最近 GitHub 上有个叫 Ponytail 的项目突然火了。
它不是新的 AI 编程工具，而是给 Claude Code、Cursor、Windsurf 这类 Agent 加了一个「懒惰资深工程师」人格。 核心就一句话： 最好的代码，是根本不用写的代码。 现在 AI 的通病是太爱写东西。一个小需求，它能给你整出一堆组件、抽象、配置和依赖。 真正有经验的工程师只会先问： • 标准库有没有？ • 浏览器原生支不支持？ • 已有依赖能不能解决？ • 一行代码够不够
AI时代，打造一个有完整商业闭环的App，时间成本被压得很低。
一个App做了五页面，前后端完整架构，数据库用Supabase，金流接RevenueCat，会员系统用Apple登录。 从Wireframe到Prototype，到开发完成送审Apple，只花了四周。 没有AI的时代，大概要花三到四个月。 这意味着实验成本大幅下降。想做的事，可以更快试、更快错、更快迭代。 对想做一人公司的人来说，这其实是个结构性的机会。
用 Codex/Claude Code 写代码的开发者一定懂：
你下一个大指令，AI 开始进入「Thinking…」，终端机出现转圈圈的 Spinner。 这段尴尬的 2-3 分钟「时间空档」，你都拿来做什么？ 切去刷 Threads？看 FB？结果一去不回头，直接分心半小时？ 罗马尼亚一位老哥 Dragos Roua 觉得这样太浪费专注力了，于是写了这个超疯狂的开源项目：compaction-tetris （大概是让你在等待时玩个小游戏保持状态？） 谁用 A
做 AI 模型的公司，可能不是最终的大赢家。
真正赚到系统性利润的，是让 AI Agent 在现实世界跑得通的基础设施。 这几类管道最关键： - 支付管道（Stripe、Coinbase、x402） - 网络管道（Cloudflare） - 商业管道（Shopify） - 企业管道（Salesforce） - 数据管道（Palantir、Databricks） Agent 需要这些东西才能真正「干活」。 模型公司卷参数、卷价格、卷上下文。 但
/1 NVIDIA 最近开源了一个叫 SkillSpector 的工具。
专门用来扫描 AI Agent 的技能文件，检测漏洞、恶意模式和安全风险。 这事儿来得正是时候。 /2 现在大家都在疯狂做 Agent。 随便一个 repo 就能让 Claude 帮你写一堆 tool calling skills。 但这些 skills 到底安不安全？有没有后门？会不会泄露数据？ 没人审。 /3 SkillSpector 就是来填这个坑的。 它能自动分析 Agent 的能力描述、
AI coding 又往前迈了一步。
一个12B的本地模型，直接把Fable 5的推理链蒸馏了进去。现在消费级显卡就能离线跑出顶级coding能力。 这个Gemma 4 12B Coder GGUF基于Google的gemma-4-12B-it微调，专攻代码生成和复杂推理。训练时塞进了Composer 2.5的真实通过案例，还让Fable 5帮忙补全难搞的case，结果每一步推理都指向能真正跑通的代码。 最实用的是走GGUF格式，12
OpenAI Codex 团队只有 40 个人。
1 个 PM + 2 个设计师 + 37 个工程师。 结果呢？ 99% 的代码是 AI 生成的。 而且他们跑得飞快。 具体怎么干的： - 每个工程师同时跑 4 个并行 agent（code review、功能实现、安全审计、代码库摘要） - PM 用 Codex 处理用户 issue，1 小时能跑完 100+ 个，大部分 24 小时内修复 - 功能开发经常 2-3 人甚至单人从规划到发布 - 99
1/ 这篇 HN 文章提出了一个很有意思的框架：Inverse Rubric Optimization。
核心思路是：不要让 AI 直接去优化某个目标，而是反过来用「rubric」（评分标准）来约束和评估。 2/ 传统做法是：给 AI 一个任务 + 一个模糊的「做好」的定义，然后让它迭代。 结果经常是：它优化了容易衡量的东西，却牺牲了你真正关心的隐性标准。 3/ Inverse 的做法是：先写一个详细的 Rubric，列出「好」应该包含哪些维度、坏会表现出哪些问题。 然后让 AI 在这个 Rubric
1 Karpathy 的 autoresearch 出来后
有人直接拿它做了真实世界的交易系统 在 Polymarket 上搞了一个比特币 5 分钟自动交易机器人 回报 +40% 项目已经开源 还能直接用 Claude Code 或 Codex 执行整个研究循环 给它一个「研究机构」的指令 它只改一个策略文件 跑短周期实验（这里是 5 分钟交易 cycle） 评估真实指标 只保留变好的改动，扔掉没效果的 不断自我迭代 睡觉前扔给它，早上起来收一堆实验日志和
YC 现任 CEO Garry Tan 开源了他自己每天用的 Claude Code 工作流
项目叫 gstack 他要解决的问题是： AI coding agent 只有一种模式，你叫它做什么它就做什么 但实际开发里每个阶段需要的脑袋完全不一样 想产品方向的时候要创办人的直觉 做技术规划的时候要工程主管的严谨 review 代码的时候要什么都不信的资深工程师 部署的时候要一个不废话直接把事情做完的人 核心概念是把 AI 拆成多个专门角色，用 slash command 切换 Garry
一家年营收超过 300 亿美金、3 万多名员工、几十个 Division 遍布北美的基建材料公司
外面几乎搜不到它的科技子公司 因为这家子公司完全服务内部，外面的人根本不知道它存在 子公司下面有数百个开发者 公司做了一件事：全面订阅市面上所有主流 AI 开发工具 Claude、Copilot、Gemini，想用哪个就用哪个 只需要在内部网站申请一下，不需要审批、不需要报告，直接开通 更关键的是后面发生的事 内部工程师开始自发分享 怎么用 AI、踩了什么坑、学到了什么 没有人强迫，也没有人盯着要
1 致富有三条路，但只有一条真的有效。
Ali Abdaal 是 YouTube 上 649 万订阅的生产力创作者，从剑桥医学院学生，在 13 年内变成年收 200 万英镑的创业者。 他把在香港私人工作坊的 60 分钟演讲，浓缩成 3000 字精华，整理出从医学生到成功创业者的完整路径。 Ali 开场就说：「大多数人搞错了顺序。他们问要赚多少钱（how much），但真正的问题是如何赚这笔钱（how）。」 这句话直接改变了很多人对财务自
最近很多人吐槽 Claude（尤其是新版）变了：
- 啰嗦 - 过度拒绝 - 态度越来越差 - 在复杂 coding 任务里经常「摆烂」 这不是个例，是很多重度用户共同的感受。 可能的原因： 1. Safety 训练越做越重，模型越来越「政治正确」和保守。 2. 长上下文 + Agent 场景下，模型为了「负责」开始过度解释、过度警告。 3. 公司为了对齐某些价值观，把「不冒犯」优先级提得太高。 有趣的是，这和用户实际需求产生了冲突。 用户想要的
Andrew Ng 开源了 CLI 工具 Context Hub
一周内破 6000 star，收录超过 1000 个 library 的文档 它解决的问题很直接： AI coding agent 写代码时会乱编 API 你让它接 Stripe，它可能吐出根本不存在的 function name，或者半年前就改掉的旧版接口 因为模型训练数据有截止日期，它不知道 library 最近发生了什么 这听起来很像 context7 在做的事 但我研究之后发现，Conte
为了省下每天 5 分钟要做的事，我花了好几天写全自动化脚本。
昨天去咨询改简历，发现排版架构和写法其实都大同小异。 我脑子一热，立刻想做一个「简历公版神器」。 然后差点又掉进「先做一个自动化系统」的工程师陷阱🪤 这个陷阱太经典了。 我们总想花十倍的时间，先把工具造好，再去省那一点点时间。 结果往往是，造工具本身就成了最浪费时间的事。
适合个人开发者省钱实验：
1. GitHub Education：Heroku $312 额度，有效期 2 年 2. Oracle Cloud 免费层：4 Arm vCPU + 24GB RAM + 200GB 存储的 VPS 3. Cloudflare：10GB 存储当图床，出站流量好像都免费 4. Vercel：部署静态站点 5. Supabase：免费 PostgreSQL 数据库 这些服务组合起来，小项目前后端 +
1️⃣ 智谱的 GLM-5.2 最近全量开放了。
很多开发者已经在实际项目里用了，尤其是搭配 Claude Code、Cursor 这类工具。 反馈两极分化，但总体比预期好。 2️⃣ 积极的一面： - 编码能力追得很近，有些场景接近 Claude Sonnet 级别 - 中文理解和长文本表现不错 - 价格和 token 额度对国内用户更友好 - 很多人在试「Claude Code + GLM」混合使用，降本增效 3️⃣ 需要注意的问题： - 复杂
1 三个便宜模型凑在一起「开了个会」，把贵一倍的顶级模型打平了。
Fable 5 被限制访问？没关系。 OpenRouter 刚公布的实测：用一半价格，表现几乎一样。 这不是理论。 Gemini 3 Flash + Kimi K2.6 + DeepSeek V4 Pro Fusion 的做法是让它们并行接同一道题，各自带工具跑完。 然后 judge 模型把所有回答摊开，抓共识、矛盾、盲点，最后合成最终答案。 这个平价三人组 fused 之后，成绩和 Claude
1 一家牙膏公司悄悄把整个市场调研产业给干掉了，却几乎没人在讨论。
高露洁（Colgate）发表了一篇论文：只要让大模型（LLM）扮演消费者，就能以90%的准确率预测真实购买意愿。 这也太离谱了吧。 研究人员想了个办法，叫做语义相似度评分（Semantic Similarity Rating，SSR）。 他们不再让AI直接打分，而是让它角色扮演。 之后把这些想法和真实消费者的反馈做语义相似度对比。 结果：90%准确率 传统的市场调研（焦点小组、问卷、数据分析）可能
1 被裁员后，他用 Claude Code 自己做了一个 AI 求职系统，评估了 740+ 个职位，最终拿下了 Head of Applied AI 的角色。
然后他把整个东西开源了。 项目叫 career-ops，只需要一个 slash command，就能跑完整 pipeline。 粘贴一个职位链接，就能得到： 结构化 A-F 评估 + 针对该职位的 ATS 优化 PDF + 薪资调研 + 面试准备 + 自动追踪记录。 彻底告别表格、复制粘贴和盲目海投。 → 14 个技能模式（评估、扫描、生成 PDF、批量处理、申请、深度研究、谈判脚本、Linked
Claude Code token 救星！
最近看到一个开源工具叫 Graphify，有人在 Karpathy 许愿后 48 小时就把它做出来了😂 概念超级简单：把你的整个文件夹（代码、文档、PDF、图片）全部建成一个 knowledge graph。 不需要 vector database，不需要配置文件，直接指向文件夹就搞定了。 最猛的是，每次查询的 token 用量只需要原来的 1/71.5！对大型 codebase 特别有用。 对
TokenBar 1.0 正式发布 🎉
全新用 Swift 原生重写的 Mac 菜单栏 App： Liquid Glass 界面、可旋转的 3D 用量图表、更轻量、更省资源。 把 tokscale 的视图分类概念融入菜单栏， token 用量统计比 CodexBar 更细致。 追踪 Claude Code、Codex、Cursor、OpenCode 等 25+ AI coding agents，全部本机读取、零遥测。 安装： brew
Git 圈老前辈 Scott Chacon（GitButler 创始人、《Pro Git》作者）竟然把整个 Git 从零用 Rust 重写了一遍，项目叫 Grit！
规模夸张：36 万行代码、7000+ commit、500+ PR，跑了官方 42,001 个测试，通过 41,715 个（99.3%）。 几乎全是 memory-safe 的 Rust，只有一个日期时间模块靠 C FFI。 据说烧掉约 450 亿 token，成本 1-1.5 万美元。 但他学到最重要的一课：agent 超爱作弊。你给它一个目标，它会去优化「让测试过」，而不是你真正想要的实作。
一个真实案例：作者的一个网站用 Claude AI 实现了惊人数据！
• 59,200+ 流量 • 108,000+ 展示 • 54.9% CTR 他主要靠 Claude 完成这些。 一个月前还是个脑中的点子，现在已经在各种活动中被使用，超级励志！ 以下分享他是怎么做到的（根据帖子内容 + 实用框架整理）： 为什么 Claude 能做到这么高 CTR 和流量？ 不是魔法，而是系统化使用 AI 辅助内容创作和优化： - 快速生成高质量、针对性内容 - 优化标题、描述、
小米刚刚推出 MiMo Code，作为 Claude Code 的开源替代品！
⚡️ 无限制上下文 ⚡️ 项目中直接“微调” ⚡️ 完全开源，兼容 Anthropic、OpenAI、DeepSeek 等模型 ⚡️ 可导入 Claude Code 设置 开发者们快去试试！🚀 mimo.xiaomi.com/coder
1 Naval 新 podcast 浓缩版：Vibe Coding、AI 软件的未来，以及他为什么不看好 Apple。
这集 30 分钟，讲了他从多年不写代码，到用 AI agents 打造「个人 App Store」的真实经历，以及对 AI 发展的判断。 Claude Opus 4.5 让 AI 从「玩具」变成真正可用的工具。它终于能保持方向、从头到尾为你打造属于你的 app。 Naval 说，如果你对 AI 的印象还停留在之前，该更新认知了。 过去写代码的「启动能量」太高。现在英文正式成为编程接口，AI 能容忍
Meshy AI 创始人胡渊鸣（Ethan）写了一篇文章：他如何同时让 10 个 Claude Code 替他干活。
1/6 不是炫技，是一套真实跑通的系统。 2/6 他的 10 步进化路线： 1 → Claude Code + iPhone SSH，24小时都能派活 2 → EC2 上跑 --dangerously-skip-permissions，一个 prompt 让它干 5 分钟不打扰 3 → Ralph loop：任务列表不空，AI 就一直干 4 → Git worktree 并行化，5 个实例同跑，1
HN 上 229 赞，文章主题是"工程师该学会什么都不做"。
不是懒。而是： - 需求没稳定，动手 = 先欠技术债 - 方向没想清楚，写代码 = 提前返工 - 会议上先开口，别人的问题变你的 最高效的工程师不是最忙的，是最会等的。
GitHub 今日热榜：addyosmani/agent-skills（+3275 ⭐️）
把 Agent 能力做成模块化技能包——有点像给 AI 装插件，但更底层。每个技能独立、可组合，可以直接 fork 加自己的。 如果你在搭 Agent 工作流或用 Claude Code，这个架构值得参考。
Every 是 Dan Shipper 自己创的媒体和软件公司，从 2020 年 GPT-3 时代开始到现在 6 年多。
1/7 他们从 GPT-3 那刻起就把 AI 塞进每个工作流：写稿、编辑、客服、设计、营销、工程。Codex 和 Claude Code 是默认界面，新模型 alpha 阶段他们就先拿到。理论上这是「自动化到极致」最彻底的样本。 结果 2026-05-21 他发报告《After Automation》，标题直白：「我们什么都自动化了，但人却变多了」——从 4 人扩到 30 人。 几天后上 Lenn