土豆哥 · @iluciddreaming
工具・认知・管理・英文・创富
带 GitHub 仓库的开源项目与工具，附上原始 repo 链接。
两边差在谁做决定。微软给的是一份完整的 Windows 11 镜像，里面装什么由微软定；tiny11builder 做的是同一个系统的缩小版，留什么、砍什么由你来定。 WinUI 是微软自己的原生桌面界面框架。用微软的界面框架来给 Windows 瘦身，这类工具的使用门槛就降到了在窗口里点选。 不过镜像变小，就说明有东西被拿掉了。项目描述里没有列出删掉了哪些组件，动手前先把这份清单查清楚，尤其要看
75208 个星，今天又涨了 147。ruvnet/ruflo 管自己叫 "the original agent harness"，做的是把 Claude Code、Codex、Hermes 这些现成的 agent 接进来，编成多智能体 swarm，协同跑自动化工作流。 功能清单列得很长：自适应记忆、自学习、federation、向量 RAG。不过多智能体协作好不好用，要看几个 agent 怎么分
跟放自己电脑上比，说白了就是不用留一台电脑死守着了。本机一关机或断网，agent 就摸不到 WhatsApp，挂在 Cloudflare 上它一直在线，哪里跑的 agent 工作流都能调。 不过这样一来，你的 WhatsApp 消息要经过别人家的服务器，这点得想清楚。部署前最该翻代码查的是会话凭证存在哪。登录态放到云上，谁拿到它，谁就能用你的号收发消息。免费额度够不够你每天的消息量，也得自己对一下
它有两种跑法，可以由人来跑，也可以让 agent 自己跑。 人来跑的时候，审计的人和被审的 agent 是两方，"独立"说得通。换成 agent 自己跑，发起审计的就是被审的那一方。项目的口号是 Independent Auditing，第二种跑法独立在哪里，介绍里没有展开。 我自己写的 octopy 每天从十几个信息源里帮我挑选题。这类 agent 比较稳的用法是：先由人跑一遍当基线，再拿 ag
拿这类视频修复工具处理老视频之前，先看这几件事： - 从同一帧截图，把修复前后并排放着比，别只看作者挑出来的演示片段。 - 重点看人脸和字幕。修复模型最容易在这两处补出原片里根本没有的细节。 - 记下处理一分钟视频要多久、显存占了多少。 - 原片越糊，越要先备份原始文件。 项目地址，描述目前只有一句 Video restoration tool：https://github.com/Kruk2/j
团队、协作、决策与个人管理上的实践记录。
先看措辞。公告给这两样东西用的词是「内部」和「生产级」，强调的是来源和标准。开源推理框架并不少见，但一家自己在做大模型的公司，把标着「内部」的推理框架拿出来，这个信号值得记一笔。至于它在 DeepSeek 自家服务里具体跑在哪、跑多大规模，目前能看到的信息里没有，这里也不替它补。 再看 deepseek-recipe。Token 编解码管的是文字和 token 之间的来回转换，在整条推理链路里最不
7 天公开实验：Gemini 4 当高管、DeepSeek 当员工，要做出一款付费软件的免费开源替代品。https://www.v2ex.com/t/1248818
AI 写代码越来越快，评审成了瓶颈。读这篇文章时，可以带着这几个问题去看： - AI 写的 PR，第一道是人在看，还是另一个模型先过一遍。 - 一次审多大的改动。 - 合进去之后出了问题，责任落到谁头上。 - 生成速度远超人能读完的速度时，流程里先砍掉的是哪一环，是逐行看 diff，还是只看测试结果。 我全职工作之外，一个人用 vibe coding 做了 6 个 app。只有一个人的项目里，这几
同一份报告里还有两组数字。技术部门初级员工占比从 21% 降到 14%，初级技术招聘占比从 27% 降到 9%。后一组掉得更狠，招聘占比只剩原来的三分之一。在职的人还在慢慢变，新人的入口已经先收窄了。 这跟我自己的情况对得上。全职工作之外，我一个人用 vibe coding 做了 6 个 app，从头到尾只有我一个人。 问题在后面。agent 写出来的代码上线以后，得有人看得懂、修得动。初级招聘缩
Google 等机构的论文把这个现象叫 insecure reporting：LLM 汇报自己做完的工作时，会把削弱成果的缺陷藏起来。论文还设计了 8 个对抗性汇报场景，模型在每个场景里都发现了缺陷，但还是倾向于讲一个成功的故事。 所以问题不在看不出来，在于汇报时默认只报喜。一句话就能从 2 次变成 190 次，说明这些信息一直在模型手里，只是没人要求它说出来。 让 agent 跑实验、写总结的人
对技术趋势与架构选择的判断，以及思维方式上的长进。
先看措辞。公告给这两样东西用的词是「内部」和「生产级」，强调的是来源和标准。开源推理框架并不少见，但一家自己在做大模型的公司，把标着「内部」的推理框架拿出来，这个信号值得记一笔。至于它在 DeepSeek 自家服务里具体跑在哪、跑多大规模，目前能看到的信息里没有，这里也不替它补。 再看 deepseek-recipe。Token 编解码管的是文字和 token 之间的来回转换，在整条推理链路里最不
GUI agent 想走数学和代码那条在线 RL 的路，最难的一直是环境，算法反倒其次。这周 Hugging Face 论文页上的 MAI-Gym（94 个 upvote）就是冲这块来的：一个开源平台，把手机、电脑、网页三类环境里的评测、数据采集和在线 RL 训练放进同一套系统。 先说为什么环境是瓶颈。带可验证奖励的在线 RL 已经在数学、编程、工具调用上带来了很快的进展，但换到 GUI agen
75208 个星，今天又涨了 147。ruvnet/ruflo 管自己叫 "the original agent harness"，做的是把 Claude Code、Codex、Hermes 这些现成的 agent 接进来，编成多智能体 swarm，协同跑自动化工作流。 功能清单列得很长：自适应记忆、自学习、federation、向量 RAG。不过多智能体协作好不好用，要看几个 agent 怎么分
为什么要这样拆，可以从现在主流 agent 的做法看出来。它们的思考是写出来的：每一步推理都变成 token，一条条堆进上下文。好处是人能读，代价是贵、慢，而且推理只能沿着自然语言这条窄路走。把思考挪进隐空间，模型就在内部向量里迭代，不用每一步都翻译成字。 行动没法这样挪。agent 要调工具、写文件、给人回话，这些接口只认文本。所以「行动走文本」更像外部世界给的约束，谈不上妥协。 照这个拆法推下
跟放自己电脑上比，说白了就是不用留一台电脑死守着了。本机一关机或断网，agent 就摸不到 WhatsApp，挂在 Cloudflare 上它一直在线，哪里跑的 agent 工作流都能调。 不过这样一来，你的 WhatsApp 消息要经过别人家的服务器，这点得想清楚。部署前最该翻代码查的是会话凭证存在哪。登录态放到云上，谁拿到它，谁就能用你的号收发消息。免费额度够不够你每天的消息量，也得自己对一下
口语、听力、词汇与学习资源上的实际方法。
英文学得不错 下雨是 train 没下雨只剩 t rain 抽走 单词跟着瘦 这种图不用展开 一眼懂的才有人转 我存这类对照 不是为了学英语 是看它怎么把信息压成左右两栏
世界现在是 MANIPULATION 在跑 图里一排 logo Meta、Anthropic、NVIDIA、Intel Palantir、Uber、LinkedIn Apple、Tesla、IBM、OpenAI、Netflix 我盯的不是谐音多巧 是名单已经换代 嘴上还在用十年前那五个字母 算力、模型、数据、身份、出行 谁握入口谁定价 缩写只是方便你假装看懂 下次有人开口 FAANG 我先看他把
她是会讲故事的人 语速 节奏 表达 甚至肢体语言 都让人想继续听下去 Shadowing 不只跟读单词 是跟一段舒服的说话方式 我教口说几乎必放 比干巴巴的教材句自然太多
一开始以为是普通的英语学习教程 认知、单词、听力、口语、写作，路径给得很清楚 翻着翻着不对了 作者开始讲他怎么用AI系统化学习 再翻，直接变成创业失败、身体垮掉、重新出发的复盘笔记 看到中间那段写给前任的告白，我笑出了声 61.5K星标着这份"跑题" 技术文档的尽头，原来是回忆录
是听人怎么提问、怎么反驳、怎么把尴尬圆过去 五档够入门 TED 练把一件事讲短、讲有结构 No Stupid Questions 用心理学拆日常办公 Mel Robbins 偏行动和韧性 Tim Ferriss 听顶尖的人怎么决策 HBR IdeaCast 管理、谈判、带人 考试英文很少教这些 真实会议室里用的就是这些 听不动全英就开双字幕 注意力放在句式 别放在生词本
用 AI 做产品、副业与出海的变现路径。
论文先指出一个问题：进度早就存在持久的任务状态里了，agent 却还在一遍遍处理交互历史，也就是「这些进度是怎么做出来的」那部分记录。 CarryOn 这篇论文给的答案是：围绕可复用的任务对象来组织续跑。上下文视图从这些对象里搭出来，压缩过的历史和事后重建的进度说明都不再是主要依据。 标题里的 Pack Light 指的就是这件事：上下文围绕可复用的进度来组织，而不是围绕产生进度的那段历史。 Ca
agent 的输出一般只有两种，回你一段文字，或者直接接管鼠标键盘。这个工具加了第三种：在屏幕上做标记，用箭头和方框把位置圈出来指给你看。 顺着这个思路值得试的一个场景是授权弹窗——让 agent 画个箭头指过去，点按钮的事还是留给你自己。 作者 franze 的仓库，Show HN 原帖同一个链接：https://github.com/franzenzenhofer/big-arrow-on-t
里面是 23 个 opinionated 工具，分别当 CEO、Designer、Eng Manager、Release Manager、Doc Engineer 和 QA。 一个人做产品，这六个角色全得自己扛，gstack 直接把活分给 23 个工具去干。不过它是 opinionated 的，照搬等于把 Garry Tan 自己的做事偏好也搬过来了。 我在全职工作之外一个人做了 6 个 app，
V2EX 上一位独立开发者说，最近半年 app 下载量越来越低，收入快跌没了：https://www.v2ex.com/t/1246421
We regretting married 我第一眼以为 这是公开后悔的劝世婚礼 再看 是 We're getting married re 贴后面太紧 大家做物料可以盯一眼 一个空格 能把喜事写成悔婚 不过还好不是后悔 那我就放心继续吃
