forever retweeted
如果你已经35岁、40岁，甚至50岁了，觉得自己的人生基本定型了，我强烈建议你试试这个。
Youtube油管大神Dan Koe 提出了一个很有意思的人生升级模型：Human 3.0。
他把人生分成四个维度：
① 心智：你的认知、思维方式和学习能力
② 身体：你的健康、精力和生活习惯
③ 精神：你的价值观、人生意义和人际关系
④ 事业：你的技能、收入和创造价值的能力
最有意思的是，你可以把这套框架交给 AI，让它像一个人生教练一样，不断向你提问，分析你目前处于什么状态，以及下一步应该如何提升。
以前我们用 AI 写邮件、做PPT、查资料。
现在，你甚至可以让 AI 帮你重新审视整个人生。
我特别建议那些想转型、想提高收入、又不知道从哪里开始的人试一次。
你可能会发现，限制你的不是年龄，而是过去几十年形成的思维方式。
原文在下面，建议收藏，找个周末认真做一次。
forever retweeted
《怎样训练说话的胆量》：让你侃侃而谈的实用训练手册
一上台就心跳加速、大脑空白？开会发言声音发抖、不敢看人？ 本书系统讲解如何克服当众讲话的恐惧心理、如何一步步建立表达自信、如何通过日常练习练出好口才。
链接: pan.baidu.com/s/1h04q8Vzg33W…
forever retweeted
posted 6,000+ tweets since 2020
built an X growth tool and sold it for $10m
so I pulled my own data to see what actually works on X right now
short list 👇
1. replies beat posts when you're small. your post gets 50 views, a good reply on a viral post can get 50k
2. long beats short, my posts over 600 characters crush my one-liners
3. put a real dollar amount in it, those are my best performers
4. one-liners are lottery tickets, a few go mega viral, most die
5. don't ask in the hook. declare. my question hooks underperform
6. if it flops in 30 minutes, tweak the hook and repost. one of mine went from 7 likes to 380
7. people bookmark what they'll use later, my most bookmarked post (19,069) was a guide I shared, with notes
(bookmark this post btw)
8. talk about your life more than your product. posts naming my products: 77 likes median. posts about my kids, the chalet, the plane: 167
on top of that, one core rule: be consistent, never miss a day
this is a hard and long journey, you won't win quick, but it's incredibly rewarding if you put in the effort
forever retweeted
暴论：Skill 将死，方法论永生。
昨天参加 B 站的 Build in Public，卡比老师 @jakevin7 真的把这条写进了他的 ppt 然后公开讲了！整个下午最精彩的部分就在这了，完全是来上课的！
干中之干太干了！
按照卡比老师说的，随着模型训练不断进步，很多通用知识和标准流程，会逐渐被模型内化。以前需要写一大段指令教它怎么做的事，未来可能用几句精炼的提示，就能调动已有的能力。
我们可以把更多精力放在：这次要解决什么问题，应该采用什么方法，以及怎样判断它真的做对了。
卡比老师分享的这 8 个点可以加进日常的 Prompt 中，可以极大的提高干活的效率，结合自己的理解，mark一下：
1️⃣ 第一性原理 ->先把问题本身搞清楚。
把这个输入给 Agent 让它回归事实，检查问题有没有复现、根因是什么、修复前后的结果有什么变化。保证最开始的问题存在并且可执行。
这里卡比老师也是拿 Claude 解决了费马大定理的时事举例，也是非常贴切，100轮次过后，怎么让 Claude 记住要做的任务是什么。
2️⃣ 对抗式审查->找一个专门挑毛病的 Agent。
让没有参与实现的 Agent 独立审查，寻找反例、遗漏和失败场景，要求它给出证据。
其实本质上来说是一个多 Agent 交叉验证，让大家认可一个结果。
3️⃣ 消融实验->拿掉一个东西，看看还行不行。
这其实是写论文最重要、不可获缺的一个地步，Ablation Study，简单来说就是去掉某个关键变量会不会对结果的影响有多大。
某条规则、某个工具、某段提示词到底有没有用，可以在其他条件尽量不变时，删掉它再跑一遍，对比结果。
这样才能证明每一个元素都有自己的作用。
4️⃣ 奥卡姆剃刀->先做最简单、能工作的版本。
能用一个脚本解决的事，可以先把脚本跑通。架构可以随着真实需求不断迭代。
这和这场会议刚开始分享的猫娘计划创始人如出一辙。现在大家都是 Build In Public，有一个主意能 work，就可以让大家来审阅，提出更多真实反馈、真实需求，就能让产品更好！
5️⃣ 列出所有不自信的点->让不确定有地方出现。
明确要求 Agent 交代：哪些结论缺少证据，哪些场景还没测，哪些地方只是猜测。
毕竟 Agent 再强也会犯错（Astra 100%的benchmark当我没说先排除），只有让它自查才能降低犯错的概率。
6️⃣ 保持独立思考->先判断，再参考别人的答案。
尤其在多 Agent 协作时，可以让每个 Agent 先独立给出结论和依据，再互相讨论。这样更容易发现分歧，减少一个 Agent 说错、其他 Agent 跟着点头的情况。
后面也是详细分享了多 Agent 的多种架构，Swarm、Graph、Agent Team等如何选择。
7️⃣ 批判性思维->必须检查证据。
不要因为一段分析讲得完整，就默认它成立。让 Agent 区分观察到的事实和推测，并说明什么证据会推翻自己的判断。
8️⃣ 高内聚、低耦合->把模块边界划清楚。
相关的逻辑放在一起，不同模块通过清楚的接口协作。
这也会直接影响 Agent 的工作难度：改一个模块时，需要理解的范围越明确，越容易给它合适的上下文，也更方便验证修改。
我对「Skill 将死」的理解，主要落在那些重复讲通用知识的长篇说明上。以前 1000 多行的通用说明可能已经被内化到预训练过程，现在只需要两三行文字就可以实现非常好的效果。
当然，Skill 也不只是文本，还有一些视觉参考、工具调用之类的，这其实也还有存在的必要。
这次听完确实受益匪浅！很喜欢卡比老师把工程里的方法，讲成了我们下一次打开 Agent 就能用上的表达！有高深的让人思考的，也有落地能直接让我们执行的！
感谢卡比老师的分享，期待下次见！
Build In Bilibili！
很高兴来到 B 站组织的创作者 & 开发者大会，见到超多大佬，终于对上号了，以后多多向大家学习～
晚宴我们这桌变成了推友面基大会，也算第一次参与主页合照传统啦！
合照时全员被“隔空投送”折磨疯了，想起来都搞笑。关掉蓝牙、投送都不行，唯一的国产手机赢！@hylarucoder
forever retweeted
We will give one banked reset for every day you don't have access to Astra on your paid ChatGPT plan, starting today. Team is moving mountains to give access as fast as we can.
First one will land in ~ 3 hours. There is still time to create your account if you don't have one.
forever retweeted
阿里 Zvec 团队开源 zg (zvec-grep)
一个本地优先、面向开发者和 AI Agent 的搜索工具，把语义检索、BM25、混合检索和 ripgrep 精确匹配收进同一个 CLI/MCP 入口，让 Agent 用更少的工具调用和 token 找到散落在本地文件里的信息。
github.com/zvec-ai/zvec-grep
要解决的问题
· rg 在目标明确时（函数名、报错、配置项）快且精确，但 Agent 的任务越来越多是自然语言意图：“恢复主题偏好”对应的实现可能叫 hydratePreferences，词面几乎不重叠。
· 纯关键词匹配要么漏，要么放宽后结果爆炸且无相关性排序；Agent 只能反复猜词、多次搜索、逐个读文件拼上下文——工具调用多、耗时长、context 膀胀，还可能基于不完整证据推理。
· zg 的定位：保留 rg 的精确/快速/穷尽，叠加语义发现、相关性排序和上下文组织。
设计与实现
· 四种检索一体：语义 / BM25 / 混合（RRF 融合去重排序）/ rg，覆盖“开放探索 → 相关性收敛 → 精确验证”全程，Agent 可按线索充足程度直接跳到任一阶段，不是固定流水线。
· 结构感知抽取：按代码符号、文档章节切成可独立寻址的信息单元，保留路径和位置；默认返回紧凑排序结果 + 有限预览，按需再加载全文。
· 本地优先：扫描、抽取、Embedding、索引、检索全部在设备端完成；内置 11 个本地 Embedding 模型，默认 local/potion-code-16m-v2（16M 参数静态模型，约 32 MiB，无需 GPU），Django 仓库 3457 文件在 M4 Pro 上索引 <30s；远程 Embedding 需显式授权才启用。
· 零配置接入：zg install 自动发现 Codex、Claude Code、Cursor、OpenCode 并配置 MCP；CLI 与 MCP 共享同一本地索引。
· 支持 macOS / Linux / Windows；索引嵌入式存储（Zvec），无需独立数据库服务；支持增量更新。
官方评测数据
配对 A/B，同一 Agent/模型/提示词，基线用 Agent 原生工具，zg 组仅加预建索引 + MCP 工具 + 使用指引：
· SWE-QA-Bench（20 题代码仓库问答）：工具调用减少 >50%，输入 token 减少约 50%，Judge 得分 +1.50。
· BrowseComp-Plus（80 题深度研究）：准确率 98.67% → 99.00%，输入 token −37.56%，工具调用 −43.52%，Agent 耗时 −38.58%。
产品路线图
图搜索与更多结构化信号、查询规划/重排/可解释性；PDF/Word/PPT、图片 OCR 与版面抽取；进一步压缩上下文；优化本地模型与资源占用，探索 iOS/Android 等受限环境。
forever retweeted
🚨 BREAKING: "gpt-6-astra" has been staged on the OpenAI API
The OpenAI Responses API now returns a 404 Not Found for "gpt-6-astra", where garbage/actually non-existent slugs return 400s - a 404 is also returned for 5.6 Cyber, which we know exists.
A similar quirk exists in the Bedrock API used to find Fable 5.1 a day prior to launch.
forever retweeted
三天前把 codex-with-chatgpt 开源的时候，我真的完全没想到它会走到今天。
从第一个 Star，到现在 1.4k+ Stars。
从我一个人折腾的小项目，到有人真的在用它、提 Issue、写 PR、修 Bug、补文档，总Clone数1.8K+，也有人非常认真地和我讨论它的设计、边界，以及它可能带来的问题。
说实话，真的很感动。
这几天每一个 Issue 我基本都会看，每一个 PR 我都会认真对待。有人遇到问题，我会尽量想办法解决；有人提出建议，我会记下来；有人质疑这个项目，我也愿意认真回答。
我也完全理解大家的顾虑。
一个项目突然被这么多人看到，有人喜欢它，也一定会有人担心它会带来什么影响、它的边界在哪里、某些设计是不是合适。这些声音对我来说并不是“唱反调”。很多问题其实也让我重新思考这个项目应该怎么做得更好、更负责任。
所以，无论你是给了一个 Star ⭐，提交了一个 Issue，写了一个 PR，成为 Contributor，帮别人解决问题，还是认真地指出了你认为存在的问题——
非常感动。
我会继续看大家的反馈，也会继续回答能回答的问题。做错的地方就改，有问题就解决，有合理的顾虑就认真听。
我不能保证这个项目永远不会出问题，但我可以保证，我不会因为它突然有了很多 Star，就停止认真听大家在说什么。
最开始，我只是做了一个我自己希望存在的东西。
没想到后来发现，原来也有这么多人希望它存在。
再次感谢各位🙏🏻
building things i wish existed — and somehow, people actually wanted this one too. ❤️
forever retweeted
Anthropic 官方 AI 原生 SDLC 实战手册（六阶段改造路径）
# 基本判断：写代码不再是软件研发的瓶颈！
随着 Codex、Claude Code、Cursor 等 Coding Agents 能力的不断提升，编写代码的能力和速度都有极大提升，传统 SDLC 中围绕代码建立的流程——审批闸口、评审、交接、制度——却仍按"人速"运转，反而抵消了 AI 带来的生产力收益。
这导致了三个后果：
1. 瓶颈向构建阶段的两侧移动：规划、评审/测试、部署仍以人速运行；
2. 旧控制手段与现实脱节：逐行人工评审在智能体产出大部分 diff 时已不可行；
3， 治理成本上升：例外事项仍要排队等每周/每月的会议和委员会。
# AI 原生 SDLC 的本质：从线性流程到"工件链闭环"
全文最关键的设计思想，可提炼为三点：
1. 流程从直线变成环：AI 嵌入每个阶段，阶段间自动交接、自动触发下一阶段。
2. 每个阶段以"提交一个版本化工件"结束，下一阶段以"读取该工件"开始：intent.md → spec.md → plan.md → diff 与测试 → 带评审结论的 PR → 事故记录。前期以 Markdown 为主（产品负责人和智能体都能读懂并执行），构建之后以代码及其记录为主。
3. 这条提交链同时就是审计链：谁提的需求、智能体产出了什么、谁批准的，全部留痕。人类的注意力从"逐行干活"上移到"把守闸口"——评审智能体标记的内容，而非从零开始每个阶段。
# 六个阶段的具体打法
1. Plan —— 用 intent.md 捕获意图 想法不再排队等产品经理代笔。发起人用自己的语言与 Claude 头脑风暴，产出包含问题、预期结果、受影响方、约束和待决问题的原型规格，提交到版本库。无需任何前置条件，是最适合起步的 Play。度量：从首次对话到提交 intent.md 的时间（目标：数周 → 数小时）及产品负责人的采纳率。
2. Design —— 需求与设计压缩进一次会话 Claude 基于已批准的 intent.md，在组织级技能（品牌、安全、合规、UX）约束下产出 spec.md，并主动标记风险点。产品负责人只评审不执笔；策略在撰写规格时即被应用，而非数周后在评审中被发现。是否进入构建，始终由人决定。
3. Build —— 无批准计划不动工
· 计划模式为默认起点：工程师先让 Claude 在只读的计划模式下产出 plan.md（改动哪些文件、顺序、风险、验证方式），迭代到"一个没看过对话的工程师也能照此实施"才批准提交；
· CLAUDE.md：把新人第一天需要的知识（命令、约定、架构、常犯错误）固化为智能体每次会话必读的文件。经验法则是"同一个错误犯两次，就把纠正写进去"，并保持在一页以内；
· Skills：把必须一致执行的制度性知识（如 API 安全标准）做成版本化、可中央更新的技能。但技能只是劝导性控制——必须无例外成立的策略，需要确定性的 hook 兜底。"技能让违规变少，hook 让违规近乎不可能"；
· Hooks 作为构建期护栏：拦截受保护路径的编辑、编辑后自动跑格式化、防止凭证进入 diff。构建期的 hook 不该要求人工审批，否则人又被拉回并行会话的关键路径；
· 并行会话与子 agent：一名工程师用 git worktree 同时驱动多个独立会话，重复性工作封装为子 agent。工程师的角色从"写代码"转向"编排与评审"，实际上限是一个人能认真评审多少条工作流。
4. Test —— 先自验，再给人看
· 反馈回路：始终给 Claude 验证自己工作的手段（测试、构建、截图对比），让它迭代到通过为止。修 bug 时先写复现失败测试并提交，且用 hook 禁止智能体修改测试文件——"修复前就存在、且智能体无法改写的测试，才是 bug 已修复的证据"。同时要保护回路本身不被削弱；
· CI 中的持续 evals：这是 AI 原生版的阶段门 QA。收集 20–50 个真实任务及其可接受结果组成评估套件，每当 CLAUDE.md、技能、hook 或模型变更时运行——因为驾驭智能体的配置本身，值得享受和代码同等的回归测试。每次生产事故都要沉淀为一个永久性 eval。
5. Deploy —— 双向评审 + 行动时即治理
· PR 评审闭环：Claude 既评审别人的 PR（按 REVIEW.md 定义的 bug、安全、合规三个 pass，按严重度分级），也处理自己 PR 上的评审意见并推送修复。人类评审聚焦意图与风险。职责分离被保留：写代码的智能体无权批准代码，分支保护仍要求代码所有者批准。评审中重复出现的问题回流到 CLAUDE.md；
· Hooks 作为审批闸口：allow / ask / block 三态，不可协商的闸口放在平台团队管控的 managed settings 中，工程师无法关闭。文中给出了一份受监管企业的完整托管配置示例（权限白黑名单、沙箱、凭证隔离、仅允许托管 hook/MCP/插件市场、最低版本强制），并提醒应按仓库数据分级裁剪而非照抄；
· CI/CD 集成：以 claude -p 非交互方式在流水线中承担需要判断力的环节（分流失败构建、起草 changelog），沙箱执行、短期限定凭证、部署能力通过 MCP 按环境开放。核心原则是：智能体可以做生产闸口之前的一切，且不能越过闸口；回滚路径必须是流水线中演练最充分的一条。
6. Maintain —— 闭环
· 自动闭环：确定性脚本（均值/标准差 + Western Electric 规则，不含模型）监控生产指标，越带即触发 Claude：1σ 仅记录，2σ 只读诊断，3σ 才允许行动——且行动路径仅限开 PR 进评审闸或触发预批准的 runbook。诊断结果写成 intent.md 重新流入第一阶段。人的角色从"启动工作"变为"分诊与批准"；
· Claude Tag：事故从 Slack 等协作渠道直接进入，Claude 以独立身份成为频道成员担任第一响应者，频道本身就是审计轨迹，事后把复盘写入版本化的经验文件供未来调查读取。
# 贯穿全文的治理思维
· 人始终对需要判断力的决策负责，但人的位置从流水线上移到了闸口；
· 治理在智能体行动时强制执行（hook、沙箱、托管配置），而不是事后评审周期；
· 与遗留系统共存：每类工件指定唯一事实源——要么仓库为权威、遗留系统引用提交，要么 Jira/需求工具为权威、Markdown 为工作副本（通过 MCP 回写），底线是双向链接（记录 ID <-> commit SHA）；
· 采纳顺序 ≠ 阶段顺序：Play 是模块化的，按依赖图采纳，无前置依赖的 Play（如 intent.md、CLAUDE.md）可任意起步。
# 原文地址
claude.com/blog/the-ai-nativ…
forever retweeted
Pi 的新架构 和 Maka 告诉我们 harness 的答案早就在数据库论文里了!!
Maka的核心作者很多都是 database 背景出身的。
当Pi 的 harness v2 文档出来后，Maka内部群大家直接愣了，因为它和我们在 Maka 里做的架构几乎一致：
持久化事实 → 派生运行状态 → 派生模型上下文 → 派生 UI → 崩溃后重新归约。
连 tool 的边界都一样：先写执行意图，再做副作用，再写结果：
Pi: tool_started intent → execute → tool-result entry
Maka: T1 toolDispatch → execute → T2 function_response
Pi V2 和 Maka从各自的路径出发，最后设计出几乎一样的架构,已经说明了很多问题了。
我已经感觉到 Agent harness 这一层正在形成一些共识。
这个共识其实就是 OS 和 db 那一套——预写日志、事件溯源、可恢复的持久化操作。
所以工程没有银弹，当我们最后做了很多工作之后，发现核心原理还是软件工程的那一些内容。
github.com/apache/maka
forever retweeted
Hyper上，10倍杠杆xitter.cf/followin_io_zh/status/…
长鑫首日收涨 465%，市值 3.28 万亿，谁赚麻了？
总结：最大赢家是合肥国资和阿里系
按收盘市值折算：
— 合肥国资持股约 1.086 万亿
— 阿里系约 1477 亿
— 朱一明等 10 名高管约 987 亿
— 国家队战略配售浮盈约 355 亿
— 易方达、南方、工银瑞信合计浮盈约 172 亿
— 泰康资管浮盈约 70 亿
— 梁文锋旗下基金打新浮盈约 8.19 亿
数字很炸裂，但这些数字还都是纸面上的。
长鑫发行后总股本 668.81 亿股，上市初期真正能交易的只有 45.03 亿股，占比 6.73%。
换句话说：6.73% 的流通盘，给 100% 的总股本定出了 3.28 万亿的价格。
而且核心筹码短期根本卖不了。
合肥国资持有约 221.42 亿股，其中 95.9% 锁到 2029 年；大基金二期、合肥集鑫、安徽省投等核心股东同样锁定三年。按当前市值折算，约 1.78 万亿对应的股份要到 2029 年才进入理论解禁窗口。
真正的第一次筹码检验在 2027 年：
— 1 月，15.21 亿股网下限售股到期
— 7 月，约 214 亿股原始股进入理论解禁窗口
后者按当前估值算，对应约 1.05 万亿筹码。
所以市场现在交易的不只是国产 DRAM 的产业价值，更是龙头稀缺性、政策溢价和低流通盘的同时共振。
产业价值是真的，价格被放大也是真的。
长鑫能不能坐稳 3 万亿，不看今天有多少人抢，而要看 2027 年筹码开始松动后，还有多少资金愿意接。
forever retweeted
Pi社区开源了codex没有开源的computer-use实现。
深入分析了一下仓库，眼前一亮！
i reverse engineered @OpenAI's Codex Computer Use and built pi-computer-use: a model agnostic computer use tool for my fellow pi enjoyers on MacOS.
comes with ax-first navigation & a vision fallback for supported models! source code in comments; would love to get some feedback.
