←
yibie16,041 posts
yibie avatar✓

yibie ✓

@yibie
◷ Joined November 2008▧ 517 Photos and videos
yibie avatar
yibie@yibie·7h

我发现,Claude 团队的「最佳实践」系列(Best Practice)总是言之有物,给别人指明了正确的方向。 所以,我花了一上午的时间,整理这一系列大概 100 多篇文章和内容: - 完整地翻译了 Best Practice 里的文章,一共 173 篇。 - 我将里面的概念抽出来,综合提到这些概念的文章,对其进行诠释,每一个概念都有独立的页面,分以下几个小节:摘要、关键做法、Claude 里的用法、常见误区、相关概念、来源。 - 我将这些概念组织成了知识图谱,让你可以可视化知道概念与概念之间的关系,点击知识图谱上的节点,还会直接查看该概念的内容。 - 这些概念还组织成了思维导图,让你一眼看清楚概念与概念之间的上下层级关系。 希望对你有用! 地址:claude-best-practices-zh.ver…

Post attachmentPost attachmentPost attachmentPost attachment
yibie avatar
yibie@yibie·4h

📋 三个列表的每日更新 ▍awesome-autoresearch(689 → 692) 1. ARIS(19,399⭐,1,556 fork,MIT):本列表最大的一个洞 —— 之前只收了建在它之上的 SuperARIS,没收回它自己。它的自述是「一种方法论,不是一个平台」:装成 Claude Code / Codex 里的 skill,让工作流跟着人走。 2. Kapso(229⭐,2,023 文件):实验引擎形态 —— 一组 skill 负责「设定 → 陈述目标 → 编写 harness → 复核一次运行」,是装的东西而不是调的服务。 3. SAGE(12,837 文件):持久化 agent 的身份、记忆与信任的本地研究环境;明写哪些在被测量、哪些实现了但很少被跑到,并有一份带日期的公开状态页。 ▍awesome-jev(717 → 720) 1. Jev Cookbook(35⭐):目录里缺的那个教学层 —— 100 个 notebook,从第一个 Choice 问题一路到文本与图像决策。 2. lil guy machine(Kotlin):既不是工具也不是基准 —— 一个小人住在小房间里,他做的每个选择(何时吃、何时睡、做什么卖什么)都由模型决定,可以开在窗口里,也可以常驻在 Google TV Streamer 上。 3. Tenbin(MIT):给编码 agent 的 System One 工具包 —— stdio MCP 带 question lint、单次与批量评测用于阈值校准,外加把判断拆成模板的 skill。 ▍awesome-rea(79 → 83) 1. Zelda: Wind Waker HD(1,586⭐):Wii U 版重建到 PC;最近 30 次提交里有 21 处 trailer,而 README 全篇不提 —— 上轮拒它是漏了,这轮补上。 2. awesome-reverse-engineered(1,452⭐):17,676 个「因为有人逆向过,所以才有」的开源项目索引,可以站内搜,也可以装成 agent skill,让 agent 动手前先查一遍。 3. Paleblood(216⭐):把《血源》重建成可读的、能在 PC 上原生运行的代码。 4. reccmp(176⭐):把「重编译得准不准」变成一个数字 —— 逐函数比对原二进制与重建二进制。 📂 github.com/yibie/awesome-rea · github.com/yibie/awesome-jev · github.com/yibie/awesome-aut… 📊 83 / 720 / 692

yibie avatar
yibie@yibie·8h

给一个 coding agent 单独训练模型 Hugging Face 给开源模型 Qwen3.8-27B 配了一个 LoRA,只在 pi 这个 coding agent 里用强化学习训练,不动基座权重。 做法上有两个值得看的点。训练在没改过的 pi 里跑,模型每发一次工具调用,中间的 safeagents 代理先用规则查一遍,明显在钻奖励空子的调用直接拦掉、记 0 分。任务是从公开 agent 会话重建的可验证环境,分修 bug、问答、从零搭建、扩展代码四类,对错由任务自带的验证器判,不靠人打分。奖励里还专门加了一项:答对的前提下工具调用越少加分越多。 效果是准确率和效率一起涨。SWE-bench Pro 最难的 51 题,基座模型 pass@1 是 29.4%,适配器到 62.7%,工具调用少 55%。Terminal-Bench 2.1 从 39.5% 到 55.8%,工具调用少 62%。评测是同任务配对、温度 0.8、关思考,显著性也给了。 模型卡里有个真实例子:同一个 SWE-bench 任务,基座反复搜索、重跑片段,撞到 100 步上限没过;适配器找到函数、改掉、跑测试、补最后一个用例,一共 8 次调用。 我觉得真正的信号是 LoRA 把适配成本压到了小团队够得着的程度:不用重新训一个 agent 模型,给自家工具和 harness 单独训一个小适配器就行。权重已经开放,vLLM、llama.cpp 都能挂。 两点保留。数字都是 Hugging Face 自测,没有第三方复现;最终检查点是看着评测子集的分数挑的,而且训练计划 1000 步、第 191 步就提前停了。 原文链接在评论区 #评测

Post attachmentPost attachment
yibie avatar
yibie@yibie·9h

AgentRun 这个执行层的卖点是,它执行任务所消耗的 Token 要更少,换言之,它执行任务的效率更高效。 但它要启动 Docker,而且只能接入各个模型厂商的 APIKEY。 可能对于一些业务本身就跑在虚拟机里的公司来说,AgentRun 是有价值的。但它不适合个人使用。

Post attachment
yibie avatar
yibie@yibie·10h

GPT-6.2 的 Astra 和 Sol 11 月 17 日 OpenAI 发了 GPT-6 系列的两个新模型:Astra 主打最难的项目,Sol 主打日常工作。两者都号称用更少的输出 token 完成同样的活。 先看定位。Astra 是旗舰,复杂推理、改大代码库、专业文档、科研归它。Sol 是日常款,OpenAI 说内部很多员工把它当默认模型。 两个模型的差别主要体现在钱上。Astra API 每百万 token 输入 8 美元、输出 40 美元,缓存输入 0.4 美元,输入输出比 GPT-6 Astra 低 20%。Sol 维持 GPT-6.1 Sol 的价格,输入 2 美元、输出 10 美元,token 单价大约是 Astra 的四分之一。 有意思的是分数并没有差那么远。Cognition 的 FrontierCode 2.0 测真实代码库改动,Sol 只比 Astra 低 0.5 分,而最大推理强度下成本大约是 Astra 的五分之一。OpenAI 自家的 LifeVal 测日常任务,Sol 的分数甚至超过 GPT-6 Astra,成本约为它的七分之一。 Astra 这一档也在降价。Agents' Last Exam 上,它比 GPT-6 Astra 高 5.2 分,完成成本却不到后者三分之一;内部的 GDPval v2 高 6.2 分,输出 token 少 22%。 所以选型更该看完成一次任务的总成本,而不是 token 单价。日常 agent 活先跑 Sol,碰到硬骨头再上 Astra,大概是这次更新最实际的用法。 附言:这些分数和成本都是 OpenAI 自报,没有第三方复核。安全上两个模型都达到了 OpenAI 网络安全能力的 Critical 级,Astra 还是首个对外发布、AI 自我改进能力评为 High 的模型。 原文链接在评论区 #工具

Post attachment
yibie avatar
yibie@yibie·10h

最近发现 claude code 的 artifact 非常好用,用好了,根本不用其它插件就能做好任务看板这件事,这是我记录在日记里的总结: 软件项目通常会采用阶段式开发,每一个阶段会有每一个阶段需要满足的几个需求,这些需求会拆分成多个子需求,然后列入任务清单。 在过往,我通常会用一个项目文档来进行组织。 今天我使用了不同的方法,我让 Claude Code 帮我根据总结好的需求文档,生成一个看板网页,方便我一目了然地管理项目进度,而且每一项完成时都可以对任务进行调整。 后来我希望在这个看板 HTML 上增加「批注」功能,在我批注之后 Agent 可以接收到我的批注,并在完成之后回复我。 我原本以为 Claude Code 会在本地启动一个 npm 服务器来连通看板与 Agent,但后来没想到它通过 Artifact 实现——这下看板与 Agent 的连通得到了保证。 现在,我打开 Artifact 看板,就可以快速地批注多个任务卡片,中间不必等待 Agent 的实现,非常利落。 这么做还有一个意外的好处,那就是你与 Agent 的沟通,还可以回到 Claude Code 里面来,对它的实现进行一些微调——这是很多其他工具做不到的。而且,Agent 还会任务完成情况,和你的回答,自动更新任务卡片的状态,它会自动学会了补充记录这件事。 我现在用起来,觉得这个方法,比其他的什么看板插件,什么任务插件都要舒服得多。

yibie avatar
yibie@yibie·11h

Hoy 为 agent 重写 macOS 虚拟机 Cua 今天发布了 Hoy,一个跑在 Apple 芯片 Mac 上的 macOS 虚拟机。它不基于 Apple 的 Virtualization.framework,也不是 QEMU,而是直接站在更底层的 Hypervisor.framework 上,把虚拟设备、显示、快照和 GPU 访问都自己写了一遍。 以前在 Mac 上跑 macOS 虚拟机,基本都用 Apple 的框架。Hoy 的主要卖点是快:M4 Pro 上启动到 ssh 应答 5.3 秒,Apple 框架 6.6 秒,快约两成;快照恢复 1.2 秒,对端 3.0 秒,快 2.5 倍;保存时虚拟机只暂停 0.77 秒。数字是 Cua 自测的五次中位数,还没有第三方复核。 更贴 agent 的是快照和 fork。一条 hoy restore 1.2 秒回到干净桌面,CI 任务之间不会互相污染;hoy fork 能在原虚拟机继续跑的同时,约 1 秒复制出一台给另一个 agent,各有自己的名称、网络地址和 ssh 密钥。虚拟机里还能用 Mac 的 GPU 跑本地模型,不过这是要手动开启的实验功能。 Hoy 免费,商业使用也免费,要求 M1 以后的 Apple 芯片 Mac、macOS 26 起步;虚拟机可以装 macOS 26 或 27,Apple 的许可证限制一台 Mac 同时最多开两台。 附言:Cua 之前的本地虚拟机工具 Lume 基于 Apple Virtualization.framework,Hoy 等于把底层 VMM 也自己做了。 原文链接在评论区 #工具

Post attachment
yibie avatar
yibie@yibie·21h

一个叉车司机的红白事电子礼簿 红白事的礼桌前通常是这样:一沓现金,一支笔,一本格子纸礼簿。一个人低头记名字和数目,旁边另一个人凑过来问,刚那个是多少。记错、记重、事后对不上账,都靠这本手写簿子兜底。 gift-book 想替掉这本簿子。它是一个纯本地运行的单页网页应用,数据保留在本地,专做现场礼金的记录和归档,GitHub 上 1333 颗星。 支持姓名、金额、渠道(微信、支付宝、现金)全键盘录入,回车即记;输入数字会自动生成规范中文大写,比如壹仟元整,还会实时提示重名和重复金额。最有画面感的是语音播报:录进一笔,电脑用 TTS 念出「张三 贺礼 一千元整」,宾客当场核对,作者说这也能撑场面。 它能开一个副屏页面投到电视,主屏录入、副屏展示,历史记录自动打码,只显示最新一条全名,还能放东家的收款码;皮肤有喜庆红和肃穆灰两套,红白事各用一套。 它内置 PDF 渲染引擎,不走浏览器打印,能自定义字体、封面和底纹,记录超过 1000 条自动分卷防止内存溢出;每笔修改留时间轴,作废走软删除,事后有迹可循。 作者 jingguanzhang 在知乎的自述里是一名叉车司机,不在软件行业。 除了 gift-book 之外,他还开发了其他的小工具,都很有生活感: LabelTender 是条码标签排版打印工具,明显是仓储现场的活; EasyCube 是在线多阶魔方求解器; 还有把 HTML 转成可编辑 PDF 的 JS 库和原生 JS 日历控件。 共同点是都没有后端,解决的都是他工作和生活里绕不过去的小麻烦。 一个不靠写代码吃饭的人,靠 Vibe Coding 把自己礼桌上、仓库里真实碰到的麻烦一个个解决掉。我想,AI 的终极意义应该就是这个了,数字平权最终的阶段也是这个。 原文链接在评论区 #工具

Post attachment
yibie avatar
yibie@yibie·Nov 17

📋 三个列表的每日更新 ▍awesome-autoresearch(685 → 689) 1. Atrex Kernel Agent(213⭐,1,714 文件,阿里巴巴):编码 agent 提 GPU kernel 候选,由 supervisor 验正确性与性能之后才允许提升 —— 和密封考卷同一个分工,这次用在 kernel 上。 2. trackinizer(129⭐):第一个以「认识论」而非「产出」为骨架的条目 —— 一张关于努力、信念与发现的图,一个信念旁边就摆着支撑它的工件与未决问题。 3. weight-space programming(70⭐,20,385 文件):让 agent 直接写出模型权重而不是训练它;仓库把论文的提示词与每一次运行的完整日志一起公开。 4. HSR Nous(中文):把一款回合制战斗游戏变成可复现的决策问题 —— 以自研战斗模拟器为裁判,配装推荐可以「再跑一次」而不是「再吵一次」。 ▍awesome-jev(713 → 717) 1. AmberFlow(中文):把模型的作用压到最小 —— 流程先被冻结,模型只管挑元素和评风险,既不生成动作、也不替你下「完成」的结论。 2. IC-Verdict(Rust,日文):把 Choice / Noul / Score 做成 Internet Computer 上的 Rust canister,别的 canister 可调,按 cycles 计费而不是按 token。 3. AgentBeam(15⭐):给 27 个 agent harness 装钩子,并可以先把拟执行的动作过一遍 Jev —— 两个独立的 Noul 风险问题,或一套伤害评分量表。 4. Korean sentiment study(韩语):韩语混合情感评论的主模型与 OpenJevX 对照,18 条自写测试句;它自己写明「这么小的自建测试集不代表服务准确率」。 ▍awesome-rea(77 → 79) 1. Kuna(898⭐,14,314 文件,Rust):从 Ghidra 移植来的反编译器,但设计目标是「被其他 agent 不断改进」而不是被手工维护 —— 目前对多数现代反编译器在 DecBench 上排名第一。 2. Reversed with AI(PR #8):一个用 AI 做逆向的成果目录,每条都链到仓库 / 文章 / 论文;合并前我先访问了站点,HTTP 200、729 KB、标题对得上。 📂 github.com/yibie/awesome-rea · github.com/yibie/awesome-jev · github.com/yibie/awesome-aut… 📊 79 / 717 / 689

yibie avatar
yibie@yibie·Nov 17

如果说 Jev 的出现让人眼前一亮,让人知道一些活儿完全可以交由另外一种模型,而不必全部都让 LLM 来推理。那么 psychic 同理,开发者避开了常规的 LLM,而选择了更合适的机器学习模型。 我个人认为,这些「不说话的模型」在未来会占领一席之地,而且还会改变软件开发的方式。psychic 作为一个典型的例子,值得研究。

Post attachment
yibie avatar
yibie@yibie·Nov 17

psychic:使用了机器学习模型的文件选择器 psychic 是终端里的文件浏览器,用法类似 fzf:敲字符、从列表选文件。不一样的是,它在你本机记录每次搜索和点击,用这些数据训练一个 LightGBM(梯度提升树)模型给结果排序,效果不错。 LightGBM 本身就是机器学习模型,所以这里的取舍不是用不用模型,而是用哪一类:几秒训完、纯本地跑的树模型,还是要联网、推理慢的 LLM。我最在意的是,开发者对模型的选择,如何明确把 LLM 排除在外,以及排除的理由。 理由是延迟:每次击键后,结果要在一帧内更新,UI 渲染低于 16ms。作者的取舍是宁可在两秒内做十次快搜索,也不要一次聪明但要等好几秒的搜索。 现在网络调用的时间间隔,就可能超过 10ms,任何非本地模型直接出局,LLM 和 transformer 同理;线性和逻辑回归够快,但作者实测效果明显比 LightGBM 差,也放弃了。 剩下树模型,还有第二层原因:这个任务的信号天生是表格数据。文件修改时间、大小、近期点击次数、query 与文件名的 fuzzy 匹配分,全是数值特征,LightGBM 正擅长,而且几秒就能从零重训一次。模型甚至不直接读文件名,而是靠「这个 query 历史点过哪些文件」这类特征记住关联。 效果数字是作者自己的使用统计,来自内置 stats 命令,只有他一个人的样本:2025 年 10 月以来打开 1450 次,平均敲 1.6 个字符,29% 的时候一个字符不打直接回车,80% 选第一条,中位耗时 2 秒。 作者在 HN 评论里把适用边界讲得很清楚。这套思路目前只用于文件和目录,因为能拿到文件系统元数据当输入;如果扩展到选进程、选容器这类一般文本输入,他说自己暂时没有既快又好的办法,transformer 能处理那种数据,但目前太慢。 所以这不是一个「小模型打败 LLM」的故事。是结构化信号加毫秒级延迟预算,两头一起把模型选型收窄到了一棵树;任务换成自由文本,结论可能就反过来了。读者备注里说的那种开发思路,我觉得落点在这里:先看清任务的延迟约束和数据形态,再决定要不要请出大模型。 原文链接在评论区 #杂谈

Post attachment