从 0 开始的电商，自己 vibe coding 搭出来的，架构分享：
Cloudflare（CDN + WAF + 缓存） ↓ Railway（Next.js 15.5 + Medusa V2） ↓ PostgreSQL 18 + Redis 8 一键 Docker 部署，全栈全搞定。
简历上写"AI-native"的人越来越多。
Airbnb / Dropbox 出来的 CPO Jiaona Zhang 不看简历，直接看你操作屏幕，几秒判断你在哪级： Level 1：把 Claude 当高级 Google 用 Level 2：会自动化某段流程 Level 3：自己做出小工具 Level 4：做的东西真的有人在用 残酷的是：大多数自称 AI-native 的，都停在 Level 1。 她团队的 PM 自己能从前端写到后端直接
1️⃣ 越来越多人直接问 ChatGPT / Gemini，不再 Google。
这意味着：你的品牌有没有出现在 AI 的回答里，开始直接影响曝光。 传统 SEO 还要做，但只做 SEO 已经不够了。AI SEO 到底怎么做？5 条拆完👇 1/5 2️⃣ 第一步：让 AI "看得见"你。 爬虫靠链接移动，动态加载、无限滚动、JS 渲染的内容，AI 根本看不到。 三件事要检查： - 重要页面用 SSR 服务端渲染，别用 CSR - 筛选器、分类页要有静态链接，不能只靠 JS 触
马斯克说普通人想问题都很笨。
那聪明是什么？ 他的答案：第一性原理。 不要从别人的结论开始思考。 要追问到底：这件事的基本事实是什么？ 他当年问：火箭为什么那么贵？ 不接受「航天就是烧钱」这个结论， 一路拆到原材料成本， 发现原材料只占售价的一小部分。 大多数人输掉，不是答案错了， 是从别人的答案开始的。
新的 AI 原生浏览器 Aside 来了。
官方直接宣称自己是 SOTA browser agent，在 Online-Mind2Web、BU-Bench-V1、Odysseys 三个 benchmark 都拿下第一。 YC F25 项目，从底层重构浏览器，同时服务人类和 AI agent。
什么样的文章真正有价值？
PG 说：挑战认知盲区的那种。 不是你不知道的知识（经验问题）， 而是你本应知道却因思维定势错过的洞见。 这是最难写的，也是影响最深远的。 好文章让人觉得：这道理我早该明白的。
GLM-5.2 出来了。
在开源 Agent 模型里，被评为一次真正的跃升。 多步推理和工具调用，逼近闭源模型水平。 可本地部署，数据不出境。 对有数据合规要求的企业，这是重要选项。
做手机 GUI 自动化的很多，但大多数在长任务上会忘事。
快手出了 MemGUI-Agent，核心是主动上下文管理： 主动决定记什么、忘什么，不是被动等上下文溢出。 这才是长时域 Agent 真正难的地方。
清华 AIR 开源了一个 OS 级 Agent 框架。
最有意思的不是能做什么，而是怎么做到安全。 OS 级 Agent 最大的顾虑：它会不会乱动我的文件？ 这个框架重点解决了安全隔离和个性化。 方向对了，早晚是基础设施。
微信读书 CLI + Obsidian，重塑了我约四分之一的人生。
agent 懂我，推书；AI 补拼图，每天一本的精炼就够，有时一个概念 shock 就值。Obsidian 从 RAG 仓库变成「问题清单 → 次日定向推章」的闭环。 要 Claude Pro、微信 CLI、weread 插件，和你对自己的诚实叩问。
你听过 Base44 吗？一个以色列工程师，31 岁，一个人做的 App，六个月就卖了 8000 万美元。
他叫 Maor Shlomo，2023 年 10 月以色列遭袭后被征召入伍，退伍后一个人去旅行，顺手做了这个工具。 Base44 是一个「用说话就能做 App」的工具。你像跟 ChatGPT 聊天一样描述需求，它就能直接生成可用的网站或小程序（现在流行的 vibe coding）。 上线三周，年化营收破 100 万美元； 六个月，用户 30 多万，年化营收 350 万美元； 全程没拿过一分钱投资，
分享一个比较 hardcore 的企业内部 FDE 团队搭建思路。
制造企业不应该把 FDE 完全丢给 IT helpdesk，也不该只放在数据科学团队。推荐的组织方式是「AI Deployment Office + 制造工程 embedded pod」：Office 负责平台、安全、MLOps 和模型治理；pod 则贴近 fab、良率、设备和规划一线，对真实 KPI 负责。 人才组合上，外部招聘适合补 LLM/RAG/Agent、MLOps 和数据平台能力，但制
特斯拉 Optimus 人形机器人，和 FSD 全自动驾驶其实是同一套具身 AI 计划的两条腿。
Optimus 和 FSD 一样，都是基于视觉的 AI 系统，主要通过摄像头获取信息并输出控制指令。特斯拉的长期目标，是把 FSD 和 Optimus 的底层 AI 架构统一起来。 和 FSD 相比，Optimus 的输入更多（增加了触觉传感器），输出也复杂得多。 它需要同时控制手臂、手、腿、脚、躯干和头部，完成多步骤的复杂任务（比如做饭：识别食材、打开冰箱、选择厨具、按顺序烹饪）。 这对模型的长
特斯拉 FSD 的训练分为两个阶段：模仿学习 + 强化学习。
先用海量人类驾驶数据训练模型，让它学会“像人一样开车”。但仅靠模仿，模型很难超越人类，因为训练数据的质量有上限。 这时候就需要强化学习登场。 强化学习的核心是：在模拟器里让模型疯狂试错。 模型会生成大量不同驾驶轨迹（刹车、转向、变道等），每条轨迹都会被打分。安全、流畅的轨迹得分高，不安全或犹豫的轨迹得分低。 经过数百万次迭代，模型会逐渐内化“更好的驾驶方式”，而不是单纯复制人类。 FSD 14 的
每日三件事：建模、建仓、健身。
分别对应：认知复利、资产复利、生理复利。
OpenFate 开源了 bazi-mcp，一个给 AI Agent 用的八字排盘 MCP。
核心就一句话：别让 LLM 自己算干支和节气，容易 hallucinate。排盘交给确定性引擎（真太阳时、时区、子時換日、冲合刑害），AI 只负责解读返回的 JSON。 一行接入 Claude / Cursor / Codex： npx -y @openfate/bazi-mcp 计算全在本地跑，不上传数据。MIT 协议。
OpenAI 发了第一款自研 AI 芯片 Jalapeño，主打 LLM 推理。
早期测试 performance per watt 优于 SOTA，这类说法关键不在口号，在对比环境和 workload。是不是自家吹的，得等 technical report 才知道。 九个月 tape-out 确实快。官方说是模型加速了芯片设计；我更倾向另一个解释：目标 workload 就是 LLM inference，设计空间收，Broadcom 扛了大部分工程活。 从模型到芯片到云，fu
「Oh My Hermes」把 Hermes 从嘴炮机器人，直接升级成真正能干活的开发与运维搭档。
一次装完，就拥有 20 个技能：需求梳理、产品规划、设计交接、选技术栈、写代码、部署、连数据库、监控通知、GitHub 操作……从 0 到上线一条龙。 还内置 5 个专属 Agent（CTO、PM、Dev、QA、Ops），在看板上明确分工、真实协作。
Codex 里有个我最近常用的小技巧：明确要求用 sub-agents（子代理）干活。
默认往往是单 Agent 从头跑到尾。你在提示词里加一句「用 sub-agents 协助执行」，它会先拆任务、起多个分身并行，最后由主 Agent 汇总。 好处：并行更快，分工不同角度，复杂任务质量往往更好。代价是 token 更费。 稍微复杂点的项目，值得一试。
2026 建网站，别按热度选框架，按你会不会写代码选
不会写代码：Wix 先上线，Webflow 要设计感，Framer 做高颜值落地页 要卖货：Shopify，别自己造轮子 要内容+SEO：WordPress 老炮，Astro 新派 要工程团队：Next.js 默认，Vue 栈选 Nuxt 八个名字，其实就四类：小白建站、设计师建站、电商、工程师建站 先定你是哪类人，再定框架。反过来必踩坑
刚看到 Databricks 团队推的 Omnigent，超实用的 open-source AI agent meta-harness！一次管理多种 coding agent，sandbox 隔离超安全，还能在手机上继续接力工作。台湾工程师
刚看到 Databricks 团队推的 Omnigent，超实用的 open-source AI agent meta-harness！一次管理多种 coding agent，sandbox 隔离超安全，还能在手机上继续接力工作。台湾工程师在搞 agent 项目的，强烈建议先 star 起来试试👀
你有没有发现，工程师文化里有一种很奇特的现象：“不需要说明”本身就是最大的说明。
资深工程师说“这段 code 看就知道在干嘛，不用加注释”，然后所有人点头，包括你。 但你点头的当下，心里其实有个问号，只是没说出来。这很正常，我们都这样过。 问题在于，三个月后那个“看就知道”的函数没人敢动，因为没人知道当初 if/else 为什么那样写，连原作者自己也要花五分钟回忆。 这背后是认知偏差：写代码时思路清晰、逻辑连贯，所有背景都在作者脑子里，所以“自解释”。 一旦离开情境，清晰就消
最近 Design Arena 评测：GLM-5.2 在单轮 HTML 网页设计上干掉了 Fable 5，拿下第一！
Claude 产品线（Fable 5、Opus 系列）之前一直霸榜，这次被开源模型第一次拉下来。 GLM-5.2 是 MIT 开源、744B 参数。 对手参数据说能大它 6.7 倍，还没有视觉能力。 但 GLM-5.2 还是赢了。 这说明开源模型在网页设计任务上，已经能和最强闭源模型正面刚了。 价格方面也更具优势。 对开发者来说，这是个好消息——开源路线在特定场景越来越能打了。 你会考虑用 GLM
Python 有个开源包 pyJianYingDraft，能直接用代码创建剪映草稿。
配合 WorkBuddy 这类 AI 智能体，就能实现视频自动剪辑。 不用每次手动拉时间线、加字幕、调特效了。 核心是把剪映的操作暴露成可编程的接口，你可以用脚本（甚至让 AI 帮你写）批量生成草稿、混剪、导出。 这其实是在把「视频后期」这个最耗时耗力的环节，逐步代码化和自动化。 对 indie hacker 和需要高频发短视频的人来说，这类「草稿生成器 + AI Agent」的组合，正在把内容生
想搭知识库？GitHub 上这几个开源工具分工很清晰：
FastGPT：基于 LLM 的知识库平台，工作流、问答、数据集管理完整，适合企业快速搭建。 LLM Wiki：桌面端文件整理成互联知识库，适合个人笔记和本地查阅。 llm-wiki-agent：扔资料让 AI 自动读、整理、维护，像会自己更新的 wiki。 OpenKB：轻量开源知识库，适合先跑最小可用版本。 不同需求选不同工具。 项目链接： FastGPT: https://github.co
刚刚发现一个很有意思的开源项目 —— Paca 🦙
一个完全免费、可自架的 Scrum 项目管理工具，可以取代 Jira、Trello、ClickUp、Monday。 最特别的地方是：AI agent 不是外挂 chatbot，而是直接作为「队友」加入 Scrum 团队 —— 一起在同一个看板上认领任务、参与冲刺规划、协作撰写需求文件。 支持 Claude Code /paca 指令，也有 MCP Server 可接入各种 AI 工具。完全开源（A
薅羊毛机会。 DeepSeek V4 Flash 通过 OpenModel 限免，截止 6月28日：
薅羊毛机会。 DeepSeek V4 Flash 通过 OpenModel 限免，截止 6月28日： - 1M token 上下文 - 支持图像输入 + Agentic 任务 - 生成速度 100-127 tokens/s - 登录即得 API key 还有 6 天，去拿。
想系统学习大语言模型（LLMs）？
推荐这份精选课程榜单！ 《10 Best Large Language Models Courses and Training (2026)》 收录了 Coursera、DataCamp、Udacity、Udemy 等平台的 10 个顶级课程，覆盖提示工程、微调、LangChain、生成式 AI 等主题。 有免费入门课，也有实战项目，适合不同水平的学习者。
小米开源 Code 工具来了！
Mimo Code 免费开源，基于 OpenCode 做了不少优化： - 无限上下文自动压缩 - 多决策并发生成最优解 - 支持 goal、dynamic workflow、自进化等 很多需要手动调的东西直接集成，设计理念很不错。 值得研究借鉴，小米 AI 团队的设计品味也在线👍
腾讯AI开发面试题看下来，有点意思。
他们最看重的不是大模型能写多漂亮的回答，而是： - 怎么解决Token限制和长期记忆问题 - 用什么架构让Agent可控（LangGraph、FSM、ReAct） - 工具怎么Skill化、复用 - 加上扎实的后端基础（设计模式、高可用） 一句话：现在大厂要的是既懂大模型特性，又能把系统真正跑起来的工程师。 只会调API的，越来越没竞争力了。