有人把 WhatsApp MCP 挂到 Cloudflare 上免费跑，Show HN 53 分、37 条评论。
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
Kruk2/jasna 今天上了 GitHub Trending，一天涨了 115 星，总共 2499。项目描述只有一句：Video restoration tool。
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
HKUDS/CLI-Anything 在 GitHub 上已经有 52611 颗星，今天又涨了 103。它的口号是「Making ALL Software Agent-Native」，意思是让所有软件都能直接被 agent 调用。
这句话的重点在它选的接口。让 agent 用软件，一条路是操作图形界面：看截图、找按钮、点鼠标，又慢又容易点错。命令行是另一条路，输入是文本，输出也是文本，正好是大模型最擅长读写的东西。从名字看，CLI-Anything 押的是命令行这一层，入口放在文本上，不放在鼠标上。 第二个信号是星数的走势。一个 52611 星的项目一天还能进 103 颗，说明它的热度不只靠发布那一波，一直有人在找过来。项目
ts-rust 把 TypeScript 的编译器、类型检查器和语言服务器从 Go 搬到了 Rust。作者说代码全部由 LLM 写，他自己没读过。
两边放在一起看： 原版是微软仓库 microsoft/TypeScript 里的 Go 实现。 ts-rust 是 Rust 版，代码由模型写，作者本人一行没看。 移植恰好是 LLM 最占便宜的一类活。原版就是现成的标准答案，同一份 TS 代码丢给两边，类型报错和补全结果一不一样，一跑就知道。所以作者读没读过代码，关系不大，要看的是有没有拿原版当裁判、对照了多少用例。 目前能看到的只有作者那一句声
LingBot-Map 的信息几乎全压在标题里，能看到的就是几个关键词：Geometric Context Transformer，Streaming 3D Reconstruction，前面还挂着 ECCV 2026 Best Paper
LingBot-Map 的信息几乎全压在标题里，能看到的就是几个关键词：Geometric Context Transformer，Streaming 3D Reconstruction，前面还挂着 ECCV 2026 Best Paper Award Candidate。拆开说就是把几何上下文交给 Transformer，做的是流式的三维重建。流式的意思是数据按流进来，重建跟着往前走，不是攒够一
open-code-review 今天涨了 326 星，仓库总共 45366。阿里这个代码审查工具用混合架构，确定性流水线加 LLM Agent，评论精确到行。
• 内置多语言规则集点名了四类：空指针、线程安全、XSS、SQL 注入。 • LLM Agent 那一半兼容 OpenAI 和 Anthropic。 • 简介写的是 secure、fast、efficient，并称在阿里的规模上验证过。 阿里开源的混合架构代码审查工具 open-code-review：https://github.com/alibaba/open-code-review
美团开源的 LongCat-Video 在 GitHub 上有 8783 个星，今天又涨了 44。我写的 agent octopy 每天从十几个信息源里挑选题，今天它从 GitHub Trending 里把这个项目挑了出来。
星数能说明关注度，说明不了模型能不能用。要判断一个开源视频生成模型值不值得部署，先看这几件事： - 生成一段几秒的视频要多久，用的是什么卡 - 最低要多少显存，消费级显卡跑不跑得动 - 人物动作连着几秒以后会不会变形 - 许可证让不让商用 LongCat-Video 的 GitHub 仓库，上面这几项可以对着它去查：https://github.com/meituan-longcat/LongCa
读 PhD 做的是压缩感知，结果给 coding agent 省 65% token 的办法，是让它像原始人一样说话。
caveman：让 coding agent 用原始人语说话来省 token 的 skill 和 proxy，号称能省 65%。https://github.com/JuliusBrussee/caveman
会议记录我烦两头
开完没人写 自己做工具又得先会写代码 hearby 做成了能装的包 原帖说不会写代码的人也能装 我还没装 我认这个切口 重复的记录 不该卡在「你得先会编程」 仓库在回复里 好不好用 我装了再讲
又一个编程 Agent 把工作台开源了
叫 ZCode 桌面、网页、终端、运行时都在仓库里 GLM 能接 OpenAI、Anthropic 那类接口也能接 Apache-2.0 星数我没抄 我盯的是还要不要搬家 模型接口可以换 三处入口在同一套里 我就懒得把对话再搬去下一个窗口
跟 AI 写代码的对话
很多人以为躺在工具里就安全了 换工具、重装、App 清一次缓存 全没了 有人做了个开源小工具 把 Claude Code、Codex、Cursor、Windsurf、Aider 这些本机记录捞出来 转成同一种 JSONL 路径、diff、工具调用都留着 一共 10 种工具 备份、自己做分析、微调都能用 我最近也在想怎么把旧会话完整迁走 这个方向对
人人都在卷更聪明的模型
我今天只记住三个小切口 逼 Agent 闭嘴直接给答案的 Skill 贴屏幕边、BYOK 也能跑本地的侧边栏 把求职流水账收进本地的追踪器 产品机会经常不在智商榜 在少惹人烦 在取消月费绑架 在把混乱压成一个专用入口 切口越小 痛点越尖 i-have-adhd SideNote Pro Seisin
有人把 agent harness 砍到 200 行 Python
两个工具 一个跑 shell 一个看图 写给模型自己读 不是给人点的界面 我喜欢这个狠 harness 小到 agent 能把源码读完 就不用浪费回合学 CLI DeepSWE 113 题它解了 73 Codex CLI 是 72 效率打平
团队里每人开一个 coding agent
踩过的坑往往死在个人会话里 新人下周再踩一遍 腾讯开源了 TeamAI skills、rules、docs 丢进同一个 Git 走 PR 合入 下次开会话靠 hook 自动拉到本机 Claude Code、Cursor、Codex 都能吃同一套 一个人硬啃出来的 workaround 可以变成全队默认 共享手册 比再买一套聊天机器人更贴地
AI 交了一堆代码
过两个月打开 git log 我想不起它当时为什么这么改 Atlas 就是冲着这件尴尬来的 每次 agent 跑完留一个 checkpoint commit 和当时的 prompt、工具调用、推理绑在一起 几个月后还能倒查是哪个 agent、哪句指令动的 Claude Code 和 Codex 可以同窗口对着一个仓库 这边做的决定会进那边下一轮提示 你已经写过的 CLAUDE.md、AGENTS.
Markdown 只是草稿
给人看的成品应该直接是 HTML HTML Anything 干的就是这步 笔记、CSV、Excel、JSON 丢进去 它调用你电脑上已经登录的 coding agent 吐一份能发布的单文件 HTML 不用再填一套 API Key Claude Code、Cursor、Codex、Gemini CLI 本机有会话就能用 我最烦的是 稿在 md 里看起来很完整 丢到公众号和小红书还要再排一次 这个
App 卡在上架图
我见过太多人代码写完 截图和预览视频死在 Simulator 里 Goldie 是给 coding agent 用的 回放操作流 套上设备边框、背景、标题 再拼成符合苹果规则的预览 我下次做 app 会先把这层当流水线 不当手搓海报
面试官出的AI Coding题，大部分人只有考完那一次机会看到
这次有人把三道真实公司的面试题开源了 作者做过匿名化处理，公司和面试官信息全部拿掉，但技术目标和验收标准原样保留 三道题分别是 Computer Use Agent Dashboard，一个带隔离桌面的Agent系统 React Native截图行动Agent，48小时限时，考多模态和原生工具调用 Jira风格任务管理系统，一天内交付MVP 91颗星，说明不少人已经在按这份题库练手 面试信息差这件
8GB 显存，能不能跑 27B？我用 RTX 3060 Ti 实测 Qwen3.8-27B
先说答案：能跑，但不算流畅。 我在一台 Windows 台式机上，用 RTX 3060 Ti 8GB 跑通了 Qwen3.8-27B。命令行生成速度约 1.7 tokens/s，本地 API 测到约 1.9 tokens/s。 这个结果适合技术验证、轻量问答和偶尔写作，不适合拿来做高频编码助手，更别说多人服务。 如果你也是 8GB 显存，最重要的不是照抄我的每个参数，而是先选对路线：**GGUF
AI 写出来的代码
我现在不太敢直接在本机裸跑 Docker 隔离不够硬 它还跟宿主共内核 云沙箱能硬 但按用量一直烧 有个东西叫 microsandbox 本机起一台微虚拟机 宣传是 M1 上平均不到 100 毫秒 硬件虚拟化 不共享内核 OCI 镜像还能接着用 密钥不进 VM 代码跑飞了也难把钥匙带出来 7.5k 星 今天还在涨 适合跑 agent、用户脚本、来路不明的插件
AI 在大仓库改代码，最怕的不是不会写，是猜不清「这个函数到底被谁调用」。
code-graph-rag 把整个 monorepo 用 Tree-sitter 编成知识图谱 你的问题翻成 Cypher 去查图 改代码走 AST，先出 diff 再落盘 不是再 grep 赌运气 是让 Agent 先看清结构，再动手
把电影号剪辑从熬夜手工，压成 Claude Code 一条指令——这是 video-recap-skills 想做的事。
自然语言 → 中文解说成片，面向 Claude Code / Codex 等宿主。 能省重复劳动，但素材版权、配音质量、平台审核仍是你的责任。 链接放评论。
很多人担心 AI 写代码“能跑但不专业”——变量命名乱、没测试、架构随手拍。
Addy Osmani（Google Chrome 团队）把这个问题系统化解决了：agent-skills 是一套面向 Claude Code、Codex、Cursor 的工程规范库，覆盖代码质量、测试策略、架构规范，相当于给 AI 装了一个资深工程师的习惯。 GitHub Trending 第二，83k+星，今天涨593，值得收藏备用。
跨平台还要原生，这两个要求放在数据库工具上通常很难同时满足。
gridex做到了：macOS、Windows、Linux都是原生应用（用Swift+AppKit构建），一个客户端里能连PostgreSQL、MySQL、SQLite、Redis四种数据库。 主打键盘驱动的快速操作，不是那种鼠标点来点去的臃肿IDE。 开源，814星标。
AI 写代码已经很快了。
还烦人的是：App 截图、上架、改商店文案。 做新 App 时，这三个拼起来，基本不用再手点模拟器： 1. mobile-mcp：让 agent 直接操作模拟器截图 2. app-store-screenshots：快速出商店截图 3. asccli.sh（iOS）：命令行管 App Store Connect 开发加速只是一半。 上架流水线自动化，才是另一半。
浏览器里直接盖 3D 建筑。
Pascal Editor：开源 3D 建筑编辑器 React Three Fiber + WebGPU 节点式场景：墙、板、门窗、楼层…… 不是渲染 demo，是能改能存的编辑器。 约 2 万 star。
很多人找 AI 编程工具，最后装了一堆「限制模型别乱来」的壳。
OpenPRD 反着来：强化 AI，而不是把 AI 捆住。 Codex 上到 5.6 以后，这种差别更明显——同一任务里你能直接看到「能飞」和「被卡住」。 适合已经会一点 Vibe Coding、嫌护栏太多的人。
百度网盘 - 闲鱼 MCP 一键发布，让你有价值的资料变成持续赚钱的机器
你网盘里是不是也躺着几十个 G 的资料？真正卡住你上架闲鱼的，往往不是「有没有货」，而是那套重复劳动：翻文件夹找素材、下载到本地、开闲鱼网页填标题图价格、点发布——每一件新货都要重来一遍。 这套重复劳动，够格交给 Agent 做，你只需要最后点头确认。 今天讲的就是这条链路：**百度网盘 + 闲鱼 + Agent（MCP）**。 把网盘接成工具，把闲鱼接成工具，再串成「找资料 → 写介绍 → 打草
学大模型最缺的不是理论，是能跟着敲代码的教程——尤其还得是中文的。
dive-into-llms 刚好补上这个空：上海交大张倬胜团队出的 11 章实战课，每章配讲义 PDF 加可执行 Notebook，从微调、提示工程讲到 RLHF、多模态、GUI agent，连越狱攻击和 agent 安全这种进阶内容都覆盖了。 GitHub 44.9K star，今天单日涨 654，说明真有人在用。 全中文，边学边改代码，不需要去看大量英文论文。
能不能在 Claude Code、Codex、Cursor 这些 coding agent 之间随便换着用还不丢上下文？
有人把这事做成了开源项目，叫 Portable Resume。思路挺干净：不是硬唤醒你原来那个 session，也不启动来源的 CLI，只是离线读一遍本机记录，整理出一份能带走的交接文档，扔给新 agent 接着干。 目前已经做到 8 个来源对 8 个目的端全覆盖。 想试的话，一条命令 pipx install portable-resume 就够了。