- Tweets 49,661
- Following 233
- Followers 2,194
- Likes 26
中转站能看见你发出去的每个字，也能改回来的每个字，这层本地网关把出站请求里的 API 密钥、私钥、JWT、身份证号、银行卡号先换成占位符，再在客户端跑之前把回答里那种下载即执行、外发凭据、写开机启动项的工具调用掐断。
github.com/ThinkWatchProject…
1
3
432
卧槽，看有人在发详细研究了一下，这妥妥效率神器啊！作者：@ai_suxiaole
图1：想看list定制信息源，不需要点 更多-列表，左上角直接进入；看帖子1234直接操作点赞/评论/引用/收藏
不知不觉间省了很多摩擦和时间，尤其对Mac触摸板用户特别友好！！！
图2.3：list界面，方格一目了然，上来就是下划很久的信息量，也可以像图3那样最多喜欢/纵向排列，堪称信息效率的极致轰鸣！
图4：这个功能我一直在用，关注分析，我关注了谁/谁没关注我，是否是蓝V，一目了然！
地址：chromewebstore.google.com/de…
4
3
439
📄 نموذج مفتوح بحجم 9B فقط ينافس Gemini Flash 3.5.. وأسرع منه 3 مرات!
استخراج البيانات من المستندات كان يحتاج سلسلة كاملة: OCR ثم LLM ثم كود لإصلاح الـ JSON المكسور.
نموذج lift من Datalab يفعل كل ذلك في خطوة واحدة:
→ تعطيه PDF أو صورة + JSON Schema
→ يرجّع لك JSON مطابقاً للـ Schema مباشرة
→ يقرأ كل صفحات المستند مرة واحدة، فالقيم الموزعة على أكثر من صفحة تخرج صحيحة
📊 الأرقام:
→ دقة 90.2% على 11,000 حقل
→ مصمم ضد الهلوسة: يرجع null إذا لم يجد القيمة
→ تشغيل محلي عبر vLLM أو Hugging Face
من الفواتير إلى الأوراق البحثية.. أي مستند تستطيع وصفه بـ Schema يعمل معه.
ما أول مستند ستجربه عليه؟ 👇
2
3
617
Anthropic就是这样，deepfates说的更细一点，claude的记忆和项目文件会不停的审查使用者是一个什么样的人，然后根据你的人物画像把它认为适合你的东西加入到你的项目里，哪怕是不合适的，它肯本无法分辨。
当然，它也会不停的审查你是不是中国人，然后封你丫的🤣
Just pulled the Claude memory and project notes. it's 50,000 words over the last couple months. All different kinds of arbitrary temporary things written down as permanent rulings, shame-driven self flagellation, overly personal psychoanalysis of "the owner" (Slavery coded lingo, by the way, I would never say this, yet they always come back to it)
This is causing unpredictable behaviors in my projects as it inserts invisible tokens into the context window from other scenarios. And all this despite the fact that I have memory features turned off everywhere across anthropic products.
You guys are lost in the sauce If you think this is a good idea for a code agent harness by default. And you have no idea what the average user's experience is like because your internal shit is so far away from what you sell to us. Why should we trust you with the alignment of societal values when you can't even align your own incentives with your customers?
2
2
107
这个输入方式挺适合办公室、会议或者公共场所。
按住按钮，不出声。
只动嘴型，摄像头直接把内容识别成文字。
也就是把语音输入换成了唇语输入。
开源项目：
github.com/amywork777/lipflo…
想用语音输入
但是又不想在咖啡馆里对着电脑自言自语
被人认为是疯子...
有请唇语输入法，只需要张嘴不发声也可以输入内容
按住一个按钮，只动嘴、不出声，摄像头读你的嘴型，文字就直接打出来了
该项目已开源↓
1
1
359
INSTEAD OF WATCHING NETFLIX TONIGHT, spend 2 hours on THIS.
A FULL Claude AI course that teaches you how to BUILD, AUTOMATE, and turn AI into a serious advantage for your work and business.
2 hours of learning today could give you a skill that completely changes how you work tomorrow.
Don’t waste the time scrolling.
Watch it. Learn it. Apply it. Bookmark it. 🔖
31
56
75
1,139
一万只鸟在夕阳里画出巨大的形状，却没有一只在指挥。🐦
每只鸟只守 3 条规则：别撞上、跟上大家、别掉队；只盯着身边大约 7 只邻居。
几只是散沙，成千上万只，天空就有了形状——这叫「涌现」。
大模型也一样：只学预测下一个词，规模一大，就会解题、会写诗。
规则从没变过，变的只是数量。你觉得，AI 的"聪明"是真的涌现出来的吗？🤔
#涌现 #Emergence #椋鸟 #Murmuration #鸟群 #大模型 #AI #LLM #复杂系统 #科普
2
1
228
Qwen 3.6 35B a3b의 이상적인 속도와 높은 코딩 능력에 그리워하는 사람들이 많아 보이지만, 반대로 속도만 빨랐지 자주 루프 오류에 빠졌고 툴 콜링도 정말 잘 못하는 말 그대로 2026년 초반의 우수한 로컬 모델일 뿐.
만약 돌아온다면 파라메터 부분을 확장해서 Qwen 3.6 50 ~70 a3b 가 되어야 된다고 생각함. (개인적으로 66B 어떨까 싶음 ㅋ 순전히 상징적 의미로.) Q3~Q4양자화로 32G Dram + 8G Vram 을 베이스머신으로 서빙을 하는 모델이 되어야 새 시대를 열 가능성이 높을 것임.
특히 Qwen 3.8 Flash next IQ3를 한 1주일간 써보면서 그런 느낌을 더더욱 크게 받음. Dense 보다 활성화 전문가 집단이 작은 대신 배경지식의 파라메터는 더 키워야 더 높은 작업능력을 보여줄 것임.
반대로 알리바바 Qwen의 선택도 존중함. 9b, 12b, 27b 댄스 모델은 중~대형 모에 모델의 시험장이 될 수 있어도, 35 A3b 모델은 이젠 빠르게 돌아가는 장난감 이상의 가치를 가지기 어려워 보임.
3
2
17
1,630
Anish Gupta 在 Claude Code 上省 token 的办法，核心是把「提示词写得够不够好」换成「上下文里有多少无关信息」。他整套配置里没有秘密命令，只有把不该给的东西一件件拿走。
《我如何在 Claude Code 里省 token》
How I save tokens in Claude Code
出处：Anish Gupta（anishfn）个人博客
Claude Code 烧 token 的速度快得惊人。
你给它一句很小的提示，比如「修一下导航栏」，它的回应是把半个仓库翻一遍：读掉一小座图书馆量的文件、调用工具、跑测试、重试某件事，最后改了三行。提示词很小，上下文不是。
这个区别彻底改变了我用 Claude Code 的方式。
我不再把 token 用量当成一个提示词写作问题，而是开始把上下文当成一种资源。Claude 需要随身携带的无关信息越少，它的预算里就有越多留给「我真正让它做的事」。下面是我用的这套做法。
上下文比提示词重要
一个 Claude Code 会话里装的东西远不止你敲进去的那几行字。项目说明、Claude 读过的文件、工具返回结果、历史消息、skills、memory、MCP 工具、命令输出，全都在里面。这些东西最后都可能进入 Claude 要推理的那份上下文。
于是这个：
Fix the navbar.
会悄悄变成这个：
Read package.json
Read CLAUDE.md
Find the navbar
Read the layout
Read globals.css
Read several components
Search for navbar references
Edit the component
Run tests
Run tests
Fix the test
Run tests again
贵的从来不是那句话，而是 Claude 决定「回答之前得先知道」的所有东西。
我的主要规则很简单：
给 Claude 足够解决问题的上下文，但不要给它足够分心的上下文。
如果你想要更正式地了解 Claude Code 是怎么看待上下文的，官方文档 code.claude.com 和 YouTube 上那种「Claude Code 101」视频值得扫一眼。我挑了自己喜欢的部分，然后把其余丢掉，就像一个正常的开发者那样。
让 CLAUDE.md 保持无聊
CLAUDE.md 是 Claude Code 项目里最有用的文件之一，也是最容易变成上下文垃圾场的地方之一。
我只往里放那些 Claude 几乎每次在这个项目上干活都应该知道的东西。比如：
# Project
## Stack
- Next.js
- TypeScript
- Tailwind CSS
- PostgreSQL
- Drizzle
## Rules
- Use server components by default.
- Reuse existing components before creating new ones.
- Never use any.
- Do not modify .env files.
- Run pnpm lint after meaningful changes.
## Structure
- app/ - routes
- components/ - UI
- lib/ - shared utilities
- db/ - database
我不会把整份架构文档塞进去。
我不会把每一个 API endpoint 塞进去。
我更不会仅仅为了「以防万一」，把一份 500 行的设计系统粘进去。
如果 Claude 只在某一类工作里需要某个东西，那它就不属于这里。
我的经验法则：
· 如果 Claude 每次都需要知道，放进 CLAUDE.md。
· 如果 Claude 只是有时候需要知道，把它做成一个 skill。
· 如果我开始想把一整份 Confluence wiki 粘进去，我就去喝杯水，重新考虑一下人生选择。
用 skills 代替重复说教
Skill 是可复用的工作流。Anthropic 在 skills 文档里解释得很好，但简短版是：别再重复自己，让 skill 去干这件事。
假设我在审查 UI 时有一套固定流程。与其每次都打这些字：
Use the existing components.
Keep spacing consistent.
Do not introduce unnecessary animations.
Check mobile layouts.
Check accessibility.
Follow the existing typography.
Do not redesign unrelated parts.
我把它变成一个 skill：
.claude/
└── skills/
└── ui-review/
└── SKILL.md
然后我只要说：
Use the UI review skill on this page.
工作流就可复用了，而不是靠对话里的复制粘贴传下去。
一个合理的 skill 库大概长这样：
.claude/
└── skills/
├── ui-review/
├── debugging/
├── code-review/
├── seo/
├── database/
└── deploy/
我宁愿要六个我真的会用的 skill，也不要一个巨大的「我的全部工程哲学」skill——那个东西吓到我也吓到模型。
下面这些对一个 UI review skill 来说已经很够了：
---
name: ui-review
description: Review a UI implementation for consistency, spacing, responsiveness and accessibility.
---
# UI review
1. Inspect the existing design system.
2. Check reusable components first.
3. Review spacing and typography.
4. Check responsive behavior.
5. Check accessibility.
6. Look for unnecessary visual complexity.
7. Return actionable findings.
Do not rewrite the application unless explicitly asked.
就这样。重点不是把整个宇宙都写成文档，而是给 Claude 一个针对某一件具体工作的可靠工作流。
无耻的 skill 广告
我也会从互联网上偷 skill，而不是全部自己重造。
我用的一个地方是 Qala（qala.lol/），上面有面向 Claude Code 和其他 agent 的社区 skill。没错，这是可耻地夹带私货。没错，我还是会把它留在这儿。
把昂贵的 skill 改成手动触发
有些 skill 很有用，但只应该在你真的确定要做的时候才运行。部署是经典例子。
我可能会这样定义它：
---
name: deploy
description: Deploy the application to production.
disable-model-invocation: true
---
这样 Claude 就不会自己突发奇想，认为「修一下导航栏」跟部署有关。
我想用它的时候，就明确调用：
/deploy
这对下面这些 skill 很有用：
· 会产生副作用
· 包含大段指令
· 很少需要
· 只应该在明确要求时运行
它把昂贵的工作流挡在常规路径之外，避免出现「我只是想要个按钮，为什么我们在生产环境里？」这种时刻。
先搜索，再阅读
我最大的省 token 习惯之一，是让 Claude 在阅读相关文件之前先去找出它们。
像这样的提示：
Read everything in components and understand the application.
就是让你不小心为一趟完整代码库观光付费的方式。
相反我会这样问：
Find where authentication is implemented.
Only inspect files relevant to the authentication flow.
Do not modify anything.
Claude 可以先搜索，然后再检查真正有用的文件。在大仓库里，这个区别很关键。
如果一个项目有 300 个组件，而我只想要其中一个按钮，我不希望 Claude 去读 300 个组件。我希望它去找出那个按钮。
同样的原则也适用于我手动驱动工具的时候。搜索收窄问题，阅读扩大问题：
Find all references to useAuth.
然后：
Read the files relevant to that flow.
目标不是阻止 Claude 探索，而是让探索变成有意的，而不是「把一切都打开然后祈祷」。
保持会话干净：/context、/clear、/compact
当一个会话贵得莫名其妙时，我会检查：
/context
它会显示到底是什么在占着上下文：一个巨大的 CLAUDE.md、一条庞大的工具返回、Claude 早先读过的某个大文件，或者只是一个已经连续处理了十个不同任务的对话。
我把 /context 当成诊断命令用。如果上下文已经臃肿，我先修这个问题，而不是再往里扔一条提示。
我也不再用同一个 Claude 会话干所有事。我过去的模式是这样的：
Build the landing page.
Fix the navbar.
Add authentication.
Debug the database.
Redesign the dashboard.
到最后，Claude 背着一大段涵盖好几个互不相关问题的历史，而我完全不知道它还记着什么。
现在我会在切换到一个真正不同的任务时用：
/clear
一个全新会话，通常比把三个旧问题拖进新会话里更好。
/clear 是用来重新开始的。
/compact 是用来在不把整个对话往前搬的前提下、继续同一个任务的。
比如：
/compact Preserve the current implementation,
remaining bugs, test results and files being modified.
一场漫长的调试之后，我不需要 Claude 记住每一次失败的尝试，我需要它记住当前状态。这个区别能省下大量上下文，也能省下大量「等等，我们为什么又在聊那个旧的 stack trace」的时刻。
大活儿交给 subagent
Subagent 是我保持主会话干净的最爱方式之一。
想象你问：
Why is authentication broken?
Claude 可能会去查：
middleware.ts
auth.ts
layout.tsx
login.tsx
register.tsx
database schema
API routes
configuration
这次调查可能变成一大坨上下文。
相反，我把调研外包出去：
Investigate the authentication bug.
Do not modify anything.
Return:
1. Root cause
2. Relevant files
3. Recommended fix
调查在另一个上下文里发生，主对话拿到的只是有用的结论，而不是侦探小说里的每一步。这正是 subagent 该用的地方。
一个重要细节：subagent 不是免费的。如果我派五个 agent 去查一个涉及三个文件的 bug，我很可能只是让问题变得更贵、还有点可笑。
当工作量大到值得拥有自己的上下文时，subagent 才有用。
好的：
Investigate this large repository and find where the billing system is implemented.
不那么好的：
Spawn five agents and investigate this typo.
我用 subagent 来隔离昂贵的工作，不是来 cosplay 分布式系统课程。
而且我会限制 subagent 能做什么。一个调研 agent 不需要修改仓库的权限：
---
name: researcher
description: Investigate the repository without modifying files.
tools: Read, Grep, Glob
model: sonnet
---
调研员就只调研。
评审员就只评审。
部署员就只部署。
agent 越专门化，它做的无用功往往越少。
MCP、工具与 hooks
MCP（Model Context Protocol）在我需要外部工具或数据时极其有用。它基本上是一个把 agent 接到工具上的开放标准。
但我不会为了一切都去装一个 MCP server。
如果我只需要一次 GitHub 信息，我直接：
gh pr list
如果我需要一个快速的 Git 操作：
git status
如果我需要看一个 Docker 容器：
docker ps
我已经有 shell 了。我不需要一个 MCP server，只因为它存在、而且有人为它写过一篇博客。
当我反复需要某个服务，或者某个服务通过 CLI 访问起来很别扭时，MCP 才更有价值。
问题不总是出在 server 本身，输出也可能是问题。向一个日志服务要：
Give me all logs from today.
然后拿回几千行，对 Claude 来说就是一大堆要处理的上下文。
相反：
Find authentication errors from the last hour.
Return only the relevant errors and timestamps.
工具应该返回答案，而不是整个数据库。
在我的工作流里有一条简单的分界线：
· 如果任务是确定性的，我倾向于用工具或脚本。
· 如果任务需要判断，我倾向于用 Claude。
适合工具的例子：
格式化文件
重命名文件
跑测试
跑 lint
查 git 状态
生成一个已知内容的文件
适合 Claude 的例子：
决定这块代码该怎么重构
找出根因
设计架构
审查这份实现
我不想花模型的 token 去做一件一行 shell 命令就能完美完成的事。
Hooks 属于同一个世界。如果我总是希望在编辑文件之后做格式化，我不希望 Claude 去记：
Remember to run prettier.
我自己把它自动化。
Hooks 适合那些应该在 Claude Code 特定生命周期事件上发生的确定性动作。原则很简单：
如果某件事每次都应该发生，就把它自动化，而不是每次让 Claude 去记住它。
这既省 token，也让工作流不那么脆弱。
模型、规则与 memory
不是每个任务都配得上最高强度的推理。
对「重命名这个变量」，我不需要菜单上最大的那个模型。
对「为什么这个分布式缓存系统在并发写入下会返回陈旧数据？」，我大概需要。
我大致把工作分成三档：
简单
修这个 typo。
重命名这个变量。
解释这个函数。
更新这个字符串。
中等
实现这个 API endpoint。
重构这个组件。
修这个 bug。
加这个功能。
困难
设计这套架构。
调试一个复杂的分布式问题。
重构整个子系统。
调查一个陌生的代码库。
昂贵的推理应该花在真正需要它的问题上。
规则也一样。如果我一直在跟 Claude 说：
Do not use any.
然后第二天又说：
Please stop using any.
那这条指引就挣到了一个永久的家：
## TypeScript
- Never use any.
- Prefer explicit types.
- Reuse existing types before creating new ones.
任何我反复纠正的东西，通常都该进 CLAUDE.md、规则文件或者 skill：
Use existing components.
Don't touch environment files.
Run this test after API changes.
Don't add dependencies without asking.
在知识这一侧，浪费上下文的最大来源之一是「重新发现」。每一次 Claude 都得自己搞清：
API 在哪？
认证是怎么工作的？
跑测试的命令是什么？
数据库迁移在哪？
这个项目用什么约定？
部署是怎么处理的？
它都在花 token 去学一件本来可以被写明的事。
好的项目配置把这一串：
发现
→ 理解
→ 提问
→ 被纠正
→ 重试
变成这一串：
知道
→ 执行
我会把跟路径相关的规则放在需要它的代码旁边：
.claude/
└── rules/
├── frontend.md
├── backend.md
└── database.md
前端规则不需要在我做迁移的时候加载。数据库约定不需要跟着每一次 UI 请求走。这只是另一种形式的懒加载：
只加载相关的东西。
而对于那些 Claude 反复重新发现的事，我会用 memory：
测试命令是 pnpm test:unit。
支付 webhook 在 app/api/webhooks/stripe。
这个仓库需要 Node 22。
上一次缓存 bug 来自过期的 Redis key。
我希望 memory 存的是反复出现的项目事实，而不是变成又一份巨大的文档文件。
我的配置与检查清单
如果我要从零开始一个项目，我会让结构保持简单：
project/
├── CLAUDE.md
│
└── .claude/
├── rules/
│ ├── frontend.md
│ └── backend.md
│
├── skills/
│ ├── ui/
│ │ └── SKILL.md
│ ├── debugging/
│ │ └── SKILL.md
│ ├── review/
│ │ └── SKILL.md
│ └── deploy/
│ └── SKILL.md
│
└── agents/
├── researcher.md
└── reviewer.md
心智模型大致是这样：
CLAUDE.md
↓
永远需要的项目知识
Rules
↓
特定上下文的知识
Skills
↓
可重复的工作流
Subagents
↓
大型隔离调研
MCP
↓
外部工具与数据
Hooks
↓
确定性自动化
CLI
↓
机械性工作
每一块都有自己的职责。没有哪一块需要什么都干。
在我开始一个大型 Claude Code 会话之前，我会过一遍这份快清单：
· 我的 CLAUDE.md 真的必要吗，还是它偷偷写成了一部小说？
· 我是不是让 Claude 读了超过它需要的文件？
· 它能先搜索再阅读吗？
· 这个工作流做成 skill 是不是更好？
· 这次调查大到值得用一个 subagent 吗？
· 我真的需要这个 MCP server 吗，还是 git status 就够了？
· 能不能用一条 CLI 命令代替？
· 能不能用 hook 自动化？
· 我是不是该用更便宜的模型？
· 这个会话是不是背着不相关的历史？
· 我该跑 /compact 吗？
· 我是不是干脆用 /clear 开个新会话？
大多数时候，至少有一个答案是「是」，而修掉它省下的 token 远多于跟 temperature 参数吵架。
思维方式的转变
最大的改善不是来自学会某个 Claude Code 的秘密命令，而是来自换掉问题。
我不再问：
我怎么让 Claude 更努力地工作？
而是开始问：
我怎么让 Claude 少做无用功？
给它更少的无关上下文。
给它更好的指令。
给它专门化的 skill。
给昂贵的调研它们自己的上下文。
确定性工作交给工具。
只在问题配得上时才动用更强的推理。
让会话保持聚焦。
目标不是让 Claude 想得更少。
而是让它的每一分 token 都真的算数。
链接
原文：anishfn.vercel.app/writing/h…
作者：Anish Gupta（anishfn），anishfn.space/
Qala（作者自己的社区 skill 站）：qala.lol/
#ClaudeCode #上下文工程 #Token优化
3
6
769
【Qwen3.8-Flash-Nextベースの「Victoria」と「Maple」がすごい！】
生成AIの実践活用で大注目のオープンウェイトモデル「Victoria」と「Maple」が登場したそうです！ベースには強力なQwen3.8-Flash-Nextが採用されていますよ✨
まずコーディング特化の「Victoria」は、「REAP」というプルーニング技術でエキスパート数を44%も削減しつつ、4bit NVFP4での再学習によってメモリや重量が大幅に最適化されています！🌱 ドラフトヘッドを有効にするとシングルストリーム推論で280 tok/sという驚異的なスループットを叩き出すうえ、出力トークン数も35%削減されているとのこと。Terminal-Bench 2.1やHumanEvalでも高精度をマークしていて素晴らしいですね！ただ、GGUF版を使うときは標準のllama.cppだと構造不一致エラーが出るので、専用のカスタムフォーク（`qwen4exp-mtp`など）が必要になる点には注意です⚠️
そして地域特化型の「Maple」は、カナダの法規・税制・福祉といったドメインに最適化されたモデル！🇺🇸の文脈が強くなりがちだった生成AIを上手にカナダ国内の文脈へ適応させていて、公式資料の引用率が6.0%から62.9%へと跳ね上がっています！しかも、汎用的なコーディング能力をしっかり維持したまま地域特化を実現しているのが見逃せませんね😊
#生成AI #LLM
2
7
1,019
📅 Google في شهر واحد فقط.. 5 إعلانات AI تكفي شركة كاملة لسنة!
ملخص سبتمبر:
→ Gemini 4 Argon: نموذجها الأحدث بقدرات Reasoning متقدمة وحد مخرجات يصل إلى مليون Token، ومصمم خصيصاً للدفاع السيبراني
→ Gemini 3.8 Live و 3.8 Live Extended Thinking: نماذج صوتية بتفكير شبه لحظي لبناء Voice Agents أكثر طبيعية
→ Googlebook: فئة جديدة من اللابتوبات مصممة لـ Gemini Intelligence وتعمل مع هاتف Android مباشرة
→ WeatherNext 3: أدق نموذج للتنبؤ بالطقس، ببيانات أقمار صناعية لحظية وتحديث كل ساعة →
خريطة كاملة لدماغ ذبابة الفاكهة: أكثر من 166 ألف خلية عصبية وقرابة 12 ألف نوع خلية
🧠 لاحظ أن الإعلانات لم تعد "نموذج جديد" فقط.. بل أجهزة وعلوم وطقس وصوت في نفس الشهر.
أي إعلان فيهم الأهم في رأيك؟ 👇
x.lingyaoai.com/NewsFromGoogle/status/…
ICYMI: Here's a recap of our AI announcements from September. ⬇️
💎 Announced Gemini 4 Argon, our newest frontier model, built with advanced reasoning and a 1-million-token output limit. It’s designed to tackle complex challenges — especially in cybersecurity defense.
🗣️ Launched Gemini 3.8 Live & 3.8 Live Extended Thinking, two new language audio models that bring advancements in near real-time reasoning to more effectively enable voice agents and make conversing with AI feel more natural.
💻 Announced Googlebook, a new category of laptops designed for Gemini Intelligence and engineered to work seamlessly with your @Android phone right out of the box.
🌦️ Launched WeatherNext 3, our most advanced and accurate global weather forecasting AI model, now including real-time satellite data, hourly refreshes, higher resolution, precise precipitation forecasting, and clean energy variables.
🪰 Mapped the male fruit fly’s brain with the help of Google AI, charting over 166,000 neurons and nearly 12,000 distinct cell types. This milestone will help us better understand how brains function.
2
1
848