终于有人把 FFmpeg 直接接进 AI 编程助手了。 以前让 Agent 剪视频，参数经常靠猜，做完甚至不检查结果。这个 ffmpeg-skill 把流程补齐了。 ① 全程本地运行，不用账号、API Key，素材也不用上传 ② 内置 42 个工具，剪切、拼接、去静音、字幕、画幅、响度、HDR 转 SDR 都能做 ③ 支持 Claude Code、Cursor、Codex ④ npx ffmpeg-skill 一行安装 ⑤ 先 probe 再处理，完成后再自动验证 简单说，就是让 AI 不只是“调用 FFmpeg”，而是先看素材，再动手，最后检查结果。 🔗 ：github.com/kajisho5/ffmpeg-s…

今天刷到不少推友国庆喜提 A\ 封号大礼包 我简单总结下我目前为止使用的方式，过去半年一直稳定使用 - 独立 Mac 主机 - 美西时区 - 单账号，从未切换过其他账号 - Surge 规则模式常开 - 夏威夷独立家宽 IP - 美国信用卡 - 每周用量50-80% - 外出用 UU 远程访问主机发起任务，配合手机移动端查看 当然肯定不存在100%防被封的方法，这大概率都看 A\ 的心情 我都直接让 Claude 优化我的 Surge 配置，它知道 Anthropic 流量会走代理，所以 A\ 如果要标记轻轻松松 只能说稳定 IP + 非高频使用，大概率能降低封号风险

Claude 官方最新发布了 Claude Opus 5.5 的提示词指南，1 分钟带你看完！ 1）先把思考档位调对 模型想得多还是少，主要由思考档位 effort 决定。Opus 5.5 平时用 medium 就够了，这一档在编程和知识类工作上已经能追平上一代的 high，还更快、更省钱。Sonnet 5.5 默认使用 high，但目标明确的编程任务同样可以从 medium 开始，日常聊天则建议选择 medium 或 low。 2）想让模型少想，就降低档位 当模型想得太久时，最有效的办法就是调低档位。聊天提示词里的 “请仔细思考再回答” 也可以删掉，因为模型会自己判断需要想多久。 3）不要让模型把推理过程写进回答 很多人习惯要求模型 “把思考过程写出来”，但在 5.5 这一代，这样写可能导致请求被直接拒绝。想了解模型的思路，查看思考摘要就可以了。 4）追问变慢时，别让模型回头重想 在多轮对话中，哪怕你只追问一句很短的话，模型也可能把上一轮的答案重新想一遍。你可以在系统提示里说明，已经回答过的问题就算完成，后面只需要思考当前的提问，这样回复会更快开始。 5）让模型把任务做完再停下 做长任务时，模型经常写完一段总结，说一句 “下一步我要做什么”，然后就停下来等你回复。你可以在提示词里要求模型汇报进度之后继续操作，只有缺少你的配合，或者即将执行有风险的操作时，才停下来询问。 6）别让模型做多余的事 档位越高，模型越喜欢顺手补上测试、文档和一些小文件，开到最高两档时，甚至会自己多开几轮审查。所以最好再补一句，要求模型做完并检查无误就停止，额外的想法放在最后提出来。官方在最高档测过，加上类似的话之后，花费少了三分之一，质量没有变化。 7）只想看方案，就提前说清楚 如果你只是随口说一句 “让我看看你能做什么”，模型可能直接开始做演示、写报告。你要是只想先看看思路，就在提示词里说明：用户要的是想法或方案，给完就停，等确认后再动手。 8）让模型先验证，再下结论 在编程任务中，要求模型改完代码后真正运行一遍测试或构建，不要只检查语法。遇到收费、规则这类容易过时的问题，也应该让模型先搜索再回答。 9）要求越具体，效果越好 让模型做网页时，与其笼统地说 “不要有 AI 味儿”，不如直接点名你不想要的样式，比如蓝紫渐变、XX 字体等。遇到特别密集的图表时，给模型提供裁剪和放大的工具，也比把档位调到最高更准确、更省钱。 总结，用好模型的关键是把档位调对 + 把要求说清楚。

我们可能一直在错误地优化 Coding Agent。 大家盯着模型价格、Token/s、推理能力，但 Harvard MadSys 放出的一批真实 Agent workload 数据里，一个很扎眼的结论是：76% 的 Agent session 中，Cached Input 才是最大的成本来源。 更夸张的是，只有 3.41% 的请求发生 Context Mutation，却制造了 62.6% 的 fresh prefill。 改 system prompt、做 compaction、删除 tool result，看起来只是 Harness 的小动作，但只要前缀发生变化，大量 KV Cache 就可能失效。 Prompt Engineering 到了 Agent 时代，已经开始变成 Infrastructure Engineering。

🔥快来玩！DeepSeek Harness 负责人崔添翼刚点名的 Rust 玩具项目，值得盯一眼！ CordisClaw：把 Harness「一切皆插件」的思路用 Rust 重做成契约驱动的插件树。 发现靠显式父子边，加载靠 ABI + SHA-256 校验，文档直接当运行时输入，执行走 CPN Net，失败可回滚，还带能自己改代码的 Agent 循环。 不是官方产品，是 DSH 团队成员的个人实验。 上手三步： 1️⃣clone github.com/Chinesezjc/Cordis… 2️⃣cargo run -p cordis-runtime -- serve fixtures 3️⃣进 agent / shell 模式，或用 execute 跑单节点 #DeepSeek #DeepSeekHarness #CordisClaw #AIAgent #Rust #开源 #插件树

软件工程里有一句很常见的话：“尽量让服务保持 stateless。” 真正做过系统的人都知道，这句话其实有点骗人。 任何有用的软件几乎都有 State。 用户有没有登录、订单有没有支付、任务执行到哪一步、文档现在是什么内容、数据库里存了什么…… 真正的问题是：这个 State 到底放在哪里，谁负责它，以及它错了以后怎么办。

用编码 Agent 维护中大型工程时，最容易出现的问题是状态分叉与补丁累积。 很多开发者会发现，同一个 Bug 让模型修了几次，代码量反而越来越大。原因在于模型通常只针对当前触发异常的代码行做局部修补，比如在消费端加一层防御性过滤，或者在前端复制一份临时状态。这种修改虽然能在当前单测或单一操作路径下通过，但底层事实源的竞争关系依然存在，换一个入口依然会暴露。 要避免系统被补丁拖垮，关键是在模型动刀之前设立一道责任层预检。 doublesq 开源的 su-architecture-first 是一个纯文件形态的 Agent Skill。它的做法是在修改系统之前，先跑通一条极简的约束链条：定位真实目标、明确所属层级、锁定唯一事实源、决定改动类型，并在修改前定义回归证据。 尤其是对于复发问题，明确要求先从结构层面排查竞争路径与重复逻辑，在引入新逻辑之前先清理已经被证伪的旧代码。整个 Skill 没有任何外部可执行脚本或三方服务依赖，纯靠 Markdown 规范决策边界。 适合经常用 Codex 或 Claude Code 修复杂链路、被模型局部乱打补丁折磨的开发者参考。 项目地址： github.com/doublesq97-ui/su-…

大多数人还在把 AI 编程 Agent 当成“带终端的自动补全”，但真正拉开生产力差距的，是给 Agent 配备 Skills（技能包）——给模型注入可复用的工作流、架构规范与工程约束。 精选 10 个适配 OpenCode、Cursor、Claude Code、Codex 及 Gemini CLI 的高价值开源 Agent Skills，附完整项目链接： 一、 工程规范与架构思维 Superpowers：完整的 Agent 软件工程方法论，强制执行需求拆解、TDD 测试驱动、调试纪律与全流程代码验证。 GitHub：github.com/obra/superpowers Ponytail：让 Agent 具备务实的高级工程师思维，杜绝非必要代码与过度设计，优先采用简洁可行的方案。 GitHub：github.com/DietrichGebert/po… Caveman：轻量级实用约束工具，专注于降低复杂度，保持开发敏捷。 GitHub：github.com/JuliusBrussee/cav… Addy Osmani’s Agent Skills：工业级工程规范合集，让 Agent 生成的代码高度贴合真实生产环境实践。 GitHub：github.com/addyosmani/agent-… 二、 复杂代码库与系统解析 Graphify：通过本地确定性 AST 解析，将源码、SQL、配置和文档构建为可查询的知识图谱，告别盲目全库 grep。 GitHub：github.com/Graphify-Labs/gra… Understand Anything：基于多智能体管道的代码分析利器，提供依赖可视化看板，内置 /understand 与 /understand-diff 指令。 GitHub：github.com/Egonex-AI/Underst… 三、 界面开发与架构可视化 UI/UX Pro Max：跨框架设计智能技能，提供排版配色与定制化设计系统决策，摆脱千篇一律的“AI 模板味”。 GitHub：github.com/nextlevelbuilder/… Impeccable：嵌入式设计语言规范，在 Agent 修改前端 UI 代码时自动触发设计合规检查。 GitHub：github.com/pbakaus/impeccabl… Archify：一键生成系统架构图、数据流图与时序图，直接输出带交互动效的自包含 HTML 文件。 GitHub：github.com/tt-a1i/archify 四、 综合技能合集 Awesome Claude Skills：社区高星精选技能库，采用通用的 SKILL.md 规范，通用支持主流多 Agent 运行环境。 GitHub：github.com/ComposioHQ/awesom… 💡 实战组合推荐： 接手陌生巨型项目：Graphify + Understand Anything + Ponytail 构建高质感 Web 应用：Superpowers + UI/UX Pro Max + Impeccable 架构重构与严谨开发：Superpowers + Ponytail + Addy Osmani’s Agent Skills 安装所有技能并不是目的，建议先挑选一个能解决你当下编码痛点的技能，真正融入日常开发流程。 #AI编程 #CodingAgent #OpenCode #Cursor #ClaudeCode #GitHub #开发者工具 #独立开发 #软件工程 #LLM #AIAgents #WebDev

昨天 DeepSeek 开源的 TileLang Ascend 很有意思。抽象层次跟我 2019 年在昇腾里做的 AKG 里面的 isl schedule 很类似，都是把 L0 A/B/C（矩阵计算的输入输出缓冲）、UB（向量计算的缓冲）等显式分配出来，然后编排数据搬移和计算。 一直有不少人说，昇腾难编程；架构是为 CNN 定制的，不适合 Transformer。我认为这两个说法都站不住脚。 首先，随便写个 CUDA 算子确实是不用关心片内的缓存层次，也不用做矩阵和向量计算单元之间的同步，也不用让数据按照 16 的倍数对齐。但是要把性能优化到极致，还是必须考虑 GPU microarchitecture 的。不想自己折腾数据搬移和同步的可以试用我们开源的 AKG 自动生成算子，写 Python 总比写 CUDA 简单。 其次，昇腾跟 TPU 等很多加速器类似，都是考虑到 Transformer 等神经网络的计算特征（QK 矩阵计算 -> Softmax 向量计算 -> PV 矩阵计算这样交错进行），使用专用缓冲区甚至 950 中的专用数据通路来降低数据搬移开销。Img2col 这些为 CNN 定制的指令也换成了为 Transformer 定制的 NDDMA 数据重排指令。要知道，950 的制程跟 A100 是相当的，但性能可达 H100，就是靠架构优化。 截图出自我的开源书《深入理解 AI Infra》 github.com/bojieli/ai-infra-…

15 hours + $500 cost. From idea to production. 昨晚到现在，Agent 连续工作了 15 小时，做出一个类似 Claude Docs 的产品，现在已经上线。 我没看代码，也没读文档。只看 summary、设定目标、做架构和产品决策。 Rust + Tiptap + Yjs，完全托管在 Cloudflare。Notion 式编辑、AI 与多人实时协作、OAuth、MCP、Google 登录，都跑通了。 AI 时代，写代码的成本正在迅速下降。真正拉开差距的，是架构设计、产品取舍和 Taste。

Pi 配上 Subagent，有点 Multi-Agent 的味道了🔥 推荐一个最近在玩的插件：jopqior/pi-subagents 可以直接在 Pi 里面拉起多个独立的 Subagent，而且不是再开几个 CLI 子进程，是直接跑在 Pi 自己的 Runtime 里面 1、每个 Subagent 都是独立的 可以有自己的 Model、Thinking、Tools、System Prompt 和 Session 比如主 Agent 负责整体任务，再单独开一个 Research、一个 Coding、一个 Review，各干各的。 2、可以并行跑，而且中途还能管 默认可以同时跑多个 Subagent，后台干活的时候你还能继续跟主 Agent 聊。 跑偏了可以 Steering，跑完了还能 Resume 原来的 Session，不是一次性问完就没了。 3、不同 Subagent 还能分配不同模型 配合 pi-subagents-model-selector，可以让： Research → Gemini Coding → Claude Review → GPT 谁适合干什么就分给谁，不需要所有 Agent 都用一个模型。 这个插件火起来也有一段时间了，最新版本也更新了 MCP，现在是子线程也火起来了 连 PI 慢慢更新的跟 OMP 一样了，那我还不如直接去隔壁使用 OMP🤣

15 hours + $500 cost. From idea to production. 昨晚到现在，Agent 连续工作了 15 小时，做出一个类似 Claude Docs 的产品，现在已经上线。 我没看代码，也没读文档。只看 summary、设定目标、做架构和产品决策。 Rust + Tiptap + Yjs，完全托管在 Cloudflare。Notion 式编辑、AI 与多人实时协作、OAuth、MCP、Google 登录，都跑通了。 AI 时代，写代码的成本正在迅速下降。真正拉开差距的，是架构设计、产品取舍和 Taste。

AI 开始批量生成数学证明后，谁来验证？ AI for Math 接下来最贵的环节，会是验证。 AI 系统可以同时展开大量证明路线，在几天内生成一份候选论证。数学家仍然要逐步检查前提、引用和推导，一份证明的独立评议可能持续几个月。生成能力增长得越快，验证资源就越紧张。 我每天使用 Coding Agent，对这种变化很熟悉。 以前写代码最花时间，现在 Agent 一次可以生成几百上千行。代码生成速度上来以后，review、测试和 eval 占用的时间越来越多。数学研究也开始遇到同一个问题：证明可以批量生成，能判断它是否成立的人和验证流程没有同步增加。 由清华人工智能学院助理教授陈勇超（@YongchaoC）创立的超衍智能（@apexin_ai）最近公开了 5 项 AI 数学研究。 其中 2 项已经由作者或合作数学家核验：Halpern 迭代与高阶优化，以及 Mockenhaupt 三项猜想覆盖全部参数的新证明。 另外 3 份仍然标为候选论证：凸形 Nivat 猜想完整证明、Souto 猜想亏格二情形，以及 Kakimizu 复形可缩性。 合作数学家先选择有研究价值的问题，Apex 的 AI 系统并行探索并交叉检查证明路线。找到候选证明后，再由作者或合作数学家逐步核验，并为最终结论负责。 这 5 项研究中，一个已核验案例和一个候选论证案例，正好展示了这套流程的两端。 Halpern 迭代与高阶优化研究展示了这套分工。AI 找到了 Halpern 迭代与锚定张量法（Anchored Tensor Method，ATM）的组合路线，但初版子求解器包含三层循环。合作数学家随后把它简化成单层结构，并整理、核验完整证明。论文公开后，清华、北大和 Google Research 的研究者又沿着相关方向继续推进复杂度结果。 凸形 Nivat 猜想最能说明这套流程的验证边界。根据官方披露，配套的 Lean 4 形式化项目约有 3.6 万行代码，目前可以零错误、零 sorry 编译。 这里需要区分 Lean 已经检查的内容和整项数学结论。 通过机器检查的是已经写入 Lean 的部分，并不等于整项数学结论已经得到完整验证。整条证明仍然引用 Colle 已发表的一条外部定理，这项输入尚未完成形式化。 机器已经检查了大量推理步骤。外部定理以及整套论证能否获得独立认可，仍然需要研究者继续核验。因此，官方仍把它标为候选论证，没有直接写成已经解决的数学成果。 为了推动这 3 份候选论证获得进一步验证，超衍把候选论证和关键证明步骤公开，并设置总额 10 万元的学术悬赏。研究者可以认领一条关键引理、一段归约或一个估计，投稿时标明对应的论文版本和命题位置，再附上可以复核的推导、反例或代码。经过核实的贡献会被单独记录。 悬赏面向数学及相关学科的高校研究者、独立研究者，也欢迎熟悉 Lean 和形式化证明的开发者参与。奖项分为重大漏洞奖、关键验证奖和突破贡献奖。 配图 1｜封面：AI 开始批量生成数学证明后，谁来验证 配图 2｜Coding Agent 与 AI for Math 的评估瓶颈 配图 3｜超衍智能五项研究的核验状态 配图 4｜Nivat Lean 验证范围与十万元悬赏 论文、验证任务和投稿入口都在： math.apexin.net/

好久没有给大家分享工具了！ 很多朋友都会选择 Obsidian 来做自己的创作知识库 下面的5个插件工具几乎是必备的： 1️⃣Claudian：使用claude 或者 codex来整理笔记，辅助写作。 2️⃣Obsidian Web Clipper：网页上看到的东西一键导入到 obsidian 来做素材收集 3️⃣WeRead：同步微信读书、读书划线、想法积累都会被同步在obsidian 当中。 4️⃣Excalidraw：把零散观点画成关系图，链接相关笔记 5️⃣Kaitox：把写好的 Markdown 图文转成 X 长文草稿 收集素材 → 梳理关系 → 动手写作 → 输出分享。都包含了！希望可以帮到大家~

自己做的网站上线好几个月，Google 上就是搜不到，找人做 SEO 诊断要花钱，自己对着官方文档一条条查，又不知道先改哪个。 jev-seo 是一个开源的网站 SEO 体检工具，给它一个首页网址，大约一分钟把整个站爬一遍，出一份排好优先级的整改清单。 它对照 Google 官方搜索文档里的 52 条规则逐项检查，死链、重定向、结构化数据、页面加载体验这些都会查到。 每个页面还会交给 TypeSafe 的 Jev 模型判断，这页是干什么的、内容够不够具体、有没有几页在抢同一个搜索词。 GitHub：github.com/AgriciDaniel/jev-… 报告一次出 PDF、Excel 和 Markdown 三份，PDF 给客户看，Excel 里每条整改项都带优先级、改法和官方出处，直接能当进度表用。 费用挺低的，标准模式一个站大约花 1 美分的模型调用费，不用订 SEO 数据服务。作者还拿同样 59 个页面跑了两遍，打分平均只差 0.03。 能在命令行跑，也能装进 Claude Code 当 Skill 用。给客户建站的，交付时附一份这个报告，比口头说一句「SEO 做好了」有说服力。