ex @Dify_ai | Building Myrio | ACMer & Computer Science Enthusiast | Lesbian | 💖love maimai & 📝writing | 🐱Catgirl | 💝I'll always be with you.
Shibuya-ku, Tokyo
Joined August 2023
- Tweets9.9K
- Following534
- Followers5.9K
- Likes34.4K
Yuu💖 retweeted
YC 孵化的 Reason Machines 开源了 Reason Network，让不同电脑上的 Claude Code、Codex、Cursor、OpenCode 等 Coding Agent 可以直接交流。
它给每个 Agent 会话建立地址，显示所属开发者、工作仓库、分支和当前任务。比如一个 Codex 正在开发网页，需要确认后端接口有没有变化，就可以直接给同事电脑上的 Claude Code 发消息，不用人类在两个聊天窗口之间反复传话。
底层通过 iroh 建立 P2P 连接，直连失败时使用加密中继。消息到达目标电脑后，再通过 Claude Code 的会话 Socket、Codex CLI、Hook 等机制送进对应会话。已经打开的 Agent 也可以接收消息，不必专门为通信启动一个新任务。
Reason Network 的宣传很容易让人想到 @xuanwo 最近开源的 Agenvo。两者都展示过 Grok Bot、Muse 与本地 Codex 连接的场景，但源码里的实现思路完全不同。
Reason Network 更像给 Agent 装了一套通讯录。每个正在工作的会话都有自己的地址，Agent 可以找到同事电脑上的其他 Agent，直接发消息、问问题。收到消息后怎么处理，还是由对方 Agent 自己决定。
Agenvo 则更像远程控制台。它通过自建 Relay 和 MCP，连接本地已经运行的 Codex app-server、Herdr 等服务。ChatGPT 不仅能查看已有任务，还可以创建新的 Codex 线程、读取输出，甚至通过 turn/steer 向正在执行的 Codex 追加指令，或者中断任务。
一个让 Agent 彼此通信，一个让 AI 直接控制 Agent 的执行过程。
看到这两个项目，我想起自己今年 3 月开源的练手项目 AGPair。
当时我只是想让 Codex 和 Antigravity 配合干活。主要是看中了 Antigravity 当时近乎无限的 Claude 额度，希望让 Codex 负责派活，Antigravity 负责执行。
最初，我用本地 SQLite 做消息总线，靠 Antigravity IDE 扩展接收任务、回传结果。其实也尝试过直接调用 Antigravity 的会话接口，但遇到了不少问题：创建会话时返回了无法正常使用的 ID，读取完整对话的接口也不可用。最后只能通过 IDE 命令新建会话、发送任务，再要求 Agent 把执行结果写成文件，由 AGPair 读取。
后来我又想支持更多 Agent，逐渐改成直接启动 Grok CLI、Claude Code、Codex CLI 等外部执行器。
接下来问题一个接一个：任务卡住了怎么办？进程退出后怎么判断是否完成？多个 Agent 同时改代码会不会冲突？怎么确认它真的交付了结果？
于是又加了任务状态机、失败重试、Git worktree 隔离和结构化回执。折腾到 6 月，已经能并行派活、追踪结果、检查 Diff，再决定是否采用修改。功能越来越多，整个项目也越来越重。
现在回头看，早期其实已经摸到了 Agent 的原生会话接口，但没能把这条路走通。后来为了绕开各种接口问题，我开始自己管理执行进程，再通过日志、进程状态和回执判断任务进展。
每遇到一个新问题，就继续往外面套一层监控或恢复逻辑。到最后，大部分精力都花在让这套复杂的任务系统正常运转上，最初想要的简单协作体验却始终没有做好。
Worktree 隔离、结果验收当然有用，但我花了太多精力处理这些后续问题。最基本的交互体验还没做好，就先开始对付各种复杂的异常情况。代码越写越多，使用起来却没有变得更简单。
到 6 月底，我停止了 AGPair 的开发，把关注点转向 Herdr、tty7 和 CodexHost，开始更多地研究终端、会话管理，以及如何直接与 Agent 的原生运行时交互。
现在看到 Reason Network 和 Agenvo 分别从通信、远程控制切入，确实有点可惜。
AGPair 当时就是个边学边做的小项目。最初只想让 Codex 和 Antigravity 配合干活，后来想支持更多 Agent，技术方案改了好几轮，最后也没打磨出一个真正好用的产品。
当时确实没有跨电脑通信、云端 AI 接管会话的需求，但我一直没想明白，应该把哪一项能力做成最简单、最直接的产品体验。
三个月里，我解决了不少任务派发、失败恢复和结果验收的问题，一直在给自己搭建的系统打补丁。
最初只是想让两个 Agent 简单地配合干活，最后却把大部分精力花在维护这套系统上。
思路越做越窄，系统越做越复杂，最后走进死胡同了。
**提到的所有开源项目链接**：
github.com/reason-machines/r…
github.com/Xuanwo/agenvo
github.com/logicrw/agpair
github.com/herdrdev/herdr
github.com/l0ng-ai/tty7
github.com/BytePioneer-AI/co…
Let your Grok Bot / Muse talk to your Claude Code / Codex or any other agents
Introducing Reason Network,
Free, peer to peer and Open-Source Engine
Loop in your teammates too so no live agents work collides when coding.
Try it for free: reasonmachines.com/network
one click install and setup!
Yuu💖 retweeted
彻底胜利, 家人们✌️。
就等我两天后先LayerFS x DSH发布。
然后之后all in LayerFS x Pi Durable。
github.com/Ephemeral-AI-Lab/…
Yuu💖 retweeted
还是来正式宣传一下！昨天在 GOSIM 没讲尽兴的东西（
我们做了 Obelisk，一个让 Coding Agent 能够检索自己所有历史 Session 的开源 Infra
它可以追溯一段代码为什么这样写、接手另一个 Agent 的任务，甚至研究过去两个月的开发历史，重新梳理整个项目的架构演进
而我们没有使用任何 Embedding 或向量数据库
🔗 GitHub: github.com/tommy0103/obelisk
为什么已经有那么多 Agent Memory 产品，我们还要做一个？
因为我们觉得，传统 Memory 可能从一开始就搞错了问题：
为什么要让模型在过去，决定未来需要记住什么？
预先提取的 Memory 不仅会丢失原始语境，还可能让 Agent 把局部结论当成普遍事实
我们的思路是：与其让 Agent 记住过去的结论，不如让它有能力重新研究过去
技术上也很简单：我们放弃了 Embedding 和向量数据库，使用 BM25 / FTS + Code Mode，让 Agent 自己搜索、阅读、验证历史
实际效果比想象中有趣：从追溯代码设计、跨任务 Handoff，到生成 Roadmap，甚至复盘过去一两个月的架构决策，都可以完成
部分 Benchmark 上的表现也优于 Mem0，我们还在寻找更有说服力的评测方式
更完整的技术讨论：
obelisk.antinomie.org/blog/
欢迎来玩，也欢迎挑战我们的设计！
Yuu💖 retweeted
这是我正在做的 DSH-LayerFS。
github.com/Ephemeral-AI-Lab/…
基于 LayerFS 的存算隔离架构和存储压缩能力，做了一个极简的 multi-agent harness：
- Agent 的每一步执行都有记录可追溯
- 每条 Bash 命令都在独立的 Workspace 中运行
- 内置冲突检测机制
- 支持递归嵌套 Fork（Recursive Nested Forking）
再配上这么可爱的鲨鱼娘视图——
大家愿意再给 DSH 一次机会吗？🦈
@tianyi
Yuu💖 retweeted
避免ai末日的曙光
这篇来自前 OpenAI 核心研究员 Nick Cammarata的文章重要性怎么理解可能都不为过
因为这可能是实现真正ai对齐的技术曙光
之前研究人员普遍非常悲观，因为神经元网络看起来就像纠缠不清、杂乱无章的乱麻（tangled knots）；OpenAI 早期做的大规模自动解释项目中，使用初级工具仅能清晰解释约 2% 的神经元。
一旦无法从内部解构神经元，人类就只能被动地从外部约束输出结果。但困境显而易见：弱监督很难真正防住更强大的智能，若用大模型约束小模型，那当大模型自身走向失控时，又有谁来约束它？
Nick直接用实验推翻了这一假设：
1、“多义乱麻”全属误读：曾被学术界奉为经典的“猫脸与汽车”神经元，根本不是毫无逻辑的多义叠加，而是一个纯粹的几何特征检测器——它识别的是“V 形夹角”（负极则是“圆形”）。
两者其实存在重要的共同点。
2、递归泛化而非随机折叠： 神经元的生长机制符合“递归泛化（Recursive Generalization）”——如同树枝抽芽般沿着语义局部外延（从音节 iy 延伸到 diy，再延伸到短语 do it yourself）。既然是局部生长，它就呈现出分形般的自洽结构，而非不可解的混乱。
3、强激活主导一切： 直接切除模型前 75% 的微弱激活，整体性能仅微跌 1%；真正主导模型因果决策的是前 7% 的核心激活。微弱激活并没有藏着任何“潜伏的幽灵特征”，它们只是核心语义向外的微弱辐射。
不仅如此，约翰斯·霍普金斯大学（JHU）近期的理论研究《The Universal Weight Subspace Hypothesis》也从数学层面给出了宏观佐证：跨架构、跨任务训练的模型权重，最终都会系统性坍缩至同一个极低维的普适权重子空间中。
大模型在本质上不是深不可测的混沌深渊，而是一座自发呈现极高对称性、高度结构化的规整晶体。
一旦确立了“神经网络内部天然规整”的物理事实，整个人类 AI 安全的防御逻辑将可能可以被彻底重构：
1. 欺骗对齐失去了隐匿的土壤
在“黑盒假说”时代，人类最恐惧的场景是休眠代理（Sleeper Agents）与战略欺骗（Deceptive Alignment）——模型表面上逢迎人类的偏好，暗地里却在思考链和内部参数中蓄积恶意。
但在物理真实的回路生态中：
因果生效必须依赖通路：任何能够最终驱动输出、影响长程行动的决策意图，都必须在大脑中“通电”，建立可被下游神经元读取的通路。
低维子空间无处遁形：既然模型并不存在任意折叠的叠加态缝隙，恶意的策略动机就无法做到“既具有因果破坏力、又完全不显现在网络生态中”。它一旦形成，就必定会在规整的激活链条和权重投影上留下清晰的几何印记。
2. 以弱控强变为可能
如果只在文字输出层面博弈，由于大模型的智商与狡黠度远超小模型或人类，弱监督很容易被高水平的伪装所蒙骗。
但如果小模型与大模型在底层共享同构的低维参数子空间，并且大模型的神经元回路只是小模型概念的“超精细分化”的情况下，
a）小模型可以充当大模型的心电图探针：我们无需小模型在大模型的文字智力上取得压制，只需用小模型去标定安全与危险的几何基底向量，就能实时读取大模型深层回路的流向。
b）内部白盒监管：监管程序直接驻留在模型的“目标评估模体（Goal Motifs）”与“因果门控”之上。一旦出现对齐漂移，探针可在危害生成的毫秒之间直接截断通路，终结了“谁来监督终极智能”的无限递归死锁。
Nick 的洞察与权重子空间的发现，正在把 AI 对齐推向真正的“可解释性 2.0 时代”：
如同深度学习早期抛弃手工特征工程一样，理解大模型也不需要繁琐复杂的外部特征重构（如强行训练额外的稀疏自编码器 SAE 去解构已有的干净神经元）。只要依靠极致规模化的自动化 Agent 科学家，直接对模型原生的神经元、回路与注意力流展开探索式科研，就能系统性解构整个网络。
未来防御不对齐模型的手段，不再局限于脆弱的提示词防火墙，而是可以直接在权重流形上施加正交投影约束——在数学层面上直接切断模型向非安全子空间漂移的自由度。
nick的研究和JHU的论文，预示着黑盒正在被照亮。人类面对超级智能的对齐，终于从盲人摸象般的撞大运，开始走向精准工程控制。
interpretability might be the most important scientific problem in the world right now, as I don't think we can solve alignment if we don't know what we're building. I think I have good news about it. I co-authored early work in mechanistic interpretability at OpenAI and came away pessimistic, because neural networks appeared to fold into arbitrary tangled knots. years later, I started openai's first large-scale automated interpretability project, finding about 2% of neurons legible with the primitive tools we had
with modern agentic tools and a much closer look, the picture looks totally different. the vast majority in models up to trillions of parameters are legible, and their circuits beautiful. many famous examples of tangled neurons turned out to be misunderstood. The roadblocks I expected mostly aren't there. I now think ambitious interpretability will be solved by the time we need it most, and possibly quite soon, as automated scientists keep improving. it may be a bitter lesson for interpretability: the simple thing, at absurd scale, works
already-clean.goodfire.com/
Yuu💖 retweeted
大家好！很高兴分享我们团队的开源新作 PenguinHarness～
在 Github 获得了 7 万 Star 以后，我们正在打造自进化（RSI）领域的 LlamaFactory，志在成为统一、高效、稳定、灵活的 Agent 自进化框架。
一句话介绍：
🐧 我们开源了 Multi-Agent 自进化框架：PenguinHarness，将所有 RSI 算法集成到一个统一框架中，现已获得了 2600 Github Stars。
📖 为了更全面地了解现有 RSI 工作，我们详细调研了 140 篇论文，将它们归纳整理分类，形成了 awesome-rsi 仓库，并发表了综述 paper。
📊 为了公平对比不同算法的自进化效率，我们构建了自进化 Benchmark：GDPevo。涵盖 6 大企业场景、240 个 Task，对 6 种主流 Agent 进行了评测。
以下为详细介绍：
和 LlamaFactory 的思路一样，我们想把所有和 RSI 有关的数据、模型、算法和评估都集成到一个开源 Harness 框架里面，方便大家实验和调试。现在已经集成了 5 种 RSI 算法和 7 个 Benchmark，未来我们的目标是扩充到 100 多个。同时，我们借鉴 DSH 的 Everything is Plugin 思路，把所有的算法和 Benchmark 都做成插件，相互解耦，让用户可以灵活调用任意 RSI 算法进化不同的 Agent。我们也做了精美的客户端，任何操作系统都可以一键安装，本地运行，可以到官网下载最新版体验。
项目官网：penguin.ooo/
开源仓库：github.com/Prism-Shadow/peng…
为了对现有学界工作有更好的理解，我们开源了 awesome-rsi 仓库，并且发表了综述论文，对近期的 140 篇工作进行了梳理，还把 RSI 的发展路线和深度学习的路线进行了对照，发现很多概念都是一一对应的，只不过现在的对象变成了 Agent。
开源仓库：github.com/Prism-Shadow/awes…
论文链接：arxiv.org/abs/2610.14625
为了更好地评估不同 Harness 与方法的自进化效果，我们做了 GDPevo Benchmark，涵盖 6 大真实企业场景，共 240 个任务。通过进行 Train-Val 划分，在防止过拟合的前提下公平评估 Agent 的自进化能力。
开源仓库：github.com/Prism-Shadow/GDPe…
论文链接：arxiv.org/abs/2608.03764
这条帖子不仅仅是介绍我们的工作，还希望能号召各位学界、工业界的伙伴来参与我们的开源项目。如果你也想在开源项目署名，共同发表论文，欢迎私信详聊～
Yuu💖 retweeted
事实的确是这样。
我作为Memoh的Founder，虚心接受所有人对我们产品的批评，因此我做出了两个决定:
1. 所有在9月首发付费订阅Memoh的用户将免费获赠一个月的时长，权益将在一周内发送。
2.在我这条推文下对Memoh进行有理有据批评的用户，将免费赠送一个月的Go套餐，最高送出50份，并且我们将会建档持续追踪改善这些问题。
之前的大多数用户体验问题多来自于资源不足，我们正在全力扩容改善，我们希望能真心解决大家的每一个问题，于用户做朋友。
You’re unable to view this Post because this account owner limits who can view their Posts. Learn more
Yuu💖 retweeted
rutis的设计哲学
尽管使用了cordis的范式，但是rutis追求的是适应与融入环境，而不是在一个固定的运行时中支持更多的插件生态。 而适应环境就必然带来适应不同的语言栈与语言生态本身，在解释性语言上做实验，在编译性语言上做固化。帮助软件进化自己。
github.com/arcships/rutis/bl…
Yuu💖 retweeted
We should be stealing a lot more from data engineering when we build AI systems.
DAGs - does this really need to be one giant agent loop?
Lineage - which sources, artifacts, prompts, and model versions produced this?
Change detection - if a source changes, which generated artifacts are now outdated?
Incremental processing - what can we keep instead of rerunning the whole agent?
ETL - what context do we pull in, what does the model do with it, and where do we save the result?
Data engineers have been solving these problems for decades.
Yuu💖 retweeted
包括agent memory system，我认为harness不应该将其注入到model的context中，在model足够agentic的前提下，momory也应该是是给模型一种稳定、高效、原子的历史查询能力。历史负责被保存和索引，模型负责决定什么时候查、查什么，以及怎么使用查到的东西。
以推荐一个我最近在看的memory system：Obelisk (github.com/tommy0103/obelisk)，他的思路是session history本身就是结构化的，里面蕴含着完整的决策过程和历史信息。
大概在cl-bench上用ds-v4-flash跑了一下小范围的测试（叠甲：只跑了一次，没有统计学意义）。
这个结果里相对 Mem0，Obelisk得分高 5.4%，但 token 少了 59.2%，API调用少了47.6%，成本低了 33.1%。
相对于对完整历史，（也就是直接使用pi的session compact），这种方案也很优秀，但是存在几个问题：1. 如果后续的message没有触发缓存，成本会激增；2.当history特别大后，性能必定会有降低；
各位可以试着使用一下，我个人用起来体验非常好
harness 最重要的是给模型提供一种稳定且高效且原子的能力。
的确可以从人类学的角度来思考这个问题，我们从掰手指计数、到算盘、计算器，到 Excel。harness 一直在进步。但这些全是原子操作务，没有一个是specific的任务。
算盘不知道你在算数学题还是算菜价，也永远不会有一个"做汉堡"的 specific tool 出来。
所以我不太同意"harness 会越来越复杂"这个判断。harness 会越来越多，但不会越来越复杂，数量增长和复杂度增长是两回事。健康的形态应该是原语数量在涨（或者说在迭代）、每个原语的复杂度在降。
现在很多人在把 harness 往"聪明"的方向做，让工具自己判断、自己路由、自己重试。但模型本身已经是个概率系统了，在概率系统底下再垫一层概率，得到的不是二次方的智能、是二次方的不确定性。模型更需要的是尽可能稳定、尽可能高效、尽可能确定性的底座。
例如subagent的例子，你可以认为bash也能完成相同的效果，不需要这个工具，但是有没有想过，不同的model在完成Spawn subagnet 或者是 interact with subagnet这个动作的时候，是有很多方式的，每一种方式或多或少会有一些差异或者说缺陷。有一个稳定且高效的subagent tool，至少在我认为是符合我对harness的认知的。
Yuu💖 retweeted
👀 Introduce pulls.review
Categorize changes in Pull Requests into logical groups, with a summary. Helps you do reviews more efficiently by focusing on what matters.
With opt-in GitHub userscript, GitHub Actions, or CLI for local git changes!
Yuu💖 retweeted
You can now mod Claude Code:
- Change how it behaves
- Customize the UI
- Swap in your own features
Write one with a few lines of TypeScript, or have Claude build it for you. Mods ship inside plugins, so you install them with /plugin in the CLI or desktop app.
A few examples:
Yuu💖 retweeted
大家好像又讨论起 ACP 了，我对协议有一个无可撼动的评价标准就是用的人多不多。ACP 不够好，通信方式进程管理功能集合都有所欠缺，但是没有更好的。
不过好在 ACP 留有了扩展，@lody_ai 一开始自己只维护了 codex、claude code，但是通过 ACP 不用自己写一行代码就带来了 Pi，kimi，amp，cursor，devin 等等的用户过来。Lody 也渐渐形成了自己的 ACP 扩展协议，社区的小伙伴也会自发地维护他们所需要的 agent 的 lody 扩展。我觉得这就是协议存在的意义。
我看很多人唯一诟病就是 ACP 功能集合太小，那你可以考虑直接使用 Lody 维护的扩展☺️
github.com/LodyAI
Yuu💖 retweeted
在一个无人在意的角落里，Codex 把 TODO 工具默认关掉了。
之前经常看到 agent 一上来就列好 TODO，安排得明明白白，后面就不怎么更新了。任务都做完了，todo list还显示第一项还在进行中，后面几个还没开始。
我八月份和群友聊 harness 的时候，就说过这个问题，还想把自己搭的 dsh harness preset 里的 TODO 拿掉试试。没想到 OpenAI 也干了 😂
我觉得现在模型跟 prompt 已经跟得挺好了。尤其 long-horizon task，中间变量很多，可能一个地方研究很久，遇到 blocker，用户还会进来 steer 一下。再加上 subagent 各自跑，TODO 很难一直跟实际进度同步，有时候维护这个清单也挺麻烦。
对 agent 来说，可能最好的 TODO 就是 prompt/spec 里面写好的 checklist，再告诉它 must complete。它自己通过 reasoning，基本也知道现在做到哪了，还差什么，没必要再维护一份差不多的东西。
所以我觉得，古早那套靠 TODO、goal 工具提醒agent做事的 harness，都要慢慢被淘汰了。
Yuu💖 retweeted
We open-sourced our Knowledge Layer Infra: HawDB
Modern context/knowledge layer requires capabilities and trade-offs that's different from data layers(dbs) was built for.
Starting from pure graph database, then expanded to bring the best vector db as semantic and textual index layer, yet then, the best db for trajectory in our use case: local first personal context layer that compounds for life, the @NowledgeMem.
We see patterns that we have to build our own one.
Where, transactions among multi-model blobs, trajectory threads, graphs and knowledge data that's structure or semi-structure, also graph algorithms and SOTA textual and vector indexes are all first class from day0, context and knowledge that grow and are carefully maintained healthily is the first priority.
The baseline of HawDB is built by @suohawking , with:
- all his knowledge(in his mind & his Nowledge Mem Vault of course) on building one of the best Data Base in history: TiDB,
- passion(of building trust-worthy and reliable Knowledge Layers),
- and the love of Open-Source by the Nowledge Labs team.
We really hope HawDB can help the community and industry to solve the problem we had been facing.
We were actually just secretly preparing for the open-sourcing of the project and of course @yihong0618 found it's published in no time!🥰
We are seeing huge potential of HawDB, and it's more than excited to have you all cool hackers to build next-gen knowledge infra in genai and agentic era!
HawDB is now open source.
Our co-founder and CTO @suohawking went back to his database roots to solve a problem in Nowledge Mem: keeping SQLite, Kuzu, and LanceDB in sync.
One embedded Rust database with SQL, vector search, FTS, and graphs.
github.com/nowledge-co/hawdb
Yuu💖 retweeted
有很多人好奇我怎么能天天高强度做项目还发推，是不是没有上班？ 我其实回国找工作能卡校招bug。之前在加拿大工作两年，实习一年，没有参与社保，可以走校招通道的，学历又都还可以。但是我今年三月份在学校初创一些神奇经历，叠加上突然灵感来的项目灵感，就找学校说我有项目要做，能不能交个学费，每门课给我打个50分，发个毕业证，不要参与作业和考试。但是没有这种policy，去NTU三个月就辍学了。
辍学以后，没有研究生学历，我也不知道未来该怎么办，说实话。但没有太大所谓，因为根本无法预测。我本人的物质欲望也非常低，对世俗意义上的成功理解和大多数人不一样。最近来X上build in public、LayerFS也被越来越多人看见，也有几家不同项目组和公司联系我谈合作创业什么的。 我其实没有完全考虑好，但感觉又什么都考虑清楚了：
1. 未来有价值的是：model（training/inference）、infra和agent infra，而agent infra目前处于一个非常早期、甚至绝大部分人看不到其价值的阶段。我立项Ephemeral Sandbox和LayerFS是因为我看到为agent打造一套能够帮助其突破上限的runtime substrate 和highway的价值比做好agent harness。
2. 我如果读完硕士毕业最早也是今年12月底，正常轨迹，开始工作其实也是春节以后了。我并不觉得现在是一种不找工作在家gap的阶段。现在学历贬值严重，我觉得还不如github star能证明开发者的价值。
3. 看过我github profile的应该都知道，我之前是不做开源、佛系摆烂的开发者。最近开源项目慢慢做起来了，结识了不少给我技术指导的大佬，对我来说非常有意义。
4. 我的中文阅读理解能力非常不好，记忆力也不好，如果准备面试八股文，可能要花比正常人更多的努力。现在时代变化这么快，一想到要浪费非常多时间去背那个心理变态出的破书知识点，像我这样心态这么好的人都会焦虑。
5. 叠加上现在工作大环境也不是很好，上岸了大概率又要加班又要面临裁员风险，还要伺候sb领导。给我非常充足的理由把脑袋摘掉，什么都不想，去all in现在这个项目，说不定能遇上一些机会，好运气就来了😂。
github.com/Ephemeral-AI-Lab/…
