黑科技资源分享

.md

最近一直在忙着把我的 App 变成跨平台的，试了几种方案还是决定用 Rust + GPUI。 一开始就是用的 Electron，但是视频编辑这种场景纯网页实现性能优化还是挺不容易的，尤其是视频一长、字幕一多就会很卡，内存占用也很夸张。我不怀疑持续优化下去能是能有一个还不错的性能的，但要花不少时间精力。 所以我后来就决定先做一个 Mac 版本（图1），Swift + AppKit，用 Fable 5 开发，效果特别好，跟设计稿几乎一样。必须说 Fable 5 在还原 UI 能力上是最强的，没有之一。 但现在想要支持跨平台，就还得考虑其他方案。先是用 Rust 做了一个跨平台 cli 的 PoC，效果很好，音频转录和视频导出的性能比 Swift 还好，还能支持 Mac、Windows 多平台。 接下来就是把 Swift 版本移植到 cli 之上，工作量还是挺大的，前期开发的功能越多，现在迁移工作就越难。初步是完成了，但接下来就是 Windows 版本的支持。 再去基于 cli 开发个 windows 版本成本还是挺高，尤其是要去 windows 电脑上开发测试，各种逻辑同步想想都头大。现在 AI 让写代码变得成本很低，但是测试和验收成本还在那里，跨平台的好处就是你核心逻辑测试没问题，后面只有少量兼容性的问题需要去测试，工作量小很多。 因为 cli 已经是 rust 写的，所以自然而然就会想到用 rust 的 GPUI 去做跨平台，不过决定之前肯定是要先做 PoC 验证的。 跟 Fable 5 一起写了个技术方案文档，由于上个周期额度到了，后面就先让 GPT 5.6 Sol 去实现了一个 PoC 版本（图2），还不错了。 今天 Grok 4.6 发布，又用 Cursor + Grok 4.6 实现了一个版本（图3），效果要差一些。Grok 4.6 有点好处就是生成的速度极快 今天晚上 Claude 的额度终于刷新了，再让 Fable 去实现了一个版本（图4），相对来说是最好的一个，但离成品也还有不小的差距。 经过这三个 PoC 版本，至少可行性上是没什么问题了，性能也很好，接下来就沿着这个方向走下去了。 --- 对了，现在 BaoCut Skill 从 Windows 下也可以转录和翻译视频了： https://github.com/JimLiu/baocut/blob/main/skills/baocut/SKILL

虚假奖励（2025年6月） 随机奖励可以通过放大现有先验来提高分数，而不会产生真正的能力提升。 噪声数据具有破坏性（2026年8月） 已验证的错误标签会强化错误、减少探索，并且表现不如干净的监督。 论文： 虚假奖励：重新思考RLVR中的训练信号 噪声数据对可验证奖励强化学习的破坏性

强烈建议以后外包项目，要求投标方提供使用的模型相关信息 我也是醉了，一个合作方提交代码各种问题 之前说是用的中转站，我说你这中转掺水很严重 后来告诉我用的 TRAE 😂😂 何苦为难自己

观察到不少 Todos 用户切换到 Grok 4.6 了 普遍反馈还行尤其在 claude 全线降智的衬托下 马赛克的 Grok 模型终于支棱起来了 F.Y.I https://todos.dev 支持 Grok 订阅

把我们公众号这两年的数据跑了一个用户兴趣的定量分析。 结果发现Prompt相关的选题效果，至今依然是遥遥领先。。。

在测了😂被迫加班... 都躺床上了.... #deepseekv4pro0813 #DeepSeekV4Pro正式版

你有没有遇到过这种情况—— 团队开了好几轮会，做了很多决定，感觉很忙、很有产出，但回头一看，产品好像没什么实质进展？ 问题可能不是执行力，而是你用错了评分标准。 我在新一期 newsletter 里聊了一个我观察到的常见陷阱：很多早期团队衡量「进展」的方式，其实是在衡量「活动量」——开了多少次会、写了多少文档、做了多少功能。但这些数字背后，并不等于你在正确的方向上前进。 真正重要的问题是：你的用户因为你的产品，生活或工作有没有变得不一样？ 如果没有，那不管内部看起来多忙，你其实都在用错误的 scorecard 给自己打分。 这期写得比较直，有些东西说出来可能有点刺耳，但我觉得值得说。 感兴趣的话来看看 👇 https://newsletter.bearliu.com/p/the-wrong-scorecard

智谱的glm5.3来了，743B ，权重两周后放出 技术博客：https://z.ai/blog/glm-5.3

我就说 制造业 这块 还有很大空间， 比如，这页面做的，就很有优化空间

Deepseek大幅涨价，梁圣要降级了

如果说最推荐的一个Skill，那么我一定会推荐find-skills 我们在使用codex的时候，都不知道我们想做的事情已经有现成的技能，所以每次都从头开始构建。 find skills 修复了这个问题。描述你想实现的目标，它就会搜索技能。sh 以及更广泛的生态系统，检查安装次数和仓库信誉，然后返回一个具体的推荐，附带随时可运行的安装命令。 安装方式 npx skills add https://github.com/vercel-labs/skills --skill find-skills 下次想自己做一个Skill的时候，可以先用这个Skill来查找一下，看看有没有合适的。在别人的基础上来改的话，也会方便很多。

有没有人知道 gitflic，相当多 DMCA 项目的归宿

Obelisk：让 AI 编程助手“拥有记忆”的本地神器 你有没有遇到过这些情况？ - 上周用 Claude Code 修了一个很复杂的 auth bug，今天又碰到类似问题，却完全想不起来当时改了哪些文件、为什么那么改。 - 同时用 Claude Code、Codex、Kimi Code，历史记录散落在各个文件夹里，想找东西像大海捞针。 - 想让 AI 帮你回顾“这个文件最近被反复改过几次？”“上次失败的那些 tool call 都发生在什么任务里？”，结果 AI 完全不记得之前的对话。 Obelisk 就是专门解决这个问题的工具。 ### 它到底是什么？ 简单说：Obelisk 会把你过去所有 AI 编程会话（Claude Code、Codex、Kimi Code）全部索引到一个本地的 SQLite 数据库里。 之后： - AI 助手可以主动查询这些历史**（用自然语言提问） - 你自己也可以用桌面 App 漂亮地浏览所有会话、工具调用、记忆和统计 两边共享同一个本地数据库（~/.obelisk/obelisk.sqlite），数据完全在你自己电脑上，隐私有保障。 ### 核心能力（小白也能懂） 1. **统一记忆层 - 不管你用哪个工具写的代码，历史都会被收集到一起。 - 支持跨工具搜索，比如“找出所有跟登录认证相关的修改”。 2. 给 AI 用的查询接口（最实用） - 在 Claude Code 等工具里直接输入 /obelisk 你的问题。 - AI 会自动写查询、查数据库，再用自然语言告诉你答案。 - 例子： - /obelisk 上次 auth bug 最后到底改了哪些文件，为什么这么改 - /obelisk 这个文件最近在哪些 sessions 里被反复修改 - /obelisk 找出最近失败的 tool calls，它们分别发生在哪些任务里 - /obelisk 那个 review workflow 的 subagents 各自结论是什么 - /obelisk recap this week（生成这周工作总结） 3. 记忆系统 - AI 可以把重要结论保存成 markdown 文件（类似“长期记忆”）。 - 以后可以直接召回这些沉淀下来的知识。 4. 桌面端 App（给人用） - 漂亮的会话浏览器，支持搜索、筛选。 - 能看到每次工具调用的具体内容（包括 diff、终端输出）。 - 活动热力图（像 GitHub 贡献图一样）、token 使用统计。 - 每周/每月回顾卡片，方便分享或复盘。 ### 怎么安装？（推荐让 AI 帮你装） 最简单的方式：把下面这句话发给你正在用的 AI 编程助手（Claude Code / Codex 等，需要有 shell 权限）： Install Obelisk by fetching and following this guide: curl -fsSL https://raw.githubusercontent.com/tommy0103/obelisk/main/SKILL.md 它会自动帮你安装 CLI，并配置好 /obelisk 技能。 手动安装也可以（需要 Node.js 22.13+）： npm install --global @obelisk-apps/cli obelisk install 首次运行会建立索引（大概几秒到几十秒，取决于你有多少历史会话），之后都是增量更新，非常快。 ### 适合谁用？ - 经常用 Claude Code、Codex、Kimi Code 写代码的人 - 希望 AI 能“记住”之前做过的事情，而不是每次从零开始 - 想对自己的 AI 使用情况做复盘和统计的人 - 喜欢把重要结论沉淀成可检索知识的人 项目完全开源（AGPL-3.0），目前已经支持 Claude Code + Codex + Kimi Code 三大主流工具。 GitHub 地址： https://github.com/tommy0103/obelisk 如果你也受够了 AI“金鱼记忆”，强烈建议试试这个项目。装完之后，那种“AI 终于能回忆起上周做过什么”的感觉，真的很爽。

I guess CSS is hard.

《自然·通讯》研究借NODDI技术看清大脑微观布线：智商越高，皮层神经突密度越低、排列越规整，推翻“脑子越满越聪明”的直觉。这印证神经效率假说——智力拼的是信号传递效率而非堆料，高智商大脑经突触修剪“瘦身”，剔除冗余通路、保留核心高速链路，能耗更低、响应更快。宏观上高智商者皮层体积可能更大，但微观是“少而精”的稀疏化架构，这种精简布线才是高效信息处理的底层密码。

王虹得菲尔兹奖证伪二向箔？ 刚看到一篇科普是王虹得菲尔兹奖的那个挂谷猜想证明了二向箔在物理世界不可能存在，理由是二向箔要剥离一个空间维度。王虹证明了测度为 0 的三维挂谷集的分形维度数不能小于 3。也相当于证明宇宙不会坍缩。

这次没别人，就陈震一个人在LA体验美版“软硬满血”Model Y＝HW4.0后期+前杠摄像头硬件 × FSD V14.3.4，是北美无阉割端到端纯视觉顶配，感知与决策底座拉满，区别于国内保守监督版，说比他自己开得好，牛B 开Mad Max激进模式后变道超车果敢、无保护路口不拖泥带水，低速不抖、避让逆行货车/手推车像老司机主动倒让，拟人化与自信度远超普通人类道路驾驶，体验者直呼“惊艳”。 从加油站自动挂挡出发到终点自主找位泊入，近乎“车位到车位”全脱手；但仍是L2监督辅助、北美路况特化，不能等同Robotaxi无安全员，要担心的是“驾驶能力退化”隐忧

现在碰到好东西 我就扔给 fable 5，请参考这个把好的功能借鉴融合到我的系统里面

Agent 拿着密钥到处调工具，没人管它该不该做某件事。CyVisGuard 就在 Agent 和它要碰的东西之间插一层，每次调用都问一句：谁调的、替谁调的、还能不能继续。 https://github.com/flankerhqd/cyvisguard