跳到正文
今天10月16日周五40 条
  1. Dash57

    针对引用提问中“在 Claude Code 和 CodeX 等不同 Coding Agent 之间如何共享上下文”的问题,Dash 回答在 Cindy 下很简单。

    引用陈大黄@realchendahuang

    我很好奇一个问题: 大家在不同的 Coding Agent 之间到底怎么共享上下文? 比如我现在在Claude Code里跑完了一个项目,或者项目跑到一半,然后需要在CodeX里继续。 这两块的上下文怎么衔接比较好?有没有优雅的解决方案?

  2. meng shao64

    pstack 作者 @poteto 公开了这个 Cursor 官方内置插件的工程原则设计思路,核心是随模型能力提升,把写给智能体的冗长步骤压缩为简短的命名原则。

    引用lauren@poteto

    perhaps one of the most durable parts of pstack are its engineering principles: very concise skills (~10-20 loc) that distill down good practices into its core. as models get smarter, i expect most of pstack skills to compress into short principles or workflows (a generic list of steps) and that i will be able to delete a few of them. how it works is that /poteto-mode contains a short index of available principles and tells agents "In your reply, name each principle that shaped a decision and the specific choice it changed." this is why you'll often see a Principles Named or Used section at the end of the agent's response many of these principles were extracted from my sessions correcting agents since the start of this year. some are inspired by problems i see people talk about, like Attack the Premise, inspired by @VictorTaelin's post https://x.com/VictorTaelin/status/2096273196412498057 you can also use the principles as skills if you want greater control, by invoking /principle-<name> https://github.com/cursor/plugins/blob/main/pstack/docs/guide/08-principles.md

  3. Tripo60

    Tripo 转发用户 @LidaMidorin 的开源 AI 智能体工作流,用于 VTuber 3D 角色制作,并发布了引导 3D 角色建模的完整技能库。流程由 Astra / Opus、Tripo P2.0 和 Blender 驱动:先制作脸、身体、头发、表情等三面图和配饰插画,再用 Tripo 生成各部件(推荐 Smartmesh P2.0、约 5000 至 10000 四边形面数,面数过多校正时易变形),随后用 BlenderMCP 合并各部件、直接建模小物件、修正眼球和手、插入骨骼并调整皮肤权重、制作 IK/FK、调整摇摆物和着色器,制作周期约 2 周(实际约 1 个月,因质量不佳重做两次),最终模型还实现了可开合的翅膀结构。

    引用リダ / Lida✨VTuber & AI Creator@LidaMidorin

    【Tripo × Astra / Opus / Argon × Blender】 3Dモデル完成しました✨ -------------------- 制作スキルはリプ欄で配布いたします! GithubURL添付いたしますので、良ければご活用ください! -------------------- 制作期間はおよそ2週間(実質1ヶ月ですが、品質微妙で2回作り直しました💦) 簡単に制作ステップを解説すると以下の通りです。 ✅ 顔・身体・髪の毛・表情毎の3面図・アクセサリー類のイラストを作成 ✅上記のモデルをTripoで全て作成 ・全部SmartmeshP2.0 四角形5000~10000くらいのポリゴン数がおすすめ ・ポリゴン数が多すぎると、補正時に歪みやすくなります ✅各パーツをBlenderMCPで結合 ✅簡単な小物・装飾類は直接モデリングで作成してもらう ✅眼球のモデリング・手を補正 ✅リグ挿入・スキンウェイト調整、IK/FK制作 ✅揺れもの調整 ✅シェーダー調整 ちなみに翼の開閉もできるようにしました🔥 これは翼の構造自体をしっかりAstraに考えさせ、羽の配置を一枚一枚しっかりモデリングさせました! 気合でこれくらいの品質のものまで作れるのはホント凄いですね💦 #Tripo

  4. Anthropic:Claude.dev 开发者博客77

    Claude Code 团队如何做代码审查

    Anthropic 团队介绍 Claude Code 的代码审查流程,机器承担大部分阅读,人类注意力集中在高风险决策。6 月至 9 月合并 PR 翻倍以上,回退率下降超过 40%;monorepo 每日变更量从 5 月约 2,500 增至 9 月超过 30,000。

    推荐理由:Claude Code 团队亲述自家六层代码审查流程与衡量指标,读者可对照调整自己团队的 AI 审查与人工介入方式。

  5. OpenAI Developers36

    这个迷你推理游戏里的侦探,跑在 @M5Stack 的 stick 上: https://x.com/danizeres/status/2109360377578586204?s=20

    引用dani bauer@danizeres

    this is Felix, the detective in a mini mystery game i built for nights when i host dinner. and yes: he lives on an M5StickS3 from @M5Stack. i can ask him Qs about the case, pitch my lil theory, and get clues printed on an actual receipt 🧵 I built it with Codex, ImageGen, Decisions API & GPT-Transcribe:

  6. GitHub Blog50

    GitHub 如何用 Evergreen 自动化共享组织的访问审查与仓库清理

    GitHub 用原生功能构建的 GitHub App Evergreen,通过两个工作流自动化组织卫生:每季度审查外部协作者访问权限,未响应即默认撤销;检测并归档长期无人类活动的仓库,且从不删除仓库内容。它由 Go webhook 服务器驱动,状态以 JSON 文件提交到 controller repo,用 git 历史充当审计记录,决策通过仓库内的 checklist issue 完成。

  7. Meta Engineering Blog66

    Meta 如何用 AI 原生工程方式开发 Forum 应用

    Meta 工程团队详解如何把 AI 智能体作为开发流程参与者来构建独立 Groups 应用 Forum,采用 human-on-the-loop 模式并以验证通过的生产级产出衡量成功。Forum 在八周内达到与 Facebook Groups 的核心功能对齐,自主压测循环在开发期发现并修复了内存问题,内存占用和缺页约减半,上线后智能体还协助根因分析用户反馈。

    推荐理由:原文复盘了 Meta 以智能体参与开发全流程的具体做法与度量标准,可迁移的工程经验比较扎实。

  8. Apple Machine Learning Research60

    Apple 演示用 MLX 与 RDMA 在 Mac Studio 集群本地运行 816B 大模型

    Apple 机器学习研究团队演示如何在 Mac Studio 上本地运行近万亿参数的 Muse Spark Open 等前沿模型,使用今天发布的新版 MLX(v0.30.1 起)与 macOS 26.2 的 RDMA over Thunderbolt 驱动。

    推荐理由:Apple 给出了在 Mac Studio 集群上跑 816B MoE 模型的并行方案与基准数据,可迁移到本地大模型部署实践。

  9. O'Reilly Radar56

    Addy Osmani 谈 Agentic 代码质量:质量取决于给智能体设置的约束

    Addy Osmani 在 O'Reilly Radar 发表文章,提出智能体写代码时代码评审无法规模化,软件质量取决于围绕智能体设置的质量门等约束。约束包括单元测试、属性测试、变异测试和圈复杂度等指标,应在流水线全程施加反压,而非等到结尾的 CI 检查;人类注意力应留给品味、意图和架构等最需要判断的问题。文末含 Sonar 赞助内容。