Django 共同创造者 Simon Willison 从 2023 年 5 月就开始跟踪 Mojo 的开源承诺。今天它兑现了，但这门语言已经不是承诺里的「Python 超集」，官方一年前就放弃了。 《Mojo🔥 开源了》 Mojo 编程语言从 2023 年 5 月起就一直在承诺开源。上周他们发布了 1.0，今天他们兑现了最初的承诺：编译器和工具链以 Apache 2 许可证发布。 Mojo 刚推出时的既定目标，是做一个 Python 的超集，让现有的 Python 代码可以用来启动他们自己的生态。这个计划在 2025 年 8 月前后变了： Mojo 可能演化成 Python 的完整超集，也可能不会，没成也没关系。 AI 辅助编程工具现在已能把 Python 迁移到 Mojo，而且效果很好，这让我们很受鼓舞。我们相信，随着未来工具和生态的成熟，这个演化会走得更顺。 今天的 Mojo 是它自己的语言，用受 Python 启发的语法，把 GPU 编程做得尽可能无痛，虽然与现有代码不是 100% 兼容。 原文： #Mojo# #开源# #GPU编程#

🆓 我去，这个给初创公司用的开源 CRM 居然承诺永久免费，自己托管，数据全归你。 BottleCRM 用 Django 加 SvelteKit 写的，线索、客户、商机、工单、任务、发票这些 CRM 该有的全有，还做了多租户数据隔离。 最香的是它内置了一个 MCP server，你可以直接让 Claude、Cursor、Codex 这些 AI 客户端用你的账号身份去搜记录、建记录、改记录，等于给 CRM 配了个能听懂人话的助手。 再也不用为 Salesforce 那种天价订阅肉疼。 部署也很简单，git clone 下来用 uv 装好依赖就能跑。 初创团队省下的每一分订阅费都是利润。 GitHub：

用 Claude Code 改一个大项目，每开一个新任务它都要重新翻文件、认一遍代码结构，上次弄明白的东西全忘了，token 就这么烧掉。 repowise 的思路是把这些活提前做一次，给仓库建一个本地索引，代码依赖关系、git 历史、测试、文档、架构决策都放进去，Agent 和人都能直接来查。 它给 Claude Code、Codex、Cursor 提供 10 个按任务设计的 MCP 工具，问「改了这个文件会影响谁」直接给出带引用的答案。 作者在 django 仓库上跑了 43 个问题做对比，Agent 的工具调用从 7.2 次降到 3.8 次，输出少了 31.6%。样本、方法和输掉的行都公开在仓库里。 GitHub： 改代码前能算一份 0 到 10 的风险分，按仓库自己近期提交的分布来排，还列出哪些调用方会被波及、哪些测试该跑、以往总一起改的文件这次有没有漏。 代码健康那块有 51 个检测器，把缺陷风险、可维护性、性能分开打分，找出最容易出问题的文件，还会给出可以直接丢给 Agent 执行的重构方案。 支持 26 种语言，建图、算风险、查健康度、找死代码都不调用大模型，不用 API Key，索引留在自己机器上。一条命令装好，也有免费的 PR 机器人。

💳 Airtable 的订阅费能省下来了，Baserow 是它的开源替代，自己部署一份，表格照用不误。 GitHub 上 5700 多 star，官方自称用户已经超过 15 万，还拿了 GDPR、HIPAA 和 SOC 2 Type II 的合规认证。 以前团队想共同维护一张项目进度表，用 Excel 传来传去版本永远对不上，换成在线表格又得按人头交钱，数据一旦涉及客户信息，还要额外跟法务解释这些东西存在谁家服务器上。 Baserow 就是自己装一份，数据全留在自己机器里。表格该怎么用还怎么用，加字段、切视图、拉仪表盘都是点几下的事，还能顺手把自动化流程和小应用搭在同一份数据上。它内置了一个叫 Kuma 的 AI 助手，想加张表或者配条自动化，用大白话说一句就行，不用先去啃它的配置面板。 后端是 Django 加 PostgreSQL，前端 Vue，非高级版和非企业版的功能按 MIT 协议放出来，自己改自己用都没问题。仓库里一千二百多个 issue 还开着，七百多个 fork，是真有人在用、在提。 把表格和数据搬回自己机器这件事，本来就不该按人头收钱。 GitHub：

用 Claude Code 开发项目，代码库一大，每次探索代码结构都要扫一堆文件，工具调用多、速度慢，token 也跟着烧。 于是找到 CodeGraph 这个开源工具，给代码库预建一张语义知识图谱，让 Claude Code 直接查图而不是逐文件扫描。 效果颇为明显，工具调用减少 92%，探索速度提升 71%，像 VS Code 这种大型项目也能在十几秒内完成代码溯源。 GitHub： 它能自动识别函数调用链、类继承、模块引用等关系，还能在修改代码前分析影响范围，避免改一处坏一片。 支持 19 种编程语言，还能识别 Django、Express、Spring 等 13 个框架的路由映射。 所有数据存在本地，不需要任何外部服务。一条命令安装，文件保存后自动同步图谱，基本不用额外操心。 如果你的项目代码量不小，又经常用 Claude Code 做代码探索和重构，装上能省不少时间和 token。

📅 十一个社交平台一个后台管，帖子写好到点自动发 GitHub 上 2.2K stars 一个人做多平台的都懂：同一条内容要在十几个后台各发一遍，每个平台的图片尺寸、字数限制、发布时间都不一样。想用商业排期工具，一到多账号多平台就开始按坐席收月费。 BrightBean Studio 是开源自托管的社媒管理平台，装在自己服务器上，账号数量不受价格表限制。覆盖 Facebook、Instagram、LinkedIn、TikTok、YouTube、Pinterest、Threads、Bluesky、Google Business Profile、Mastodon 和 十一个平台。 功能是照着团队协作设计的：内容编排、日历排期、审批流程、社交收件箱、数据分析、媒体库，还有给客户看的门户，接代运营的人能直接把结果给到甲方。对接能力给了 REST API 和基于 JSON-RPC 2.0 的 MCP 服务，想让 AI 来排内容是通的。 后端 Django 5.x 配 Python 3.12 以上，前端走 Django 模板加 HTMX、Alpine.js 和 Tailwind CSS 4，生产用 PostgreSQL 16 以上，本地开发 SQLite 就够。后台任务用 django-background-tasks，不需要额外部署 Redis，这点对小服务器友好。Docker、Heroku、Render 和 Railway 的部署配置都给了。AGPL-3.0 协议。 发得多不难，难的是每次都不用重来一遍。 GitHub：

到底要不要人工审阅 AI 生成的代码，我是这么看的： - 在 agentic coding 时代，自动化测试变得尤为重要。所有能被自动验证的行为都应该被验证。AI 写单元测试很容易，但对于更复杂的集成测试，仍然需要人去搭建——这些工作很多是一次性的，但也有些需要跟着项目迭代。 - AI code review 能搞定 90% 过往需肉眼检查的内容（语法、注释、边界条件、logging、etc），当然前提是团队提供了严格的代码规范。这并不难。 - 仍然需要人把关的那 10%，是「架构设计」。AI 能写出完全符合代码规范，但是架构一团糟的代码。而「设计」往往项目甚至单个功能相关的，很难被规范化。这里人类的经验就很重要了。 - 如何让人从 AI 生成的巨量代码中快速提炼出架构设计？好的做法是让 AI 往 commit message 里加入「修改了哪些代码」的总结，并提炼出架构图。很多 AI code review 产品已经是这么做的了。人不再需要去看代码，看总结就行了。 - 很多场合下，的确没有必要人工 review：比如一次性脚本、使用成熟框架（Django, React）的项目等等。对于那些复杂且会长久维护的项目，人类 review 是必要的，但并不等于人要去读每一行代码。 - 最好维护一个包含设计选择、代码结构的文档，让 AI 实时更新。这对于人和 AI 都有极大帮助，能减少很多不必要的 turns 和上下文开销。

15个值得关注的AI账号： 1. @karpathy 他的推文创造的LLM叙事，你两个月后会在LinkedIn上看到。 2. @fchollet 发布关于智能、基准和AI局限的深思熟虑研究。Keras创始人+ARC-AGI。 3. @ylecun 深度学习先驱、Meta首席AI科学家；大局观研究和评论（还有drama）。 4. @AndrewYNg AI教育传奇；实用ML建议、课程和真实应用。 5. @rasbt 发布实用ML/LLM实现、'从零开始构建'教程和书籍。 6. @dair_ai 每周ML/AI论文线程和易懂的研究解读（高质量信息流）。 7. @lilianweng 前OpenAI员工，Lil'Log风格线程优质。深度LLM研究分解。 8. @jeremyphoward 发布有趣的AI/加密新闻观点，致力于民主化实用深度学习教育。 9. @simonw 实用LLM工具、观点、实验、提示词和工程分解。Django联合创始人。 10. @_akhaliq 精选最新arXiv论文、模型发布和开源AI项目。 11. @ID_AA_Carmack AGI/低级优化观点，让你重新思考问题。 12. @gwern 高质量长篇AI研究笔记和论文。 13. @goodside LLM评估、提示词研究和真实能力测试。 14. @drfeifei 计算机视觉先驱；以人为中心的AI和空间智能研究。 15. @demishassabis 跟踪他的工作9年了。Demis是我对抗谷歌用AI滥用权力的希望。DeepMind CEO。 告诉我遗漏了谁，保存以备未来参考

想建立高质量的AI信息流，从这15个账号开始！ 这 15 个账号基本覆盖了： 研究 工程 教育 开源 产品 AGI 思考 AI 真实能力评测 @karpathy 他的推文经常提前定义 LLM 叙事。很多你两个月后在 LinkedIn 上看到的 AI 话题，可能他早就讲过了。 @fchollet Keras 作者，ARC-AGI 提出者。经常分享关于智能、本质能力、Benchmark 和 AI 局限性的深度思考。 @ylecun 深度学习先驱，Meta 首席 AI 科学家。观点很宏观，也经常有对 AI 研究路线的批判和讨论。 @AndrewYNg AI 教育领域的传奇人物。内容非常实用，覆盖机器学习建议、课程、产品落地和真实世界应用。 @rasbt Sebastian Raschka，经常分享实用 ML / LLM 实现、“从零构建”教程，以及相关书籍内容。 @dair_ai 高频更新 ML / AI 论文线程，用通俗方式拆解前沿研究，适合快速跟进 AI 进展。 @lilianweng 前 OpenAI 成员。她的 Lil’Log 风格内容非常值得看，擅长深入拆解 LLM 研究和技术细节。 @jeremyphoward 经常分享 AI / Crypto 相关观点，也长期推动实用深度学习的普及和大众教育。 @simonw Django 联合创始人。聚焦实用 LLM 工具、实验、提示词、Agent 和工程实践拆解。 @_akhaliq 持续整理最新 arXiv 论文、模型发布、开源 AI 项目和研究动态，信息流非常快。 @ID_AA_Carmack 关注 AGI 和底层优化问题，很多观点能让你重新思考“智能”和“工程”的本质。 @gwern 高质量长文作者，擅长 AI 研究笔记、深度 essays 和长期主义视角的技术观察。 @goodside 专注 LLM 评测、提示词研究和真实能力测试，经常能看到非常细的模型行为观察。 @drfeifei 计算机视觉先驱，关注以人为中心的 AI、空间智能和未来 AI 研究方向。 @demishassabis Google DeepMind CEO。长期关注通用 AI 的未来方向，也是理解 DeepMind 路线的重要窗口。 大家还有要补的吗？评论区👇👇👇👇

吴说获悉，DeFi 平台 dango 创始人 Larry Engineer 针对 “POAP 关停” 事件发文称，过去五年已证明 NFT、元宇宙、DePIN、SocialFi、GameFi 和 DAO 等多数加密叙事难以成立，ENS 与 POAP 等链上所有权应用也已失去增长动力。他认为，目前真正存续的场景仅剩永续合约、Meme 币及预测市场等博彩类业务，以及稳定币支付；随着华尔街机构加速进入，初创公司的机会也正进一步收窄。