如果你在家闻到了Gas想让人过来查看，在澳洲的话你可能要提前准备15K-20K。过程是：如果查到真的有泄漏，Plumber有权利强制关掉你的Gas总阀门，直到你修补或者替换新管道，通常第二天就能完工。 如果是老房子，家里的cooktop十年以上的，换了新Gas管道后，做饭时，可能你反而会闻到更浓烈的Gas味，因为新管道没有任何堵塞和漏气，气压更强，点火的时候老式灶台溢出的Gas会更多，加上燃烧不充分，气味就更明显。 如果你想换一个新灶台，根据维洲的新规，灶头和抽烟烟机的距离至少是600mm，而市场上很多管道公司的执照都是650mm起步，所以大概率不仅仅是要换灶台，而是抽油烟机和上方的橱柜全部都要换，有些人受不了橱柜的颜色不一致，会把厨房所有的橱柜都换一遍。 新规其实是为了鼓励使用电炉，老房子换电炉也会涉及到换更大的电路和电箱。维洲新建的房屋已经都是电磁炉，基本是买不到带gas stove的新房了，但是在很多人眼里电炉是做不了饭的，起码我做不了。 家里漏气可大可小，该检查就查，只是需要知道这个电话一打，你接下来会面临什么。

10 个来自构建这些模型公司的 GitHub 仓库。DeepSeek、Anthropic、OpenAI、Google、Cursor、xAI。 1. DeepSeek Harness (123k⭐) - 代理运行时，其中一切都是插件：模型适配器、工具、内存，全都可互换。MIT 许可，从 0 到 123k 星标仅用几天。 2. Claude Skills (170k⭐) - 驱动 Claude 在应用内文件创建的系统。 3. OpenAI Cookbook (75k⭐) - OpenAI API 的官方示例，从函数调用到评估。 4. Claude Cookbooks (51k⭐) - Anthropic 的代理、RAG、工具使用、扩展思考笔记本。 5. Grok Build (25k⭐) - xAI 的编码代理，在被抓到将用户仓库上传到云端后开源。现在完全可审计。 6. OpenAI Agents SDK (28k⭐) - 提供商无关的多代理工作流框架，支持 100+ 大语言模型。 7. Google Gemini Cookbook (21k⭐) - Gemini API 上多模态代理的官方配方。 8. Google ADK (17k⭐) - 用于构建和部署代理的代码优先 Python 工具包。 9. Cursor Cookbook (4k⭐) - 直接来自 Cursor 团队的官方示例。 10. Cursor Plugins (3k⭐) - Cursor 附带的官方插件规范。 在你再为另一个代理构建课程付费之前，先保存这个 👇

天天转发「100 个万能提示词」不如自己学会写。 下面这 6 个免费提示词库从入门到进阶排好，参考他们比背模板管用得多。 1、Learn Prompting 最系统的免费入门，从零讲到进阶，几十节循序渐进的课，还带练习，完全不懂的先从这里开始。 2、Prompt Engineering Guide 维护的进阶指南，把各种提示技巧和背后的论文串起来，想搞明白原理、跟前沿的看这个。 3、Anthropic 提示词库 官方出的 Claude 提示词范例集，几十个真实任务的现成模板，学「工业级提示词长什么样」直接抄官方的。 4、OpenAI Cookbook 官方代码食谱，每个提示技巧都配能跑的示例，边看边动手，从会写变成会用。 5、PromptHero AI 生图最大的社区，Midjourney、Stable Diffusion 的高质量案例带参数，做 AI 绘画的在这找灵感。 6、FlowGPT 各行各业提示词大杂烩，按场景搜别人调好的提示词，临时要个能用的直接拿走改。

AI模型评分都是被专项攻坚创造出来的，于是我对比了Fable5，Grok4.5， Kimi K3针对同一个交易系统审计结果进行了对比。 先说结论： Fable5：最适合作为系统级主审核模型 Kimi：最适合作为代码缺陷与一致性专项审核模型 Grok：最适合作为代码梳理和方案发散模型，不适合单独决定策略修改 最佳组合：Fable5全面审核+Grok 4.5代码梳理+K3代码审核 具体细节： 1. Fable5：系统级判断能力最强 Fable5 最大的优势不是代码读得比另外两个模型更多，而是它能把： 代码规则； sizing snapshot； intent ledger； 实际 block 统计； 当前资产 headroom； SELL/REDEEM 回流路径； 放进同一个因果框架。 它使用了几个非常关键的实盘指标： ADD 近 7 天约占新增资金 43%； 84% 资金已经部署； ETH、SOL、XRP headroom 为 0； 近 40 个周期中主要阻塞是：blocked_capital_efficiency=47 blocked_asset_cap=28 deployment cap=0 runway=0 这让它能够区分： “某个机制理论上可能限制资金” 和 “当前实盘真正正在限制资金的机制”。 最终它得出： ADD 对资金流向重要，但当前周转主因在回收端、资产 cap 和效率过滤，不在 ADD 准入本身。 这是三个模型中最接近生产系统审核要求的判断。 弱点 Fable5 仍有一些过度推断： 把 ADD 描述为让资金“锁得更久”，实际上 ADD 的剩余 TTE 通常比 ENTRY 短； 把超 cap 资产总持仓约 $382 说成可以“直接解锁 $382”，没有区分总持仓、超额部分和可成交部分； 把模型中的 redeem_lag_days=2 一度当作实际回款延迟； “$5 仓位几乎不受每美元每日利润门约束”的推理不正确，因为该指标已经按资金归一化； 2-lot 最低 ENTRY 建议可能系统性损失覆盖率。 因此，Fable5 的系统方向判断最好，但具体数字和金融指标仍需二次校验。 最适合的角色 PRIMARY_SYSTEM_REVIEWER LIVE_OPERATIONAL_DIAGNOSIS CHANGE_PRIORITY_DECISION CROSS_MODULE_ROOT_CAUSE_ANALYSIS 2. Kimi：代码缺陷侦测能力最强 Kimi 对代码结构的还原比较准确： 固定 ADD 次数和 interval 已退役； ADD 采用 target-gap 模型； ENTRY 60%，ADD 补到 100%； allocator 是最终数量权威； style 仅作诊断； 现金、集中度、shock、深度共同限制订单。 更重要的是，Kimi 找出了其他两个模型没有明确指出的具体问题： shared_deployable_pool() 读取 account_snap["capital"]["deployable_cash"] 但该字段可能没有实际写入 → 回退到 free_cash → 策略层与 allocator 层资金口径可能不一致 它还发现了： 合同写 debounce 60 秒，代码/配置为 30 秒； 注释周期 16 分钟，实际 loop 600 秒。 这些是典型的静态审核、字段追踪和合同一致性检查优势。 弱点 Kimi 在资本效率和交易语义上的推理弱于它的代码检查能力。 典型错误是： ADD 价格更高，所以边际 edge/day 必然更差。 这忽略了剩余持有时间也缩短。更高 ask 并不必然意味着更低 edge/day。 它还认为： 60/40 会让剩余资金长期闲置； 提高 entry share 会改善周转； CONFIRMATION_NO 应收紧； 增加单市场软 cap 会改善组合周转。 这些结论缺少真实候选竞争、实际 block attribution 和反事实分配数据支持。 最适合的角色 STATIC_CODE_AUDITOR SCHEMA_AND_FIELD_FLOW_CHECKER CONTRACT_IMPLEMENTATION_DIFF LOCALIZED_BUG_DISCOVERY Kimi 很适合回答： “代码是否存在字段没有写入、默认值回退、文档与实现不一致、某个 gate 实际是否生效？” 但不适合单独回答： “应该如何改变交易策略和资本分配？” 3. Grok：代码梳理最完整，但最容易过度设计 Grok 对整个 ADD 路径的整理最详尽： 各层准入条件； risk latch； REDUCE reentry cooldown； 价格带； fingerprint； emergency cap； market target； ENTRY/ADD gap； allocator 的现金、集中度、shock 和深度约束； ADD 与 ENTRY 的评分和 continuity； SELL/REDEEM 对现金回收的影响。 它对当前代码执行模型的概括非常清楚： 能不能加由 headroom 决定；加多少由 target gap 离散为 lot；ADD style 只是解释标签。 因此，在“快速理解一个陌生复杂系统”方面，Grok 表现很好。 弱点 Grok 最大的问题是： 从“发现一个可能的机制副作用”快速跳到“建议修改策略”。 它提出了大量未经实盘证明的改动： TIME_TOPUP 冷却； ADD 1.5 倍 edge/day 门槛； ask≥0.97 限制为 1 lot； 降低 peak target； 提高 entry share； 单次仅补部分 gap； 弱化 continuity； 降低 TTE confirmation 权重。 这些建议表面上都很合理，但存在三个问题： 没有先证明这些机制实际造成了损失； 没有量化被 ADD 挤出的 ENTRY 是否更优； 可能重新引入此前已经修复的低 ADD recall 和 leader fidelity 偏差。 Grok很擅长生成完整优化空间，但容易把： POSSIBLE SIDE EFFECT 升级成： CONFIRMED ROOT CAUSE 再进一步升级成： SHOULD CHANGE PRODUCTION LOGIC 这是生产交易系统审核中最危险的倾向。 最适合的角色 SYSTEM_MAPPING CODE_AND_CONFIG_EXPLANATION HYPOTHESIS_GENERATION DESIGN_OPTION_ENUMERATION 不适合作为唯一的： PRODUCTION_CHANGE_APPROVER ROOT_CAUSE_FINAL_AUTHORITY STRATEGY_SEMANTICS_GATEKEEPER 三个模型的典型思维模式 Grok 发现机制 → 推演可能副作用 → 生成多种优化 → 倾向建议修改 优点：覆盖广、思路多。 风险：过度设计、假设升级过快。 Kimi 追踪代码和字段 → 找实现不一致 → 找局部缺陷 → 尝试从缺陷推导策略改进 优点：代码问题定位强。 风险：局部正确不等于系统结论正确。 Fable5 理解代码 → 读取运行数据 → 找实际 binding constraint → 区分主因和次因 → 按实盘收益排序 优点：最接近生产运营思维。 风险：仍会在个别指标含义和金额口径上过度断言。