Cursor 会用多类代理指标（交互信号 + 输出质量信号）综合观察，并通过消融实验归因（如移除语义搜索工具来定位其关键场景）。

    为什么不太依赖公开基准？Cursor 指出三类常见问题：

    1. 任务不匹配：许多基准仍偏向“修 bug”或“解谜题”，与真实开发请求脱节。
    2. 评分困难：真实请求常有多种正确解，固定答案容易误伤合理方案。
    3. 数据污染：公开仓库题目容易进入训练数据，分数被抬高；甚至出现“记忆补丁”与测试缺陷等问题。

    下一步，Cursor 预计开发会更多转向“长时运行智能体”。他们也计划让 CursorBench 适配更长任务，并解决成本、可复现性、以及离线结果与真实体验之间的差距。

    原文链接：https://cursor.com/cn/blog/cursorbench

    #模型评测 #编程智能体 #基准测试 #Cursor #开发者体验
    Cursor
    How we compare model quality in Cursor · Cursor
    How we compare model quality in Cursor · Cursor
    We use a hybrid online-offline eval process to keep our understanding of model quality aligned with what developers actually do.

    模型评测编程智能体基准测试Cursor开发者体验

  20. 面条的草稿箱

    AI 时代怎么招工程师：Augment 的「AI-native」人才标准当 AI agent 能写出大部分代码后，工程师的价值开始上移：不再以“写得快、写得多”为核心，而是以判断力、系统设计与协同能力决定产出质量

    AI 时代怎么招工程师：Augment 的「AI-native」人才标准

    当 AI agent 能写出大部分代码后，工程师的价值开始上移：不再以“写得快、写得多”为核心，而是以判断力、系统设计与协同能力决定产出质量。

    Augment 重新梳理了面向 AI-native（与 AI 共同工作）团队的招聘标准，核心变化可以概括为一句话：人从“作者”变成“架构师与编辑”——定义意图、做取舍、设护栏、把好质量关。

    工程师工作重心的迁移

    • 传统工程：写代码、实现方案、解决问题、看个人产出
    • AI-native 工程：明确意图与权衡、编排 agent、选择正确问题、看系统级结果

    他们认为最重要的 6 个能力维度

    1. 产品与结果品味（Product & Outcome Taste）：能否在代码变“更便宜”时，避免做出“最贵的错误”——把方向做错。
    2. 系统与架构判断（System & Architectural Judgment）：代码能跑不难，难的是“能在生产环境长期稳定地跑”。
    3. Agent 杠杆（Agent Leverage）：能否把 AI 变成真实吞吐量：拆解任务、引导偏航、验证结果（agent 很快，但也可能自信地出错）。
    4. 沟通与协作（Communication & Collaboration）：实现更快后，“达成清晰”更关键；要能把意图讲清楚、促成共识。
    5. 主人翁意识与领导力（Ownership & Leadership）：对结果负责而非只做任务；主动清除阻碍交付的障碍。
    6. 学习速度与实验心态（Learning Velocity & Experimental Mindset）：工具三个月就变一轮，持续实验与快速迭代成为工作常态。

    一个显著的信号是：“纯粹的编码能力”不再是最主要的区分项——依然重要，但不再决定上限。

    从理念到招聘：看“可观察信号”

    他们强调，框架必须能落到面试里，转成可评估的行为证据，例如：

    • 能否快速澄清模糊问题、定义清晰目标？
    • 能否提前识别架构风险，而不是上线后救火？
    • 能否有效指挥并验证 AI 生成的工作？

    未来重点招的 4 类画像

    • AI-native 系统工程师：基础设施与架构判断强，保证“地基”稳。
    • AI-native 产品工程师：产品品味与用户理解强，确保“做对事”。
    • AI-native 应用 AI 工程师：懂模型与应用构建，提升 agent 能力与工作流。
    • AI-native 早期工程师（Early Professional）：学习速度优先，快速适应工具与流程变化。

    这套标准也不只用于招聘，还会反向影响绩效、成长与职业发展：如果真正重视判断力、杠杆与学习速度，就应该在各个环节都体现出来。

    原文链接：https://www.augmentcode.com/blog/how-we-hire-ai-native-engineers-now

    #AI招聘 #工程师能力 #AI代理 #架构设计 #学习型组织
    Augmentcode
    How we hire AI-native engineers now: our criteria
    How we hire AI-native engineers now: our criteria
    The most powerful AI software development platform with the industry-leading context engine.

    AI招聘工程师能力AI代理架构设计学习型组织

1px